Подпишись и читай
самые интересные
статьи первым!

Использование скоринговых моделей оценки кредитоспособности заемщика. Скоринг, что это? Скоринговая оценка кредитоспособности физического лица

Балльная методика (скоринг) оценки платежеспособности физических лиц

Целью балльной методики «скоринг» является определение максимального лимита среднесрочного и долгосрочного кредитования, предоставляемого физическому лицу. Методика является формализованной системой оценки платежеспособности потенциального заёмщика - физического лица и универсальной при предоставлении физическим лицам всех видов среднесрочных и долгосрочных кредитных продуктов, включая кредитование на приобретение автомобилей, квартиры и иные кредитные продукты. При этом уровни максимальных лимитов кредитования по различным кредитным продуктам могут различаться в силу различий в обеспечении и сроках кредитования.

Следует отметить, что каждый коммерческий банк самостоятельно подходит к разработке балльных методик, поэтому они могут существенно отличаться как по количеству критериев, так и по допустимым значениям.

C момента своего появления скоринговые модели оценивали кредитоспособность владельцев кредитных карт, прогнозировали вероятность дефолта или уклонения от уплаты долга нового или существующего заёмщика.

Скоринг (score (англ.) - счет, количество очков, подсчет, вычисление) - метод классификации, интересующей банк совокупности на различные группы, при которой неизвестна характеристика, разделяющая эти группы, но известны другие факторы, связанные с интересующей нас характеристикой. В её основе лежит математический аппарат теории вероятности и математической статистики.

Разработка данного метода относится к работам английского статистика Рональда Фишера по классификации популяций растений 1936 г., который является отцом современной статистики. Он стремился различить два вида ириса путем измерения физического размера растений. Давид Дюран был первым кто предложил использовать тот же метод для разделения между «плохими» и» хорошими» заёмщиками. Национальное бюро экономических исследований США выступило заказчиком исследовательского проекта в 1941 г.: Дюран на основе статистики коммерческих банков и других финансовых организаций проанализировал сотни положительных и отрицательных кредитных историй, использовал дискриминантный анализ, разработал индивидуальную систему «весов». В результате были получены хорошие прогнозные значения по 20 банкам и 9 индустриальным компаниям. В модели Д. Дюрана фигурируют группы факторов для определения степени кредитного риска и указаны коэффициенты для различных факторов, характеризующих кредитоспособность клиента:

  • 1. Пол: женский (0,4 балла), мужской (0).
  • 2. Возраст: 20 лет и меньше (0), 21 год (0,1), 22 года (0,2), 23 года и выше (0,3).
  • 3. Срок проживания на одном месте: по 0,042 балла за каждый год, но не больше чем 0,42 в сумме.
  • 4. Профессия: 0,55 - за профессию с низким риском, 0 - за профессию с высоким риском, 0,16 - другие профессии.
  • 5. Финансовые показатели: наличие банковского счета (0,45), наличие недвижимости (0,35), наличие страхового полиса (0,19).
  • 6. Работа: предприятия в общественной отрасли (0,21), другие (0).
  • 7. Занятость: по 0,059 балла за каждый год стажа на последнем месте работы.

Дюран определял сумму в 1,25 балла как порог кредитоспособности (точка отсечения). Модель Дюрана широко применяется в финансовых организациях и сейчас.

В то же время некоторые финансовые дома и почтовые фирмы начали испытывать трудности в своем кредитном менеджменте. Во время войны многие кредитные аналитики были призваны на фронт, возник дефицит специалистов с соответствующим опытом. Исторически все решения о том, чтобы выдавать кредиты принимались кредитными аналитиками на протяжении многих лет (judgmental, экспертная оценка кредитоспособности) по правилу 5 «с» (The Five c"s):

  • · Character (Знаком ли клиент или его семья кредитному эксперту) - ваши характерные особенности, репутация, своевременность выполнения обязательств, ответственность;
  • · Capatity -какова величина свободного дохода, величина кредитной нагрузки;
  • · Capital - величина собственного капитала;
  • · Collateral - величина обеспечения кредита, стоимость залога - ценные бумаги и другая собственность (страховые полисы, товары, обладающие наибольшей ликвидностью), предлагаемые в качестве обеспечения (гарантии возврата) кредита; то, что может быть отобрано в случае дефолта.
  • · Conditions - экономические условия, окружающие и влияющие на заёмщика, инфляция, соответствии цели кредита его сумме.

Анализируя анкету клиента на основе этих данных они выносили свой окончательный ответ: да или нет. Процедура решения была неоднородной, субъективной и непрозрачной, она завесила от методик конкретного банка и от личных практических знаний каждого отдельного служащего. Банки заставили аналитиков составить методологию, используя которую можно было бы определить кому следует выдавать кредиты. Данные правила использовались впоследствии не специалистами для принятия кредитных решений - появился первый прообраз будущих экспертных систем. Прошло совсем немного времени как закончилась война, но уже тогда можно было увидеть выгоду от применения статистической модели принятия кредитных решений. В 1956 г. в Сан-Франциско появилось первое консалтинговое агентство, под руководством Билла Фейра и Ерла Исаака (Fair&Isaac), основными клиентами которого стали финансовые дома и почтовые организации. В настоящее время FICO (Fair Isaac Corporation) является лидером в области кредитного скоринга. Компания позволяет произвести оценку способную индивидуально присвоить кредитный рейтинг на основе его социально-экономического положения, а также проследить в режиме реального динамику такого рейтинга, определить, что именно привело к такому изменению.

В начале 60-х с появлением кредитных карт, банки и другие кредитные организации стали понимать полезность и роль кредитного скоринга. Большой поток клиентов, обращающихся за картами наряду с нехваткой трудовых ресурсов привел к автоматизации кредитного процесса. Используя кредитный скоринг банки оценили данную методику: количество дефолтов по ссудам уменьшилось на 50% по сравнению с экспертным мнением (judgmental), используемым до этого. Подробнее об этом можно почитать в работах Майерса и Форги, 1963 г., а также у Черчилла, Невина и Ватсона 1977 г. Противником данного подхода выступил Капон (1982 г.)4, который утверждал: «эмпирические выводы кредитного скоринга есть грубая сила которая нарушает традиции нашего общества». Он указывал, что должно быть больше уделено внимания кредитной истории заёмщика, а также больше понимания того, почему определенные характеристики должны быть включены в модель, а другие нет. Закон о равных кредитных возможностях (Equal Credit Opportunity Acts (ECOA, 1975, 1976 гг.)) впервые законодательно закрепит применение кредитного скоринга. Закон запрещал отказывать в выдаче кредита на основании следующих характеристик: раса, цвет кожи, инвалидность, национальное происхождение, возраст, пол, семейное положение, религия, получение социальных пособий, отстаивание прав потребителей. Эта незаконная дискриминация в предоставлении кредита была разрешена с помощью кредитного скоринга. Зачастую законодатели обеспечивают долгосрочную занятость юристам, но получилось так, что они обеспечили занятость кредитным аналитикам и их востребованность на протяжении последующих десятилетий. В конце 1990-х количество кредитных аналитиков в Великобритании увеличилось вдвое.

Успех применения скоринга в выдаче кредитных карт ознаменовал в начале 80-х переход метода и на другие банковские продукты, такие как персональные кредиты, ипотечные кредиты и кредиты для малого бизнеса. В начале 90-х использование скоринговых карт в прямом маркетинге (direct marketing) повысило скорость потребительского отклика в рекламных кампаниях. Достижения в области вычислительной техники позволили строить скоринговые карты другими способами. В 80-х были внедрены основные методы используемые и по сегодняшний день: линейное программирование и логистическая регрессия. Позже появились методы искусственного интеллекта: экспертные системы и нейронные сети.

В настоящее время упор делается с одной стороны на минимизацию вероятности дефолта заёмщика по индивидуальному кредитному продукту, с другой на максимизацию прибыли, получаемой от этого заёмщика. Кроме того, идея оценки риска дефолта была дополнена скоринговыми картами, оценивающими:

  • - клиентский отклик (какова вероятность потребителя заинтересоваться новым продуктом),
  • - использование (какова вероятность частого пользования данным продуктом),
  • - ретенцию (как долго потребитель будет пользоваться данным продуктом после того как данный товар перестанут рекламировать),
  • - истощение (переход потребителя к другому кредитору),
  • - управление долгом (если заёмщик испытывает трудности в погашении кредита, насколько успешны будут различные подходы по предотвращению дефолта).

Кредитный скоринг - процесс оценки уровня кредитного риска с помощью математических моделей, в результате применения которых повышается скорость и эффективность принятия решений о выдаче, не выдаче кредита, снижается вероятность его невозврата.

Любой банк при внедрении полноценной системы кредитного скоринга рассчитывает на решение следующих задач:

  • · Увеличить кредитный портфель за счет уменьшения количества необоснованных отказов по кредитным заявкам;
  • · Уменьшить уровень невозвратов;
  • · Ускорить процедуру оценки заёмщика;
  • · Повысить точность оценки заёмщика;
  • · Создать централизованное накопление данных о заёмщиках;
  • · Снизить формируемые резервы на возможные потери по кредитным обязательствам;
  • · Быстро и качественно оценить динамику изменений кредитного счета индивидуального заёмщика и кредитного портфеля в целом.

В результате применения скориновной модели должно произойти уменьшение числа «плохих кредитов» в структуре кредитного портфеля.

Анкетный (application scoring), аппликативный скоринг (скоринг по данным заявки, обращения) - направлен на определение социально-экономического положения и принятие решения нового для банка клиента. Для этого потребуется следующая информация:

Основные данные (паспортные данные, контактные телефоны, адрес фактического проживания, данные второго документа);

Данные о занятости (стаж на последнем месте работы, стаж по специальности, общий стаж, трудовая дисциплина, наличие высшего образования, ученой степени, специфика деятельности организации, вид занятости, направление деятельности, нишевая доля на рынке, сведения об организации);

Доход (Подтвержденный доход, динамика дохода на последнем месте работы за последние n месяцев, общий доход)

Также проверка на наличие:

  • - дохода по совместительству,
  • - дополнительного дохода от предпринимательской деятельности, дохода от сбережений,
  • - дохода от сдачи в аренду имущества,
  • - дохода от финансовых инструментов (акции, облигации и т.п.);
  • - Участие в доходах компании (дивиденды),

Пенсионные поступления, пособия, иные государственные регулярные выплаты.

Иные источники доходов.

Семейное положение (состав семьи, количество иждивенцев, наличие детей от предыдущих браков, занятость и доход супруга).

Данные о собственном капитале (наличие в собственности недвижимого имущества, автомобиля и т.п.).

История и частота использования банковских услуг (Сведения о счетах в банках и наличии банковских карт, кредитная история, вложения в ценные бумаги).

Сведения о контактном лице. Финансовое положение (суммарный чистый доход домохозяйства, обязательства по кредитам (кредитным картам) в других банках, алименты).

Расходы семьи.

Описание выбранного кредитного продукта (сумма, ставка, срок, возможности досрочного погашения, размер комиссии).

Внешняя оценка и оценка ответов (внешний вид, оценка сопровождающих лиц, наличие негативной информации, платежная дисциплина, наличие правонарушений и т.п.).

Проверка по базам данных (Данные кредитных бюро и консалтинговых агентств, базы утерянных паспортов, экстремистов, людей, находящихся в розыске и т.п.).

Далее информация по новому аппликанту попадает в скоринговую систему, которая присвоит ему скоринговый балл. Данный перечень условен, конкретный банк может дополнять, изменять, исключать любой из пунктов в соответствии с утвержденной кредитной политикой, назначая свою систему весов для присвоения баллов, жоринговая модель будет вбирать в себя требуемую информацию. К примеру, для экспресс-кредитования достаточно только двух документов, все остальное указывается со слов клиента. Тем самым растет вероятность увеличения просроченной задолженности и риск дефолта при недостатке информации.

Fraud-scoring (мошенничество, обман) - направлен на определение мошенничества с помощью установки различных фильтров. Проблема определения мошенничества, как внешнего, так и внутреннего всегда остро стояла перед банками. Риск-менеджеры банков, активно развивающих розничное направление, часто говорят о том, что до 70 процентов просроченных платежей приходится на долю организованного мошенничества. У банков существуют «черные списки», являющиеся элементами системы fraud-скоринга. Такие списки включают мошенников, информацию о поддельных документах или о ненастоящей регистрации и прочие данные. Очень многое зависит от сотрудника банка, на него ложится оценка заёмщика по внешнему виду, проверка подлинности документов, соответствие целей кредитования финансовому положению заёмщика. Начинает работать экспертная модель fraud-скоринга. Необходимо составить психологический портрет заёмщика, попытаться экспертно оценить ложь в действиях или словах. Самый распространенный механизм действия мошенников - организация специальных групп лже-заёмщиков, формально соответствующих требованиям банка по проверяемым характеристикам и обученных правильно отвечать на те вопросы анкеты, которые банк проверить не может, предоставляют «заряженные» телефоны. Мошенники подстраиваются под скоринговую систему, набирая нужный балл, что приводит к получению одобрения. Признанным в мире лидером системы противодействия мошенничеству является разработка Equifax Fraud Prevention Service (FPS).

Collection-scoring (коллектинг, скоринг взысканий проблемной задолженности). В течении последних 20 лет в отрасли потребительских кредитов произошел значительный рост применения скоринговых технологий для взыскания просроченной задолженности. Существуют две основные предпосылки применения скоринговых моделей для борьбы с проблемной задолженностью:

  • 1. Информация о состоянии счета на текущий момент, за прошедший период может быть использована для прогнозирования вероятности дефолта в будущем.
  • 2. При точном прогнозе состояния заёмщика можно реализовать подходы, позволяющие скорректировать поведение по крайней мере некоторой части заёмщиков.

Как правило, система скоринга взысканий позволяет сегментировать - разделить на группы - всех должников кредитной организации. Для каждой категории вырабатывается наиболее результативная последовательность шагов - план действий по взысканию. Обычно наиболее значимые переменные, появляющиеся в коллекторских скоринговых картах, связаны с кредитной историей клиента: динамика ссудной задолженности по текущему кредиту, по предыдущим кредитам, срок просроченной задолженности (максимальный и минимальный срок в днях), количество дней от выдачи кредита до выхода на просрочку и т.д. Behavioral-scoring (поведенческий скоринг) - динамическая оценка состояния кредитоспособности существующего заёмщика, основанная на данных об истории операций по его счетам (график погашения задолженности, запросы новых кредитов, оборот по текущим счетам, и т.п.). Результатом поведенческого скоринга обычно является предложение банка воспользоваться иными банковскими услугами: кредитная карта, кредит наличными по сниженной процентной ставке, автокредитование и др. Одобрение последующих кредитов в банке для заёмщика - это также результат успешного преодоления поведенческого скоринга. На рис. 1 показана взаимосвязь элементов скоринга на различных этапах жизненного цикла заёмщика.

Рис. 1.1.

Потенциальный заёмщик может получить отказ:

  • · по платежеспособности, после этого начнет работать скоринговая модель отклоненных заявок. Процесс присвоения вероятности оказаться «плохим» среди отвергнутых соискателей можно назвать оценкой невыданных кредитов (Reject Inference);
  • · по факту мошенничества (экспертная модель);
  • · из-за плохой кредитной истории, проверки по различным базам данных (кроме баз данных мошенников) учитывает и собирает application-скоринг.
  • · Можно также утверждать, что collection-скоринг есть разновидность behavioral scoring только со знаком «минус». Как только клиент избавляется от просроченной задолженности он переходит в область анализа его поведения уже как хорошего заёмщика.

В настоящие время происходит ускорение темпов развития и совершенствования кредитного скоринга в России.

Существуют несколько причин проблемы внедрения западного скоринга в России:

  • · Математические особенности метода: большинство моделей могут проводить только линейные границы между «плохими» и «хорошими» заёмщиками.
  • · Экономические особенности нашей страны - высокой дисперсностью регионов по экономическим свойствам и большим объемом теневого сектора в экономике.
  • · Сохраняющаяся проблема «кредитного кладбища» т.е. требуемого объема статистики.

В России и в западных странах характеристики, входящие в скоринговые модели (стаж работы на конкретном месте, профессиональный уровень, возраст заёмщика и др.), оказывают различное влияние на кредитоспособность клиента. В нашей стране проходит этап развития и завершения формирования института кредитных бюро и, соответственно, не в полной мере работают стандартные методы оценки заёмщика, основанные на его кредитной истории.

У российских и иностранных разработок в области скоринг-кредитования имеются свои преимущества. Иностранные системы обладают многофункциональностью, апробированы международным банковским сообществом, имеют репутационные преимущества и узнаваемость брэнда, отечественные же системы учитывают специфику российской действительности, имеют сравнительно небольшую стоимость и обладают возможностью быстро перенастраиваться.

Преимущества скоринговых моделей достаточно очевидны:

  • - сокращение сроков принятия решения о предоставлении кредита (увеличение скорости обработки заявок за счет минимизации документооборота при выдаче кредита частным клиентам - важнейший способ обеспечения доходности ритейлового кредитования);
  • - эффективная оценка и постоянный контроль уровня рисков в отношении того или иного заёмщика;
  • - снижение влияния субъективных факторов при принятии решения о предоставлении кредита (обеспечение объективности в оценке заявок кредитными инспекторами во всех филиалах и отделениях банка);
  • - оценка и управление риском кредитного портфеля частных лиц в целом, включая его отделения (учет при определении параметров новых кредитов уровня доходности и риска кредитного портфеля);
  • - реализация единого подхода при оценке заёмщиков для различных типов кредитных продуктов (экспресс-кредиты, кредитные карты, потребительские кредиты, автокредитование, ипотечные кредиты);
  • - адаптация параметров кредита к возможностям конкретного заёмщика;
  • - сокращение численности банковского персонала, экономия за счет использования персонала более низкой квалификации;
  • - контроль всех шагов рассмотрения заявки;
  • - возможность централизованной корректировки методологии оценки и немедленного ввода новшеств во всех отделениях банка.

При всем том применение кредитного скоринга сопряжено с рядом трудностей. Одна из них заключается в том, что определение оценивающих характеристик производится только на базе информации о тех клиентах, которым банк уже предоставлял кредит.

Другая (и наиболее значимая) проблема состоит в том, что скоринговые модели строятся на основе выборки из числа клиентов, обративших ранее.

Однако непрерывная корректировка скоринговой методики позволяет уточнить перечень оцениваемых характеристик, и те, кто сегодня попадает в группу ненадежных заёмщиков, при последующем анализе кредитной деятельности, возможно, будут оценены как достаточно надёжные.

Кредитование

скоринг-оценка физических лиц

на рынке потребительских кредитов

и.н. рыкова,

доктор экономических наук г. Москва

В последнее время особое внимание уделяется оценке кредитоспособности физического лица с помощью скоринговой (основанной на подсчете баллов) системы отбора ключевых финансовых показателей1.

Так, впервые предложенная в 1941 г. американским экономистом Дэвидом Дюраном такая система позволяет оценить «вес» финансовых и экономических факторов, влияющих на конкурентоспособность. Следует отметить, что каждый ключевой фактор (показатель) получает в баллах числовую величину, соответствующую уровню его значимости. В дальнейшем по результатам такого ранжирования составляется балльная шкала в виде сгруппированной по факторам таблицы.

Таким образом, скоринг выделяет те характеристики, которые наиболее тесно связаны с кредитоспособностью индивидуальных заемщиков, поэтому важно обеспечить правильный отбор таких характеристик и определить соответствующие им весовые коэффициенты. Кроме того, отличительная черта скорингового метода состоит в том, что он должен применяться не по шаблону, а разрабатываться самостоятельно каждым банком исходя из особенностей, присущих ему, учитывая традиции страны, изменения социально-экономических условий и т. д. Для того чтобы широко внедрять скоринг, банк должен провести анализ эффективности действующей модели и при необходимости модифицировать набор характеристик и шкалу их числовых оценок.

Большинство кредитных организаций используют кредитный скоринг по оценке физических

1 Проскурин В. А. Скоринговый метод оценки кредитоспособности частных лиц//Бизнес и банки. -2000.-№ 30.

лиц на рынке потребительского кредитования (табл. 1).

Сразу определим, что при итоговом показателе 1,25 балла и больше - клиент относится к группе незначительного или умеренного риска, меньше 1,25 балла - нежелательный клиент.

Следующим этапом проведения оценки кредитоспособности заемщика в кредитных организациях является проведение более детального анализа физического лица с учетом его характеристик (табл. 2).

Один из главных плюсов экспресс-кредитов заключается в том, что зачастую банки не требуют залогов. При экспресс-кредитовании платежеспособность заемщика может оцениваться либо «вручную» банковскими сотрудниками (на оформление уходит 2-3 дня), либо с помощью специальной компьютерной программы - скоринговой системы (решение принимается за один день).

Принцип оценки платежеспособности при экспресс-автокредите, как и при потребительском кредитовании: в программу закладываются данные анкеты заемщика, каждому показателю присваивается некое значение (балл), и по их сумме принимается решение о предоставлении ссуды либо отказе.

Скоринговая методика позволяет существенно сократить время рассмотрения заявки, однако увеличивает риски банка, который соответственно компенсирует их высокими ставками. Обычно ссуды за один день обходятся на 3-4 процентных пункта дороже, чем экспресс-кредиты с оценкой «вручную». Кроме того, максимальные суммы скоринговых ссуд обычно очень ограничены, этот метод оценки - наиболее технологичный продукт, позволяющий снижать издержки банка и быстрыми темпами наращивать кредитный портфель.

Таблица 1

техника кредитного скоринга по дюрану

Показатель количество баллов Максимальная сумма баллов

Возраст 0,01 балл за каждый год свыше 20 лет 0,3

Пол Женщина - 0,4 Мужчина - 0 -

Длительность проживания в данной местности 0,042 за каждый год проживания в данной местности 0,42

Профессия С низким риском - 0,55 С высоким риском - 0 Другие профессии - 0,16 -

Работа в отрасли Предприятия общественного сектора, государственные учреждения, банки, брокерские фирмы - 0,21 -

Занятость За каждый год работы на предприятии - 0,059 0,59

Финансы Наличие банковского счета - 0,45 Владение недвижимостью - 0,35 Наличие полиса по страхованию жизни - 0,19 -

Таблица 2

система кредитного скоринга для оценки кредитоспособности индивидуальных заемщиков

Характеристики клиента Баллы Характеристики клиента Баллы

1. Возраст клиента: 6. Профессия, место работы:

менее 30 лет 5 управляющий 9

менее 50 лет 8 квалифицированный рабочий 7

более 50 лет 6 неквалифицированный рабочий 5

студент 4

пенсионер 6

безработный 2

2. Наличие иждивенцев: 7. Продолжительность занятости:

нет 3 менее 1 года 3

один 3 менее 3 лет 4

менее 3 2 менее 6 лет 7

более 3 1 более 6 лет 9

3. Жилищные условия: 8. Наличие в банке счета:

собственная квартира 10 текущего и сберегательного 6

арендуемое жилье 4 текущего 3

другое (живет с друзьями, семьей) 5 сберегательного 2

по настоящему адресу: 2 (в том числе других финансовых институтов):

менее 6 месяцев 4 одна 3

менее 2 лет 6 более двух 5

менее 5 лет 8 нет 1

более 5 лет

5. Доход клиента (в год), $:

более 50 000 9

Рассмотрим методику при оценке платежеспособности заемщика, используемую, например, при программе «Автоэкспресс-кредит» и проведем на ее основе расчет. Финансовые возможности клиента обозначим условно в таблице 3.

Исходя из этого доля ежемесячного платежа по кредиту будет рассчитываться по формуле (1):

Таблица 3

Финансовые возможности клиента - физического лица

1. Прожиточный минимум в регионе кредитования Пм

2. Лица на содержании, количество Л

Доходы: 3. Средняя заработная плата за последние 3 мес. З

4. Годовая сумма регулярных доходов, учитываемых как источники погашения кредита Пд

5. Итоговый среднемесячный доход Сд = З + Пд/12

Расходы: 6. Расходы на содержание Рс = (Л+1) х Пм

7. Ежемесячная плата за квартиру (при приеме, аренде) Пк

8. Годовая плата за учебу Пу

9. Годовая сумма взносов по добровольному страхованию Вс

10. Платежи в погашение текущей задолженности по займам, кредитам, процентам по ним (средние за последние 3 мес.) Пл

11. Прочие расходы (алименты, вычеты по решению суда и т. п.), средние за последние 3 мес. Пр

12. Итоговый среднемесячный расход Ср=Рс+Пк+Пл+Пр + (Пу+Вс) /12

13. Среднемесячный располагаемый доход Рд= (Сд-Ср)

Оценка будет производиться по критерию 100 х (1 - Дп). Максимальная сумма баллов по критерию равна 30.

Для определения оценки по критерию «Финансовые возможности клиента» от клиента требуются следующие документы:

■ справка с места работы о доходах клиента за прошедший год и за все полные месяцы текущего года, подписанная главным бухгалтером и заверенная печатью;

■ документы, подтверждающие дополнительный доход. Следующим этапом оценки платежеспособности физического лица является достаточность незаложенного имущества клиента (табл. 4).

Исходя из этого, при определении оценки по данному критерию достаточность имущества оценивается по формуле (2):

Также необходимо проводить оценку обеспечения кредита (табл. 5).

Максимальная сумма баллов по данному критерию равна 25.

Следующим этапом оценки платежеспособности физического лица является критерий по условиям кредитованиям (табл. 6).

При определении по данному критерию от клиента требуется выписка со счета клиента в бан-

Таблица 4

Показатели достаточности незаложенного имущества клиента

Оценка будет производиться по критерию 5 х Ди. Максимальная сумма баллов по критерию равна 5. При определении оценки предоставляются следующие документы:

■ документы, подтверждающие наличие собственности;

■ страховые полисы на имущество.

Характеристика Условные обозначения

1. Вклады В

2.1. Ценные бумаги Цб

2.2. Оценка ценных бумаг Оцб = Цб/2

3.1. Собственная квартира Кв

3.2. Страховая сумма Кс

3.3. Оценка квартиры Ок = min (Кв, Кс)

4.1. Собственный дом Сд

4.2. Страховая сумма Дс

4.3. Оценка дома Од = min (Сд, Дс)

5.1. Дача Дч

5.2. Страховая сумма Дчс

5.3. Оценка дома Одч = min (Дч, Дчс)

6.1. Автомобиль А

6.2. Страховая сумма Са

6.3. Оценка автомобиля Оа = min (А, Са)

7.1. Иное имущество Ии

7.2. Страховая сумма Си

7.3. Оценка иного имущества Ои = min (Ии, Си)

8. Имущество Им=В+Оцб+Ок+Од+Одч+Оа+Ои

Таблица 5

Обеспечение кредита

Наименование характеристики Условные обозначения

1. Оценочная стоимость залога Оз

2. Залоговый дисконт, % Зд

Обеспеченность Ок = Оз х (1 - Зд) /Кр х (1 + 2 х Ст/12) 100 х (1 - Ок)

Таблица 6

Условия кредитования физических лиц

Характеристика Значение Оценка по критерию

1. Финансирование покупки клиентом Ф 7 х ((Ф/ (Ф + Кр))

2. Срок кредитования, мес. Ср 3 х (Мс - Ср) / (Мс - 1)

Итоговая оценка по критерию Сумма оценок параметров

ке. Максимальная сумма баллов по критерию равна 10. В зависимости от набранных баллов кредит попадает в одну из категорий качества (табл. 7).

■ клиент банка не проживает постоянно в городе (пригороде) расположения кредитующего подразделения банка или срок его постоянного непрерывного проживания в данном городе (пригороде) меньше одного полного года;

■ оценка по критерию «Характер клиента» не положительная;

■ оценка по критерию «Финансовые возможности клиента» отрицательная;

■ оценка по критерию «Обеспечение кредита» равна нулю.

Проведем дальнейшую оценку клиента кредитной организации по критериям, представленным в табл. 3 - 7. Данные представим в табл. 8.

Итоговый подсчет баллов по кредиту

Таблица 7

Количество набранных баллов при оценке качества кредита Категория качества Оценка

От 30 до 65 включительно 2 Заявка неадекватна запрашиваемому кредиту

Таблица 8

Оценка платежеспособности клиента

Параметры кредитования

Финансовые возможности клиента

З (руб.) * 67 500

Пд (за год) -

Пу (за год) 20 000

Вс (за год) -

Пл (в месяц) -

Оценка по критерию (баллы) Оц. 1 - 41. Максимум - 30

Достаточность незаложенного имущества

Окончание табл. 8

Оценка по критерию Оц. 2 - 31,25. Максимальная сумма по критерию - 5

Обеспечение кредита

Оценка по критерию Оц. 3 - 10.

Максимальная оценка - 25

кредитования

Оценка по критерию Оц. 4 - 2,9. Максимальное - 10

Сумма баллов = Оц. 1+Оц. 2+Оц. 3+Оц. 4+Оц. 5 - - 74,15 балла.

Вывод о кредитоспособности клиента - свыше 65;

* Из расчета 1 долл. США - 27 руб.

наиболее полно отражают все характеристики потенциального клиента - физического лица при получении потребительского кредитования.

Практика массового применения скоринг-ме-тодик в российских условиях может привести к резкому росту невозвратов кредитов2. Положительный опыт их успешного использования в экономически развитых странах был сформирован совершенно в иной экономической среде. В России в условиях отсутствия деятельности кредитных бюро, низкой кредитной культуры населения, единого информационного пространства в финансовой сфере массированное применение зарубежных скоринг-технологий без сомнения усилит кредитные риски розничного банковского бизнеса. В этой связи совершенствование методических подходов к оценке кредитоспособности индивидуальных заемщиков, адаптация имеющегося в этом вопросе зарубежного опыта к российским особенностям представляется весьма важной задачей.

Для оценки платежеспособности клиента кредитным инспекторам необходимо проанализировать огромное количество документов. Перечень их достаточно велик и насчитывает около 15 наименований. Обязательное их предоставление клиентом, с одной стороны, ограничивает круг потенциальных заемщиков банка, а с другой, позволяет сформировать кредитный портфель более высокого качества и снизить кредитный риск.

Один из плюсов данной методики - применение специальных формул и корректирующих коэффициентов, которые позволяют упростить работу сотрудников кредитного департамента банка и рассчитать платежеспособность потенциального заемщика. Однако показатели для нее следует получать в каждой конкретной ситуации отдельно, а результат не рассматривать как нечто, свидетельс-

2 Ворошилова И. В., Сурина И. В. К вопросу о совершенствовании механизма оценки кредитоспособности индивидуальных заемщиков. Материалы КубГАУ, Краснодар. - 2005.

твующее однозначно в пользу или против выдачи кредита. Ведь даже если на момент рассмотрения кредитной заявки финансовые показатели клиента находятся на приемлемом уровне, не стоит забывать, что риск невозвращения кредита все равно остается, поскольку полностью устранить его в принципе невозможно. Показатели помогут лишь оценить степень кредитного риска и, к сожалению, данная методика не позволяет спрогнозировать положение заемщика в будущем.

Наиболее важный момент в процессе андеррайтинга - оценка платежеспособности клиента с точки зрения возможности своевременно осуществлять платежи по кредиту. Для выполнения данной оценки консолидируется информация о трудовой занятости и получении заемщиком доходов, а также о его расходах. После этого делается вывод - сможет ли он погасить кредит. Одновременно с этим выдается заключение, является ли закладываемое имущество достаточным обеспечением для предоставления ссуды или нет.

Как было отмечено в предлагаемых методиках для кредитных организаций, среди количественных характеристик - отношение общей суммы ежемесячных обязательств заемщика к совокупному семейному доходу за тот же период, а также достаточность денежных средств (исходя из расходов на содержание). Качественные характеристики включают доходы заемщика, стабильность занятости, кредитную историю, обеспечение кредита и т. п.

Оценивая методику андеррайтинга, можно сделать вывод, что здесь применяется системный подход к анализу ссудозаемщика. Положительная сторона методики - возможность банка к любому потенциальному заемщику выработать индивидуальный подход, в рамках которого будет учтено необходимое количество характеристик. Отрицательная сторона - трудоемкость ее выполнения, требующая особой квалификации банковских сотрудников. Большинство банков предпочитают

ФИНАНСЫ И КРЕДИТ

компенсировать кредитный риск с помощью повышения процентной ставки. Используют и другие методы, применение которых не требует больших затрат времени и труда3.

Следует отметить, что понимание целесообразности и актуальности использования более совершенных методик возникает чаще всего у тех банков, кредитование физических лиц в которых реализовано в качестве массовой услуги. Если же банк планирует разворачивать масштабную программу, то для того чтобы преуспеть на рынке в условиях постоянного ужесточения конкуренции и, как следствие, сокращения доходности, необходимо искать пути сокращения операционных расходов и минимизации рисков.

Обязательным условием здесь будет правильное построение механизма, который будет осуществлять эту деятельность. Образно говоря, нужно создать своеобразный конвейер, состоящий из определенного количества сотрудников, взаимодействующих с заемщиками и между собой по определенным четко обозначенным правилам и алгоритмам. В число таких алгоритмов входят методики анализа заявок и принятия решений о выдаче кредита.

В процессе анализа данных о заемщиках и кредитах применяются различные математические методы, которые выявляют в них факторы и их комбинации, влияющие на кредитоспособность заемщиков, и силу их влияния. Обнаруженные зависимости составляют основу для принятия решений в соответствующем блоке.

Предлагаемые подходы совершенствования организации процесса кредитования индивидуальных заемщиков на этапе оценки их кредитоспособности позволят унифицировать процедуру, на этой основе ускорить и удешевить ее, получить более точный и обоснованный результат, что в итоге снизит риски кредитования, обеспечит необходимую стабильность работы банка и заданный уровень доходности.

Таким образом, базовым вопросом кредитования физических лиц является достоверная классификация потенциальных заемщиков на «хороших» и «плохих». Можно выделить следующие проблемы в области кредитования физических лиц, стоящие перед банками на сегодняшний день:

1. Отсутствие специального законодательства, регулирующего отношения в области потребительского кредитования. Отношения в данной сфере

3 Ворошилова И. В, Сурина И. В. К вопросу о совершенствовании механизма оценки кредитоспособности индивидуальных заемщиков. Материалы КубГАУ, Краснодар. - 2005.

регулируются Законом РФ от 19.12.2000 № 238-ФЗ «О банках и банковской деятельности» и Законом РФ от 07.02.1992 № 2300-1 «О защите прав потребителей».

2. Отсутствие кредитной истории. Это дает массу возможностей недобросовестным заемщикам, которые могут получить несколько кредитов в различных банках без какой-либо проверки их предыдущих кредитных «подвигов».

3. Используемые зарплатные схемы предприятий. Работодатели зачастую отдают предпочтение «серым» схемам выплаты вознаграждения своим работникам. Заемщик не может официально подтвердить уровень доходов, а банк лишается платежеспособного клиента.

4. Нет простого механизма возврата денег инвестору в случае несостоятельности заемщика. Стоимость таких ошибок очень велика: потеря основной суммы долга, судебные издержки, административные издержки, потерянное время и т. д.

5. Проблемы классификации. Необходима достоверная оценка потенциального заемщика, отсечение «плохих» заемщиков. Неверная классификация порождает проблему обеспечения возврата средств заемщиком в принудительном порядке.

6. Проблема залога. Механизм реализации залога - неудобное и дорогостоящее занятие. Отсутствие регистрации залога движимого имущества позволяет продать или повторно заложить недобросовестным заемщиком заложенное имущество.

Также существует проблема оценки реальных возможностей поручителей, что связано с тем, что большинство российских банков решает вопрос снижения своих кредитных рисков путем простого переноса их на поручителей заемщика. При этом нередко поручителями, особенно при крупных размерах кредита, являются различные юридические лица (как крупные, так и средние и малые предприятия). В контексте будущих пластиковых кредитов такая практика будет применяться повсеместно, поскольку удобно выдать заемщику пластиковую карточку, а в случае каких-либо затруднений с возвратом кредита востребовать его с поручителя - предприятия, на котором он работает. На первый взгляд это должно решить проблему, но если более широко рассмотреть вопрос, то данная кредитная политика не гарантирует успеха в той степени, на которую полагаются банки.

Исследовав основные проблемы кредитования физических лиц, можно предложить следующие пути их решения:

1. Для развития рынка ипотечного кредитования необходимо в первую очередь снижение

процентной ставки за кредит за счет исключения из нее риска неплатежа. Необходимо также внесение ряда изменений и дополнений в некоторые законодательные акты Российской Федерации, направленных на формирование рынка доступного жилья.

2. Для развития рынка образовательного кредитования необходимы:

Законодательная база предоставления финансовой помощи для всех желающих и способных получить образование;

Гарантия возврата кредита государством, позволяющая ему взять значительную часть рисков на себя.

3. В условиях конкуренции выиграет тот, кто минимизирует риски, достоверно определив, какой клиент «хороший», а какой «плохой», и предложит заемщикам более выгодные условия.

4. Банкам необходимо взять на вооружение передовые технологии и применить их для оценки потенциальных заемщиков. Благодаря этому можно будет не бояться предстоящей конкуренции на этом рынке. В такой ситуации банки, решившиеся на освоение данного рынка, должны иметь следующее:

Консолидированную информацию о клиентах, представленную в унифицированном виде. Информация должна периодически пополняться данными из всех филиалов банка. Такое хранилище будет исполнять функцию кредитного бюро;

Достоверный способ классификации (достоверность должна быть более 90 %) потенциальных заемщиков и отсечение «неблагонадежных». Этот способ позволит снизить риски невозврата к минимуму, что позволит выдавать более дешевые кредиты и, соответственно, привлечет больше заемщиков. При этом значительно увеличится прибыль от кредитования физических лиц;

Модель классификации заемщиков должна иметь свойства тиражируемости и адаптации к состоянию рынка, к каждому филиалу банка. То есть построенная основываясь на общих закономерностях, модель должна корректироваться под частные, присущие каждому филиалу особенности. Это позволит учесть местные особенности, что еще больше позволит снизить риск;

Модель классификации должна периодически перестраиваться, учитывая новые тенденции рынка. Этим достигается ее актуальность.

Ведь не может же использоваться один и тот

же подход 5 лет назад и сейчас.

На данный момент банки в той или иной степени имеют наработки по каждому из этих пунктов, но методики, заложенные в их основе, либо слишком инертны, чтобы адекватно реагировать на динамику рынка, либо слишком дороги (предлагаемые зарубежные решения сопоставимы с доходами от потребительского кредитования в сегодняшнем виде). Именно поэтому так дороги кредиты и не так велик спрос на них. Увеличение же достоверности и снижение стоимости позволит отказаться от практики переноса рисков и затрат на заемщиков. Тогда в выигрыше окажутся все - и банки, сохраняя удельную прибыльность на прежнем уровне, и заемщики, привлеченные более выгодными условиями. Все это становится более актуальным ввиду будущего бурного роста рынка потребительского кредитования и будущей конкуренции.

Одна из основных мер по предотвращению возможных потерь - правильная оценка способности заемщика выполнять свои обязательства. Выбор критериев для нее был актуален во все периоды развития банковского дела и уже вошел в экономическую литературу в качестве одной из основных задач при определении кредитоспособности заемщика. Не менее важной является проблема правильной организации процедуры оценки кредитоспособности как наиболее важной в кредитном процессе.

Кредитоспособность клиента в мировой банковской практике фигурирует как один из основных объектов оценки при определении целесообразности и форм кредитных отношений. Способность к возврату долга связывается с моральными качествами клиента, его искусством и родом занятий, степенью вложения капитала в недвижимое имущество, возможностью заработать средства для погашения ссуды и других обязательств.

Перечень элементов кредитоспособности заемщика и показателей, их характеризующих, может быть более широким или сокращенным в зависимости от целей анализа, видов кредита, сроков кредитования, состояния кредитных отношений банка с заемщиком. Оптимальные или допустимые значения таких показателей должны дифференцироваться в зависимости от деятельности заемщика, конкретных условий сделки и пр.

На сегодняшний день существуют несколько основных методик оценки кредитоспособности клиентов. Системы отличаются друг от друга ко-

личеством показателей, которые применяются в качестве составных частей общей оценки заемщика, а также разными подходами к характеристикам и приоритетностью каждого из них.

Скоринговые модели применяются в основном при предоставлении кредитов на покупку товаров (экспресс-кредитование) и при выдаче кредитных карт. Скоринг представляет собой математическую (статистическую) модель, с помощью которой на базе кредитной истории уже имеющихся клиентов банк определяет, насколько велика вероятность, что тот или иной клиент вернет кредит в назначенный срок. Скоринг выделяет те характеристики, которые наиболее тесно связаны с надежностью или, наоборот, с ненадежностью клиента.

Техника кредитного скоринга представляет собой оценку в баллах характеристик, позволяющих с достаточной достоверностью определить степень кредитного риска при предоставлении потребительской ссуды тому или иному заемщику. Наиболее значимыми для прогнозирования кредитного риска показателями могут быть такие показатели, как возраст, количество иждивенцев, профессия, доход, стоимость жилья и прочее.

Преимущества скоринговых моделей очевидны:

1) снижение уровня невозврата кредита, быстрота и беспристрастность принятия решений;

2) возможность эффективного управления кредитным портфелем;

3) отсутствие длительного обучения сотрудников кредитного департамента;

4) возможность провести экспресс-анализ заявки на кредит в присутствии клиента.

Однако, несмотря на положительные моменты, применение кредитного скоринга сопряжено с рядом трудностей. Одна из них заключается в том, что определение оценивающих характеристик производится только на базе информации о тех клиентах, которым банк уже предоставил кредит. Другая и наиболее значимая проблема состоит в том, что скоринговые модели строятся на основе выборки из числа наиболее «ранних» клиентов. Учитывая это, сотрудникам банка приходится периодически проверять качество работы системы и когда оно ухудшается, разрабатывать новую модель.

Следует отметить, что из анкеты-заявления, заполненной заемщиком, для оценки берутся порядка десяти характеристик, а остальные данные хранятся в статистической базе для дальнейшего обновления и анализа скоринга. На текущий момент российские банки оценивают такие характеристики, как доход, количество иждивенцев, наличие в собственности автомобиля (при этом различают автомобиль отечественного и иностранного производства, обязательно учитывая срок, прошедший с момента его выпуска), наличие земельного участка (рассматривается его площадь и удаленность от центра города), стаж работы, должность, образование.

Повышение доходности кредитных операций непосредственно связано с качеством оценки кредитного риска. В зависимости от классификации клиента по группам риска банк принимает решение, стоит ли выдавать кредит или нет, какой лимит кредитования и проценты следует устанавливать.

В мировой практике существует два основных метода оценки риска кредитования, которые могут применяться как отдельно, так и в сочетании с друг другом:

  • субъективое заключение экспертов или кредитных инспекторов;
  • автоматизированные системы скоринга.

Данная статья посвящена западной практике использования скоринг-систем, которые в настоящее время широко применяются во всех экономически развитых странах. Хотя скоринг является одним из наиболее успешных примеров использования математических и статистических методов в бизнесе, в российской печати эта тема незаслуженно обойдена вниманием. Цель данной публикации -- восполнить этот пробел и дать общий обзор истории и практики применения скоринга. Так как статья рассчитана на достаточно широкий круг читателей, в ней дается только самое общее описание того, как работает скоринг. Теоретические основы и обоснования правомерности использования того или иного метода здесь не затрагиваются.

Поскольку скоринг используется главным образом при кредитовании физических лиц, особенно в потребительском кредите при необеспеченных ссудах, далее речь пойдет об оценке кредитного риска заемщиков -- физических лиц.

Определение кредитоспособности и информация, используемая для ее прогнозирования

Для оценки кредитного риска производится анализ кредитоспособности заемщика, под которой в российской банковской практике понимается способность юридического или физического лица полностью и в срок рассчитаться по своим долговым обязательствам. В западной банковской практике кредитоспособность трактуется как желание , соединенное с возможностью своевременно погасить выданное обязательство. Далее мы будем использовать термин «кредитоспособность» именно в этом значении. В соответствии с таким определением основная задача скоринга заключается не только в том, чтобы выяснить, в состоянии клиент выплатить кредит или нет, но и степень надежности и обязательности клиента. Иными словами, скоринг оценивает, насколько клиент creditworthy, т. е. насколько он «достоин» кредита.

Скоринг представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории «прошлых» клиентов банк пытается определить, насколько велика вероятность, что конкретный потенциальный заемщик вернет кредит в срок.

В западной банковской системе, когда человек обращается за кредитом, банк может располагать следующей информацией для анализа:

анкета, которую заполняет заемщик;

информация на данного заемщика из кредитного бюро -- организации, в которой хранится кредитная история всего взрослого населения страны;

данные движений по счетам, если речь идет об уже действующем клиенте банка.

Кредитные аналитики оперируют следующими понятиями: «характеристики» клиентов (в математической терминологии -- переменные, факторы) и «признаки» -- значения, которые принимает переменная. Если представить себе анкету, которую заполняет клиент, то характеристиками являются вопросы анкеты (возраст, семейное положение, профессия), а признаками -- ответы на эти вопросы.

В самом упрощенном виде скоринговая модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель (score); чем он выше, тем выше надежность клиента, и банк может упорядочить своих клиентов по степени возрастания кредитоспособности.

Интегральный показатель каждого клиента сравнивается с неким числовым порогом, или линией раздела, которая, по существу, является линией безубыточности и рассчитывается из отношения, сколько в среднем нужно клиентов, которые платят в срок, для того, чтобы компенсировать убытки от одного должника. Клиентам с интегральным показателем выше этой линии выдается кредит, клиентам с интегральным показателем ниже этой линии -- нет.

Все это выглядит очень просто, однако сложность заключается в определении, какие характеристики следует включать в модель и какие весовые коэффициенты должны им соответствовать. К этой проблеме имеется несколько подходов, которые будут рассмотрены в разделе «Методы классификации клиентов».

Философия скоринга заключается не в поиске объяснений, почему этот человек не платит. Скоринг выделяет те характеристики, которые наиболее тесно связаны с ненадежностью или, наоборот, с надежностью клиента. Мы не знаем, вернет ли данный заемщик кредит, но мы знаем, что в прошлом люди этого возраста, этой же профессии, с таким же уровнем образования и с таким же числом иждивенцев кредит не возвращали. Поэтому мы давать кредит этому человеку не будем.

В этом заключается дискриминационный (не в статистическом, а в социальном значении этого слова) характер скоринга, т. е. если человек по формальным признакам близок к группе с плохой кредитной историей, то ему кредит не дадут. Поэтому даже при очень высокой степени использования автоматизированных систем скоринга осуществляется субъективное вмешательство в случае, когда кредитный инспектор располагает дополнительной информацией, доказывающей, что человек, классифицированный как ненадежный, на самом деле «хороший», и наоборот.

Какие же характеристики являются наиболее «ценными» для прогнозирования кредитного риска? В Великобритании наиболее часто используются следующие характеристики:

  • Количество детей/иждивенцев

    Профессия

    Профессия супруга(и)

    Доход супруга(и)

    Район проживания

    Стоимость жилья

    Наличие телефона

    Сколько лет живет по данному адресу

    Сколько лет работает на данной работе

    Сколько лет является клиентом данного банка

    Наличие кредитной карточки/чековой книжки

    В других странах набор характеристик, которые наиболее тесно связаны с вероятностью дефолта -- вероятностью, что заемщик не вернет кредит или задержится с выплатой, будет отличаться в силу национальных экономических и социально-культурных особенностей. Чем более однородна популяция клиентов, на которой разрабатывается модель, тем точнее прогнозирование дефолта. Поэтому очевидно, что нельзя автоматически перенести модель из одной страны в другую или из одного банка в другой. Даже внутри одного банка существуют различные модели для различных групп клиентов и различных видов кредита.

    История развития скоринга

    Скоринг, по существу, является методом классификации всей интересующей нас популяции на различные группы, когда нам неизвестна характеристика, которая разделяет эти группы (вернет клиент кредит или нет), на зато известны другие характеристики, связанные с интересующей нас. В статистике идеи классификации популяции на группы были разработаны Фишером в 1936 г. на примере растений. В 1941 г. Дэвид Дюран впервые применил данную методику к классификации кредитов на «плохие» и «хорошие». По времени это совпало со Второй мировой войной, когда почти все кредитные аналитики были призваны на фронт, и банки столкнулись с необходимостью срочной замены этих специалистов. Банки заставили своих аналитиков перед уходом написать свод правил, которыми следовало руководствоваться при принятии решения о выдаче кредита, чтобы анализ мог проводиться неспециалистами. Это и был как бы прообраз будущих экспертных систем.

    В начале 50-х гг. в Сан-Франциско образовалась первая консалтинговая фирма в области скоринга -- Fair Issac, которая до сих пор является лидером среди разработчиков скоринговых систем.

    Но широкое применение скоринга началось с распространением кредитных карточек. При том количестве людей, которые ежедневно обращались за кредитными карточками, банкам ничего другого не оставалось, как автоматизировать процесс принятия решений по выдаче кредита. Однако очень скоро они оценили не только быстроту обработки заявлений на выдачу кредита, но и качество оценки риска. По данным некоторых исследований, после внедрения скоринг-систем уровень безнадежного долга сокращался до 50% (Churchill G. A. , Nevin J. R. , Watson R. R. //The role of credit scoring in the loan decision. Credit World. March/1977; Myers J. H. , Forgy E. W. The development of numerical credit evaluation systems//Journal of American Statistical Association. September/1963).

    В 1974 г. в США был принят Закон о предоставлении равных возможностей на получение кредита, который запрещал отказывать в выдаче кредита на основании следующих характеристик: раса, цвет кожи, национальное происхождение, возраст, пол, семейное положение, религия, получение социальных пособий, отстаивание прав потребителей. В Великобритании законодательство допускает использование информации о возрасте и семейном положении, но зато запрещает принимать во внимание какие-либо физические увечья и недостатки (инвалидность). Для кредитных организаций использование скоринговых систем стало доказательством исполнения этих антидискриминационных законов -- у компьютера нет предубеждений.

    Помимо установления принципов равноправия в области кредитования, кредитное законодательство США, как и Закон о потребительском кредите, принятый в Великобритании в том же 1974 г., имели важное значение для формирования службы кредитных бюро. В таких бюро записывается кредитная история всех людей, когда-либо обращавшихся за ссудой в любую кредитную организацию страны.

    В кредитных бюро содержатся следующие виды данных:

    социально-демографические характеристики;

    судебные решения (в случае передачи дел о востребовании задолженности по кредиту в суд);

    информация о банкротствах;

    данные об индивидуальных заемщиках, получаемые от кредитных организаций по принципу «ты -- мне, я -- тебе», т. е. банк может получать информацию о клиентах других банков, только если сам поставляет аналогичную информацию.

    Объем и характер информации, хранящейся в бюро, строго регулируется законодательством каждой страны. В «Банковских технологиях» уже была публикация о кредитных бюро в сентябре 1999 г. -- «Вопросы учреждения кредитного бюро в России». Хотелось бы добавить, что помимо рассмотренных в статье моделей бюро существуют и транснациональные коммерческие компании, такие как Experian, Equifax, TransUnion, Scorex. Эти компании сами используют скоринговые системы, и во многих случаях продают клиентам не «сырую» информацию, а уже готовый интегральный показатель, который вводится в автоматизированную систему кредитной организации.

    Значение кредитных бюро чрезвычайно велико, их существование позволяет кредитным организациям выдавать ссуды клиентам, которые ранее в этой организации не обслуживались. Кроме того, общепризнанной является ценность предыдущей кредитной истории для прогнозирования вероятности дефолта.

    В настоящее время скоринг становится все более популярным не только при оценке риска при различных видах кредита, но и в других областях: в маркетинге (для определения вероятности, что именно эта группа клиентов будет пользоваться этим видом продукции), при работе с должниками (если клиент задерживается с очередным платежом, какой метод воздействия будет наиболее эффективным), при выявлении мошенничества с кредитными карточками, при определении вероятности, что клиент может перебежать к конкуренту и т. п.

    Методы классификации клиентов

    Итак, в нашем распоряжении имеется большой объем разнообразной информации о клиентах. В этом океане сведений даже кредитному инспектору со значительным опытом работы иногда сложно сориентироваться при ответе, скажем, на вопрос -- какой клиент представляет больший риск: разведенный бездетный мужчина-предприниматель или замужняя женщина-адвокат с тремя детьми, при том что уровень дохода у них одинаков? Чтобы иметь возможность сравнивать клиентов с совершенно разными признаками и принимать решения о кредитовании не интуитивно, а на основе формализованных критериев, непосредственно связанных с вероятностью дефолта, необходимо построить математическую модель, которая позволит оценить, какая информация является существенной, а какой можно пренебречь.

    В целях построения модели сначала производится выборка клиентов кредитной организации, о которых уже известно, хорошими заемщиками они себя зарекомендовали или нет, иногда такая выборка называется «обучающей». Она может варьироваться от нескольких тысяч до сотни тысяч, что не является проблемой на Западе, где кредитный портфель компаний может состоять из десятков миллионов клиентов. Выборка подразделяется на две группы: «хорошие» и «плохие» риски. Это оправдано в том смысле, что банк при принятии решения о кредитовании на первом этапе выбирает из двух вариантов: давать кредит или не давать. При всей «детскости» определений «хороший»/«плохой», это именно те термины, которые используются кредитными аналитиками.

    Определение «плохого» риска может быть разным в зависимости от политики банка, в Западной Европе «плохим» риском обычно считается клиент, задерживающийся с очередной выплатой на три месяца. Иногда к «плохим» рискам относятся клиенты, которые слишком рано возвращают кредит, и банк не успевает ничего на них заработать.

    Таким образом, скоринг представляет собой классификационную задачу, где исходя из имеющейся информации необходимо получить функцию, наиболее точно разделяющее выборку клиентов на «плохих» и «хороших».

    Но предварительно необходимо преобразовать имеющуюся информацию в форму, поддающуюся анализу. Существует два основных подхода, которые пригодны для работы как с количественными, так и с качественными характеристиками:

    1. Преобразовать каждый признак в отдельную двоичную переменную. Этот подход неудобен в том плане, что приводит к большому количеству переменных, хотя он не навязывает никаких дополнительных отношений между зависимой и независимыми переменными.

      Преобразовать каждую характеристику в переменную, которая будет принимать значения, соответствующие отношению числа «плохих» клиентов с данным признаком к числу «хороших» клиентов с этим же признаком. Более усложненный вариант -- взять логарифм этого отношения. Таким образом, каждый признак получает числовую величину, соответствующую уровню его «рискованности».

    Методы собственно классификации весьма разнообразны и включают в себя:

  • статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая регрессия);

    различные варианты линейного программирования;

    дерево классификации или рекурсионно-партиционный алгоритм (РПА);

    нейронные сети;

    генетический алгоритм;

    метод ближайших соседей.

    Традиционными и наиболее распространенными являются регрессионные методы, прежде всего линейная многофакторная регрессия :

    р = w o + w 1 x 1 + w 2 x 2 + … + w n x n ,

    где р -- вероятность дефолта, w -- весовые коэффициенты, x -- характеристики клиента.

    Недостаток данной модели заключается в том, что в левой части уравнения находится вероятность, которая принимает значения от 0 до 1, а переменные в правой части могут принимать любые значения от - Ґ до + Ґ .

    Логистическая регрессия позволяет преодолеть этот недостаток:

    log (p/(1-p)) = w o + w 1 x 1 + w 2 x 2 + … + w n x n .

    Для применения логистической регрессии необходимы гораздо более сложные расчеты для получения весовых коэффициентов и, следовательно, более мощная компьютерная база и усовершенствованное компьютерное обеспечение. Но при современном уровне развития компьютерной техники это не является проблемой, и в настоящее время логистическая регрессия является лидером скоринговых систем.

    Преимущество логистической регрессии еще и в том, что она может подразделять клиентов как на две группы (0 -- плохой, 1 -- хороший), так и на несколько групп (1, 2, 3, 4 группы риска).

    Все регрессионные методы чувствительны к корреляции между характеристиками, поэтому в модели не должно быть сильно коррелированных независимых переменных.

    Линейное программирование также приводит к линейной скоринговой модели. Провести абсолютно точную классификацию на плохих и хороших клиентов невозможно, но желательно свести ошибку к минимуму. Задачу можно сформулировать как поиск весовых коэффициентов, для которых ошибка и будет минимальной.

    Дерево классификации и нейронные сети представляют собой системы, которые разделяют клиентов на группы, внутри которых уровень риска одинаков и максимально отличается от уровня риска других групп. Нейронные сети используются главным образом при определении кредитоспособности юридических лиц, где анализируются выборки меньшего размера, чем в потребительском кредите. Но наиболее успешной областью их применения стало выявление мошенничества с кредитными карточками благодаря их способности выявлять нестандартные ситуации (см.: Нортон М. Нервный бизнес//Банковские технологии. 1995. № 3. С. 73).

    Генетический алгоритм основан на аналогии с биологическим процессом естественного отбора. В сфере кредитования это выглядит следующим образом: имеется набор классификационных моделей, которые подвергаются «мутации», «скрещиваются», и в результате отбирается «сильнейший», т. е. модель, дающая наиболее точную классификацию.

    При использовании метода ближайших соседей выбирается единица измерения для определения расстояния между клиентами. Все клиенты в выборке получают определенное пространственное положение. Каждый новый клиент классифицируется исходя из того, каких клиентов -- плохих или хороших -- больше вокруг него.

    На практике используется комбинация нескольких методов, и компании хранят свои скоринговые модели в строжайшем секрете, поэтому сложно сказать, какой метод лучше. Можно только делать приблизительные заключения, основываясь на научных публикациях, ниже приводится сравнительная таблица точности классификации для различных методов, составленная профессором Л. Томасом (Thomas L. C. A Survey of Credit and Behavioural Scoring//University of Edinburgh. 1999).

    Сравнение следует производить только горизонтально, потому что авторы использовали разные определения «хороших» рисков и проводили исследования на различных популяциях и выборках. Таблица показывает процент правильно классифицированных клиентов. Цель всех приведенных исследований заключалась в сравнении эффективности различных методов классификации, поэтому не следует делать вывод, что данные цифры показывают эффективность скоринговых систем в целом, так как уже говорилось, что коммерческие системы используют несколько методов.

    Таблица

    Источники:

    Henley W. E. Statistical aspects of credit scoring. Ph.D. thesis. Open University. 1995.
    Boyle M. , Crook J. N. , Hamilton R. , Thomas L. C. Methods for credit scoring applied to slow payers in Credit Scoring and Credit Control//Oxford University Press. 1992.
    Srinivasan V. , Kim Y. H. Credit granting: a comparative analysis of classification procedures//Journal of Finance. 1987. № 42.
    Yobas M. B. , Crook J. N. , Ross P. Credit scoring using neural and evolutionary techniques//Working Paper 97/2, Credit research Centre, University of Edinburgh.
    Desai V. S. , Convay D. G. , Crook J. N. , Overstreet G. A. Credit scoring models in the credit union environment using neural networks and genetic algorithms//IMA J. Mathematics applied in business and industry. 8/1997.

    У каждого из методов имеются свои преимущества и недостатки, кроме того, выбор того или иного метода связан со стратегией банка и с тем, какие требования банк считает приоритетными при разработке моделей. Регрессионные методы показывают значимость каждой характеристики для определения уровня риска, и поэтому особенно важны на этапе разработки анкеты, которую заполняют клиенты. Линейное программирование может оперировать большим количеством переменных и моделировать определенные условия: например, если маркетинговая стратегия банка направлена на молодежь, можно ввести условие, чтобы интегральный показатель молодых людей был выше, чем тех, кому за 60. Нейронные сети и деревья классификации выявляют нелинейные связи между переменными, которые могут привести к ошибке в линейных моделях.

    Точность классификации проверяется либо методом «скользящего экзамена» для небольших выборок (модель строится на всей выборке за исключением одного клиента, выбранного наугад, затем проверяется на этом клиенте, и так перебираются все клиенты), либо при достаточно большой выборке она подразделяется на две части: на одной модель строится, на другой -- проверяется.

    Ограничения, связанные с применением скоринга

    В скоринге существует две основные проблемы. Первая заключается в том, что классификация выборки производится только на клиентах, которым дали кредит. Мы никогда не узнаем, как бы повели себя клиенты, которым в кредите было отказано: вполне возможно, что какая-то часть оказалась бы вполне приемлемыми заемщиками.

    Но, как правило, отказ в кредите производится на основании достаточно серьезных причин. Банки фиксируют эти причины отказа и сохраняют информацию об «отказниках». Это позволяет им восстанавливать первоначальную популяцию клиентов, обращавшихся за кредитом.

    Вторая проблема заключается в том, что люди с течением времени меняются, меняются и социально-экономические условия, влияющие на поведение людей. Поэтому скоринговые модели необходимо разрабатывать на выборке из наиболее «свежих» клиентов, периодически проверять качество работы системы и, когда качество ухудшается, разрабатывать новую модель. На Западе новая модель разрабатывается в среднем раз в полтора года, период между заменой модели может варьироваться в зависимости от того, насколько стабильной была экономика в это время. Для России, вероятно, максимальным периодом будет полгода, да и то при условии, что в этот период не произойдет никаких кардинальных потрясений типа событий августа 1998 г.

    В настоящее время ведутся исследования того, как вводить социально-экономические характеристики в модель с тем, чтобы она служила дольше.

    Перспективы развития скоринга в России

    В России использование скоринг-систем тормозится, прежде всего, низкими объемами кредитования. Но с экономическим ростом (будем оптимистами) ситуация начнет меняться.

    Само по себе небольшое по сравнению с западными кредитными организациями количество заемщиков препятствием не является, необходимо только следить за количеством характеристик по отношению к величине выборки. В статье В. Степанова, А. Заяца «Анализ состояния банка» (Банковские технологии. 1996. № 8. С. 58) авторы применили статистический подход -- кластерный анализ -- для классификации банков по группам рисков всего на 76 состояниях и при этом получили хороший результат -- более 90% совпадений с оценкой эксперта.

    Отсутствие кредитных бюро, безусловно, также не способствует развитию скоринга. Но, с другой стороны, на Западе существует проблема проверки достоверности информации, которую человек указывает о себе в анкете. В России большая часть такой информации содержится в паспорте. Банкам достаточно иметь паспортные данные и данные трудовой книжки -- вот и исходный материал для анализа.

    Еще один неблагоприятный фактор -- недостаточная распространенность таких универсальных статистических пакетов, как SAS и SPSS. Но, обращаясь опять к статье В. Степанова и А. Заяца, отметим использование пакета Stat-Media. Кроме того, существуют и другие программы, доступные по цене, которые могут делать линейную многофакторную регрессию, а для начала этого вполне достаточно.

    Вполне вероятно, что в России скоринг сначала будет применяться не для физических лиц, а для юридических просто потому, что у банков накоплено гораздо больше информации о предприятиях, при этом используются балльные системы оценки риска различной сложности и с различным уровнем автоматизации. Отличие балльной системы от скоринговой заключается в том, что в первой значимость того или иного коэффициента или финансового показателя определяется субъективно, а во второй производится привязка коэффициентов к уровню риска.

    На Западе при кредитовании юридических лиц скоринг-модели распространены не настолько широко, как в потребительском кредите. Это связано с тем, что для разработки модели очень трудно набрать достаточное количество компаний, сходных друг с другом: компании сильно отличаются по размеру, обороту, секторам экономики. Чем крупнее предприятие, тем труднее подобрать аналогичные предприятия для сравнения.

    В последние годы большие сдвиги произошли в разработке скоринг-моделей для малого бизнеса. Применение скоринга для малого и среднего бизнеса оказалось возможным именно в силу большого количества сходных между собой предприятий.

    В заключение хотелось бы отметить, что в России внедрение скоринга тормозится не столько объективными, сколько субъективными причинами, связанными с недоверчивым отношением банковских менеджеров к математическим и статистическим методам. Не так уж много требуется, чтобы начать анализировать своих клиентов -- кредитная история прошлых клиентов и статистический пакет, -- а отдача будет колоссальной. Среди преимуществ скоринговых систем западные банкиры указывают, в первую очередь, снижение уровня невозврата кредита. Далее отмечается быстрота и беспристрастность в принятии решений, возможность эффективного управления кредитным портфелем, отсутствие необходимости длительного обучения персонала.

    В России внедрение скоринга должно осуществляться постепенно. Для начала можно сделать автоматизированную систему предварительной оценки заемщиков, которая будет автоматически отсеивать заведомо «плохие» риски, а на рассмотрение кредитного комитета предлагать риски «хорошие» и «пограничные». Но даже не вводя автоматизацию, можно оценить связь отдельных характеристик клиента с вероятностью дефолта как для физических, так и для юридических лиц -- знание таких характеристик может послужить существенной поддержкой кредитным инспекторам.

    Итак, скоринг представляет собой автоматизированные системы оценки кредитного риска, которые широко используются в США и Западной Европе. В качестве исходного материала для скоринга используется разнообразная информация о прошлых клиентах, на основе которой с помощью различных статистических и нестатистических методов классификации делается прогноз о кредитоспособности будущих заемщиков. Скоринг-системы позволяют банковским работникам быстро принимать решения о кредитовании, регулировать объемы кредитования в зависимости от ситуации на рынке и определять оптимальное соотношение между доходностью кредитных операций и уровнем риска.

    При подготовке статьи были использованы материалы Центра изучения кредита при Эдинбургском университете (Великобритания).

    Дубовицкий В. С.
    аналитик крупного российского банка
    (г. Москва)
    Управление корпоративными финансами
    05 (65) 2014

    В данной статье описано исследование по разработке скоринговой модели для оценки кредитоспособности крупных торговых предприятий, позволяющей на основе значений отдельных показателей судить о состоятельности заемщика, оценивается ее эффективность. Наиболее объемными блоками в разработке скоринговой модели являются выбор системы оценочных показателей и определение весовых коэффициентов для этих показателей, что будет подробно освещено в данной статье

    ВВЕДЕНИЕ

    Одно из ключевых направлений бизнеса в банковской сфере - кредитование. Именно кредиты являются основой банковских активов, обеспечивая банку процентный доход. В последнее время в нашей стране происходит бурное развитие банковской сферы, прежде всего кредитных отношений банков с населением, предпринимателями и крупным бизнесом. Кредиты подразумевают не только процентные доходы, но и кредитные риски, связанные с несостоятельностью заемщика и потерей ссуды. Оценка величины кредитного риска является ключевым направлением анализа при принятии решения о кредитовании того или иного заемщика, и от нее во многом зависит благосостояние финансового учреждения.

    В наши дни банки используют различные методы анализа, оценивая уровень возможных потерь и вероятность дефолта заемщика. Исходя из этого анализа заемщику присуждается рейтинг качества - «хороший», «средний» или «плохой», согласно Положению ЦБ РФ №254-п «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» от 26 марта 2004 г.

    Центральный банк выступает главным регулятором кредитной системы и дает рекомендации по оценке кредитоспособности заемщиков. В соответствии с ними банки выстраивают свои модели оценки - их многообразие и изобретательность их авторов поражают. Такие модели включают комплексную оценку финансового состояния заемщика как главного показателя будущей платежеспособности. Однако все модели нацелены на кредитный рейтинг заемщика, описывающий уровень риска финансовых потерь. Согласно общепринятой классификации, хороший уровень кредитоспособности соответствует хорошему финансовому состоянию компании и низкому риску возможных потерь, средний - среднему финансовому состоянию и средним рискам, плохой - высокой вероятности дефолта заемщика. По хорошему состоянию, вероятнее всего, будет вынесено положительное решение о выдаче ссуды, среднее потребует дополнительных исследований, а плохому заемщику будет отказано.

    Оценка кредитного риска в банках всегда занимала весомое положение. Так, согласно исследованиям Bailey и Gately , существующие методы оценки непрестанно совершенствуются, время от времени появляются новейшие методики, такие как оценка при помощи нейронных сетей, что вызвано высоким спросом со стороны кредитных организаций на оптимизацию и улучшение прогнозной способности инструментов для оценки вероятности дефолта потенциальных заемщиков.

    Итак, оценка кредитоспособности является ключевой задачей при выдаче кредита. Цель данной работы - создание собственной скоринговой модели для оценки кредитного качества юридических лиц. Она будет разработана для крупных предприятий розничной торговли и позволит оперативно принимать решение о целесообразности финансирования различных заемщиков.

    Вначале будет произведен краткий сравнительный анализ существующих подходов к оценке кредитоспособности. На его основании будут приведены аргументы в пользу разработки скоринговой модели, затем будет непосредственно разработана скоринговая модель с использованием различных теоретических методов. Одни из главных задач при разработке - определение сбалансированной системы оценочных показателей с учетом выбранной отрасли и определение весовых коэффициентов для этих показателей.

    Далее будет проведено статистическое исследование на основе выборки из 41 торгового предприятия (для 16-ти из них был зафиксирован дефолт) с целью сопоставить результаты по весам показателей с результатами, полученными первоначально. По итогам сравнения будет дано заключение о корректности составленной скоринговой модели. В заключение данной статьи будет представлена оценка эффективности разработанной модели, определена прогнозная способность разработанной модели и сделан вывод о ее состоятельности.

    РАЗЛИЧНЫЕ ПОДХОДЫ К ОЦЕНКЕ КРЕДИТОСПОСОБНОСТИ

    Все существующие модели оценки кредитоспособности заемщиков можно представить в виде следующей классификации (рис. 1).

    Итак, многообразие подходов к анализу кредитоспособности можно систематизировать, разделив все методы на три больших блока:

    • количественные модели;
    • прогнозные модели;
    • качественные модели.

    Количественные модели используют соответствующие показатели и позволяют присвоить заемщику на их основе определенный рейтинг, прогнозные опираются на статистику прошлых лет и нацелены на моделирование дальнейшего развития событий и вероятности дефолта заемщика, а качественные модели используют систему разносторонних качественных показателей.

    Для определения наиболее эффективного подхода к оценке кредитоспособности сопоставим описанные методы оценки. В табл. 1 приведены сравнительные характеристики рассмотренных ранее моделей оценки кредитов.

    Таблица 1. Сводная таблица моделей оценки кредитоспособности

    Наименование модели Достоинства модели Недостатки модели
    Метод коэффициентов Позволяет комплексно оценить финансовое состояние заемщика Не учитывает качественные показатели, статистику прошлых лет. Неавтоматизированная система требует постоянной интерпретации значений отдельных показателей
    Рейтинговые модели Позволяют автоматизировать оценку методом коэффициентов путем вычисления интегрального показателя. Отличаются удобством и простотой использования Учитывают только финансовые показатели, не используют статистику прошлых лет. Требуют перестройки для различных типов компаний
    Скоринговые модели Позволяют получить оценку кредитоспособности в балльном эквиваленте и отнести заемщика к одной из трех групп. Просты и удобны в использовании, помогают оценивать нефинансовые качественные показатели. При оценке весовых коэффициентов статистическими методами позволяют учесть данные по уже выданным кредитам, являются экономически обоснованными Не универсальны, требуют перестройки под определенные типы компаний. Требуют большого объема данных для исследования весовых коэффициентов
    Модели Cash Flow Позволяют оценить будущие денежные потоки компании и сопоставить их с долговой нагрузкой Не учитывают рыночную конъюнктуру и качественные показатели компании-заемщика. Могут давать несовместимые с реальностью результаты
    Модели дискриминантного анализа Позволяют определить вероятность дефолта компании-заемщика на основе статистики за прошлые годы
    Модели регрессионного анализа Позволяют определить вероятность дефолта компании-заемщика на основе статистики прошлых лет. При использовании модели на корректных данных можно получить результаты высокой степени достоверности Сугубо эмпирические, результаты сильно зависят от обучающей выборки и при исследовании модели на других данных зачастую не соответствуют реальности. Требуют большого объема данных для исследования весовых коэффициентов
    Модели качественного анализа Позволяют провести комплексный анализ компании Отсутствие математических методов, приводящее к субъективной оценке отдельных показателей и к ошибкам, связанным с человеческим фактором. Не учитывают статистику прошлых лет. Нет четких регламентов оценки кредитоспособности для качественных блоков анализа

    Опираясь на приведенный сравнительный анализ, можно сделать вывод, что скоринговая модель находится на вершине эволюции количественных Наименование модели Достоинства модели Недостатки модели

    Метод коэффициентов Позволяет комплексно оценить финансовое состояние заемщика Не учитывает качественные показатели, статистику прошлых лет. Неавтоматизированная система требует постоянной интерпретации значений отдельных показателей

    Рейтинговые модели Позволяют автоматизировать оценку методом коэффициентов путем вычисления интегрального показателя. Отличаются удобством и простотой использования Учитывают только финансовые показатели, не используют статистику прошлых лет. Требуют перестройки для различных типов компаний

    Скоринговые модели Позволяют получить оценку кредитоспособности в балльном эквиваленте и отнести заемщика к одной из трех групп. Просты и удобны в использовании, помогают оценивать нефинансовые качественные показатели. При оценке весовых коэффициентов статистическими методами позволяют учесть данные по уже выданным кредитам, являются экономически обоснованными Не универсальны, требуют перестройки под определенные типы компаний. Требуют большого объема данных для исследования весовых коэффициентов

    Модели Cash Flow Позволяют оценить будущие денежные потоки компании и сопоставить их с долговой нагрузкой Не учитывают рыночную конъюнктуру и качественные показатели компании-заемщика. Могут давать несовместимые с реальностью результаты

    Модели дискриминантного анализа Позволяют определить вероятность дефолта компании-заемщика на основе статистики за прошлые годы Сугубо эмпирические, результаты сильно зависят от обучающей выборки и при исследовании модели на других данных зачастую не соответствуют реальности. Требуют большого объема данных для исследования весовых коэффициентов

    Модели регрессионного анализа Позволяют определить вероятность дефолта компании-заемщика на основе статистики прошлых лет. При использовании модели на корректных данных можно получить результаты высокой степени достоверности Сугубо эмпирические, результаты сильно зависят от обучающей выборки и при исследовании модели на других данных зачастую не соответствуют реальности. Требуют большого объема данных для исследования весовых коэффициентов

    Модели качественного анализа Позволяют провести комплексный анализ компании Отсутствие математических методов, приводящее к субъективной оценке отдельных показателей и к ошибкам, связанным с человеческим фактором. Не учитывают статистику прошлых лет. Нет четких регламентов оценки кредитоспособности для качественных блоков анализа разное количество баллов. Значения коэффициентов в дальнейшем будут разбиты на диапазоны. Для каждого диапазона (столбец «Диапазон коэффициента» в табл. 2) будет установлена процентная доля (25%, 50%, 75% или 100%) от весового коэффициента в табл. 2. Весовой коэффициент в данном случае является максимальным баллом. В дальнейшем речь пойдет именно о поиске весовых коэффициентов. Таким образом, разбивка коэффициентов на диапазоны является условной (основана на логических соображениях исходя из значений данных показателей для различных компаний отрасли; интервалы взяты таким образом, чтобы во второй интервал после максимального попало порядка 60% ведущих компаний отрасли («Магнит», «Дикси», Х5 Retail Group, «ОК», «Л"Этуаль»), выбранных для определения среднерыночных коэффициентов и ориентиров). Чем выше долговая нагрузка, тем выше вероятность дефолта и тем меньшее количество баллов должен получить показатель. Эмпирические же методы сконцентрированы на поиске весовых коэффициентов и будут представлены двумя подходами - аналитическим (метод Т. Саати) и статистическим (регрессионное исследование) (максимальное количество баллов в данном случае совпадает с весовым коэффициентом). Сами же весовые коэффициенты будут определены позже.

    Финансовые показатели скоринговой модели представлены в табл. 2.

    Таблица 2. Финансовые показатели скоринговой модели

    Группа показателей Показатель Диапазон коэффициента
    Ликвидность > 0,75 1
    0,5-0,75 0,75
    0,25-0,5 0,25
    0-0,25 0
    Платежеспособность 0-1 1
    1-1,5 0,75
    1,5-2 0,5
    2-2,5 0,25
    > 2,5 0
    < 1,5 1
    1,5-2 0,5
    > 2 0
    Коэффициент покрытия процентов, EBIT/Interest > 1,5 1
    1,3-1,5 0,75
    1-13 0,5
    < 1 0
    Деловая активность Рентабельность продаж, ROS > 0,025 1
    0,02-0,025 0,75
    0,015-0,02 0,5
    < 0,015 0
    Убыток компании за три последние отчетных периода Нет 1
    За один отчетный период 0,5
    0

    Допустимые значения коэффициентов определялись на основе средних значений для пяти ведущих торговых предприятий России на основе отчетности МСФО за три года: «Магнит», Х5 Retail Group, «Дикси», «ОК», «М.Видео». Мы рассмотрели важнейшие финансовые показатели для определения финансового состояния заемщика. Однако большое влияние на кредитоспособность компании оказывают также факторы, провоцирующие возникновение рисков в бизнес-процессах заемщика. Прежде всего необходимо учесть качество менеджмента. Это весьма трудный показатель для количественного анализа, т.к. проблематично объективно оценить уровень управления компанией.

    Постараемся перейти от качественной к количественной оценке и зададим максимальную оценку этого показателя при выполнении следующих условий:

    • имеется четкая стратегия развития компании на ближайшие годы;
    • неизменен состав топ-менеджмента (генеральный директор и главный бухгалтер занимают должности более двух лет), т.к. о наличии сильной команды менеджеров говорит в числе прочего и ее постоянство;
    • профессиональные компетенции соответствуют высоким требованиям (наличие профильного высшего образования у генерального директора и главного бухгалтера, опыт работы - более пяти лет).

    Следующий важный фактор, который будет включен в скоринговую модель, - это срок функционирования компании. Кроме того, необходимо ввести стоп-фактор: при сроке ведения бизнеса меньше одного года данная модель будет неприменима ввиду отсутствия отчетности и возможности понять бизнес компании.

    Еще один необходимый показатель - положительная кредитная история. Это один из важнейших нефинансовых показателей, характеризующий, по сути, качество обслуживания будущей ссуды. Было бы необоснованно рассчитывать на своевременный возврат кредитных средств от предприятия, имеющего просрочки другим кредиторам. Представим рассмотренные нефинансовые показатели и распределение баллов по ним в табл. 3.

    Таблица 3. Нефинансовые показатели скоринговой модели

    Группа Показатели показателей Доля от максимального количества баллов для диапазона
    Бизнесс-процессы Качество менеджмента 1
    0,5
    0
    > 5 лет 1
    3-5 лет 0,75
    1-3 года 0,25
    < 1 года Стоп-фактор
    1
    0,5
    0
    Наличие систематической просрочки по кредитам и займам за последний финансовый год; существенный объем просрочки по кредиторской задолженности (> 25%) Стоп-фактор

    Мы составили систему оценочных показателей, которая, по нашему мнению, должна комплексно и разносторонне оценивать качество заемщика и его способность выполнять свои обязательства. Следующая часть работы при создании любой скоринговой модели наиболее трудоемкая - это определение веса различных оценочных показателей. Оттого, насколько объективно мы оценим важность тех или иных факторов, зависит прогнозная ценность нашей модели. В данной статье будет проведен анализ весов на основе нескольких методов для исключения возможных ошибок.

    Весовые коэффициенты вначале будут определены с помощью аналитических процедур, а затем сопоставлены с результатами регрессионного анализа.

    АНАЛИТИЧЕСКАЯ ОЦЕНКА ВЕСОВЫХ КОЭФФИЦИЕНТОВ МОДЕЛИ

    В качестве инструмента оценки возьмем методику, подробно описанную в книге ТЛ. Саати «Математические модели конфликтных ситуаций» [б]. Данный метод позволяет уйти от многообразия факторов и сравнить на предмет значимости в конкретный момент времени только два из них, в конечном счете определив значимость влияния каждого из факторов на какой-либо общий показатель. Методика основана на составлении матриц парных сравнений, которые строятся для факторов, влияющих на какой-либо общий показатель. Такие матрицы могут быть построены, например, для показателя платежеспособности в разрезе факторов, представленных коэффициентами финансового рычага, долговой нагрузки и покрытия процентов. Задача состоит в том, чтобы построить такие матрицы для всех групп факторов, влияющих на какие-либо общие показатели. В итоге будут созданы две матрицы для табл. 2 - для групп показателей «Платежеспособность» и «Деловая активность», одна матрица для табл. 3 - для показателей бизнес-процессов, а также две матрицы для агрегированных уровней - одна матрица для группы финансовых показателей, состоящей из групп показателей «Ликвидность», «Платежеспособность» и «Деловая активность», и одна для двух агрегированных блоков - финансовых и нефинансовых показателей в целом.

    Итого пять попарных матриц сравнения, каждая из которых даст свой коэффициент для входящего в нее показателя. Таким образом, чтобы получить весовой коэффициент для показателя на нижней ступени иерархии, например для коэффициента покрытия процентов, необходимо умножить весовой коэффициент финансовых показателей на весовой коэффициент показателей платежеспособности внутри финансовых показателей и на коэффициент показателя покрытия процентов внутри финансовых показателей.

    В заголовках самих матриц для групп показателей в вертикальных и горизонтальных столбцах помещаются наименования факторов. Затем матрицы заполняются значениями, представляющими собой трансформацию субъективных предпочтений одного фактора другому в эмпирический вид согласно методике, представленной в табл. 4 (с использованием данных рис. 2).

    Таблица 4. Метод Т. Саати. Классификация предпочтений (на основе рис.2)

    В основном применяются нечетные числа, однако при затруднении в выборе можно воспользоваться четными как средним уровнем между двумя нечетными. Пример такой матрицы для четырех факторов показан на рис. 2. Соответственно, когда мы сравниваем один и тот же фактор, элемент принимает значение 1, поэтому такие матрицы являются единичными. Нетрудно заметить, что они также обратно симметричны, что позволяет нам заполнить такую матрицу только для значений, лежащих либо выше, либо ниже главной диагонали.

    Учитывая, что матрицы попарных сравнений являются обратно симметричными, следует произвести сравнение только в одну сторону и внести соответствующие значения в матрицу над главной диагональю, а значения под главной диагональю будут обратными.

    После получения пяти таких матриц производится расчет весовых коэффициентов: будет измерен вес каждого значения в матрицах относительно общей суммы в столбце, а затем из этих значений в каждой строчке будет взято среднее арифметическое по этим значениям. Среднеарифметические значения и будут представлять собой весовые коэффициенты. Пример матрицы для группы показателей платежеспособности представлен на рис. 3.

    Произведя описанные расчеты, получим удельный вес каждого показателя. Для удобства дальнейших расчетов определим максимально возможный балл как произведение удельного веса показателя на 50 1 с последующим округлением до целого числа (табл. 5,6).

    1 Данная операция произведена исключительно для удобства, число 50 позволяет минимальному коэффициенту перейти к целочисленному значению (в данном случае значению 2). Поскольку все коэффициенты умножаются на одно и то же число, мы не искажаем результатов аналитического подхода. - Прим. авт.

    ОПРЕДЕЛЕНИЕ ЗНАЧИМОСТИ ПОКАЗАТЕЛЕЙ С ПОМОЩЬЮ РЕГРЕССИОННОГО АНАЛИЗА

    Для проведения статистического исследования мы использовали данные по 41 крупной компании из сектора розничной торговли. Эти компании выпускали корпоративные облигации, и по 16 облигациям был зафиксирован дефолт. По каждой компании были рассчитаны восемь выбранных показателей скоринговой модели на основе годовой отчетности в год выпуска корпоративных облигаций. Выборка представлена в Приложении 1. В нем задан объясняемый показатель у- вероятность дефолта, принимающий значение 1, если компания не исполнила свои обязательства. Выделенные три показателя справа были заданы дамми-переменными (могут принимать только значения 0 или 1) ввиду их качественной природы. Они принимают значения 1, если за последние три года у компании чистая прибыль > О (Nl > 0), стабильный и качественный руководящий состав (manager) и положительная кредитная история (histor). Финансовые показатели (первые пять показателей) рассчитывались на основе годовой отчетности по стандартам МСФО в год выпуска дефолтных облигаций.

    В качестве модели для исследования выберем построение линейной многофакторной регрессии:

    p = w 0 + w 1 x 1 + w 2 x 2 + ... + w n x n ,

    где р - зависимая переменная, описывающая вероятность дефолта;
    w - весовые коэффициенты; х - показатели.

    Итак, введем исходные данные в Excel и воспользуемся функцией Data analysis - Regression. При анализе исходных данных по восьми показателям скоринговой модели без корректировок получаем результат, представленный в Приложении 2. Adjusted R^2 равняется 0,55 - невысокое, но приемлемое значение, говорящее о практической значимости построенной регрессии. Можно выдвинуть предположение о причине невысокой значимости наличия выбросов в данных, например, отсутствие значений для некоторых компаний по показателю EBIT / Interest ввиду отсутствия долговой нагрузки (упрощенно в целях исследования в таком случае принималось значение коэффициента, равное 0) или отрицательное значение показателя Debt / EBITDA ввиду отрицательного денежного потока. В данном случае некорректно воспринимается влияние отрицательного показателя, т.к., по логике исследования, чем выше Debt / EBITDA, тем выше вероятность дефолта; отрицательный показатель, в свою очередь, не является показателем низкой долговой нагрузки. Также на прогнозную способность влияют компании с ярко выраженными экстремальными значениями отдельных показателей. Так, у компании «Банана-Мама» собственный капитал составляет 10 000 руб., что приводит к искажению соответствующих показателей - финансовый рычаг равен 181 957 (при среднеотраслевых значениях в диапазоне 0,7-1,5).

    Таблица 5. Финансовые показатели с учетом веса

    Показатель Вес в системе показателей Максимальный балл Диапазон коэффициента
    >1 5
    Коэффициент текущей ликвидности 0,1072 5 > 1 5
    0,75-0,1 4
    0,5-0,75 1
    0-0,5 0
    Коэффициент текущей ликвидности 0,1581 8 < 1 8
    1-1,5 6
    1,5-2 4
    2-2,5 2
    > 2,5 0
    Коэффициент долговой нагрузки, Net Debt / EBITDA 0,1581 8 < 1.5 8
    1,5-2 4
    > 2 0
    0,0790 4 > 1,5 4
    1,3-1,5 3
    1-1,3 2
    < 1 0
    Рентабельность продаж, ROS 0,1256 6 > 0,025 6
    0,02-0,025 5
    0,015-0,02 3
    < 0,015 0
    0,0418 2 Нет 2
    За один отчетный период 1
    За два отчетных периода и более 0
    Итого 0,6698 33 - 68

    Исключим следующие шесть компаний из исследования: супермаркет «Город», «Интертрейд», М.Видео» (2013 г.), «Связной», «Банана-Мама», «Провиант». Также отметим невозможность одновременного использования показателей ROS и отсутствия убытков (Nl > 0) ввиду их высокой корреляции. Дело в том, что при наличии убытков у компании рентабельность продаж автоматически принимает отрицательное значение.

    Таблица 6. Нефинансовые показатели с учетом веса

    Показатель Вес в системе показателей Максимальный балл Диапазон коэффициента / методика оценки Количество баллов для диапазона с учетом веса
    Качество менеджмента 0,099 5 Выполнение всех описанных условий 5
    Невыполнение одного из условий 2,5
    Невыполнение более чем одного условия 0
    Срок функционирования компании 0,0528 3 > 5 лет 3
    3-5 лет 2
    1-3 года 1
    < 1 года Стоп-фактор
    Положительная кредитная история 0,1782 9 Отсутствие просрочек по кредитам и займам, просроченной кредиторской задолженности 9
    Наличие информации о реструктуризации задолженности; незначимые просрочки по кредиторской задолженности (до 10%) 4,5
    Единичный случай просрочки по займам и кредитам с последующим погашением; значимые просрочки по кредиторской задолженности (10-25% от общего объема задолженности) 0
    Наличие систематической просрочки по кредитам и займам за последний финансовый год; существенный объем просрочки по кредиторской задолженности (>25%) Стоп-фактор
    Итого 17

    Опираясь на данные рассуждения, удалим показатель Nl > 0 из нашей модели. Для новой семифакторной регрессии на обновленной выборке из 35 компаний получим следующий результат (Приложение 3). Мы видим, что значимы шесть из семи исследуемых показателей. Знаки при коэффициентах верно отражают предположения, высказанные выше: чем выше рентабельность продаж и качество менеджмента, тем ниже вероятность дефолта (у = 1), и наоборот: чем выше долговая нагрузка, тем выше вероятность дефолта. На первый взгляд знак неправилен только у коэффициента текущей ликвидности. Однако большие значения ликвидности так же плохи, как и малые, - они говорят о низкой эффективности бизнеса и недополученной прибыли. Компании с большими коэффициентами ликвидности склонны к недополучению прибыли, низкой рентабельности и доходности бизнеса, что делает их менее привлекательными в глазах потенциальных инвесторов, а следовательно, и более уязвимыми к изменениям финансовых условий. Наиболее значимыми являются коэффициенты D (или Debt - объем процентного долга) / EBITDA, положительная кредитная история и финансовый рычаг; коэффициент покрытия процентов незначим.

    Выше при моделировании коэффициентов по методу Т. Саати мы также предполагали, что наиболее значимыми показателями окажутся коэффициенты при долговой нагрузке и финансовом рычаге. Сравнительный анализ итоговых значимостей коэффициентов приведен в табл. 7.

    Таблица 7. Сравнительный анализ значимости коэффициентов

    Показатель на основе экспертных оценок по методу Т. Саати Коэффициент Показатель на основе регрессионного анализа P-value
    Положительная кредитная история 0,1782 Коэффициент долговой нагрузки, Net Debt / EBITDA 0,014
    Коэффициент финансового рычага 0,1581 Положительная кредитная история 0,020
    Коэффициент долговой нагрузки, Net Debt /EBITDA 0,1581 Коэффициент финансового рычага 0,022
    Рентабельность продаж, ROS 0,1256 Качество менеджмента 0,037
    Коэффициент текущей ликвидности 0,1072 Рентабельность продаж, ROS 0,039
    Качество менеджмента 0,099 Коэффициент текущей ликвидности 0,047
    Коэффициент покрытия процентов, EBIT / Interest 0,0790 Коэффициент покрытия процентов, EBIT / Interest Незначим
    Убыток компании за последние три отчетных периода 0,0418 Убыток компании за последние три отчетных периода Исследовался как нефинансовый показатель, незначим

    Данные результаты говорят о согласованности метода Т. Саати и статистических данных. Три наиболее значимых показателя по аналитическому подходу подтверждают свою высокую значимость и в практическом исследовании, изменилось только распределение очередности самих показателей. Также два наименее значимых по первой части работы показателя - качество менеджмента и EBIT/ Interest - оказались незначимы в статистическом исследовании.

    Таким образом, регрессионный анализ подтверждает принципы классификации значимости весовых коэффициентов в аналитической части работы и позволяет говорить о статистической значимости построенной скоринговой модели.

    ОПРЕДЕЛЕНИЕ РЕЗУЛЬТАТОВ РАЗРАБОТАННОЙ СКОРИНГОВОЙ МОДЕЛИ

    Общее максимальное количество баллов скоринговой модели - 50. Для каждого показателя в процессе определения диапазонов значений мы выявляли следующий после максимального количества баллов уровень, также приемлемый, хоть и с относительно высоким уровнем риска, основываясь на рыночных значениях показателей. Для одних показателей следующий за максимальным уровень составлял 75% от общего количества баллов, для других - 50%. Все последующие уровни будем считать уровнями с высоким кредитным риском и относить соответствующих заемщиков к категории плохих. К наиболее предпочтительной группе отнесем заемщиков, выполняющих максимальные требования по самым значимым (по весовым коэффициентам) показателям: кредитная история, финансовый рычаг и долговая нагрузка, а также рентабельность продаж в сумме 31 балл и выполнение как минимум следующего за максимальным уровня требований по остальным показателям - 12,5 в сумме. Итого 43,5 балла за нижний уровень высокой кредитоспособности.

    Для определения пограничного интервала, характеризующего высокую степень кредитоспособности, рассчитаем количество баллов по финансовым и нефинансовым показателям в следующем после максимального диапазоне значений из табл. 5 и б. Показатели разделены по принимаемым значениям коэффициентов на другие диапазоны. Мы получим следующую классификацию (табл. 8).

    Таблица 8. Классификация результатов

    Таблица 9. Прогнозная способность скоринговой модели, %

    Основываясь на табл. 8, произведем оценку прогнозной способности нашей модели, подставляя данные компаний в ее условия. В Приложении 4 приведены рассчитанные скоринговые баллы для исследуемых компаний. В зависимости от значения показателя в таблице проставлялась его балльная оценка согласно разработанной модели, а затем все баллы суммировались в интегральный показатель (столбец «Сумма»). На основании суммы баллов производилось распределение компаний по трем классам, затем данные сравнивались с фактическим наличием или отсутствием дефолта у компании. В столбце «Верно или нет», 1 означает верный результат скоринговой модели, 0 - ошибку. Таким образом, мы получили следующий результат (табл. 9).

    Мы получили средний (относительно описанных в различных источниках) результат для прогнозной способности скоринговых моделей. Однако стоит отметить низкий процент ошибок второго рода, что повышает прогнозную ценность нашей модели. Данный результат можно считать положительным и подтверждающим эффективность проведенного исследования.

    ЗАКЛЮЧЕНИЕ

    В данной работе была предложена скоринговая модель для оценки кредитоспособности крупных розничных торговых предприятий. Модель основывается на комплексе оценочных показателей, позволяющих разносторонне оценить финансовое и нефинансовое состояние заемщика.

    По результатам оценки заемщику присуждается один из трех классов кредитоспособности, характеризующий степень кредитного риска и целесообразность кредитования.

    Мы смоделировали систему оценочных показателей, позволяющих наиболее точно оценить состояние заемщика из сектора розничной торговли. Произведя анализ лидеров рынка розницы и рассчитав для них используемые показатели, мы определили для них границы приемлемых значений и ранжировали по разным группам с разным процентом от максимально возможного балла.

    Наиболее трудоемкой задачей было определение весовых коэффициентов при исследуемых показателях. Был сделан вывод о необходимости комплексного подхода ввиду отсутствия какого-то одного идеального метода. Комплексный подход был реализован следующим образом: в первой части работы весовые коэффициенты определялись с помощью аналитических процедур, а во второй - с помощью статистического исследования.

    Разработанная модель показала высокие результаты в прогнозной способности, при этом она не требует больших ресурсных затрат на проведение анализа. Введение в эксплуатацию разработанной скоринговой системы позволит увеличить эффективность принятия кредитных решений в сфере крупных предприятий розничной торговли и оптимизировать кредитный процесс.

    Литература

    1. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. - М.: ГУ ВШЭ, 1998.

    2. Гаврилова A.H. Финансы организаций. - М.: Кнорус, 2007.

    3. Коробова Г.Г., Петров М.А. Состоятельность банковского заемщика и ее оценка в условиях конкуренции // Банковские услуги. -2005. -№7/8. -C. 22-24.

    4. Куликов Н.И., Чайникова Л.И. Оценка кредитоспособности предприятия-заемщика. - Тамбов: Университет ТГТУ, 2007.

    5. Положение ЦБ РФ №254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» от 26 марта 2004 г. - http://base.garant.ru/584458/.

    6. Саати Т.Л. Математические модели конфликтных ситуаций / Под ред. И.А. Ушакова. - М.: Советское радио, 1977.

    7. Шеремет А.Д., Сайфулин P.C., Негашев H.B. Методика финансового анализа. - М.: Инфра-М, 2001.

    8. Abdou Н.А., Pointon J. (2011). «Credit scoring, statistical techniques and evaluation criteria: a review of the literature». Intelligent Systems in Accounting, Finance & Management, Vol. 18, No. 2-3, pp. 59-88.

    9. Bailey M. (2004). Consumer Credit Quality: Underwriting, Scoring, Fraud Prevention and Collections. White Box Publishing, Kingswood, Bristol.

    10. Crook J., Edelman D., Thomas L. (2007). «Recent developments in consumer credit risk assessment». European Journal of Operational Research, Vol. 183, No. 3, pp. 1447-1465.

    11. Gately E. (1996). Neural Networks for Financial Forecasting: Top Techniques for Designing and Applying the Latest Trading Systems. New York: John Wiley & Sons, Inc.

    12. Guillen М., Artis M. (1992). Count Data Models for a Credit Scoring System: the European Conference Series in Quantitative Economics and Econometrics on Econometrics of Duration, Count and Transition Models. Paris.

    13. Heffernan S. (2004). Modern Banking. John Wiley & Sons, Inc., Chichester, West Sussex.

    14. Liang Q. (2003). «Corporate financial distress diagnosis in China: empirical analysis using credit scoring models». Hitotsubashi Journal of Commerce and Management, Vol. 38, No. 1, pp. 13-28.

    ПРИЛОЖЕНИЕ 1.

    Выборка для исследования

    Компания y / Признак дефолта Коэффициент текущей ликвидности EBIT / Interest/ Отношение EBIT к процентным платежам NI > 0/ Наличие чистой прибыли
    1 Аптека 36,6 0 0,82 1,32 2,41 1,83 0,0496 1 1 1
    2 Л"Этуаль 0 5,04 2,75 10,98 1,64 0,007 1 1 1
    3 Кора 0 0,795 0,77 3,13 1,89 0 0 1 1
    4 Лента 0 0,75 9,7 2,91 3,1 0,049 1 1 1
    5 ОК 0 0,67 0,78 1,59 7,01 0,0357 1 1 1
    6 Автомир 0 1,2 0,65 3,09 1,35 0,04 1 1 1
    7 Х5 Retail Group 0 0,55 0,53 3,32 2,82 0,027 1 1 1
    8 Город 0 0,99 18,97 10,25 1,29 0,01 1 1 0
    9 Детский мир 0 0,93 0,83 2,14 3,99 0,032 1 1 1
    10 Дикси 0 0,77 1,19 6,1 1,78 0,01 1 1 1
    11 ИнтерТрейд 0 1,24 20,65 4,92 2,1 0,015 1 1 0
    12 Карусель 0 0,73 0,68 3,175 1,71 0,059 1 1 1
    13 Копейка 0 0,68 2,93 7,03 1,82 0 0 1 1
    14 Kosmos Group 0 1,64 1,11 2,88 2,65 0,043 1 1 1
    15 Магнит 0 и 0,54 1,11 10,2 0,061 1 1 1
    16 Магнолия 0 0,27 2,35 3,55 1,02 0,064 1 1 1
    17 М.Видео (2007 г.) 0 1,31 0,73 1,9 2,58 0,013 1 1 1
    18 М.Видео (2013 г.) 0 0,95 0 0 0 0,039 1 1 1
    19 ОАО «НТС» 0 1,18 3,09 5,44 1,05 0,21 1 0 1
    20 Обувь России 0 0,87 2,34 1,87 5,65 0,1 1 1 1
    21 Перекресток (2005 г.) 0 0,54 1,09 3,16 3,92 0,026 1 1 1
    22 Пивдом 0 1,99 3 8 1,1 0,0006 1 0 1
    23 Семья 0 10 0,28 1,66 6 0,58 1 1 1
    24 Связной 0 1,07 0 0 0 0,001 1 1 1
    25 Элекам 0 1,44 1,82 4,25 1,3 0,01 1 1 1
    26 Макро 1 1 15 11 1,52 0,01 1 0 1
    27 Престиж-экспресс 1 8 0,98 12,43 1,02 0,002 1 0 1
    28 Арбат-Престиж 1 0,49 1,81 7,6 1,45 0,017 1 1 0
    29 Орхидея 1 3 1,164 13 0 0,01 1 0 1
    30 Банана-Мама 1 0,94 181957 -35 -0,6 -0,033 0 1 0
    31 Белый фрегат 1 7 932 8,76 0,88 -0,4 0 1 1
    32 Марта 1 3,96 20 11 1/17 0,003 1 1 1
    33 Матрица 1 2,38 21 6,82 1 0,001 1 0 0
    34 Меркурий
    (Самохвал)
    1 1,12 9,98 7,32 1,27 0,003 1 1 1
    35 Миннеско 1 0,79 4,39 12 0,12 -0,047 0 1 1
    36 Мосмарт 1 12 5 8 1,5 0 0 0 0
    37 Полесье 1 7,93 15 14 1,03 0,003 1 0 1
    38 Провиант 1 0,12 35557 0 0 -0,819 0 0 1
    39 Седьмой континент 1 1,93 0,41 1,52 1,35 0,07 1 0 1
    40 Техносила 1 14 18 10,36 1 0,002 1 1 1
    41 ТОАП 1 7 22 10,83 1,04 0,009 0 0 1

    Примечание: если у компании был зафиксирован дефолт, то коэффициенту принимает значение 1, и 0, если дефолта не было.

    ПРИЛОЖЕНИЕ 2.

    Регрессия по восьми факторам для 41 компании

    Регрессия и остаток DF / Число степеней свободы SS / Сумма квадратов MS = SS / DF F-статистика Significance F / Значимость
    Regression / Регрессия 8 6,250849408 0,781356176 7,133131961 2,17209Е-05
    Residual / Остаток 32 3,505248153 0,109539005 - -
    Total / Итого 40 9,756097561 - - -
    Используемые параметры tStat/ t-статистика P-vaiue / Значимость
    Intercept / Константа 0,354797355 0,281481615 1,260463691 0,216616062
    Коэффициент текущей ликвидности 0,034652978 0,01876389 1,846790732 0,074043212
    Leverage / Финансовый рычаг 1,31819Е-05 4,77939Е-06 2,758072506 0,009529947
    D / EBITDA / Отношение процентного долга к EBITDA 0,044980795 0,018152923 2,477881708 0,018682248
    -0,012377044 0,030936193 -0,40008296 0,691753745
    ROS / Рентабельность продаж -0,530759612 0,375019201 -1,415286499 0,166643428
    NI > 0 / Наличие чистой прибыли -0,02891433 0,164713359 -0,175543319 0,861758855
    Manager / Качество менеджмента -0,266367tl2 0,134861932 -1,975109717 0,056935374
    Histor/ Качество кредитной истории -0,109402928 0,159841844 -0,684444857 0,498621797

    ПРИЛОЖЕНИЕ 3.

    Регрессия по семи факторам для 35 компаний

    Регрессия и остаток DFI Число степеней свободы SS / Сумма квадратов MS = SS / DF F-статистика Significance F / Значимость F
    Regression / Регрессия 7 5,898901667 0,842700238 9,097165886 9,56Е-06
    Residual / Остаток 27 2,501098333 0,092633272 - -
    Total / Итого 34 8,4 - - -
    Используемые параметры Coefficients / Коэффициенты Standard Error / Стандартная ошибка t Stat/ t-статистика P-value / Значимость
    Intercept / Константа 0,473712463 0,25308461 1,871755309 0,072111654
    Коэффициент текущей ликвидности 0,018420061 0,017803477 1,034632774 0,047018946
    Leverage / Финансовый рычаг 0,017110959 0,009674238 1,768713818 0,022823937
    D / EBITDA / Отношение процентного долга к EBITDA 0,046019604 0,021802198 2,110778177 0,014194286
    EBIT / Interest / Отношение EBIT к процентным платежам -0,004583381 0,032996403 -0,13890548 0,89055573
    ROS / Рентабельность продаж -0,582081686 0,483677061 -1,203451088 0,039247801
    Manager / Качество менеджмента -0,174077167 0,138900851 -1,253247659 0,03786026
    Histor / Качество кредитной истории -0,378981463 0,194742843 -1,946061058 0,020243892

    ПРИЛОЖЕНИЕ 4.

    Оценка компаний из выборки по скоринговой модели

    Компания У Коэффициент текущей ликвидности Leverage / Финансовый рычаг D / EBITDA / Отношение процентного долга к EBITDA EBIT / Interest / Отношение EBIT к процентным платежам ROS / Рентабельность продаж Manager / Качество менеджмента Histor / Положительная кредитная история Срок функционирования компании Сумма Класс Верно или нет*
    Аптека 36,6 0 4 6 4 4 6 5 9 3 41 2 1
    Л"Этуаль 0 5 0 0 4 0 5 9 3 26 3 0
    Кора 0 4 8 0 4 0 5 9 3 33 2 1
    Лента 0 1 0 0 4 6 5 9 3 28 3 0
    ОК 0 1 8 4 4 6 5 9 3 40 2 1
    Автомир 0 5 8 0 3 6 5 9 3 39 2 1
    Х5 Retail Group 0 1 8 0 4 5 5 9 3 35 2 1
    Детский мир 0 4 8 4 4 6 5 9 3 43 2 1
    Дикси 0 4 6 0 4 0 5 9 3 31 2 1
    Карусель 0 1 8 0 4 6 5 9 3 36 2 1
    Копейка 0 1 0 0 4 0 5 9 3 22 3 0
    Kosmos Group 0 5 6 0 4 6 5 9 3 38 2 1
    Магнит 0 5 8 8 4 6 5 9 3 48 1 1
    Магнолия 0 0 2 0 2 6 5 9 3 27 3 0
    М.Видео (2007 г.) 0 5 8 4 4 0 5 9 3 38 2 1
    ОАО «НТС» 0 5 0 0 2 6 0 9 3 25 3 0
    Обувь России 0 4 2 4 4 6 5 9 3 37 2 1
    Перекресток (2005 г.) 0 1 6 0 4 5 5 9 3 33 2 1
    Пивдом 0 5 0 0 2 0 0 9 3 19 3 0
    Семья 0 5 8 4 4 6 5 9 3 44 1 1
    Элекам 0 5 4 0 2 0 5 9 3 28 3 0
    Макро 1 4 0 0 4 0 0 9 3 20 3 1
    Престиж-экспресс 1 5 8 0 2 0 0 9 3 27 3 1
    Арбат-Престиж 1 0 4 0 3 0 5 0 3 15 3 1
    Орхидея 1 5 6 0 0 0 0 9 3 23 3 1
    Белый фрегат 1 5 0 0 0 0 5 9 3 22 3 1
    Марта 1 5 0 0 2 0 5 9 3 24 3 1
    Матрица 1 5 0 0 0 0 0 0 3 8 3 1
    Меркурий (Самохвал) 1 5 0 0 2 0 5 9 3 24 3 1
    Миннеско 1 4 0 0 0 0 5 9 3 21 3 1
    Мосмарт 1 5 0 0 3 0 0 0 3 11 3 1
    Полесье 1 5 0 0 2 0 0 9 3 19 3 1
    Седьмой континент 1 5 8 4 3 6 0 9 3 38 2 0
    Техносила 1 5 0 0 0 0 5 9 3 22 3 1
    ТОАП 1 5 0 0 2 0 0 9 3 19 3 1

    * Столбец показывает, верное ли решение мы получили по кредитованию компании согласно скоринговой модели.

    Система оценки клиентов, в основе которой заложены статистические методы. Как правило, это компьютерная программа, куда вводятся данные потенциального заемщика . В ответ выдается результат – стоит ли предоставлять ему кредит . Название скоринг происходит от английского слова score, то есть «счет».

    Существуют четыре вида скоринга:

    • application-scoring (дословный перевод с английского - «скоринг заявки, обращения») - оценка кредитоспособности заемщиков при выделении кредита. Это самый распространенный и известный клиентам вид скоринга. В его основе лежат первичный сбор анкетных данных заемщика, их обработка компьютером и вывод результата: предоставлять заем или нет;
    • collection-scoring – система скоринга на стадии работы с невозвращенными займами. Определяет приоритетные действия сотрудников банка для возврата «плохих» кредитов. Фактически программа позволяет предпринять ряд шагов по работе с невозвращенными долгами, например от первичного предупреждения до передачи дела коллекторскому агентству. Считается, что в процессе такой обработки порядка 40% клиентов ссылаются на забывчивость и возвращают кредит;
    • behavioral-scoring , «скоринг поведения» - оценка наиболее вероятных финансовых действий заемщика. Такая система дает возможность прогнозировать изменение платежеспособности заемщика, корректировать установленные для него лимиты. Основой анализа могут служить действия клиента за определенный период, например операции по кредитной карте ;
    • fraud-scoring – статистическая оценка вероятности мошеннических действий со стороны потенциального заемщика. Такой скоринг, как правило, используется совместно с другими видами исследования клиентов. При этом считается, что до 10% невозвратов по кредитам связаны в России с откровенным мошенничеством и этот показатель растет.

    Многие скоринговые системы не только обрабатывают введенные данные, но и способны к самообучению: они учитывают модель поведения уже принятых на обслуживание клиентов, чтобы корректировать свою оценку будущих заемщиков.

    На рынке программного обеспечения для банков существуют готовые решения. Самые известные западные программы - SAS Credit Scoring, EGAR Scoring, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine (SPSS). Среди российских разработчиков выделяются Basegroup Labs, «Диасофт», известна украинская компания "Бизнес Нейро-Системы". В то же время многие банки разрабатывает свои собственные системы.

    Скоринговые системы позволяют снизить издержки и минимизировать операционный риск за счет автоматизации принятия решения, сокращают время обработки заявок на предоставление кредита, дают возможность банкам проводить свою кредитную политику централизованно, обеспечивают дополнительную защиту финансовых организаций от мошенничества. В то же время скоринг имеет и ряд недостатков: часто решение системы основано на анализе данных, предоставленных исключительно самим заемщиком. Кроме того, скоринговые системы необходимо постоянно дорабатывать и поддерживать, т. к. они учитывают только прошлый опыт и реагируют на изменения социально-экономической ситуации с запозданием.

    Включайся в дискуссию
    Читайте также
    Что такое капитализация вклада и капитализация процентов по вкладу?
    Заявление на страхование осаго страхование
    Зойкина квартира краткое содержание