Эффективное развитие филиальной сети коммерческого банка: обзор литературы

8 июля 2015 г.

Алескеров Ф. Т. (ГУ ВШЭ)
Белоусова В. Ю. (ГУ ВШЭ)

Представлен обзор литературы, посвященной вопросам оценки эффективности существующих филиалов коммерческого банка, а также вычислению оптимального количества отделений банка и определению их местоположения. Оба раздела взаимосвязаны, т. к. при нахождении  ответа по первой проблеме становится возможным  дать рекомендации в отношении второй. Также проведен анализ регионов РФ на основе оценки их привлекательности в целях открытия новых филиалов коммерческого банка.
Работа была поддержана грантами Института Фундаментальных Исследований ГУ ВШЭ и проекта МЭРТ, посвященного вопросам эффективности и устойчивости банковской системы, за что выражаем им благодарность. Хотим поблагодарить В. И. Якубу за  создание программного обеспечения.



1. Введение
В настоящее время в России наблюдается широкомасштабное развитие сетей в банковском секторе экономики, в частности, проникновение филиалов крупных коммерческих банков на региональные рынки. Ввиду интенсивной экспансии банков число отделений растет достаточно быстро, что влечет за собой необходимость внедрения в банке системы оценки и мониторинга эффективности функционирования существующей сети. Более того, становится актуальным вопрос о нахождении потенциальных мест для создания новых филиалов сети коммерческого банка не только на основе своевременного реагирования на стратегию поведения основного конкурента относительно открытия новых филиалов, но и на базе анализа перспектив развития собственной сети филиалов.

В связи с этим в данной работе анализируется, как определить эффективность функционирования существующих банковских отделений и как правильно выбрать место для создания нового филиала банка. Помимо этого, в статье рассматривается, какие регионы РФ перспективны с точки зрения развития филиальной сети банка.


2. Методы оценки и мониторинга эффективности отдельного филиала

Эффективность функционирования филиала коммерческого банка является многоаспектным понятием. С одной стороны, это способность филиала достигать ранее поставленных целей, с другой стороны, это способность достигать оптимального соотношения затраченных ресурсов и полученных результатов. 

В литературе проводится различие между параметрическими и непараметрическими методами оценки эффективности. К первой группе относят метод стохастической границы (Stochastic Frontier Approach (SFA)), метод без спецификации распределения (Distribution Free Approach (DFA)), метод широкой границы (Thick Frontier Approach (ТFA)). Во вторую группу входят метод оболочечного анализа данных (Data Envelopment Analysis (DEA))  и частный случай DEA -  метод свободной оболочки (Free Disposal Hull (FDH)) [19, 22]. Данные два направления основаны на граничном анализе: мера эффективности каждого филиала определяется, насколько близки филиалы к  границе эффективности.

В основе параметрического подхода лежит эконометрическая оценка (в частности, методом максимального правдоподобия (SFA) [12]) точной функциональной формы производственной функции (функции затрат или прибыли) в виде логарифмической форме [4, 12] или в форме функции Фурье [13]. В результате мерой неэффективности выступает часть композитной ошибки, вторая составляющая которой обычно представляет собой белый шум. В целях выделения неэффективности выдвигаются определенные предположения об ее распределении [13, 19].
Например,  неэффективность может иметь гамма – распределение или усеченное нормальное распределение и др. [22]. Так, по DFA в случае использования панельных данных за 5 лет при выполнении предположения о том, что эффективность постоянна во времени, случайная компонента в совокупной ошибке  усредняется до нуля [13]. В TFA отклонения от прогнозных значений внутри самой высокой и самой низкой квартилей  - это случайная ошибка, а отклонения в прогнозных значениях между этими квартилями – это Х – неэффективность [22].

В свою очередь, непараметрические методы не требуют спецификации точной функциональной зависимости и базируются на оценке кусочно-линейной границы эффективности путем построения огибающих значений. DEA как в случае постоянной отдачи от масштаба – в CCR - модели (Charnes, Cooper, Rhodes (1978)) [17], так и переменной - в BCC – модели (Banker, Charnes, Cooper (1984)),  [11] позволяет вычислить [27]:
1.      границу эффективности или оболочечную поверхность, состоящую из финансовых институтов, функционирующих как эталоны (best practice);
2.      баллы эффективности для каждого филиала, отражающие его расстояние от границы эффективности (данная мера равна единице для эффективных отделений по выборке и меньше 1 для остальных);
3.      эффективное опорное множество, на которое в дальнейшем ориентируются (efficient reference set), или однородную группу (peer group) (небольшое подмножество эффективных филиалов, близких к оцениваемым отделениям) для каждого неэффективного отделения коммерческого банка;
4.      эффективные метки (efficient targets) для каждого неэффективного филиала (проекции на границу эффективности).

В отличие от DEA, FDH не допускает линейного замещения между комбинациями входных параметров на изокванте, что отражается на визуальном представлении границы эффективности, которая в данном случае будет не гладкой, а ступенчатой  кривой [22]. Таким образом, FDH включает только  вершины границы эффективности по методу DEA и исключает проблему неэффективности вследствие наличия инертности ресурсов (slacks), характерную для DEA [19]. Для выделения наихудших отделений коммерческого банка иногда DEA и FDH используются как взаимодополняющие методы [26].

Для оценки эффективности существующей филиальной сети банка параметрические методы по сравнению с непараметрическими применяются реже, чем для оценки эффективности совокупности банков. Это диктуется, тем, что при использовании DEA относительно филиалов коммерческого банка не возникает проблем с ошибками измерения данных вследствие наличия в отделениях компьютеризированной системы отчетности, причем обычно данные снимают за период не более одного года. Таким образом, для отделений коммерческого банка наиболее распространенным подходом к оценке эффективности функционирования является  оболочечный анализ данных (DEA) [7, 9, 10, 21, 25, 27, 28, 32].

В последнее время классическая модель DEA для оценки относительной производительности филиалов модифицируется. В нее добавляются переменные, отражающие качество обслуживания [10, 30] или особенности внешней среды [9, 33], где функционируют филиалы, ценовой аспект  [16] и пр. В рамках классической модели DEA конструируются индексы, характеризующие достижение целевых значений ключевых показателей успеха филиалов, оцененных менеджерами по развитию сети [15, 24], индексы прибыльности  [20] и т. д. Более того, производится внедрение маркетинговых методов анализа получаемых по модели DEA баллов эффективности для составления рекомендаций по управлению эффективностью и прибыльностью филиалов, например, использование матрицы Бостонской консалтинговой группы [15, 30].

Таким образом, наиболее значимым преимуществом DEA по сравнению с традиционными эконометрическими подходами является то, что непараметрические подходы не требуют первоначального предположения об аналитической форме исследуемых функций; следовательно, вероятность неправильной спецификации формы производственной технологии равна нулю, не возникает проблем с мультиколлинеарностью, гомоскедастичностью и т. д. В свою очередь, недостатком считается то, что в DEA не существует случайных колебаний, все отклонения от границы свидетельствуют о наличии неэффективности.

В дополнение к параметрическим и непараметрическим методам исследователи в литературе, посвященной вопросам оценки эффективности филиальной сети коммерческого банка, приводят абсолютные и относительные традиционные показатели. Так, например, прибыль, чистый процентный доход, процентная маржа, резерв на покрытие убытков по ссудам и др. рассматриваются как абсолютные коэффициенты.

Очевидно, что относительные показатели получаются, если в числителе стоит характеристика функционирования отделения, отражающая  результат одного из элементов деятельности, а в знаменателе – перебираются связанные с ним  другие характеристики, например, совокупный выпуск на одного сотрудника, текущие  расходы  на единицу выпуска, среднее число операций на одного работника [26].

Считается, что агрегирование оценок с помощью линейных сверток может привести к переоцениванию эффективности вследствие того, что наивысшие оценки по одним показателям могут «перекрыть» наихудшие по другим. Помимо всего этого, различные коэффициенты в некоторых случаях могут неточно описывать деятельность отделения, связанную с большим ассортиментом предоставляемых банковских услуг за счет привлечения огромного количества различных источников ресурсов, что исключается при DEA.

Однако, показатели, представляющие собой  частные критерии эффективности по отдельным аспектам банковской деятельности, на основе разработки и внедрения ключевых показателей эффективности (KPI) можно согласовать между собой, как это предполагает система сбалансированных показателей (BSC) [1,2,3]. На сегодняшний день BSC успешно работает в Банке России, «Пробизнесбанке», «Газпромбанке» и др. [2].

Тем не менее, исследователи отмечают, что и традиционные коэффициенты, и DEA корректно было бы использовать для сравнения одинаковых отделений, так как возникают проблемы в случае их применения  к существенно различным филиалам [9, 30].  В целях анализа эффективности филиалов внутри однородных групп может быть использована система оценки эффективности функционирования отделений банка, для реализации которой требуется описание микрорынков, где действуют отделения банков [5]. В данном подходе сбор информации о микрорынках производится на основе анкетных опросов менеджеров отделений банка. При обработке информации формируются группы однородных отделений по микрорынкам. Для оценки эффективности деятельности филиалов внутри отдельных групп вводятся различные критерии и внутри каждого действующего микрорынка производится ранжирование отделений банка.

Для решения проблемы ранжирования филиалов по различным индикаторам функционирования филиалов коммерческого банка может быть выбран комплексный подход (метод многокритериального ранжирования (Multicriterial Ranking Approach (MRA))) для учета любого количества предпочтительных  для менеджмента показателей эффективности, характеризующих разные стороны банковской деятельности [6]. На основе математических процедур может быть осуществлена оценка эффективности нескольких отделений банка путем  их упорядочивания.

Ранжирование основывается на использовании методов турнирных матриц, оценок Борда, (s,q) – Паретовских процедур и др.

Итак, выявление наиболее успешных филиалов по паретовскому критерию эффективности, благодаря использованию MRA, позволяет оценить потенциальные характеристики предполагаемых к открытию филиалов коммерческого банка. Более того, выделение самых высоких показателей предоставляет возможность определить наиболее привлекательные территории для дальнейшего развития филиальной сети.

Таким образом, при использовании наиболее предпочтительного для исследователя метода из ряда описанных выше подходов к  оценке эффективности функционирования существующей филиальной сети коммерческого банка важно:
1.      выделить группу факторов, влияющих на функционирование филиальной сети банка на рынке, что в дальнейшем дает возможность определить эффективные и неэффективные филиалы в рамках действующей сети;
2.      оценить успешность достижения поставленных стратегических целей (косвенно рассмотрев систему управления банком и процесса принятия управленческих решений) и выявить возможные рекомендации по повышению перспектив деятельности сети на конкурентном рынке;
3.      на основе анализа показателей эффективности по существующим филиалам внутри однородных групп выявить потенциальные возможности для создания нового филиала банка.


3. Методы оценки потенциального местоположения нового филиала банка

В литературе, посвященной эффективному размещению отделений коммерческого банка, выделяется необходимость осуществления моделирования поведения потребителей, определения торговой зоны и ее демографических характеристик, анализа особенностей местоположения [31].

Моделирование поведения потребителей  производится с целью удовлетворения потребностей клиентов таким образом, чтобы последним было удобно получать предоставляемые отделением банка услуги. В результате этого клиент будет лоялен к филиалу, что приносит выгоду отделению коммерческого банка в виде прибыли.  За основу анализа поведения потребителей исследователями берется модель пространственного взаимодействия (Spatial Interaction Model (SIM)) - модель гравитации  (Gravity Model (GM)). В этом случае производится спецификация функции полезности  потребительского выбора в мультипликативном виде, где в качестве исследуемых множителей выступает два фактора: степень привлекательности филиала для клиентов и переменная, отражающего воздействие расстояния на потребительский выбор [23].

В свою очередь, торговая зона представляет собой географическую территорию, на которой проживает большая часть (75 - 80%) обслуживаемого отделением банка населения [31].  Множество факторов влияет на ее форму и размер, например: характеристики филиала (размер, внешний вид здания); характеристики продуктов (ассортиментный ряд и ценовой диапазон банковских продуктов и услуг); характеристики региона, включая число клиентов на рассматриваемой территории, расположение конкурентов, географические границы в виде рек, магистралей и т.д. Для оценки торговой зоны для отделения используются подходы, разработанные для размещения магазинов розничной торговли.

В частности, метод аналогов (Analog Method (AM)) основывается на использовании, как минимум, одного аналогичного отделения банка с точки зрения похожих характеристик, паттернов совершения покупок потребителями, социо – экономической, демографической и конкурентной среды. На базе информации, полученной из вопросника  или интервью клиентов, производится определение местоположения клиентов, затем установление торговой зоны посредством нанесения на карту данных о постоянном проживании потребителей. Круговые области, включающие от 75 – 80% клиентов используются для разграничивания  торговых зон. Средняя способность привлечения клиентов вычисляется как отношение численности населения, отмеченного в каждой зоне, к совокупной чис­ленности населения. Далее найденная средняя способность привлечения клиентов аналогичных отделений умножается на средние продажи на человека. Точность такого рода методов за­висит от доступности исторических данных о похожих для банка территориях, а также от субъективных суждений в выборе аналогов, но преимуществами метода является включение географических и геометрических особенностей региона, локальных рыночных условий и фактического расположения клиентов [29].

Согласно более модифицированной модели гравитации, называемой мультипликативной моделью конкурентного взаимодействия (Multiplicative Competitive Interaction Model (MCIM)), при одновременном учете всех  потенциальных торговых зон производится оценка числа потребителей, являющихся постоянными клиентами данной торговой зоны, и вероятности того, что потребитель от места проживания прибудет в отделение банка. MCIM включает в анализ как социо – экономические характеристики, так и особенности конкурентной среды. MCIM рекомендуют использовать для анализа влияния нового отделения банка на сеть уже существующих путем изучения вероятностей, скорректированных на результирующие изменения.  Таким образом, MCIM оценивает  вероятностную природу торговой зоны, нежели детерминированную, неявно включает конкурентную среду в оценку местоположения отделения. Но при использовании MCIM  необходимо провести предварительное исследование  в целях точного определения включаемых в модель факторов и ввести определенные предпосылки о параметрах функции полезности [23, 31].

Наконец, анализ особенностей местоположения заключается в изучении следующих факторов: наличия транспортных узлов, парковок, пробок и т. д.  На основе эмпирических исследований в 1969 г. было выявлено, что  основной критерий для выбора места для нового отделения – это удобство в терминах расположения. Проведенное исследование показало, что 89% респондентов предпочитают обслуживаться в том отделении, которое располагается наиболее близко от дома или места работы [29].

Как правило, любое количество объясняющих переменных может быть смоделировано регрессионным анализом, в рамках которого принято выделять метод аналоговых множественных регрессий (Analog Multiple Regression Studies (AMRS)) и мультипликативные конкурентные взаимодействующие модели (Multiplicative Competitive Interactive Studies (MCIS)) [8,14, 18]. Данные методы соответствуют моделям для оценки торговой зоны. В первом случае производится оценка влияния на чистую прибыль филиала (или на число счетов, или на депозиты по видам срочности и др.) нескольких независимых, объединенных в группы переменных таких, как характеристики месторасположения, торговой зоны, конкурентной среды и внутренние особенности филиала банка [18]. Во втором случае строится зависимость рыночной доли бессрочных и (или) сберегательных вкладов  только от внутренних характеристик филиала и конкурентной среды, обычно их называют гравитационными моделями доли рынка [14]. Данные подходы позволяют установить эффективные цели для любого филиала каждый год, опираясь на особенности его местоположения, отслеживать этот процесс периодически при изменениях в демографических характеристиках и условиях конкуренции на данной территории и др. Но несмотря на всю гибкость регрессионного анализа возникают трудности эконометрического оценивания, описанные ранее.

В дополнение к этим методам, можно выделить систему поддержки принятия решений в области размещения нового филиала на базе географической информационной системы (Geographic Information System (GIS)), которая дает возможность визуально проанализировать отмеченные цветовые области, отражающие значения выбранного показателя  от наивысшего к наименьшему. В качестве индикаторов могут выступать характеристики местности, демографические, экономические данные. Например, естественные барьеры: реки, озера и т. д.; сооруженные барьеры: центральные улицы, магистрали и пр.; социо – экономические факторы: плотность проживания и до­ходы населения, интенсивность покупательских потоков, размещение магазинов, филиа­лов конкурентных банков, транспортных узлов. Совмещение всех карт на одной позволит получить районирование по спросу, т. е. выделить приоритетные альтернативы местопо­ложения потенциального филиала [31].


4. Оценка привлекательности регионов РФ в целях развития филиальной сети коммерческого банка

При изучении литературы, посвященной оценке эффективности функционирования филиалов коммерческого банка и размещению нового филиала,  возник вопрос, возможно ли оценить привлекательность регионов РФ с точки зрения развития филиальной сети российского розничного коммерческого банка. В целях получения ранжирования регионов РФ была предложена двухступенчатая модель на основе методов теории выбора.

За основу метода оценки привлекательности регионов была взята модель многокритериального ранжирования [6]. Для оценки привлекательности регионов было специфицировано два блока показателей. Первый из них отражал характеристики макросреды, второй -  клиентского потенциала. Затем для построения ранжирования было выбрано обобщение метода Симпсона, который был нами назван Двойным турнирным методом.

В результате оценки было получено итоговое ранжирование регионов. Совокупное число мест составило 30. Наиболее привлекательными регионами для развития филиальной сети розничного коммерческого банка являются г. Санкт – Петербург, Свердловская область и Хабаровский край. Калининградская область – на второй позиции. Челябинская область, республика Татарстан и г. Москва находятся на третьем месте по уровню привлекательности регионов РФ в целях создания новых филиалов розничного коммерческого банка на их территории. Наименее привлекательными являются республика Калмыкия и Кабардино – Балкарская республика.

Полученное ранжирование 79 субъектов РФ: двух городов федерального значения: г. Москва и г. Санкт – Петербург - и 77 регионов, не включая Чеченскую республику, может быть интересно топ – менеджменту, отвечающему за региональное развитие филиальной сети коммерческих банков. В дальнейшем полученные результаты (при наличии данных о филиальной сети коммерческого банка) могут быть использованы для того, чтобы уменьшить эффект неоднородности регионов по уровню экономического развития при оценке эффективности функционирования филиальной сети коммерческого банка.


5.      Заключение

Таким образом, в работе были проанализированы основные методы оценки эффективности функционирования существующей филиальной сети, на основе которых могут быть даны рекомендации по анализу расположения существующих банковских отделений, вычислению оптимального  числа филиалов коммерческого банка и их потенциального расположения в рамках исследования однородных групп.
Более того, вопрос, связанный с расположением нового отделения коммерческого банка, может быть исследован с точки зрения методов, основанных на аналоговых и гравитационных моделях, на регрессионном анализе.

Также был исследован вопрос о привлекательности регионов РФ на макроуровне с точки зрения развития филиальной сети розничного коммерческого банка на основе оценки факторов макросреды и клиентского потенциала.


Список литературы
1. Клепцов С. Внедрение BSC на предприятиях сферы услуг. Финансовый директор. – 2005 - № 11
2. Ламонов Д., Вишняков О. Как избежать ошибок внедрения BSC. Финансовый директор. – 2005 - № 4
3. Молвинский А. Как разработать систему ключевых показателей деятельности. Финансовый директор. – 2006 - № 10
4. Aigner,D.J., Lovell, C.A. and Schmidt, P. Formulation and estimation of stochastic frontier production function models. Journal of Econometrics. – 1997. -№ 6.-  21–37.
5. Aleskerov Fuad, Ersel Hasan, Gundet Cengiz, Minibat Ali, Yolalan Reha. Environmental Grouping of the Bank Branches and Their Performances. Discussion Paper Series, Yapi Kredi Bank, Research. –1997. -  N 97-03
6. Aleskerov Fuad, Ersel Hasan, Yolalan Reha. Multicriterial ranking approach for evaluating bank branch performance. International Journal of Information Technology & Decision Making. – 2004. - Vol. 3, No. 2 - 321–335
7. Al-Faraj Taqi N, Alidi Abdulaziz S, Bu – Bshait Khalid. Evaluation of Bank Branches by Means of Data Envelopment Analysis. International Journal of Operations & Production Management.  – 1993. – № 3. – 45-52
8. Alpert Mark I., Bibb Jon F. Fitting Branch Locations, Performance Standards, and Marketing Strategies: A Clarification. . Journal of Marketing. – 1974 – April. – 72-74
9. Anthanassopoulos Antreas D. Nonparametric Frontier Models for Assessing the Market and Cost Efficiency of Large – Scale Bank Branch Networks. Journal of Money, Credit and Banking. – 1998 – Vol. 30 - № 2. – 172- 192
10. Athanassopoulos Antreas D.  Service quality and operating efficiency synergies for management control in the provision of financial services: Evidence from Greek bank branches. European Journal of Operational Research. – 1997. - № 98. -  300-313
11. Banker, R.D., Charnes, A. and Cooper, W.W. Some models for estimating technical and scale inefficiencies in data envelopment analysis. Management Science  - 1984. -  № 30 (9). -  1078– 1092
12. Bauer, P.W. Recent developments in the econometric estimation of frontiers. Journal of Econometrics. 1990 - № 46. - 39–56.
13. Berger, A., Leusner, J. and Mingo, J. 1994. The efficiency of bank branches.  Journal of Monetary Economics. 1997. - № 40. –1997. - 141-162
14. Boufounou Paraskevi V.  Evaluating bank branch location and performance: A case study.  European Journal of Operational Research. – 1995. -№ 87. -  389-402
15. Camahno A. S.,  Dyson R. G.  Efficiency, Size, Benchmarks and Targets for Bank Branches: An Application of Data Envelopment Analysis. The Journal of the Operational Research Society. –  1999. - Vol. 50 - № 9. – 903 - 915
16. Camanho A. S., Dyson R. G. Cost efficiency measurement with price uncertainty: a DEA application to bank branch assessment. European Journal of Operational Research. 2005. - № 161. - 432–446
17. Charnes, A., W.W. Cooper and E. Rhodes, Charnes, A. 1978, Measuring efficiency of decision making units. European Journal of Operational Research. – 1978. - № 2. – 429 - 444
18. Clawson C. Joseph. Fitting Branch Locations, Performance Standards, and Marketing Strategies to Local Conditions. Journal of Marketing. – 1974 – Vol 38. – 8 – 14
19. Coell Nimothy J., Rao D. S. Prasada., O’Donell Christopher J., Battese George E. An Introduction to Efficiency and Productivity Analysis. 2nd edition. Springer Science + Business Media, Inc. 2005 – 327
20. Conceiçăo Maria, Portela A. Silva, Thanassoulis Emmanuel. Profitability of a sample of Portuguese bank branches and its decomposition into technical and allocative components. European Journal of Operational Research. – 2005. – № 162. -  850 –866
21. Giokas. D. Bank branch operating efficiency: a comparative application of DEA and the log-linear model. Omega. – 1991. - № 19(6). - 549-557.
22. Handbook of International Banking/ edited by Mullineux  Andrew W. and Murinde Victor. Edward Elgar. Cheltenham. UK. Nortampton, MA. USA. – 2003 – 827
23. Huff D. Defining and estimating a trading area. Journal of Marketing.  – 1964 - Vol 28. –34-38
24. Lovell C. A. Knox. Pastor Jesús T. Target setting: An application to a bank branch network. European Journal of Operational Research. – 1997. - № 98. – 290 - 299
25. Parkan. C. Measuring the efficiency of service operations: service operations: an application to bank branches. Engineering Costs and Production Economics. – 1987. - №  12. - 237-242.
26. Pastor Jesús T., Lovell C. A. Knox, Tulkens Henry. Evaluating the Financial Performance of Bank Branches. – Computer Science and Business and Economics. – 2006 – Vol. 145. - № 1. – 321 - 337
27. Schaffnit C., Rosen D., Paradi JC. Best practice analysis of bank branches: an application of DEA in a large Canadian bsnk. European Journal of Operational Research. – 1997. – № 98. - 269 – 289
28. Sherman H.D., Gold F. Bank branch operating efficiency: Evaluation with Data Envelopment Analysis. Journal of Banking and Finance. – 1985. - №  9. - 297-315
29. Soenen Luc. A. Locating Bank Branches. Industrial Marketing Management. – 1974. - № 3. – 211 – 228
30. Soteriou Andreas, Zenios Stavros A. Efficiency, Profitability, and Quality in the Provision of Banking Services. Working Paper. Department of Public and Business Administration, University of Cyprus, Nicosia, CYPRUS. – 1997. – Draft of May, 5. – 1 – 30
31. Vance Heather. Opportunity Index Development for  Bank Branch Networks. Graduate Department of Mechanical and Industrial Engineering. University of Toronto. Canada. – 2000 - 148
32. Vassiloglou M., Giokas D. A study of the relative efficiency of bank branches: an application of Data Envelopment Analysis. Journal of the Operational Research Society. – 1990. - № 41(7). - 591-597
33. Zenious Christiana V. Zenios Stavros A. Agathocleous Kostas. Soteriou Andreas C. Benchmarks of the Efficiency of Bank Branches. Interfaces. – 1999 – № 29. – 37 –51


https://www.google.ru/url?sa=t&rct=j&q=&esrc=s&source=web&cd=1&sqi=2&ved=0CBwQFjAAahUKEwiL4ajvksvGAhWhEXIKHRZiALk&url=http%3A%2F%2Fwww.hse.ru%2Fdata%2F140%2F768%2F1238%2FMakarova.doc&ei=eOOcVYvFEaGjyAOWxIHICw&usg=AFQjCNE3RitToCYS-bDFNmm_NTDWWa1r5w&sig2=iWFtafnMx3mVjl90ZsacXw&bvm=bv.96952980,d.bGQ
 
Комментарии (0)

Нет комментариев. Ваш будет первым!

Яндекс.Метрика