Также в модели включаются следующие макроэкономические показатели:

1) gdp - ВВП России (трлн.руб.);

2) key_rate - ключевая ставка ЦБ РФ (%).

В данную группу входит ключевая ставка ЦБ РФ, которая является основным инструментов денежно-кредитной политики государства, именно с помощью изменения значения ставки ЦБ может поддерживать инфляцию на одном уровне. Следующим индикатором является ВВП России, который показывает общее состояние экономики страны.

Дополнительно в модели включаются региональные показатели, а именно:

1) ipc_regional - прирост регионального индекса потребительских цен (%);

2) region - дамми-переменная расположения главного офиса банка (=1, если главный офис банка расположен в столице, =0, если в других регионах).

Существует предположение, что ЦБ РФ реже отзывает лицензии у банков, главный офис которых расположен в других регионах, а не в столице (Radionova, Pristupina, 2017).

Макроэкономические и региональные показатели включаются в модель с лагами в 1 и 2 квартала, ввиду возможного наличия отложенного во времени влияния на состояние банков ((Karminsky, Kostrov, 2014), (Radionova, Pristupina, 2017), (Пересецкий, 2013), (Mдnnasoo, Mayes, 2009)).

Также для изучения влияния интенсивности поисковых запросов в системе Google с наименованием банка на вероятность дефолта банка в модели включается переменная google. Была выбрана данная поисковая система, так как в 2018 г. Процентное соотношение поискового трафика в России на конец 2018 г. составляло 53,5% и 42,7% для Google и Яндекс, соответственно (Рис.1) (Полякова, 2019).

Рис.1. Доля поискового трафика в российском интернете на всех типах устройств за 2018 г., %

Переменная google включает в себя агрегированные поквартальные данные о количестве запросов с наименованием банка. Переменная google принимает значения от 0, если запрос с наименованием банка не является популярным, до 300, если запросы являются популярными (Schaffner, 2015). Была выдвинута гипотеза о том, что чем больше количество запросов в системе Google, тем выше популярность банка, следовательно, тем больше у него клиентов и тем устойчивее его положение на рынке банковских услуг.

Важно отметить, что для оценки влияния переменных на вероятность дефолта банков финансовые, региональные, макроэкономические и интернет-переменные были включены с лагом 1 и 2 квартала, так как данного периода времени будет достаточно для того, чтобы руководство банка приняло меры по борьбе с потенциальной возможностью отзыва лицензии у банка (Karminsky, Kostrov, 2014).

Дополнительно были построены линейные регрессионные модели для прибыли банка до налогообложения (5) и (6) для оценки влияния популярности поисковых запросов. Важно отметить, что гипотеза о наличии влияния интенсивности поисковых запросов пользователей в системе Google на вероятность дефолта банков возникла ввиду предположения о положительной связи между поисковыми запросами и количеством клиентов банка, следовательно, прибылью банка. Коэффициенты моделей оцениваются методом наименьших квадратов. В модель (5) включаются CAMEL показатели, макроэкономические, региональные, интенсивность поисковых запросов и совместный эффект региона, в котором расположен главный офис банка и популярность запросов в Google с лагом в 1 квартал, а также возраст и расположение центрального офиса банка без лага.

,

где: - совместный эффект расположения главного офиса банка и интенсивности поисковых запросов пользователей в системе Google;

i=1…n - номер исследуемого банка;

t=1…T - временной период;

- неизвестные параметры регрессии.

- случайная ошибка модели.

Для проверки отличий во влиянии вышеперечисленных переменных строится модель (6), объясняющие переменные в которую включаются с лагом в 2 квартала, за исключением переменных возраста и расположение центрального офиса банка.

,

где: - совместный эффект расположения главного офиса банка и интенсивности поисковых запросов пользователей в системе Google;

i=1…n - номер исследуемого банка;

t=1…T - временной период;

- неизвестные параметры регрессии.

- случайная ошибка модели.

Все модели проверяются на наличие мультиколлинеарности с помощью расчетов парных коэффициентов корреляции. Для сравнения качества построенных логит-моделей, рассчитываются показатели псевдо R-квадрат, информационные критерии Акаике и Шварца. Для проведения расчетов используется статистический пакет R.

1.Данные и их предварительный анализ

Для исследования были собраны поквартальные данные о финансовых показателях российских банков (CAMEL-индикаторы), макроэкономических (ключевая ставка, ВВП, прирост ВВП и ИПЦ), региональных показателях (расположение главного офиса банка, прирост ВРП и регионального ИПЦ) и показателю интенсивности поисковых запросов пользователей в системе Google с наименованием банка с 2013 по 2018 гг. В таблице 1 представлены обозначения, единицы измерения и описательные статистики переменных.

Таблица 1

Описательные статистики переменных

Показатели	Обозначение	Единицы измерения	Среднее значение	Минимальное значение	Максимальное значение
CAMEL-показатели
Капитал	C-capital	млрд. руб.	7,47	-686,24	147,74
Чистые активы	A-assets	млрд. руб.	63,08	0	995,73
Корреспондентские счета	M-corresp	млрд. руб.	3,45	-74,95	181,09
Прибыль до налогообложения	E-profit	млрд. руб.	0,37	-182,43	33,24
Макроэкономические показатели
Ключевая ставка	key_rate	%	8,72	7,25	11
ВВП	gdp	трлн. руб.	21,55	16,38	29,49
Прирост ВВП	gdp_growth	%	100,73	96,49	102,75
Прирост индекса потребительских цен	ipc_growth	%	101,68	99,38	107,44
Региональные показатели
Расположение главного офиса банка	region	1 - в столице; 0 - в других регионах.	x	x	x
Прирост ВРП	grp_growth	%	102,70	80,40	128
Прирост регионального индекса потребительских цен	ipc_regional	%	101,75	99,57	112,45
Возраст банка
Возраст банка	age	кол-во лет	20,23	2	32
Интенсивность поисковых запросов в Google
Поисковые запросы Google	google	баллы	13,46	0	273

Данные о состоянии банка (действующий банк или банк с отозванной лицензией) на определенный момент времени были получены с сайта ЦБ РФ. Данные по финансовым показателям были собраны с сайта banki.ru и из справочно-аналитической системы СПАРК-Интерфакс. Региональные и макроэкономические показатели были собраны с сайта Росстат и Федстат. Значения переменной google были получены с сайта Google.Trends. На данном сайте приводятся относительные значения популярности поисковых запросов с определенными словами и словосочетаниями, то есть 100 баллов означают наивысший уровень популярности запроса. На данном ресурсе представлены месячные данные, которые были агрегированы в поквартальные, таким образом, что максимальное значение данного показателя было равно 300, а минимальное 0. При сборе данных учитывалось количество поисковых запросов с названием банка, однако, если в наименовании банка нет обозначения, что данная организация является банком, добавлялось слово «банк» (к примеру, при рассмотрении банка «Россия» выбирались поисковые запросы «банк Россия»).

В выборке до исключения выбросов представлены данные по 400 банкам, из которых 199 банков (49%) с отозванными лицензиями и 201 действующий на момент исследования банков (51%). При рассмотрении генеральной совокупности банков было выяснено, что всего банков, существующих в исследуемый период было 923, среди которых 484 банка (52%) действуют на данный момент времени и у 439 банков (48%) были отозваны лицензии, то есть можно сделать вывод о том, что соотношение банков в исследуемой выборке практически полностью соответствует соотношению банков в генеральной совокупности.

В ходе предварительного анализа данных из исследуемой выборки были исключены статистические выбросы, а именно: банки, чистые активы которых превышают 1000 млрд.руб., таким образом, были исключены самые крупные банки России («Сбербанк», «ВТБ», «Газпромбанк», «Россельхозбанк», «БМ-Банк», «Альфа-Банк», «ЮниКредит Банк», «Промсвязьбанк»).

В используемой далее для расчетов выборке с лагом в 1 квартал получилось 6185 наблюдений, в то время как с лагом в 2 квартала - 5994 наблюдение. В выборке с лагом в 1 квартал 49% наблюдений принадлежит банкам с отозванной лицензией и 75% наблюдений для банков, главный офис которых расположен в Москве и Московской области, для выборки с лагом в 2 квартала данные значения равны - 53% и 75%, соответственно.

При рассмотрении описательных статистик банков, представленных в таблице 1, привлекает внимание отрицательный размер собственного капитала банка, данное значение показателя объясняется тем, что коммерческий банк фактически не имеет свободных собственных средств, а на покрытие непредвиденных затрат банка используются привлеченные средства. В результате снижается финансовое состояние банка, что в следствие может привести к отзыву лицензии. Существует исследование (Karminsky, Kostrov, 2017), направленное на изучение отрицательного собственного капитала банка.

Чистые активы банка включают в себя все собственные средства банка, в том числе его имущество, исключая обязательства. Согласно таблице 1, максимальный объем чистых активов в исследуемой выборке находится у банка «Росбанк» и составляет 995,73 млрд.руб., минимальный объем активов составляет 0, однако важно отметить, что отсутствие активов можно заметить у банков непосредственно за 1 или 2 квартала до отзыва лицензии, то есть банк перестает функционировать. Среднее значение чистых активов исследуемых банков является 63,08 млрд.руб., что является сравнительно небольшим значением и свидетельствует о том, что средний банк в исследуемой выборке не является крупным.

Корреспондентские счета обозначают сумму на счете банка, который был открыт для банка в подразделении ЦБ РФ. Как видно в таблице 1, максимальная величина данной переменной в исследуемой выборке составляет 181 млрд.руб. и принадлежит банку «Всероссийский банк развития» в начале 2016 г. В то время как наименьшее значение у банка «Дойче банк» во 2 квартале 2014 г. и составляет -74 млрд.руб. Отрицательное значение данного показателя можно объяснить тем, что в исследуемый период ЦБ РФ выдал банку «Дойче банк» кредит на сумму 74 млрд.руб. Среднее значение данного показателя составляет 3,45 млрд.руб., что является небольшим значением в сравнении с максимальным значением 181 млрд.руб., данное отличие может объясняться тем, что 49% банков, представленных в выборке, оказались дефолтными.

Согласно таблице 1, максимальная чистая прибыль банков в исследуемой выборке составляет 33,24 млрд.руб. и принадлежит банку «Райффайзенбанк» в начале 2014 г., а наименьшая составляет -180 млрд.руб. и принадлежит банку «Траст» во 2 квартале 2018 г., именно в этот период банк начинал проходит процедуру финансового оздоровления с участием ЦБ, более 99,9% акций банка принадлежит ЦБ РФ. Средняя чистая прибыль составляет 370 млн.руб., что является достаточно небольшим значением, которое объясняется тем, что из выборки были удалены крупные банки и остались средние и мелкие.

Также при рассмотрении гистограмм распределения основных финансовых показателей (чистые активы, капитал, прибыль) (см. Приложение 2), можно заметить отсутствие нормального распределения во всех показателях, что свидетельствует о том, что банковская сфера неравномерна и существует большой разрыв между крупными и небольшими банками.

По данным из таблицы 1 за период исследования с 2013 по 2018 гг. ключевая ставка колебалась от 7,25% до 11%, в то время как среднее значение было 8,72%. ВВП России в данный период было от 16 до 29,49 трлн.руб. Важно отметить, что в среднем за период с 2013 по 2018 гг. наблюдается прирост ВВП на 0,73%, а также прирост индекса потребительских цен на 1,68%.

Согласно таблице 1, с 2013 по 2018 гг. в среднем наблюдается прирост ВРП на 2,7% и прирост регионального индекса потребительских цен на 1,75%, что свидетельствует об улучшении состояния региональных экономик.

Анализируя описательные статистики переменной возраста из таблицы 1, можно сделать вывод о том, что после исключения из выборки нескольких крупных банков максимальный возраст составил 32 года (для банка Принтбанк), в то время как минимальный - 3 года (Москоммерцбанк). Средний возраст исследуемых банков составляет около 20 лет, что свидетельствует о том, что большинство банков было открыто в период начала 90-х гг.

По данным из таблицы 1 среднее значение поисковых запросов составляет 13 баллов, что говорит о том, что в среднем в месяц поисковые запросы с наименованием банка не являются популярными. Самым популярным банком за исследуемый период был банк «Связной» в начале 2013 г., который был лишен лицензии в ноябре 2015 г.

Также для сравнения действующих банков и банков с отозванной лицензией были рассчитаны описательные статистики переменных по группам, результаты представлены в таблице 2.

Таблица 2. Описательные статистики финансовых переменных и интенсивности поисковых запросов

Переменная	Среднее значение	Минимальное значение	Максимальное значение
	Дефолтный банк	Действующий банк	Дефолтный банк	Действующий банк	Дефолтный банк	Действую-щий банк
Капитал (млрд. руб.)	3,38	7,63	-46,24	-686,24	63	147,74
Чистые активы (млрд. руб.)	35,22	64,28	0	0	848,04	995,73
Корреспондентс-кие счета (млрд. руб.)	1,38	3,46	0	-74,95	42,59	181,09
Чистая прибыль (млрд. руб.)	-0,45	0,38	-75,55	-182,43	9,16	33,24
Возраст банка (кол-во лет)	21,87	10,20	2	1	32	22
Поисковые запросы Google (баллы)	6,57	17,27	0	0	266	264

Анализируя описательные статистики по банкам из таблицы 2, которые были лишены лицензии, и действующим банкам можно выявить следующие закономерности. Во-первых, чем старше банк, тем больше вероятность его дефолта, так как в среднем возраст банка с отозванной лицензией 22 года, а действующего - 10 лет. Во-вторых, чем больше активы банка, тем лучше его финансовое состояние и тем меньше вероятность дефолта. Также важно отметить, что при отрицательной прибыли вероятность нарушения норм ЦБ РФ увеличивается, так как среднее значение для банка с отозванной лицензией составляет - 440 млн.руб, а для действующего равно 380 млн.руб. Для ответа на исследовательский вопрос важно рассмотреть соотношение интенсивности поисковых запросов пользователей с наименованием банка в системе Google. В результате можно сделать вывод о том, что чем выше популярность банка, тем меньше будет вероятность отзыва его лицензии, так как в среднем популярность поисковых запросов в системе Google для исследуемых банков с отозванной лицензией составляет 6,57 баллов, в то время как для действующих - 17,27 баллов.

В ходе предварительного анализа данных было принято решение о включении в модель в качестве контрольных переменных - показатели CAMEL. Однако ввиду недостатка квартальных данных по банкам в открытом доступе, данный индикатор не включает показатель ликвидности. Таким образом, финансовыми переменными в построенных моделях являются: капитал, активы, корреспондентские счета в ЦБ РФ и прибыль банка до налогообложения.

Для рассмотрения наличия проблемы мультиколлинеарности была построена корреляционная матрица для количественных объясняющих переменных, которая представлена в Приложении 2. Наибольшее значение значимой на 1% уровне корреляции существует между приростом индекса потребительских цен России и региональным индексом потребительских цен (0,87), а также между приростом ВВП и ключевой ставкой (-0,73). Ввиду высоких значений коэффициентов парной корреляции существует вероятность возникновения проблемы мультиколлинеарности. Таким образом, в модель были включены следующие макроэкономические показатели: ВВП и ключевая ставка, и региональные: дамии-переменная расположения главного офиса банка и прирост регионального ИПЦ.

2.Эмпирические результаты

Оценки коэффициентов логит-моделей для вероятности дефолта банков представлены в Приложении 3, а средние предельные эффекты для них - в Таблице 3. В моделях (1) и (3) объясняющие переменные за исключением расположения главного офиса и возраста банка были включены в модель с лагом в 1 квартал, в модели (2) и (4) - с лагом в 2 квартала.

Начнем с рассмотрения влияния макроэкономических факторов. Как видно в таблице 3, средний предельный эффект перед показателем gdp статистически незначим во всех моделях. При рассмотрении влияния key_rate в таблице 3 на вероятность дефолта российских банков по полученному статистически значимому коэффициенту на уровне значимости 5% в модели (2) и 10% в модели (4) можно сделать вывод о том, что при увеличении ставки на 1% вероятность дефолта банка через 2 квартала уменьшается на 0,7% в среднем и при прочих равных. Также при сравнении влияния данного фактора во времени можно сделать вывод о наличии отложенного во времени влияния на 2 квартала, так как при рассмотрении спецификации с лагом в 1 квартал коэффициент перед переменной ключевой ставки статистически незначим. Полученные выводы противоречат результатам исследования А. Карминского, А. Кострова (2014), что, возможно, объясняется тем, что авторы проводили исследование на данных по российским банкам за период с 1998 по 2011 гг., в который включался экономический кризис 2008 г. Также авторы рассматривали более широкий временной промежуток, во время которого показатели состояния экономики Российской Федерации изменялись в большем диапазоне, чем в исследуемой выборке. Следующей возможной причиной противоречия результатов является число наблюдений в исследуемой выборке, в работе (Karminsky, Kostrov, 2014) авторы строили модели на всей генеральной совокупности действующих банков, в то время как в данном исследовании в выборку включались только 400 российских банков.

Таблица 3Средние предельные эффекты для логит-моделей

	(1)	(2)	(3)	(4)
CAMEL-показатели
	(0.005)		(0.004)
		(0.004)		(0.004)
	(0.003)		(0.003)
A		(0.002)		(0.002)
	** (0.052)		** (0.051)
		*** (0.040)		*** (0.040)
	** (0.023)		** (0.022)
		** (0.021)		** (0.021)
Макроэкономические показатели
	(0.031)		(0.030)
		(0.025)		(0.025)
	(0.084)		(0.083)
		** (0.062)		* (0.062)
Региональные показатели
	** (0.173)	-0.0207*** (0.123)	(0.210)	(0.062)
	*** (0.037)		*** (0.037)
		-*** (0.030)		-*** (0.030)
Возраст банка
	(0.090)	(0.067)	(0.018)	(0.067)
	(0.003)	(0.002)
Интенсивность поисковых запросов в Google
	(0.005)		*** (0.019)
		* (0.003)		*** (0.003)
			*** (0.019)
				-*** (0.003)
Константа	0.692*** (3.991)	0.918*** (3.156)	0.665*** (5.611)	0.877*** (4.206)
Количество наблюдений	6 185	5 994	6 185	5 994
R2 МакФадден	0.03	0.03	0.04	0.03
AIC	1682	2773	1670	2749
BIC	1762	2853	1751	2829
Примечание: в скобках - робастные стандартные ошибки, уровни значимости * p<0.1. ** p<0.05. *** p<0.01

Перейдем к рассмотрению влияния региональных факторов на вероятность дефолта российских банков. Анализируя средние предельные эффекты моделей (1) и (3), представленные в таблице 3, можно сделать вывод о том, что коэффициент перед переменной ipc_growth имеет отрицательный знак и значим во всех моделях на 1% уровне, то есть при увеличении прироста регионального ИПЦ на 1% увеличивается вероятность дефолта банка в следующем квартале на 0,6%, в то время как через 2 квартала на 0,8% в среднем и при прочих равных условия. Таким образом, можно сделать вывод о том, что экономическое состояния региона, в котором расположен главный офис банка, оказывает отрицательное отложенное во времени влияние на вероятность дефолта банка. Рассматривая дамми-переменную region в таблице 3, можно сделать вывод о том, что существует отрицательная взаимосвязь, а именно: в случае расположения главного офиса банка в Москве и Московской области вероятность дефолта увеличивается. Данный результат противоречит выводам А. Карминского, А. Кострова (2014) и соответствует результатам исследования М. Радионовой, Ю. Приступиной (2016). Данные различия можно объяснить разными временными промежутками, которые были выбраны исследователями, так как в работе А. Карминского, А. Кострова (2014) был рассмотрен больший промежуток времени, следовательно, было учтено больше банков с отозванной лицензией. Важно отметить, что результаты оценки влияния региональных показателей на вероятность дефолта российских банков являются устойчивыми, так как не меняются при изменении спецификаций.

Рассматривая влияние age в таблице 3 на вероятность его дефолта, можно сделать вывод об отсутствии данной связи, так как коэффициенты перед переменной возраста банка и ее квадратичной формы незначимы во всех логит-моделях, что может объясняться тем, что большинство российских банков были открыты примерно в одно время.

Перейдем к анализу полученных результатов с переменной google. Анализируя средние предельные эффекты для построенных логит-моделей в таблице 3, можно сделать вывод о наличии положительной связи между вероятностью дефолта российских банков и интенсивностью поисковых запросов пользователей с наименованием банка в системе Google. Как видно в таблице 3, средний предельный эффект коэффициента перед переменной google является значимым и положительным в моделях (2), (3) и (4), то есть при увеличении интенсивности поисковых запросов пользователей с наименованием банка в Google-поиске на 1 балл уменьшается вероятность дефолта банка через 2 квартала на 0,23% и на 0,1% в следующем квартале в среднем и при прочих равных условиях. Полученные результаты являются устойчивыми, так как при изменении спецификации коэффициенты не изменяются.

При анализе переменной совместного эффекта региона, в котором находится главный офис банка, и интенсивности поисковых запросов (region*google) важно отметить то, что в моделях (3) и (4) средние предельные эффекты данного коэффициента являются статистически значимыми на 1% уровне и отражают наличие небольшой отрицательной взаимосвязи (см. таблицу 3). Таким образом, связь между вероятностью дефолта банка и популярностью поисковых запросов пользователей с наименованием банка сильнее в регионах, а не в столице, что опровергает выдвинутое ранее предположение.

Для обоснования связи интенсивности поисковых запросов пользователей с наименованием банка в системе Google и вероятности дефолта российских банков ранее было выдвинуто предположение о наличии влияния поисковых запросов на популярность банка, следовательно, на количество клиентов, что в следствие оказывает влияние на прибыль банка. Для проверки данного обоснования были построены модели, зависимой переменной в которых является прибыль банков до налогообложения. Оценки коэффициентов регрессионных моделей (5), построенной на данных с лагом в 1 квартал, и (6), построенной на данных с лагом в 2 квартала, представлены в Таблице 4.

Таблица 4. Оценка коэффициентов для прибыли банка до налогообложения

	(5)	(6)
CAMEL-показатели
	0.187*** (0.053)
		0.223*** (0.037)
	-0.018*** (0.068)
		-0.021*** (0.005)
	0.07*** (0.018)
		0.059*** (0.015)
Макроэкономические показатели
	0.002 (0.017)
		-0.015 (0.019)
	-0.269*** (0.055)
		-0.256*** (0.057)
	Региональные показатели
	-0.416*** (0.099)	-0.477*** (0.104)
	-0.012 (0.034)
		-0.039 (0.040)
Возраст банка
	-0.037*** (0.009)	-0.036*** (0.010)
Интенсивность поисковых запросов в Google
	0.010** (0.005)
		0.010* (0.005)
	-0.003 (0.005)
		-0.003 (0.005)
Константа	4.686 (3.36)	7.205* (4.047)
Количество наблюдений	5 985	5 597
Скорректированный R2	0.403	0.477
F-статистика	404.057***	512.287***

Рассматривая таблицу 4, главными выводами построенных моделей (5) и (6) является то, что коэффициент перед переменной google является положительным и статистически значимым в обеих моделях, в то время как коэффициент перед переменной совместного эффекта региона и поисковых запросов не значим. Важно отметить, что полученные коэффициенты для разных лагов равны, что говорит об отсутствии влияния временного фактора. То есть в среднем и при прочих равных условиях при изменении интенсивности поисковых запросов пользователей с наименованием банка в системе Google на 1 балл увеличивается прибыль банка на 10 млн.руб. Данный вывод подтверждает обоснование наличия взаимосвязи между популярностью поисковых запросов и количеством клиентов, следовательно, размером прибыли банков. То есть в среднем и при прочих равных условиях при увеличении популярности поисковых запросов с наименованием банка увеличивается количество его клиентов, следовательно, увеличивается, его прибыль. Также можно отметить, что различие во влиянии на прибыль интенсивности поисковых запросов в разных регионах России не подтвердилось, так как коэффициенты статистически не значимы, в отличие от влияния на вероятность дефолта российских банков.

Таким образом, подтверждается выдвинутое ранее предположение о том, что при увеличении популярности поисковых запросов пользователей с наименованием банка в системе Google увеличивается спрос на товары и услуги банка, то есть увеличивается объем продаж банка, вслед за этим увеличивается прибыль банка, следовательно, уменьшается вероятность несоблюдения нормативов ЦБ РФ, в следствие уменьшается вероятность дефолта банка. Данный вывод согласуется с выводами в исследовании влияния популярности поисковых запросов пользователей в системе Google на вероятность дефолта американских банков Ф. Шаффнера (Schaffner, 2015).

Интересным выводом таблицы 4 является то, что прибыль банков до налогообложения в среднем и при прочих равных условиях у банков с главным офисом в Москве и Московской области меньше на 42% с лагом в 1 квартал и на 48% с лагом в два квартала, чем у банков, главный офис которых расположен в других регионах. Данный результат можно объяснить тем, что из выборки были исключены крупные банки, главных офис которых располагается в столице.

Рассматривая контрольные переменные CAMEL-показатели в моделях в таблице 3, можно сделать вывод о наличии положительной взаимосвязи между финансовыми показателями деятельности банка (corresp и profit) и вероятностью дефолта, то есть при увеличении значения корреспондентских счетов в ЦБ РФ и прибыли банка до налогообложения вероятность дефолта российских банков уменьшается на величину от 0,1 до 0,3% в среднем и при прочих равных условиях. Полученные выводы соответствуют выводам исследованиям Маннассо и Майеса (Mдnnasoo, Mayes, 2009) и Паррадо-Мартинез и соавторов (Parrado-Martнnez et al., 2019), однако противоречит работе Ханх Ле и Вивиани (Le, Viviani, 2018).

Также важно отметить, что включении в модели данных с лагом в 2 квартала увеличиваются уровни значимости несколько коэффициентов перед переменными, а также улучшает такие показатели качества модели, как псевдо-R² МакФаддена, информационный критерий Акаике (AIC) и информационный критерий Шварца (BIC).

Таким образом, главным результатом исследования, представленным в таблице 3, является то, что интернет-показатель интенсивности поисковых запросов пользователей с наименованием банка в системе Google оказывает статистически значимое положительное влияние на снижение вероятности дефолта банков, а именно при увеличении популярности поисковых запросов пользователей с наименованием банка в системе Google на 1 балл уменьшается вероятность дефолта российского банка на 0,23% в среднем и при прочих равных условиях. Данные результаты согласуются с предыдущим исследованием на данную тему Ф.Шаффнера (Schaffner,2015), хотя исследование автора проводилось для американских банков и для другого исследовательского периода. Данные результаты можно объяснить статистически значимым положительным влиянием интенсивности поисковых запросов пользователей с наименованием банка в системе Google на прибыль банка до налогообложения, что является выводами оценок моделей (5) и (6).

Таким образом, на основе проведенного анализа можно сделать вывод о наличии положительной взаимосвязи между интенсивностью поисковых запросов пользователей с наименованием банка в системе Google и вероятностью дефолта банка, то есть при увеличении популярности банка, уменьшается вероятность его дефолта. А также о подтверждении обоснования данного влияния через наличие положительной связи между интенсивностью поисковых запросов пользователей и спросом на банковские услуги, следовательно, прибылью коммерческого банка, которая в свою очередь оказывает влияние на вероятности соблюдения установленных ЦБ РФ нормативов, что может привезти к увеличению вероятности отзыва лицензии коммерческого банка Данный результат соответствует исследованию Ф.Шаффнера (Schaffner,2015). Также в ходе исследования подтвердился результат исследования М.Радионовой, Ю.Приступиной (2016) о наличии положительной взаимосвязи между расположением главного офиса банка и вероятностью его дефолта. Важно отметить, что влияние макроэкономических факторов на вероятность дефолта российских банков противоречит выводам исследования А.Карминского, А.Кострова (2014). Также был сделан вывод о наличии отрицательной взаимосвязи между региональными показателями и вероятностью дефолта банков, то есть при улучшении экономического положения региона, в котором расположен главный офис банка увеличивается вероятность дефолта банка. Также на основе проведенного анализа можно сделать вывод о том, что финансовые (CAMEL-индикаторы) и региональные показатели оказывают наиболее сильное влияние на вероятность дефолта банков в отличие от макроэкономических факторов. Данный вывод можно объяснить тем, что финансовые показатели деятельности банков напрямую связаны с нормативами ЦБ РФ, также в России существуют отличия в состоянии экономик различных регионов. Также важно отметить, что коэффициенты моделей, объясняющие переменные которых включены с лагом в 2 квартала оказались более значимы, то есть временной лаг для выявления факторов, влияющих на вероятность дефолта банков, является 2 квартала, что соответствует выводам работы А. Карминского, А. Кострова (2014).

Заключение

Ввиду резкого сокращения действующих банков за исследуемый период с 2013 по 2018 гг., а именно, была отозвана лицензия у 439 банков, в 2020 г. аналитики прогнозируют дефолт еще 38 банков (Серебряков, 2020), исследование факторов, оказывающих влияние на вероятность дефолта банков, является актуальным. Отзыв лицензии коммерческих банков может вызвать негативные последствия для следующих экономических агентов: сам коммерческий банк, так как на него будут возложены обязательства по расчетам со всеми кредиторами, вкладчики, а также другие связанные с дефолтным коммерческие банки (БКС Экспресс, 2016).

В большинстве изученных исследований рассматривается взаимосвязь финансовых и макроэкономических показателей деятельности банков и вероятности отзыва лицензий. Также было рассмотрено исследование Ф. Шаффнера (Schaffner, 2015), в котором автор обнаружил наличие положительной взаимосвязи между вероятностью дефолта американских банков и интенсивностью поисковых запросов пользователей с наименованием банка в системе Google. Важно отметить, что существуют исследования, в которых было подтверждено влияние данного показателя на банковские депозиты в российских банках и финансовую конъюнктуру в России (Столбов, 2012), а также данные показатель успешно используется в исследованиях в других сферах ((Choi, Varian, 2012), (Goel et al., 2010), (Preis et al., 2013) и др.). Таким образом, в результате анализа существующей литературы на данную тематику была сформулирована цель работы - ответ на вопрос существует ли зависимость между интенсивностью поисковых запросов пользователей с наименованием банка в системе Google и вероятностью дефолта российских банков.

Для проведения исследования были собраны квартальные данные по 400 банкам Российской Федерации, из которых 199 банков с отозванными лицензиями и 201 действующих на момент исследования банков, за период с 2013 по 2018 гг. Данные о состоянии банка на определенный момент времени были получены с сайта ЦБ РФ. Данные по финансовым показателям были собраны с сайта banki.ru и из справочно-аналитической системы СПАРК-Интерфакс. Региональные и макроэкономические показатели были собраны с сайтов Росстат и Федстат, количество интернет-поисковых запросов было получено с сайта Google.Trends.

В ходе исследования были построены 4 логит-модели для вероятности дефолта банка и 2 линейных регрессионных модели для прибыли банка до налогообложения, чтобы проверить влияния интенсивности поисковых запросов на финансовый показатель деятельности банков, которые в свою очередь может оказывать влияние на вероятность исполнения коммерческим банком нормативов ЦБ РФ. При этом объясняющие переменные поочередно включались в модели как с лагом в 1 квартал, так и в 2 квартала. Построенные модели включали CAMEL-индикаторы, макроэкономические переменные (ВВП, ключевая ставка), региональные переменные (дамми-переменная, отражающая расположение главного офиса банка, прирост ИПЦ), а также возраст банка и интенсивность поисковых запросов пользователей. Дополнительно в модели была включена квадратичная форма возраста банка и переменная совместного эффекта региона, в котором расположен главных офис банка, и интенсивности поисковых запросов пользователей с наименованием банка в системе Google.

В результате оценки логит-моделей был сделан вывод о наличии статистически значимой положительной взаимосвязи с лагом в 1 и 2 квартала между интенсивностью поисковых запросов пользователей с наименованием банка в системе Google и вероятностью дефолта банка, то есть при увеличении популярности банка, уменьшается вероятность его дефолта. Таким образом, подтверждается выдвинутое предположение о том, что при увеличении популярности поисковых запросов пользователей с наименованием банка в системе Google увеличивается спрос на товары и услуги банка, то есть увеличивается объем продаж банка, вслед за этим увеличивается прибыль банка, следовательно, уменьшается вероятность несоблюдения нормативов ЦБ РФ, в следствие уменьшается вероятность дефолта банка. Данный вывод был подкреплен полученными статистически значимыми коэффициентами перед переменной, отвечающей за интенсивность поисковых запросов, в линейных регрессионных моделях для прибыли банка до налогообложения. Данный результат согласуется с выводом исследования Ф. Шаффнера (Schaffner, 2015). Однако наличие различий между влиянием интенсивности поисковых запросов на вероятность дефолта российских банков в зависимости от того, в каком регионе расположен главных офис банка, не наблюдается.

Практическая значимость работы заключается в том, что данное исследование будет полезно для ЦБ РФ, который имеет право на выдачу и отзыв лицензий российских банков, а также для менеджмента коммерческих банков для своевременного предотвращения ухудшения финансового состояния.

Данное исследование имеет некоторые ограничения, которые могли повлиять на полученные результаты. Во-первых, по аналогии с исследованием Ф. Шаффнера (Schaffner, 2015) регрессионный анализ проводился на подвыборке из 400 банков, а не на всей генеральной совокупности. Несмотря на это исследуемая выборка российских банков является репрезентативной, так как в ней сохранилось соотношение действующих банков и банков с отозванной лицензией, как и в генеральной совокупности российских банков. Во-вторых, в модели возможно наличие проблемы эндогенности объясняющих переменных, например, из-за неучтенных факторов, которые оказывают влияние на вероятность дефолта банков, что является одним из возможных путей дальнейшего исследования. Также по аналогии с работой (Karminsky, Kostrov, 2017) возможно изучение отрицательного собственного капитала в российских банках и его влияние на вероятность дефолта. А также сбор данных по всем действующим банкам и банкам, которые были лишены лицензии, разделение российских банков на кластеры (Головань и др., 2003) для изучения различий во влиянии интенсивности поисковых запросов на отдельные подгруппы российских банков. Дополнительно возможно исследование российских банков на годовых данных из бухгалтерских отчетов для получения полной информации по CAMEL-индикаторам, в частности, показателя L -ликвидность, статистка по которому для квартальной частотности отсутствует.

Список использованной литературы

Нормативные правовые акты

1. Федеральный закон от 02.12.1990 N 395-1 "О банках и банковской деятельности".

2.Федеральный закон от 26.10.2002 N 127-ФЗ "О несостоятельности (банкротстве)".

Специальная литература

3. Аналитический обзор «Что означает отзыв лицензии у банка. Взгляд с четырех сторон». [Электронный ресурс] URL: https://bcs-express.ru/novosti-i-analitika/chto-oznachaet-otzyv-litsenzii-u-banka-vzgliad-s-chetyrekh-storon (дата обращения 15.04.2020).

4. Бобин С.С. Развитие банковской системы в России // Финансы и Кредит. 2010. №7. С. 84-91.

5. Головань С. В., Карминский А. М., Копылов А. В., Пересецкий А. А. Модели вероятности дефолта российских банков // Российская экономическая школа. 2003. 49 с.

6. Карминский А. М., Костров А. В., Мурзенков Т. Н. Вероятность дефолта банка и её моделирование // Экономика и бизнес. 2012. № 41. С. 2-13.

7. Коробова Г.Г. Проблемы развития банковской системы России на современном этапе // Вестник государственного социально-экономического университета. 2017. С. 55-58.

8. Кошкина Ю., Лояльность россиян к банкам оказалась на пятилетнем минимуме [Электронный ресурс] URL: https://www.rbc.ru/finances/13/02/2020/5e441dca9a7947d884c42ce5 (дата обращения 15.04.2020).

9. Лескина О.Н., Анисимова К.А., Слепухина А.А. Проблемы банковской системы России на современном этапе // Актуальные проблемы гуманитарных и естественных наук. 2017. С. 1-3.

10. Лузанов А.Н. Банковская система США: история, география, перспективы развития. 2015. 110 с.

11. Мотохин, А.М., Смарагдов, И.А. Анализ структуры европейского банковского рынка // Финансы Теория и Практика. 2014. С. 76-82.

12. Николаенко А., Компания «Эксперт Бизнес-Решения» представляет новый продукт по оценке вероятности дефолта кредитных организаций [Электронный ресурс] URL: https://www.raexpert.ru/releases/2019/oct04 (дата обращения 15.04.2020).

13. Пересецкий А.А. Модели отзыва лицензий российских банков. Влияние неучтенных факторов // Прикладная эконометрика. 2013. № 30. С. 49-64.

14. Полякова В. Google обошел Яндекс по популярности в России в 2018 году: исследование SEO Auditor [Электронный ресурс] URL: https://www.seonews.ru/events/google-oboshel-yandeks-po-populyarnosti-v-rossii-v-2018-godu/ (дата обращения 20.02.2020).

15. Серебряков Д., В России 38 банков попали в зону повышенного риска в 2020 году [Электронный ресурс] URL: https://tass.ru/ekonomika/7912955?utm_source=yxnews&utm_medium=desktop&utm_referrer=https:%2F%2Fyandex.ru%2Fnews (дата обращения 15.04.2020).

16. Столбов М., Статистика поиска в Google как индикатор финансовой конъюнктуры // Вопросы экономики. 2011. 15 с.

17. Суринов А.Е. Россия в цифрах 2018: Росстат // Федеральная служба государственной статистики. 2018. 525 с.

18. Сысоев Г. Итоги работы банковского сектора в 2017 году и перспективы на будущее. [Электронный ресурс] URL: https://riarating.ru/banks/20171227/630079927.html (дата обращения 16.01.2020).

19. Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // Journal of Finance. 1968. Vol. 23. P. 589-609.

20. Beaver W.H. Financial Ratios As Predictors of Failure // Journal of Accountancy. 1966. Vol. 4. 71 p.

21. Ben Jabra W., Mighri Z., Mansouri F. Determinants of European bank risk during financial crisis // Cogent Economic Finance. 2017. Vol. 5. P.1-20.

22. Choi H.,Varian H. Predicting the Present with Google Trends // The Economic Society of Australia. 2012. Vol. 88. P. 2-9.

23. Coad A., Holm J., Krafft J., Quatraro F. Firm age and performance // Journal of Evolutionary Economic. 2015. P. 1-14.

24. Della Penna N. Constructing consumer Sentiment Index for U.S. Using Internet Search Patterns // Haifang Huang University of Alberta. 2009. Vol. 26. P. 1-20.

25. Goel S., Hofman J., Lahaie S., Pennock D. Predicting consumer behavior with Web search // PNAS.2010. Vol. 107. P. 2-10.

26. Karminsky A.M., Kostrov A. The probability of default in Russian banking // Eurasian Economic Review. 2014. Vol. 4. P. 81-98.

27. Karminsky A.M., Kostrov A. The back side of banking in Russia: Forecasting bank failures with negative capital // Eurasian Economic Review. 2017. Vol. 7. P. 170-209.

28. Khodaei Valahzaghard, M., Bahrami, M., 2013. Prediction of default probability in banking industry using CAMELS index: A case study of Iranian banks. Manag. Sci. Lett. 3, 1113-1118. https://doi.org/10.5267/j.msl.2013.03.016

29. Le H.H., Viviani J.-L. Predicting bank failure: An improvement by implementing a machine-learning approach to classical financial ratios // Research in International Business and Finance. 2018. Vol. 44. P. 16-25.

30. Mдnnasoo K., Mayes D.G. 2009. Explaining bank distress in Eastern European transition economies // Journal of Banking and Finance. 2009. Vol. 33. P. 244-253.

31. Martin D. Early warning of bank failure // Journal of Banking and Finance. 1977. Vol. 1. P. 249-276.

32. Parrado-Martнnez P., Gуmez-Fernбndez-Aguado P., Partal-Ureсa A. Factors influencing the European bank's probability of default: An application of SYMBOL methodology // Journal of International Financial Markets, Institutions and Money. 2019. Vol. 61. P. 223-240.

33. Peresetsky A., Karminsky A., Golovan S. Probability of Default models of Russia banks. // Institute for Economie in Transition. 2004. Vol. 21. P. 3-50.

34. Pervan M., Pervan I., Curak M. The Influence of Age on Firm Performance: Evidence from the Croatian Food Industry // Journal of Eastern Europe Research in Business and Economics. 2017. Vol. 17. P. 2-9.

35. Preis T., Reith D., Stanley H.E. Complex dynamics of our economic life on different scales: insights from search engine query data // Philosophical transactions of the royal society. 2010. P. 5707-5719.

36. Preis T., Moat H., Stanley H.E. Quantifying Trading Behavior in Financial Markets Using Google Trends // Scientific reports. 2013. Vol. 3. P. 2-12.

37. Radinsky K., Davidovich S., Markovitch S. Predicting the News of Tomorrow Using Patterns in Web Search Queries // International Conference on Web Intelligence and Intelligent Agent Technology. 2008. P. 363-367.

38. Radionova M., Pristupina Y. Modelling the default probability of the Russian banks // Digital finance. 2017. Vol. 22. P. 196-205.

39. Schaffner F. Predicting US Bank Failures with Internet Search Volume Data // SSRN Electronic Journal.2015. Vol. 214. P. 2-34.

40. Uhde A., Heimeshoff U. Consolidation in banking and financial stability in Europe: Empirical evidence // Journal of Banking and Finance. 2009. Vol. 33. P. 1299-1311.

Приложение

Таблица 1П Динамика количества российских кредитных организаций*

Наименование	2014	2015	2016	2017	2018
Действующие кредитные организации	923	834	733	623	561
Санируемые кредитные организации	5	15	29	26	17

*Сост. по кн.: Суринов А.Е. Россия в цифрах: 2018. Россия, 2019. С. 384.

Рис.1П. Количество отозванных и аннулированных лицензий банковских организаций, шт*

* Сост. по источнику: Сысоев. Г. Итоги работы банковского сектора в 2017 году и перспективы на будущее. Россия, 2018

Гистограммы для финансовых показателей банков

Рис.2П. Гистограмма для активов банка

Рис.3П. Гистограмма для капитала банка



Рис.4П. Гистограмма для чистой прибыли банка

Корреляционная матрица

live

age

capital

assets

corresp

profit

region

key_rate

gdp

gdp_growth

ipc_rf

grp_growth

ipc_regional

live

1

age

-0.16***

1

capital

0.01

-0.04*

1

assets

0.01

-0.02*

0.65***

1

corresp

0.01

-0.05*

0.44***

0.61***

1

profit

0.00

-0.05*

0.53***

0.16***

0.22***

1

region

-0.06***

-0.25***

0.12***

0.15***

0.11***

0.01

1

key_rate

-0.04***

-0.06***

0.02*

0.02*

-0.04*

-0.05*

0.00

1

gdp

-0.27***

0.29***

0.04*

0.08***

0.11***

0.00

0.00

-0.20***

1

gdp_growth

-0.01

0.09***

-0.01

-0.01

0.05***

0.04*

0.00

-0.73***

0.28***

1

ipc_rf

0.10***

-0.12***

-0.01

-0.02*

-0.05***

0.00

0.00

0.16***

-0.36***

-0.40***

1

grp_growth

0.09***

-0.19***

0.01

0.01

0.01

0.00

0.19***

0.01

-0.17***

0.08***

-0.06***

1

ipc_regional

0.07***

-0.14***

0.01

0.00

-0.06***

-0.01

0.07***

0.28***

-0.34***

-0.58***

0.86***

0.01

1

google

0.17***

0.00

0.31***

0.43***

0.25***

0.13*

0.03*

-0.01

-0.01

0.000

0.01

0.00

0.01

Примечание: .

Оценки коэффициентов логит-моделей для вероятности дефолта банка

	(1)	(2)	(3)	(4)
CAMEL-показатели
	0.001 (0.005)		0.001 (0.005)
		0.0002 (0.004)		0.0003 (0.004)
	0.002 (0.002)		0.002 (0.002)

Подобные документы

• Поисковые специальные средства

  Цель и практика использования поисковых средств в оперативно-розыскной деятельности. Характеристика и принцип работы поисковых средств: магнитных, химических, индукционных, механического, электрического, излучающего действия, средств контроля и досмотра.
  
  контрольная работа [34,1 K], добавлен 09.01.2009
  

• Временные характеристики интеллектуальных телекоммуникационных сетей

  Расчет временных задержек выполнения интеллектуальной услуги в сети ОКС №7 с протоколом INAP на участке SSP–SCP. Задержка обработки запросов на интеллектуальную услугу в вычислительной системе SCP. Выбор производительности процессорной системы.
  
  контрольная работа [297,3 K], добавлен 30.05.2019
  

• Телефонный трафик

  Определение и расчет интенсивности телефонной нагрузки. Построение зависимости величины потерь от интенсивности поступающей нагрузки, функции распределения промежутков времени между двумя последовательными моментами поступления вызовов.
  
  контрольная работа [631,4 K], добавлен 10.04.2011
  

• Расчёт надежности блока стабилизаторов катушечного магнитофона

  Определение интенсивности, частоты и вероятности отказов, времени безотказной работы, гарантийного срока службы радиоэлектронной аппаратуры с учетом ее режимов работы и условий эксплуатации. Расчет необходимого количества прилагаемых запасных элементов.
  
  контрольная работа [76,0 K], добавлен 20.01.2016
  

• Построение мобильной телекоммуникационной сети стандарта CDMA

  Расчет отношения сигнал/шум в трафик-каналах, пилот-канале, в поисковом канале и в канале синхронизации. Определение количества активных пользователей в одной соте. Графическое определение зависимости между радиусом соты и количеством активных абонентов.
  
  курсовая работа [204,9 K], добавлен 20.02.2011
  

• Преимущества использования СПС "КонсультантПлюс" в профессиональной деятельности

  Специфика создания справочно-правовых систем, обзор их рынка в России. Преимущества использования справочно-правовой системы "КонсультантПлюс", достоинства, примеры решения поисковых задач с ее помощью, преимущества использования для разных специалистов.
  
  научная работа [2,6 M], добавлен 08.06.2010
  

• Проектирование цифровой станции ALCATEL 1000 S-12

  Модуль дополнительного элемента управления. Расчет возникновения и интенсивности нагрузки. Расчет интенсивности внутристанционной нагрузки, нагрузки на блоки многочастотных приемопередатчиков и нагрузок между проектируемой АТС и другими АТС сети.
  
  курсовая работа [347,0 K], добавлен 26.03.2013
  

• Определение энергетической дальности действия гидролокатора и оценка погрешностей измерений

  Расчет энергетической дальности действия гидролокатора. Определение геометрической дальности распространения акустических лучей. Оценка погрешностей измерений рыбопоисковыми приборами. Тактические вопросы применения гидроакустических поисковых систем.
  
  курсовая работа [903,2 K], добавлен 04.04.2014
  

• Модернизация системы видеонаблюдения центрального офиса коммерческого банка

  Анализ действующей системы видеонаблюдения коммерческого банка. Замена камер наблюдения на камеры повышенного разрешения, принцип их работы. Монтирование видеоглазков для идентификации клиентов в кассовом окне. Организация видеонаблюдения для банкоматов.
  
  дипломная работа [106,2 K], добавлен 24.10.2010
  

• Надежность технических систем

  Параметрическая постановка задачи вероятности безотказной работы процесса эксплуатации элемента. Вероятность отсутствия выброса случайной стационарной функции за допустимые нижний и верхний пределы в течение данного времени, влияние первичных отклонений.
  
  контрольная работа [129,8 K], добавлен 30.01.2013
  

• Устройство контроля интенсивности движения через мост

  Микропроцессоры являются основой совершенно нового поколения интеллектуальных машин. Разработанное устройство контроля интенсивности движения машин через мост позволяет наглядно рассмотреть возможности применения микропроцессорных систем в быту.
  
  курсовая работа [282,5 K], добавлен 04.07.2008
  

• Расчет количественных характеристик надежности

  Вычисление вероятности безотказной работы, частоты и интенсивности отказов на заданном интервале. Расчет средней наработки изделия до первого отказа. Количественные характеристики надежности. Закон распределения Релея. Двусторонний доверительный интервал.
  
  контрольная работа [105,8 K], добавлен 01.02.2011
  

• Расчет показателей надежности, состава ЗИП, погрешности электронных средств

  Определение величины интенсивности отказов изделия. График вероятности безотказной работы. Расчет комплекса одиночного ЗИП. Расчет погрешности: схема функционального узла; параметры элементов. Расчет среднего значения производственной погрешности.
  
  контрольная работа [429,2 K], добавлен 29.11.2010
  

• Разработка печатной платы

  Разработка печатной платы для схемы РЭА в программе DipTrace. Расчет основных показателей надежности (безотказности) схемы: интенсивности отказов, наработки на отказ и вероятности безотказной работы РЭА за 1000 часов. Система проектирования печатных плат.
  
  контрольная работа [524,4 K], добавлен 04.12.2009
  

• Основы технологии Internet/Intranet

  Возможности и архитектура сети Интернет/Интранет, функциональная схема интерактивного взаимодействия пользователей в ней, формы реализации. Технология Интранет в управлении бизнесом на российских предприятиях. Корпоративные интранет-порталы, их внедрение.
  
  реферат [2,1 M], добавлен 08.09.2010
  

• Исследование возможности применения операционных усилителей

  Операционный усилитель как один из широко распространенных интегральных микросхем. Применение усилителя постоянного тока для повышения качества и интенсивности сигналов. Исследование возможностей его применения для их сложения, в качестве интегратора.
  
  лабораторная работа [243,6 K], добавлен 30.04.2014
  

• Настраиваемая система автоматического управления освещенностью и температурой в террариуме

  Разработка программно-аппаратной платформы "Заря". Функции регулировки интенсивности свечения ультрафиолетовой лампы и греющей лампы, в зависимости от настроек. Воздействие следующих параметров окружающей среды. Механические воздействия в виде вибрации.
  
  курсовая работа [1,4 M], добавлен 25.01.2014
  

• Дисциплины обслуживания вызовов. Простейшая модель обслуживания

  Обслуживание потоков сообщений. Модель с явными потерями. Характеристики качества обслуживания и пропускная способность системы. Простейшая модель обслуживания и модель потока требований. Свойства пуассоновского потока запросов. Нестационарный поток.
  
  реферат [241,8 K], добавлен 30.11.2008
  

• Надежность устройств железнодорожной автоматики, телемеханики и связи

  Определение количественных и качественных характеристик надежности устройств железнодорожной автоматики, телемеханики и связи. Анализ вероятности безотказной работы устройств, частоты и интенсивности отказов. Расчет надежности электронных устройств.
  
  курсовая работа [625,0 K], добавлен 16.02.2013
  

• Исследование элементов световодного тракта

  Методика и порядок исследования модового состава волоконных световодов по распределению интенсивности в их поперечном сечении. Зависимость степени когерентности от тока накачки, причины появления модовых шумов в волоконно-оптической линии связи.
  
  лабораторная работа [128,1 K], добавлен 04.06.2009
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам