Эконометрическое моделирование распространения эквайринга в России

Математически модель выглядит следующим образом:

где n(t) = количество принявших новшество в момент времени t,

M = потенциал рынка,

N(t) = суммарное число принявших новшество,

p = коэффициент инновации,

q = коэффициент имитации

В качестве базового периода будет использоваться 2014 года Потенциалом рынка будем считать максимальный объем операций, который наблюдался в исследуемом периоде. Данное значение было достигнуто также в 2014 году. Количество принявших новшество в момент времени t это это разница между объемом транзакций за предыдущий период и текущий. Суммарное число принявших новшество в данный промежуток времени это объем транзакций в данном периоде.

Таким образом модель принимает вид:

Поскольку у нас имеются данные с 2008 года, можно рассчитать значения параметров p и q, для этого построим ряд моделируемых значений n(t), минимизируем сумму среднеквадратического отклонение моделируемых значений от наблюдаемых и получим значение p и q при которых разница моделируемых значений и фактических минимальна.



Табл. 11. Результаты моделирования количества принявших новшество

Год	N(t)	n(t)	n(t) модель	Расхождение
2014	7 136 705	1 960 205	2 018 238	-3%
2013	5 176 500	1 516 684	1 585 316	-5%
2012	3 659 817	1 299 514	1 187 248	9%
2011	2 360 303	1 014 146	802 387	21%
2010	1 346 157	468 910	473 963	-1%

Как видно из таблицы 11, за некоторые года наблюдаются существенные отклонения моделируемых значений, от фактических. Тем не менее, при использовании показателей p и q, которые предоставляет Product Development & Management Association данные расходятся еще более существенно. Таким образом оптимальным значением является p= 0,00000001 и q=0,368. Близкое к нулевому значение p связано с тем, что данная переменная отвечает за инновационный эффект, а доля рынка эквайринга в 2014 году составила 24%, в связи с этим в рамках данной модели ее инновационность равняется нулю.

Таким образом модель принимает следующий вид:

Для того, чтобы спрогнозировать распространение инноваций, необходимо рассчитать значение N(t_n). Значение суммарного числа, принявших новшество рассчитывается по формуле:

В результате получается следующая картина будущего, возможного объема операций по картам, что полностью соответствует тому, какие результаты должна выдавать модель Басса:

Рис. 9 Прогноз объема транзакций в соответствии с моделью Басса

Как видно из графика, на первых этапах развития эквайринга скорость его распространения максимальна, в дальнейшем достигается предельное для рынка значение и объем транзакций становится примерно одинаковым каждый год. Стоит отметить, что абсолютные значения зависят от того, каким считается потенциал рынка. В данной работе акцент делается именно на скорости распространения, а определение потенциала рынка - тема отдельно работы, в связи с этим, к абсолютным значением стоит относиться скептически.

Далее необходимо построить прогноз переменной n(t), которая в нашем случае характеризует прирост объема транзакций в каждый из периодов.



Рис. 10 Прогноз прироста объема транзакций в соответствии с моделью Басса

Как хорошо видно из графика, максимальные темпы прироста ежегодного объема транзакций будут достигнуты в текущем 2016 году. Далее рынок будет продолжать расти, но с меньшими темпами, пока не достигнет своего предела.

Как говорилось ранее, прогнозы по данным моделям расходятся с прогнозами социологических опросов и уже выявлены расхождения в моделировании распространения интернета и мобильной связи и фактически наблюдаемых значений. Расхождения это главный недостаток трехпараметрических логистических моделей. Построение обобщений модели Басса невозможно в связи с отсутствием данных о маркетинговых затратах на продвижение эквайринга, а построение моделей распространения инноваций в неоднородной социально экономической среде с учетом цен, невозможно в рамках данной работы, в связи с масштабом данного исследования. В связи с этим в качестве моделей диффузии инноваций будет использована единственная модель Басса, на основе которой строятся все остальные. В связи с этим стоит перейти к построению объединенной модели панельных данных.



3.3 Анализ проникновения эквайринга на основе моделей панельных данных

Регрессионная модель панельных данных отличается от регрессии обычных временных рядов или пространственной регрессии тем, что ее? переменные имеют двойной нижний индекс, т.е.

y =б + X?в +v, i=1,...,N; t=1,...,T

где i- номер объекта (в нашем случае региона.), t-время, б-свободный член, в - вектор коэффициентов размерности KЧ1, X ' = (X X ... X) - вектор строка матрицы K объясняющих переменных.

Большинство приложении? панельных данных использует однокомпонентную модель случайной ошибки

v_it =u_i +е_it,

где u_i - ненаблюдаемые индивидуальные эффекты, а е_it - остаточное возмущение.

Всего можно выделить две основные модели: модель с детерминированными эффектами и модель со случайными эффектами. Модель с детерминированными эффектами характеризуется тем, что u_i - фиксированные параметры, остаточные возмущения е_it - независимые одинаково распределённые случайные величины - IID(0, у_е²) и X_it - предполагаются независимыми от е_it для всех i и t.

В модели с фиксированными эффектами слишком много параметров и потерю степеней свободы можно избежать, если предположить индивидуальные эффекты м_i случайными. Тогда можно предполагать, что u_i ?IID(0,уu2), е_it ?IID(0,уе2), и м_i не зависят от е_it. Кроме того, X_it не зависят от u_i и е_it для всех i и t.

В данной модели будут использоваться следующие переменные:

Region - код региона

Year - год

Y - уровень проникновения операций по банковским картам в каждом из регионов в процентах

Value_card - объем операций, совершаемых по картам

Transactions - количество операций, совершаемых по картам

Cash_amount - объем операций по снятию наличных денежных средств

Value_cash - количество операций по снятию наличных денежных средств

Population - численность населения

Cards - число банковских карт

Cards_per_cit - число банковских карт на одного жителя

Check_card - средний чек операций по картам

Check_cash - средний чек операций по снятию денежных средств

VRP - валовый региональный продукт

Ln_population

Ln_value_cards

Ln_transactions

Ln_cash_amount Логарифмы соответствующих переменных

Ln_value_cash

Ln_cards

Ln_vrp

Для начала посчитаем основные описательные статистики сквозь все года. С результатом можно ознакомиться в таблице ниже:



Табл. 12. Описательные статистики

Графическое отражение динамики данных переменных было представлено выше, также как и региональное сравнение, но из описательных статистик можно вынести интересные наблюдения. Например, минимальное число транзакций с 2008 по 2014 год в одном из регионов составляло 51 транзакцию. В Москве через один терминал на день проходит больше операций. Минимальные и максимальные значения среднего чека по картам и наличными также значительно отличаются в пользу вторых.

Первой моделью будет линейная регрессия влияния переменных на проникновение банковских карт. Это будет сквозная регрессия по всем годам и населенным пунктам, которая не учитывает панельную структуру данных.



Табл. 13 Результаты построения сквозной регрессии

Полученная модель значима на высоком уровне, также как и значимы все коэффициенты регрессии, полученные с помощью метода наименьших квадратов. Объясняющая способность данной модели равняется 91,6%, а наиболее сильно на уровень проникновения карт влияет объем операций по снятию наличных, что совершенно логично. Стоит отметить, что как и в предыдущем случае, макроэкономические и экономические показатели не оказывают влияния уровень проникновения банковских карт и были исключены из модели как незначимые.

Приступим к построению "between" регрессии. Данный вид регрессии представляет из себя модель с усредненными по времени значениями переменных.



Табл. 14. Результаты построения between регрессии без незначимых коэффициентов

После исключения незначимых переменных получилась модель с R-sq between равным 0,9455. Значение R-sq between характеризует качество подгонки регрессии и является большим, т.е. изменение средних по времени показателей для каждого региона оказывает более существенное влияние на каждую переменную, нежели временные колебания этих показателей относительно средних. Не значимыми оказались коэффициенты при ln_population, ln_ value_cash, ln_cards, ln_vrp. Таким образом более важным оказывается общий "тренд" показателей. Модель получается значимой на высоком уровнем значимости.

Наибольшее воздействие на уровень проникновения банковских карт оказывает объем снятия наличных, что достаточно очевидно. В данном случае, чем больше денежных средств снимают с банковской карты, тем меньше данной картой расплачиваются. Стоит заметить, что как и в случае построения регрессии по пространственной выборке, макроэкономические и экономические показатели не оказывают существенного влияния на уровень проникновения банковских карт.

Приступим к построению регрессии с детерминированными эффектами. Данная модель имеет вид:



yit ?yi* =(Xit ?Xi*)?в+еit ?еi*.

Она, также как и регрессия в первых разностях по времени, удобна тем, что позволяет элиминировать из модели ненаблюдаемые индивидуальные эффекты.

Табл. 15. Результаты построения within регрессии

Sigma_u - стандартная ошибка для индивидуальных эффектов u, sigma_e - стандартная ошибка для е, rho это отношение квадрата sigma_u к сумме квадратов sigma_u и sigma_e.

Для состоятельности МНК-оценок модели с детерминированными индивидуальными эффектами требуется только некоррелированность е и X. Корреляция между X и u допустима. Это - проявление гибкости FE-модели. В нашем случае corr(u_i, Xb) = -0.0479, что говорит об ее отсутствии.

Если сопоставить стандартные ошибки сквозной, between регрессии и регрессии within становится видно, что оценки в_W не менее эффективны, чем в_МНК сквозной регрессии и эффективнее в_b.

Коэффициент детерминации R²_within характеризует качество подгонки регрессии и составляет 0,9203 и он немного ниже аналогичного показателя для between регрессии. То есть динамические изменения в рамках данной модели проявляются сильнее, чем межиндивидуальные. Можно сказать, что в данной ситуации учет индивидуальных эффектов менее предпочтителен, чем сквозное оценивание, но данное заключение необходимо проверить статистически.

Модель со случайными эффектами можно рассматривать как компромисс между сквозной регрессией, налагающей сильное ограничение гомогенности на все коэффициенты уравнения регрессии для любых i и t, и регрессией FE, которая позволяет для каждого объекта выборки ввести свою константу и, таким образом, учесть существующую в реальности, но ненаблюдаемую гетерогенность.

В модели со случайными эффектами (u_i - случаи?ны) индивидуальная гетерогенность учитывается не в самом уравнении, а в матрице ковариации?, которая имеет блочно-диагональный вид, так как внутри каждой группы случайные эффекты коррелируют между собой. Для оценивания такой регрессии следует использовать обобщенный метод наименьших квадратов (GLS).



Табл. 16. Результаты построения RE регрессии

При интерпретации этой модели не следует опираться на R-sq, так как в регрессии, оцененной с помощью GLS, он уже не является адекватной мерой качества подгонки. О значимости регрессии в целом свидетельствует высокое значение статистики Вальда - Wald chi2(5)= 5711.97 и высокая ее значимость.

Выражение corr(u_i,X) = 0(assumed) отражает важную гипотезу, лежащую в основе модели. Регрессоры должны быть некоррелированными с ненаблюдаемыми случайными эффектами, что мы и наблюдаем. Значит можно говорить о том, что оценки модели будут состоятельными.

В данной модели зависимость уровня проникновения банковских карт от других переменных осталась прежней. Отрицательные значения при коэффициентах, связанных с наличной оплатой говорят об адекватности данной модели и соответствию здравому смыслу.

После оценки регрессий возникает важный вопрос о том, какая из представленных моделей наиболее адекватно соответствует данным. Для этого необходимо провести попарное сравнение оцененных моделей:

а) Регрессионную модель с фиксированными эффектами сравним со сквозной регрессией (тест Вальда).

б) Регрессионную модель со случайными эффектами сравним со сквозной регрессией (тест Брои?ша-Пагана).

в) Регрессионную модель со случайными эффектами сравним с регрессионной моделью с фиксированными эффектами (тест Хаусмана).

Тест Вальда проверяет гипотезу о равенстве нулю всех индивидуальных эффектов. Данные тест выполняет для моделей с фиксированными эффектами автоматически в пакете STATA. В данном случае для модели within:

F test that all u_i=0: F(76, 457) = 3.01 Prob > F = 0.0000

Поскольку p-уровень<0.01, то основная гипотеза отвергается. Таким образом, регрессионная модель с фиксированными эффектами лучше подходит для описания данных, чем модель простои? регрессии.

Тест Брои?ша-Пагана является тестом на наличие случайного индивидуального эффекта и проверяет следующую пару гипотез:

H₀: Var(u) = 0

H₁: Var(u) =? 0

Табл. 17. Тест Бройша-Пагана

Статистика теста рассчитывается на основе метода множителей Лагранжа:

Поскольку p-уровень<0,01, то основная гипотеза отвергается. Таким образом, модель со случайными эффектами лучше описывает наши данные, чем модель сквозной регрессии.

Тест Хаусмана позволяет сделать выбор между FE и RE моделями. Вообще говоря, модель со случайным эффектом имеет место только в случае некоррелированности случайного эффекта с регрессорами. Это требование часто бывает нарушено.

В тесте проверяется следующая основная гипотеза:

H₀:corr(u_i,X_it)=0

Этот тест построен на разности двух оценок:

q = b_FE ? b_RE,

где b_FE оценка, полученная для модели с фиксированными эффектами (она состоятельна как в случае основной, так и в случае альтернативной гипотезы), b_RE - оценка, полученная для модели со случайными эффектами (она состоятельна только при основной гипотезе).



Табл. 18. Тест Хусмана

Поскольку p-уровень< 0,01, то основная гипотеза отвергается.

Полученные результаты позволяют сделать вывод, что в нашем случае подходит модель с фиксированными индивидуальными эффектами. Этого и следовало ожидать, поскольку для исследования выбирались конкретные населенные пункты, их состав не менялся от года к году.

Главный вывод, полученный в рамках проведенного анализа заключается в том, что проникновение эквайринга и скорость его распространения не зависит от общеэкономического состояния регионов или региона, не зависит от успеха деятельности организаций и развивается самостоятельно. Уровень проникновения эквайринга зависит только от потребности потребителей использовать банковские карты и не зависит от наличия возможности их использования (наличия POS терминалов и т.д.). Скорее POS терминалы появляются, когда у потребителя возникает спрос на возможность оплаты картой. Также можно предположить, что уровень проникновения эквайринга напрямую зависит от продвижения данной технологии. Если бы имелись данные по маркетинговым расходам на продвижение технологии, можно было бы построить обобщенную модель Басса, которая учитывает вложения в распространение инноваций. Также для более глубокого анализа в будущем необходимо изучить спрос на эквайринг и строить модели с учетом функции спроса.

В любом случае, полученный результат важен с точки зрения понимания того, в каких регионах эквайринг будет распространяться, вернее полученный результат говорит о том, что экономическая развитость региона, обеспеченность его терминалами, учреждениями банковской системы не сильно будет влиять на уровень проникновения эквайринга, а влиять будет только желание потребителя расплачиваться картой, а это напрямую зависит от позиционирования безналичных платежей в каждом из регионов.



Заключение

Используя официальные данные, которые публикуются Центральным Банком РФ, удалось получить достаточно неожиданные результаты относительно рынка эквайринга, уровня проникновения данной технологии, а также ее скорости распространения.

В соответствии с проведенным анализом становится очевидно, что рынок безналичных платежей самодостаточная и изолированная от внешних факторов система. Уровень экономического развития региона, выраженного в ВРП, финансовый результат компаний, действующих на территории данного региона не оказывает существенного влияния на уровень проникновения эквайринга в России. Среди важных факторов, влияющих на уровень проникновения банковских карт можно выделить обеспеченность регионов технологиями для возможности приема безналичных платежей (POS терминалов), долю городского населения в регионе, но в большей степени влияние оказывают внутри рыночные процессы, такие как объем операций по картам, объем операций наличными, количество транзакций, средний чек операции.

Немного иначе обстоят дела со скоростью распространения технологии. В данном случае существенное влияние оказывает доля городского населения, количества банковских карт в регионе, а также экономическое развитие региона.

Все вышеперечисленное говорит, что повлиять за счет каких либо внешних факторов на проникновения безналичных платежей практически невозможно, также как и не возможно предсказать в каких регионах какой уровень проникновения будет достигнут. При этом очевидно, что скорость распространения выше в регионах более развитых с большой долей городского населения, но главное с высоким уровнем проникновения. То есть регионы, которые сейчас имеют высокий уровень проникновения эквайринга достигли этого показателя за счет высокой скорости внедрения безналичных платежей.

Полученные результаты также помогают оценить в каком направлении необходимо двигаться исследованиям, посвященным данной теме, поскольку данная работа - первое эконометрическое исследование рынка эквайринга. Для построения модели, отражающей ситуацию на рынке и позволяющей строить достоверные прогнозы необходимо изучить функции спроса и предложения на услуги безналичных платежей и включить их в модель, также необходимо учитывать функции потребления населения, поскольку пользователи банковских карт это физические лица. Также важным действием, с точки зрения понимания рынка, является сегментирование рынка по сферам деятельности компаний, которые осуществляют прием банковских карт. Проведение анализа для каждого сегмента с учетом функций спроса, предложения, потребления позволит получить достоверные результаты. Сложность данного анализа очевидна. В первую очередь она выражена в отсутствии необходимых данных, но последнее время платежные системы публикуют большое количество отчетов о своей деятельности и рано или поздно необходимая информация будет получена.



Список литературы

1. Айвазян С.А. Прикладная статистика и основы эконометрики: учеб./ Айвазян С.А., Мхитарян В.С., - М.: ЮНИТИ, 1998.- 1022 с. 5.

2. Дуброва Т.А. Статистические методы прогнозирования: Учеб. пособие для вузов. - М.: ЮНИТИ-ДАНА, 2003. - 206 с.

3. Делицын Л.Л. Моделирование распространения нововведения в неоднородной социально-экономическои? системе с учетом цен и демографических процессов / Труды VIII Международнои? конференции "Идентификация систем и задачи управления" SICPRO '09 Москва, 2009.

4. Делицин Л.Л. Количественные модели распространения нововведений в сфере информационных и телекоммуникационных технологий / М. : МГУКИ, 2009.

5. Колеников С.О. Прикладной эконометрический анализ в статистическом па- кете Stata. Часть II. / # КЛ/2001/003. - М.: Российская экономическая школа, 2001. - 46 с. (Рус.)

6. Канторович Г.Г. Анализ временных рядов: Лекционные и методические материалы / Г.Г. Канторович // Экономический журнал ВШЭ. - 2002. - № 1. - С. 85-116.

7. Мамаева З.М. / Оценка инновационного развития регионов. Эконометрический подход. / Бюллетень Нижнегородского Университета, №2 (2) (2012), c. 202-208

8. Рачинский А.А. Распространение мобильной связи в России / "Прикладная эконометрика" №2(18), 2010

9. Россия в цифрах / Статистическии? сборник Госкомстат, 2015?

10. Ратникова Т.А. / Анализ панельных данных в пакете "Stata", Методические указания к компьютерному практикуму по курсу "Эконометрическии? анализ панельных данных"/ Методологические пособия НИУ-ВШЭ, 2004

11. Статистика: учебник для бакалавров / под ред. В.С. Мхитаряна - М.: Издательство Юрайт, 2013. - 590 с. - Серия: Бакалавр. Базовый курс.

12. Статистика. Учеб. для студ. учреждений сред. проф. образования / В.С. Мхитарян, Т.А. Дуброва. В.Г. Минашкин и др.; Под ред. В.С. Мхитаряна. - 2-е изд., стер. - М.: Издательский центр "Академия", 2003. - 272 с.

13. Теория вероятностей и математическая статистика: учеб. пособие/В.С. Мхитарян, Е.В. Астафьева, Ю.Н. Миронкина, Л.И. Трошин; под. ред. В.С. Мхитаряна. - 2-к изд., перераб. и доп. - М.: МФПУ "Синергия", 2013. - 336 с.

14. Теория вероятностей: учеб./Вентцель Е.С. - 4-е изд., стереотип. - М.: Наука, Физматгиз, 1969 - 576 с.

15. Теория статистики: Учебник/Под ред. проф. Громыко Г.Л. - 2-е изд., перераб. и доп. - М.: ИНФРА-М,2005. - 476 с. - (Классический университетский учебник)

16. Шаи?миева Э.Ш. Актуальная исследовательская проблематика диффузионного процесса для формирования инновационно-технологическои? системы региона / Региональная инновационная система. 2010. No 4

17. Эконометрика. Начальный курс: учеб./Магнус Я.Р., Катышев П.К., Пересецкий А.А. - 6-е изд., перераб. и доп. - М.: Дело, 2004. - 576 с.

18. Abrahamson and Rosenkopf / "Bandwagons & Thresholds", 1990

19. Bass, Frank M., "A New Product Growth Model for Consumer Durables", Management Science, Vol. 15, January 1969, 215-227

20. Bass, F. M. / The Evolution of General Theory of the Diffusion of Technological ?Innovations / Polykarp Kusch Series, The University of Texas at Dallas, 1-22, 1994?

21. Bass, Frank M., Trichy V. Krishnan, and Dipak C. Jain. / Why the Bass Model Fits Without Decision Variables /. Marketing Science 13, Summer 1994. 203-223

22. Hamilton J. D. Time Series Analysis. Princeton University Press, 1994.

23. Mansfield E. / Technical Change and the Rate of Imitation /, Econometrica, Vol. 29, No. 4. pp. 741-766, Oct., 1961

24. Research&Markets. / Global Wireless POS Terminals Market 2015-2019 /, pp 56, Sep., 2015

25. Euromonitor International // URL: [http://www.euromonitor.com/]

26. T. A. Shtertser, / Determinants of innovative activity at the regional level (empirically analysis)./ Statistical measurements and econometric analysis, No. 2, 2010

27. The world bank, Indicators, Official site // URL: [http://data.worldbank.org/indicator]

28. Информационный портал банковской отрасли Банки.ру // URL: [Banki.ru]

29. Международная платежная система Ecommerce Payment // URL: [http://www.ecommerce-payments.com]

30. Статистика национальной платежной системы / Центральный Банк Российской Федерации // URL: [http://www.cbr.ru/statistics]



Приложение 1

Проникновение безналичных способов опрелы в регионах России в 2008 и 2015 годах.

Приложение 2

Объем транзакций по регионам России в 2008 и 2014 годах.

Регион	Объем транзакций 2008 год	Объем транзакций 2014 год	Темп роста	Вес
г. Москва и Московская область	582 251	2 874 964	494%	2973076%
г. Санкт-Петербург	94 379	595 328	631%	615645%
Тюменская область	26 061	310 146	1190%	320731%
Свердловская область	22 496	234 684	1043%	242692%
Краснодарский край	9 488	152 361	1606%	157561%
Новосибирская область	8 836	150 873	1708%	156021%
Пермский край	11 192	131 306	1173%	135787%
Самарская область	10 193	128 632	1262%	133022%
Красноярский край	7 581	113 251	1494%	117116%
Республика Башкортостан	6 273	107 281	1710%	110942%
Нижегородская область	8 621	104 911	1217%	108491%
Хабаровский край	6 449	100 180	1553%	103599%
Ростовская область	7 019	98 725	1407%	102094%
Республика Татарстан (Татарстан)	7 990	98 418	1232%	101777%
Мурманская область	11 005	96 994	881%	100304%
Иркутская область	9 203	94 708	1029%	97940%
Челябинская область	9 250	90 574	979%	93665%
Воронежская область	5 046	89 824	1780%	92889%
Приморский край	18 997	77 829	410%	80485%
Архангельская область	6 002	68 424	1140%	70759%
Удмуртская Республика	4 333	65 612	1514%	67851%
Кемеровская область	6 640	65 597	988%	67835%
Республика Коми	2 898	62 894	2171%	65041%
Алтайский край	3 872	52 295	1351%	54080%
Ставропольский край	3 937	50 881	1292%	52618%
Омская область	3 392	49 695	1465%	51391%
Томская область	2 906	48 523	1670%	50179%
Волгоградская область	3 824	46 832	1225%	48431%
Республика Карелия	3 076	46 519	1513%	48107%
Калининградская область	3 590	45 430	1266%	46980%
Саратовская область	4 229	43 239	1023%	44714%
Вологодская область	3 501	40 331	1152%	41707%
Белгородская область	6 447	35 873	556%	37097%
Ярославская область	3 872	34 090	880%	35254%
Амурская область	1 129	33 779	2991%	34932%
Кировская область	1 066	32 599	3059%	33711%
Сахалинская область	1 544	31 714	2055%	32797%
Тверская область	1 807	30 392	1682%	31430%
Тульская область	3 385	30 058	888%	31083%
Оренбургская область	2 235	29 297	1311%	30296%
Республика Саха (Якутия)	3 153	28 856	915%	29841%
Республика Бурятия	2 486	26 992	1086%	27913%
Калужская область	1 364	26 498	1942%	27402%
Липецкая область	2 361	25 794	1092%	26674%
Астраханская область	1 813	23 510	1297%	24312%
Новгородская область	1 896	22 067	1164%	22820%
Рязанская область	1 410	21 501	1525%	22234%
Ульяновская область	2 305	21 462	931%	22194%
Псковская область	1 237	21 335	1725%	22063%
Курская область	1 911	20 558	1076%	21260%
Владимирская область	1 759	19 932	1133%	20612%
Смоленская область	2 621	19 912	760%	20591%
Брянская область	1 451	19 754	1361%	20429%
Магаданская область	561	18 845	3359%	19488%
Чувашская Республика - Чувашия	1 339	18 426	1376%	19055%
Курганская область	882	18 118	2054%	18736%
Пензенская область	1 116	17 838	1598%	18447%
Камчатский край	1 286	16 917	1316%	17494%
Орловская область	463	13 621	2943%	14086%
Ивановская область	873	12 952	1484%	13394%
Тамбовская область	700	12 597	1799%	13027%
Костромская область	742	11 722	1580%	12122%
Республика Марий Эл	404	9 173	2268%	9486%
Республика Дагестан	615	8 638	1405%	8932%
Республика Хакасия	536	8 204	1531%	8484%
Республика Мордовия	269	6 751	2514%	6981%
Республика Алтай	93	5 872	6348%	6072%
Республика Северная Осетия-Алания	297	4 805	1620%	4969%
Кабардино-Балкарская Республика	189	4 742	2508%	4904%
Республика Адыгея (Адыгея)	145	4 389	3029%	4539%
Республика Тыва	82	4 246	5159%	4391%
Республика Калмыкия	64	3 769	5935%	3898%
Карачаево-Черкесская Республика	103	3 419	3316%	3536%
Еврейская авт. область	362	2 802	774%	2897%
Ленинградская область	2 188	1 636	75%	1691%
Республика Ингушетия	38	1 448	3832%	1498%
Чукотский авт. округ	311	97	31%	100%



Приложение 3

Средний чек операций по картам по регионам России в 2008, 2014 годах.

Регион	Средний чек 2008	Средний чек 2014	Прирост
г. Москва и Московская область	3439	1634	-1805
Камчатский край	952	1535	583
Чукотский авт. округ	1595	1513	-82
г. Санкт-Петербург	2868	1437	-1430
Магаданская область	2319	1350	-969
Хабаровский край	1053	1301	248
Приморский край	8967	1202	-7765
Сахалинская область	2729	1190	-1539
Мурманская область	1315	1119	-195
Краснодарский край	1124	1104	-20
Тюменская область	1113	1081	-32
Ленинградская область	1793	1068	-725
Республика Карелия	909	1019	110
Калининградская область	1453	1004	-450
Воронежская область	1525	1004	-522
Новосибирская область	858	1002	145
Калужская область	1108	996	-112
Самарская область	798	982	184
Красноярский край	1123	965	-158
Республика Саха (Якутия)	472	955	483
Ярославская область	516	953	438
Новгородская область	965	938	-27
Свердловская область	1159	929	-230
Псковская область	637	916	278
Республика Хакасия	586	912	326
Архангельская область	1626	876	-750
Ростовская область	1262	874	-388
Нижегородская область	749	869	120
Вологодская область	733	865	133
Ивановская область	1191	863	-328
Костромская область	1090	862	-228
Республика Коми	1024	859	-165
Амурская область	692	857	165
Тверская область	786	854	67
Ставропольский край	1210	838	-371
Республика Татарстан (Татарстан)	783	834	51
Липецкая область	654	818	165
Пермский край	930	812	-118
Томская область	1020	812	-208
Смоленская область	1720	809	-911
Рязанская область	1025	802	-223
Еврейская авт. область	1220	799	-421
Астраханская область	1002	799	-203
Челябинская область	812	798	-14
Белгородская область	1756	786	-971
Тульская область	1009	774	-234
Саратовская область	989	773	-216
Омская область	515	762	247
Республика Башкортостан	616	762	146
Иркутская область	1117	755	-362
Республика Адыгея (Адыгея)	883	742	-141
Волгоградская область	788	722	-66
Курганская область	792	714	-78
Республика Калмыкия	824	714	-110
Пензенская область	981	709	-272
Республика Северная Осетия-Алания	1216	707	-509
Владимирская область	637	704	67
Республика Дагестан	1728	702	-1026
Ульяновская область	627	694	67
Тамбовская область	1182	694	-488
Оренбургская область	630	691	61
Удмуртская Республика	433	688	256
Кемеровская область	724	674	-49
Республика Мордовия	501	665	164
Кировская область	502	663	161
Брянская область	638	657	19
Республика Тыва	580	653	74
Кабардино-Балкарская Республика	576	647	71
Курская область	686	637	-49
Орловская область	611	637	26
Карачаево-Черкесская Республика	642	629	-14
Чувашская Республика - Чувашия	1389	628	-761
Республика Марий Эл	1354	609	-745
Республика Бурятия	579	609	30
Алтайский край	537	580	43
Республика Алтай	392	571	179
Республика Ингушетия	741	502	-239



Приложение 4

Характеристики описывающие уровень использования терминалов по регионам России в 2008 и 2014 годах.

Регион	Оборот на POS, 2008 год	Оборот на POS, 2014 год	Кол-во транзакций на POS, 2008 год	Кол-во транзакций на POS, 2014 год
Республика Дагестан	1208055	3192055	699	4547
г. Москва и Московская область	1663898	3082354	484	1887
Республика Ингушетия	5400000	2442563	7286	4866
Мурманская область	891149	2428303	678	2169
Хабаровский край	511493	2197744	486	1689
Магаданская область	349160	2195652	151	1627
г. Санкт-Петербург	1150220	2026463	401	1410
Республика Карелия	692992	2001699	762	1964
Самарская область	464805	1945699	582	1981
Новосибирская область	498010	1819717	581	1816
Псковская область	346540	1730999	544	1891
Воронежская область	278509	1617924	183	1612
Приморский край	1199520	1519510	134	1265
Камчатский край	484401	1507060	509	982
Республика Калмыкия	142697	1495054	173	2095
Республика Коми	385627	1485704	377	1729
Карачаево-Черкесская Республика	523350	1469300	815	2337
Кабардино-Балкарская Республика	421158	1443619	732	2231
Тюменская область	644022	1426584	578	1319
Архангельская область	785769	1386707	483	1582
Сахалинская область	462403	1351220	169	1136
Новгородская область	199779	1333424	207	1422
Красноярский край	374690	1312382	334	1360
Ростовская область	338115	1308269	268	1497
Республика Тыва	517610	1287090	893	1970
Ставропольский край	436754	1270984	361	1516
Нижегородская область	318125	1263136	425	1453
Тверская область	255102	1179052	324	1381
Костромская область	181177	1175048	166	1363
Свердловская область	552300	1169943	476	1260
Амурская область	138174	1157414	200	1351
Вологодская область	214326	1150861	292	1330
Калининградская область	341792	1140823	235	1136
Краснодарский край	312043	1106038	278	1002
Пермский край	550187	1102626	592	1357
Республика Северная Осетия-Алания	732099	1098941	602	1555
Калужская область	333872	1088072	301	1092
Республика Саха (Якутия)	294095	1052848	623	1102
Рязанская область	225881	1039578	220	1296
Томская область	300517	1039488	295	1281
Смоленская область	427569	1022588	249	1263
Еврейская авт. область	231374	992760	190	1242
Астраханская область	327995	966619	327	1210
Ульяновская область	412641	959325	659	1382
Республика Хакасия	219902	952331	375	1045
Республика Башкортостан	246648	946860	400	1242
Ярославская область	262000	946639	508	993
Республика Алтай	188008	945501	480	1656
Волгоградская область	304563	930544	387	1289
Республика Адыгея (Адыгея)	127553	924053	144	1245
Тульская область	291467	911088	289	1176
Липецкая область	210370	903123	322	1104
Республика Татарстан (Татарстан)	272678	900606	348	1080
Удмуртская Республика	302570	899672	699	1307
Саратовская область	366652	899666	371	1164
Кировская область	172751	884304	344	1334
Кемеровская область	328123	868381	453	1288
Омская область	171448	864956	333	1135
Алтайский край	1331889	856117	2479	1475
Брянская область	229802	854837	360	1302
Тамбовская область	97766	849521	83	1224
Пензенская область	297600	837409	303	1182
Иркутская область	521246	832164	466	1102
Белгородская область	450629	816858	257	1039
Ивановская область	139482	800472	117	928
Курганская область	203788	791680	257	1109
Челябинская область	314862	765074	388	958
Оренбургская область	250263	692413	397	1002
Чувашская Республика - Чувашия	297578	663669	214	1056
Республика Марий Эл	228217	661957	169	1087
Орловская область	84951	659390	139	1035
Курская область	155766	652354	227	1024
Республика Мордовия	124594	621343	248	934
Республика Бурятия	319635	616727	553	1013
Владимирская область	133348	611224	209	868
Чукотский авт. округ	483801	93250	303	62
Ленинградская область	476442	84401	266	79



Приложение 5

Число банковских карт на одного жителя в регионах России в 2008 и 2014 годах.

Регион	Карт на одного жителя, 2008	Карт на одного жителя, 2014
Алтайский край	0,4	0,8
Амурская область	0,7	1,6
Архангельская область	0,5	1,0
Астраханская область	0,6	1,1
Белгородская область	0,5	0,8
Брянская область	0,4	0,8
Владимирская область	0,5	0,7
Волгоградская область	0,4	0,8
Вологодская область	0,5	1,0
Воронежская область	0,4	1,8
Еврейская авт. область	0,4	0,6
Ивановская область	0,2	0,7
Иркутская область	0,5	0,9
Кабардино-Балкарская Республика	0,2	0,5
Калининградская область	0,5	0,9
Калужская область	0,4	1,0
Камчатский край	0,7	1,0
Карачаево-Черкесская Республика	0,1	0,6
Кемеровская область	0,7	1,0
Кировская область	0,3	0,8
Костромская область	0,3	0,9
Краснодарский край	0,4	1,1
Красноярский край	0,6	1,4
Курганская область	0,3	0,8
Курская область	0,5	0,8
Ленинградская область	0,3	0,0
Липецкая область	0,5	0,9
Магаданская область	0,5	1,3
г. Москва и Московская область	3,0	4,4
Мурманская область	0,8	1,2
Нижегородская область	0,6	1,2
Новгородская область	0,6	0,9
Новосибирская область	0,8	3,6
Омская область	0,5	1,0
Оренбургская область	0,4	0,9
Орловская область	0,3	0,8
Пензенская область	0,3	0,6
Пермский край	0,5	1,0
Приморский край	0,6	1,2
Псковская область	0,4	0,8
Республика Адыгея (Адыгея)	0,2	0,7
Республика Алтай	0,2	0,9
Республика Башкортостан	0,8	1,2
Республика Бурятия	0,6	1,0
Республика Дагестан	0,1	0,3
Республика Ингушетия	0,0	0,4
Республика Калмыкия	0,4	0,4
Республика Карелия	0,5	1,0
Республика Коми	0,5	1,1
Республика Марий Эл	0,2	0,6
Республика Мордовия	0,3	0,7
Республика Саха (Якутия)	0,4	0,9
Республика Северная Осетия-Алания	0,2	0,6
Республика Татарстан (Татарстан)	0,7	1,5
Республика Тыва	0,2	0,9
Республика Хакасия	0,4	0,8
Ростовская область	0,3	1,2
Рязанская область	0,4	0,9
Самарская область	0,7	1,9
г. Санкт-Петербург	1,3	2,1
Саратовская область	0,4	0,9
Сахалинская область	0,5	0,9
Свердловская область	0,9	2,1
Смоленская область	0,4	0,8
Ставропольский край	0,3	0,8
Тамбовская область	0,2	0,6
Тверская область	0,4	0,8
Томская область	0,6	1,0
Тульская область	0,6	1,0
Тюменская область	0,9	1,6
Удмуртская Республика	0,6	1,1
Ульяновская область	0,4	0,9
Хабаровский край	1,0	1,8
Челябинская область	0,8	1,2
Чувашская Республика - Чувашия	0,3	0,7
Чукотский авт. округ	0,4	0,0
Ярославская область	0,6	0,8



Приложение 6

Тест Шапиро-Вилка

Переменная	Obs	W	V	Z	Prob>z
Проникновение эквайринга	60	0.97143	1.553	0.949	0.17133



Приложение 7

Спецификации модели скорости распространения эквайринга в Россиии.

Объясняющие переменные	Модель 1	Модель 2	Модель 3	Модель 4	Модель 5	Модель 6
Проникновение эквайринга	-36,24	-37,98	-34,49	-35,66	-35,73	-35,63
	10,67	10,09	10,81	10,91	10,34	10,42
Население региона на 2014 в логарифмах	0,99	1,25	0,46	1,30	1,41	1,46
	0,89	0,74	1,10	1,33	0,76	0,77
Доля городского населения	7,86	6,76	7,68	7,76	7,95	7,88
	5,71	5,25	5,67	5,99	5,38	5,43
Доля органзаций, имеющих интернет	-0,04			-0,01
	0,10			0,11
Оборот розничной торговли, млн рублей	0,00			0,00
	0,00			0,00
Фин рез розничной торговл млн. руб	0,00			0,00
	0,00			0,00
Количество POS	-0,00008	-0,00004	0,00006	-0,000115	-0,000117	-0,0001
	0,00008	0,00001	0,00009	0,0000996	0,000081	0,0000899
Число банковских карт				0,0000003	0,0000003	0,0000003
				0,0000005	0,0000003	0,0000003
Количество банкоматов				0,0002
				0,0015
ВРП						-0,0000004
						0,0000010
Const	12,78	6,87	15,633	6,244	3,625	2,963
	15,55	11,02	16,151	23,109	11,481	11,671
Количество наблюдений	60	60	57	57	60	60
R квадрат	0,3383	0,3316	0,2536	0,3442	0,3438	0,3461

Размещено на Allbest.ru