Vzhledem k vysoké korelaci mezi vysvětlujícími proměnnými je velmi obtížné soudit na kauzální vztahy modelu. Respektive je velice obtížné zjistit hlavní příčiny a činitele produkce.
Nepomáhá ani fakt, že již z definice dat se jedná o nenáhodný vzorek poboček. Nemůžeme ani říci, že se jedná o reprezentativní vzorek v rámci různých poboček bankovních domů České republiky. Můžeme ale říci, že se jedná o populaci poboček jedné z bank. Pokud máme vyhodnotit, jak si stojí daná banka mezi ostatními domy, lze model použít.
Pokud se podíváme na to, jak nová pobočková síť vzniká, tak se nejedná o náhodné rozmis-ťování. I bez modelu určitá osoba musela volit vhodné lokality a velikosti pro pobočky, stejně tak počet personálu. Postupně se síť formovala a optimalizovala vzhledem k výkonnosti. Po-kud by byla pobočka příliš velká vzhledem k okolí, nebo měla příliš zaměstnanců, postupně by se redukovala, popřípadě by se přemístila. Tyto procesy se zcela jistě nedějí náhodně, ale jsou ovlivněny okolím. A to jsme se snažili odhadovat. Můžeme mluvit o potenciálu, či atraktivitě lokality, o něčem nepřímo měřitelným. Ať jsme použili jakýkoliv model ze stovek potencionálních kandidátů, všechny se pravděpodobně snažili tuto neměřitelnou hodnotu za-chytit. Nemá cenu se dívat na přesné hodnoty odhadnutých koeficientů, je lepší sledovat směr a korelace s dalšími proměnnými. Neměřitelné rozměry by pravděpodobně mohla zachytit i metoda hlavních komponent, v této práci ji vynecháváme.
3. Analýza pobočkových sítí napříč ČR
V této části využíváme finálního modelu k predikci pro libovolnou pobočku v rámci ČR napříč různými bankovními domy. Pro analýzu jsme se zaměřili na deset největších bankovních domů z pohledu počtu poboček. Česká republika je relativně malou ekonomikou a relativně velkým počtem bank. I mezi těmito deseti největšími bankovními domy jsou velké rozdíly v počtu poboček a klientů, proto v následující analýze preferujeme srovnání podobně velkých bank.
Naopak příliš nekomentujeme rozdíly mezi nejmenšími a největšími bankami, protože zvolená metrika může systematicky zvýhodnit banku s velkým počtem poboček a podhodnotit banku s malým počtem poboček. Metrikou je kumulativní predikovaná výkonnost. Sestaví se tak, že pro veškeré pobočky predikujeme nejprve očekávanou výkonnost dle modelu z předchozí kapitoly. Pro zvolenou oblast pak v rámci každé sítě pobočky seřadíme od nejvýkonnější a vytvoříme kumulativní výkonnost. Takto spočtenou výkonnost porovnáváme napříč bankami a pro dané oblasti.
Porovnání bankovních sítí je zachyceno napříč celou ČR a dle jednotlivých krajů. Pro kaž-dou zvolenou oblast předkládáme dva výstupy, jedním je graf a druhým je tabulka. Grafy zobrazují kumulativní výkonnost na vertikální ose a počet poboček na horizontální ose. Je dobré připomenout, že pobočky jsou seřazené od nejlepší po nejhorší. Grafy jsou proto tvo-řeny pro každou pobočkovou síť jednou rostoucí, konkávní křivkou. Křivky jsou dlouhé dle počtu poboček v dané oblasti. Tabulky zachycují tytéž informace, ale jen pro určitý počet poboček, například nejlepších pět, deset a podobně. Rozdílem je, že z tabulky lze snadněji dopočíst procentuální rozdíl mezi produkcemi bankovních domů. Každou oblast popisuje i krátký text, který se nejprve soustředí na obecný deskriptivní popis počtu poboček v oblasti, poté na největší rozdíly v grafickém srovnání a ke konci na největší relativní rozdíly hodnot v tabulkách.
Ke konci kapitoly nabízíme návrh na postup optimalizace jedné z bank, využíváme přitom jak predikcí, tak modelu lineárního programování, který jsme představili ke konci teoretické části. Jedná se tak o kombinaci ekonometrie a operačního výzkumu.
3.1 Celorepublikové srovnání
V celorepublikovém srovnání si lze všimnout nejprve značných rozdílů v počtu poboček mezi jednotlivými bankami, viz obrázek 3.1. Největšími bankami v počtu poboček jsou především Česká spořitelna a Komerční banka s více jak 300 pobočkami. Středními bankami v počtu poboček jsou ČSOB, MONETA, Raiffeisenbank a UniCredit s více jak 100 pobočkami. Mezi malé můžeme započíst zbylé banky, tedy Fio banku, Equa bank, mBank a nejmenší Air Bank.
Samozřejmě vynecháváme veškeré banky mimo tuto desítku největších bank, kterých jsou v ČR řádově desítky.
Obrázek 3.1: Porovnání kumulativní výkonnosti pobočkových sítí v České republice (vlastní zpracování)
Na obrázku 3.1 můžeme banky rozdělit dle křivek do dvou skupin. První skupinu tvoří po-stupně od nejlepších Česká spořitelna, Komerční banka, Raiffeisenbank a ČSOB. Tyto čtyři banky tvoří křivky s vyšší kumulativní výkonností a interpretujeme, že se jedná o relativně lépe postavené bankovní sítě z pohledu očekávané výkonnosti. Častěji jsou tyto bankovní domy na místech, kde je očekávaná produkce vyšší. Skupinu poboček s nižší trajektorií kři-vek tvoří Fio banka, mBank, UniCredit, MONETA, Equa bank a Air Bank.
Podíváme-li se na tabulku 3.1, můžeme přímo porovnat obě skupiny bank co do kumulativní výkonnosti. Rozdíly jsou značné. Například pro nejlepších sto poboček můžeme odečíst z první skupiny hodnoty 29.6 až 27.5, z druhé skupiny hodnoty 21 až 20.6. Relativní rozdíl v kumulativní očekávané výkonnosti je mezi skupinami bank v řádu 44% až 31%. Pokud by hodnoty v analýze odpovídaly skutečnosti, pak je finanční dopad rozmístění poboček markantní pro dobře a méně dobře postavené bankovní sítě. Otázkou samozřejmě zůstává, zda nárůst ve výkonnosti poboček dostatečně kompenzuje vyšší náklady na lepších lokalitách, ale k tomu se v této práci nevyjadřujeme.
Tabulka 3.1: Porovnání kumulativní výkonnosti nejlepších poboček v České republice (vlastní zpracování)
Banka Top 10 Top 25 Top 50 Top 100 Top 250
Air Bank a.s. 4.1 7.6
Československá obchodní . . . 5.6 11.4 18.1 27.5
Česká spořitelna, a. s. 5.6 12 19.3 29.6 50.9
Equa bank a.s. 4.5 8.4 12.9
Fio banka, a.s. 5.1 9.5 14.3
Komerční banka, a.s. 5.5 11.7 18.9 29.1 49.3 mBank S.A., organizační . . . 4.8 9.3 14.6
MONETA Money . . . 4.2 8 12.8 20.6
Raiffeisenbank a.s. 5.6 11.9 18.9 28.3 UniCredit Bank Czech . . . 4.6 8.7 13.5 21
V rámci druhé skupiny bychom mohli najít obdobně velké rozdíly mezi jednotlivými bankov-ními domy. Lze se podívat zpět na graf 3.1, nebo do tabulky 3.1. Největší relativní rozdíl v rámci druhé skupiny pro nejlepších 25 poboček mají bankovní sítě Fio bank a Air Bank, kde relativní rozdíl činí (9.57.6 −1)∗100 = 25% ve prospěch Fio banky. V nejlepších deseti pobočkách z druhé skupiny je největší relativní rozdíl taktéž mezi Fio bankou a Air Bank, tentokrát 24 procent.