Характерной чертой метода PSM является то, что он сводит широкий набор факторов каждого наблюдения к единому вариационному ряду значений PS. Алгоритм метода следующий:

1. Выбор переменных для дальнейшего анализа.

2. Расчет PS для каждого наблюдения.

3. Проверка баланса распределения значений PS и переменных между группами сравнения.

4. Подсчет мер эффекта воздействия.

5. Оценка эффективности устранения дисбаланса переменных после использования выбранного метода подбора пар или «взвешивания» (Гржибовский А. М., Иванов С. В., Горбатова М. А., 2016).

Значения PS рассчитываются при помощи логистической регрессии. В качестве переменной, отвечающей за отклик, является факт принадлежности к основной группе (находящейся под действием «лечения»). В литературе в качестве основной группы предлагают брать ту, в которую входит меньше наблюдений.

Это способствует расширению возможности подбора пар из группы сравнения к объектам основной группы. В настоящей работе в основную группу будут входить банки, которые используют технологию блокчейн. Таким образом, в качестве зависимой переменной теперь будет выступать дамми на блокчейн, а издержки банков будут представлять исход.

Существует несколько основных мер эффекта воздействия изучаемого фактора на исход:

1. ATT (average treatment effect for the treated) - средний эффект воздействия для тех, кто подвергся воздействию (объекты основной группы). Это эффект воздействия на те единицы, которые действительно получили выгоды от воздействия.

2. ATNT или ATC (average treatment effect for the non-treated/control group) - средний эффект воздействия, не подвергшихся воздействию объектов. Показывает, каким был бы средний эффект от программы для не участников, если бы они участвовали в программе.

3. ATE (average treatment effect) - средний эффект воздействия для случайного индивида из выборки (Гржибовский А. М., Иванов С. В., 2015).

Исходя из цели исследования, наибольший интерес представляет показатель ATT, поскольку необходимо понять, на сколько в среднем издержки банков с бокчейн отличаются от обычных банков.

Как и ранее, анализ будет проводится в статистическом программном пакете STATA. Для начала необходимо установить случайный порядок наблюдений, чтобы правильно рассчитать значения PS. Затем требуется произвести сам подсчет значений PS. Опция comsup в коде фиксирует зону «перекреста» значений PS между основной группой и группой сравнения («common support»).

В данном случае в зону «перекреста» попадает 99 значений из 147. Для оценки эффекта наиболее подходящими будут наблюдения, которые попадают в эту зону. Следовательно, чем больше таких объектов, тем лучше.

На рисунке 6 представлена двойная гистограмма распределения значений PS в основной и референтной группе. Видно, что различия в них существенны. Другими словами, существуют различия между группами по распределению переменных.

Рис. 6. Распределение значений PS в группе банков без блокчейн («Treated») и группе банков с блокчейн («Untreated»)

Также необходимо, чтобы был достигнут баланс значений PS и выбранных переменных между группой сравнение и основной группой в пределах каждого блока.

Балансировка PS проверяется при помощи сравнения средних значений PS в этих двух группах в пределах каждого блока: если статистических различий нет, то такой блок считается сбалансированным. В данном случае количество блоков сбалансировано и равно 4.

На следующем шаге требуется выбрать метод, который наиболее адекватно позволяет сбалансировать группы по переменным.

В качестве переменных были выбраны масштабированные кредиты физическим лицам, расходы/доходы по операциям с ценными бумагами и собственный капитал. Были отобраны именно эти переменные ввиду высокой коррелированности как с блокчейн, так и с исходом (издержками).

Вдобавок, учитывая эти переменные, можно достичь баланса. Сначала рассмотрим метод стратификации (субклассификации), используя блоки PS. Этот метод опирается на ранее сформированные блоки PS.

Применение данного метода позволяет рассчитать только значение ATT, причем методом бутстрэппинга. Количество повторов бутстрэппинга можно задавать вручную (в нашем случае 100 повторов).

Значение эффекта от внедрения технологии представлено в таблице 9 и имеет отрицательный знак, однако интерпретация будет противоположная. Таким образом, у банков с блокчейном (основная группа) в среднем издержки выше на (0.340 ±0.260) тыс. руб., чем у обычных банков без блокчейна.

Таблица 9

Результаты расчета ATT с помощью метода стратификации (субклассификации)

Также можно рассмотреть метод подбора пар 1:1 при помощи поиска «ближайшего соседа», соответствующего заданному отрезку PS.

Идея метода заключается в том, чтобы подобрать каждому наблюдению из основной группы «пару» из группы контроля путем выбора наиболее близкого значения PS.

Но прежде чем начать подбирать «пары» следует указать значение, которое будет обеспечивать адекватное соотнесение наблюдений из групп.

Стандартное отклонение логита PS составляет 1,144 (Приложение 3). Установлено, что отрезок, равный 0,2 от стандартного отклонения логита PS, является достаточным для обеспечения близкого соотнесения наблюдений основной группы и группы контроля. При перемножении этих двух чисел получается 0,229 (это число вписывается в команду).

Для удовлетворительного подбора пар, доля стандартизированного смещения должна быть менее 10 %.

В данном случае максимальное смещение составило минус 3,4%, что является удовлетворительным для проведения корректного анализа (Таблица 10, рис. 7).

Рис. 7. График проверки смещения переменных в основной группе и группе контроля 1:1

Таблица 10

Результаты проверки смещения переменных в основной группе и группе контроля 1:1

Однако можно рассмотреть соотношение 1:2, то есть «пара» будет состоять не из одного банка, а из двух (Таблица 11).

Таблица 11

Результаты проверки смещения переменных в основной группе и группе контроля 1:2

Результаты смещения уменьшились, что склоняет выбор в пользу подбора пар 1:2. Таким образом, в результате подбора пар в пропорции 1:2 установлено, что у банков с блокчейном (основная группа) в среднем издержки выше на (0.418 ±0.298) тыс. руб., чем у обычных банков без блокчейна (Таблица 12).

Таблца 12

Эффекты воздействия (1:2)

И последний способ балансировки переменных - метод взвешивания Кернела (Гржибовский А. М., Иванов С. В., Горбатова М. А., 2016).

Идея метода состоит в том, что каждому наблюдению из контрольной группы дается определенный «вес», исходя из того, насколько близко оно находится к наблюдению из основной группы по значению PS.

Наблюдениям с более близними значениями PS присваивается больший вес и наоборот (Таблица 13).

Таблица 13

Результаты проверки смещения переменных в основной группе и группе контроля методом взвешивания Кернела

Результаты показали большее смещение для отобранных переменных, чем метод подбора пар путем поиска «ближайшего соседа». Таким образом, необходимо выбрать наиболее подходящий метод, сравнив стратификацию (субклассификацию) и поиск «ближайшего соседа».

Метод стратификации служит самой первой вариацией PSM и может считаться довольно «грубым» способом балансировки переменных.

Что касается метода поиска «ближайшего соседа», то он был разработан позже и являются методологически более совершенным, что более предпочтительно.

Следовательно, результат таков, что издержки для банков, применяющих технологию блокчейн в своей деятельности, выше, чем у банков, не имеющих эту технологию. И это различие составляет 418 руб, имея стандартную ошибку ± 298 руб. Так, гипотеза о сокращении издержек после внедрения блокчейн отклоняется.

3.4 Результаты исследования

14. Исследование рынка Blockchain от PwC (Habr): потенциал применения и основные тенденции. [Электронный ресурс] URL: https://habr.com/company/wirex/blog/371957/ (дата обращения 23.11.2018)

15. Кузнецова М.М. Технология блокчейн в банковской сфере Российской Федерации // «Научно-практический электронный журнал Аллея Науки». №16. 2017.

16. Литвинова Д. А. Использование blockchain в банковской системе [Текст] // Экономика, управление, финансы: материалы VII Междунар. науч. конф. (г. Краснодар, февраль 2017 г.). -- Краснодар: Новация, 2017. -- С. 40-44. -- URL https://moluch.ru/conf/econ/archive/220/11860/ (дата обращения: 05.01.2018).

17. Манахов В.А. Правовой статус электронных денег и криптовалют в РФ и мире // Инновации и инвестиции. 2015. № 10. С. 283-286.

18. Моткова М.А. Возможности применения технологии блокчейн в банковской сфере // Современные тенденции развития науки и технологий. 2017. № 3-13. С.104-107.

19. Ратникова Т.А. Анализ панельных данных в пакете «STATA»//2004. С. 1-39.

20. РБК. Финтех Ассоциация. [Электронный ресурс] URL: http://masterchain.rbc.ru (дата обращения 10.11.2018).

21. РИА Новости. [Электронный ресурс] URL: https://ria.ru/economy/20170727/1499301891.html (дата обращения 21.02.2019).

22. Banking on Blockchein. A Value Analysis for Investment Banks. [Electronic resource] URL: https://geektimes.ru/company/wirex/blog/284544/ (accessed at 26.01.2018).

23. Barnay, T., Duguet, E., Clainche, C., L., Narcy, M., Videau, Y. (2015). The Impact of a Disability on Labour Market Status: A Comparison of the Public and Private Sectors. Annals of Economics and Statistics, No. 119/120, Special Issue on Health and Labour Economics, pp. 39-64.

24. Baron, J., O'Mahony, A., Manheim, D., DionSchwarz C. (2015). National Security Implications of Virtual Currency: Implications Beyond Currency. RAND Corporation.

25. Hosek, D. S., Straus, G. S. (2013). Patient Privacy, Consent, and Identity Management in Health Information Exchange: Patient Identity Management. RAND Corporation.

26. Kulhari, S. (2018). Building-Blocks of a Data Protection Revolution: The Midas touch of Blockchain: Leveraging it for Data Protection. Nomos Verlagsgesellschaft mbH.

27. Swan, M. (2015). Blockchain: Blueprint for a New Economy. O'Reilly Media, Inc., pp. 152.

28. Walport, M. Distributed ledger technology: Beyond block chain // Government Office for Science, 2015, pp. 1-88.

29. Wooldridge, J. M. (2007). Econometric Analysis of Cross Section and Panel Data, 2nd edition. New York: John Wiley & Sons.

Приложение 1

Корреляционная матрица

Приложение 2

Гистограммы переменных

Приложение 3

Описательные статистики индекса склонности для логит модели

Размещено на Allbest.ru