Прогнозирование состояния рынка пластиковых карт в России в среднесрочной перспективе

     Проанализируем  динамику изменения этого фактора  с 2001 года. На протяжении всего периода объёмы среднего душевого дохода растут. Для определения тенденции в развитии среднего дохода построим график.

     Объём среднего душевого дохода характеризуется  линейной зависимостью.

     

     Рис. 2.2. Динамика объёма среднего душевого дохода в РФ за 2001-2010 гг.

     Аналогично  проводим анализ фактора, характеризующего количество туристов выезжающих из России.

     

     Рис. 2.3. Динамика числа туристов, выезжающих из РФ за 2001-2010 гг.

     В изменении данного фактора лежит  степенная зависимость. В период с 2001 по 2009 года число туристов росло, но в период с 2009-2010 оно имеет тенденцию  к спаду.

     Так же нам необходимо прологарифмировать показатели оказывающих влияние  на количество транзакций, совершаемых  с одной пластиковой карты. 

     Таблица 2.6

     Прологарифмированные  значения факторов, оказывающих влияние  на количество транзакций, совершаемых  по одной  ПК в России за 2006-2010 гг. 

	Среднедушевые доходы (руб./мес.)	Средние процентные ставки кредитных организаций России (%)	Количество  банкоматов на одну тысячу человек (шт.)	Количество  транзакций по одной ПК (шт./год)
2006	9,2	2,510277	3,676301	2,785011
2007	9,4	2,55723	4,00369	2,850707
2008	9,6	2,657926	4,374498	2,890372
2009	9,7	2,705826	4,527209	2,995732
2010	9,8	2,568149	4,722509	3,091042

 

     Таблица 2.7

     Корреляционная  матрица факторов, оказывающих влияние  на количество транзакций на одну ПК в  России

	Среднедушевые доходы (руб./мес.)	Средние процентные ставки кредитных организаций России (%)	Количество  банкоматов на одну тысячу человек (шт.)	Количество  транзакций по одной ПК (шт./год)
1	2	3	4	5
Среднедушевые доходы (руб./мес.)	1,00	0,62	0,99	0,95

 
 
 

     Продолжение табл. 2.7

     

1	2	3	4	5
Средние процентные ставки кредитных организаций  России (%)	0,62	1,00	0,52	0,37
Количество  банкоматов на одну тысячу человек (шт.)	0,99	0,52	1,00	0,97
Количество  транзакций по одной ПК (шт./год)	0,95	0,37	0,97	1,00

 

     Очевидно, что из дальнейшего рассмотрения следует исключить показатели, у  которых межфакторная корреляция велика.

     Оставляем фактор, оказывающий наибольшее влияние  на количество транзакций по одной  ПК. Этими факторами выступает  количество банкоматов на тысячу человек.

     Проанализируем  динамику изменения этого фактора с 2006 года. На протяжении всего периода количество банкоматов на тысячу человек растёт. Для определения тенденции в развитии количества банкоматов построим график.

     Количество  банкоматов на тысячу человек характеризуется линейной зависимостью.

     

     Рис. 2.4 Динамика количества банкоматов на тысячу человек в РФ с 2006 по 2010 гг.

     Исследование  прогнозного фона это важный элемент  реализации сценарного подхода, поскольку позволяет выделить существенные факторы, способные изменить существующие тенденции и привести к альтернативному варианту развития исследуемого объекта.

     Дальнейший  этап включает в себя разработку возможных  сценариев изменения количества пластиковых карт.

     Автор берёт во внимание развитие показателей  по двум сценариям : оптимистическому и инерционному. 

     

Рис. 2.4. Сценарии изменения объёма среднего душевого дохода в РФ до 2011 г. 

     По  словам премьер-министра В.В. Путина средняя  зарплата вырастет на 33% по отношению  к 2010 году. По нашим предположениям вероятность того, что развитие  среднедушевого денежного дохода пойдёт по оптимистическому сценарию равна 75%, а то что по инерционному равно 25% [7]. 

    

    Рис. 2.5. Сценарии развития числа туристов в РФ до 2011 г.

     Эксперты  российского туристического рынка  считают, что 2011 год наряду с прошедшим годом останется благоприятным для развития российского турбизнеса. Вполне вероятно, что российский турпоток в этом году, как и в прошлом, опять вырастит на 30%[12].

     В рамках инерционного сценария предполагается, что в 2010-2011 годах продолжится  увеличение количества пластиковых  карт, т.е. развитие объекта в соответствии со сложившейся тенденцией. Оптимистический  сценарий предполагает, также увеличение количества пластиковых карт в РФ, однако более высокими темпами, чем в первом сценарии. Оптимистический вариант исходит из предположения о том, что заработная плата людей будет так же расти.

     Таким образом можно выделить следующие сценарии развития объёма пластиковых карт: оптимистический и инерционный. Данные сценарии имеют одинаковую вероятность осуществления, так как в прогнозируемом периоде намечены изменения в положительную сторону. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

ГЛАВА 3. ПРОГНОЗ РАЗВИТИЯ РЫНКА ПЛАСТИКОВЫХ  КАРТ В РФ 

    3.1. Построение прогнозной модели  для рынка пластиковых карт в РФ 

     Для прогнозирования развития количества банковских пластиковых карт на среднесрочную перспективу будет использоваться метод экономико-математического моделирования.

     При построении прогнозной модели необходимо рассмотреть такие параметры  прогноза, как : период основания и период упреждения.

     В нашем случае период основания будет  равен 10 лет (с 2001 года по 2010), а период упреждения 2 года (2011-2012 гг.).

         Перейдем непосредственно к описанию  прогнозных моделей. Для построения  прогнозов показателей количества пластиковых карт, необходимо выделить уравнения трендов, которые описывают исходные данные этих показателей в зависимости от фактора времени.

     Первый  показатель – количество пластиковых  карт. Анализ динамики показал, что  в основе данного показателя лежит  линейная зависимость вида y = 15,64x + 65,588 так как тренд, построенный для временного ряда данного показателя, характеризуется наибольшими значениями коэффициента детерминации на уровне 0,9461 (см.рис.2.1).

        В предыдущей главе с помощью  корреляционного анализа было  выявлено, что наибольшее влияние  на изменение этого показателя  оказывают: средние душевые доходы и число туристов.

   Таким образом, можно сформировать следующую  модель:

   V3=(b1*v1+b2*v2)+a1,                 (3.1)

   Где V3 – прогноз значения количества пластиковых карт;

        а1  - регрессионный коэффициент;

        v1 – средний душевой доход населения;

        v2 – численности туристов.

     Используя программу «Statistica» была получена вышеуказанная модель, которая характеризуется высоким коэффициентом детерминации, равным 95%.

     Таблица 3.1

     Значения  и оценки регрессионных коэффициентов

     

Коэффициенты	Оценка	Стандарт. ошибка	t-критерий	p-level
a1	0,065793	0,022342	2,94478	0,021566
b1	0,352079	0,023257	15,13841	0,000001
b2	0,057909	0,016180	3,57904	0,008988

 

     Полученная  модель характеризуется высоким  значением коэффициента детерминации R²=97,58%.

     При построении прогнозной модели количества транзакций по одной пластиковой  карте период основания будет  равен 5 годам, а период упреждения 2 годам.

   Также выделим выделить уравнение тренда, который описывает исходные данные количества банкоматов на одного человека в зависимости от фактора времени.

     Анализ  динамики показал, что в основе данного  показателя лежит экспоненциальная зависимость вида y = 14,812e^0,0757x так как тренд, построенный для временного ряда данного показателя, характеризуется наибольшими значениями коэффициента детерминации на уровне 0,9738 (см.рис.2.1).

        В предыдущей главе с помощью  корреляционного анализа было  выявлено, что наибольшее влияние  на изменение этого показателя оказывает количество банкоматов на одну тысячу человек.

   Таким образом, можно сформировать следующую  модель:

   V2=a2*exp(v1+a1)     (3.2)

   Где V2 – прогноз значения количества транзакций на одну ПК;

        а1и а2  - регрессионные коэффициенты;

        v1 – количество банкоматов на одну тысячу человек.

     Используя программу «Statistica» была получена вышеуказанная модель, которая характеризуется высоким коэффициентом детерминации, равным 95%. 

     Таблица 3.2

     Значения  и оценки регрессионных коэффициентов

Коэффициенты	Оценка	Стандарт.ошибка	t-критерий	p-level
a1	1,950187	0,153705	12,68786	0,001056
a2	0,094794	0,018316	5,17551	0,014000

 

     Полученная  модель характеризуется высоким  значением коэффициента детерминации R²=98,84%.

     Проведём  тестирование моделей с помощью  обратной верификации.