Скоринговая система коммерческих банков - это механизм отбора потенциальных заемщиков путем экспертной проверки факторов, влияющих на платежеспособность и риск невозврата полученных взаймы денежных средств. Используемые механизмы для оценки уровня благонадежности клиентов зависят в первую очередь от выбранной финансовым учреждением схемы кредитования. В отдельных коммерческих банках сотрудники кредитного отдела и службы безопасности могут выдвигать совершенно уникальные требования к потенциальным клиентам.
Предлагаем Вашему вниманию 4 банка, в которых можно получить кредит с плохой кредитной историей:
Процентная ставка
от 9.5%
Срок
до 5 лет
Сумма
до 700 тыс.руб.
Получение кредита в день обращения в банк
Процентная ставка
от 7.5%
Срок
до 5 лет
Сумма
до 1 млн.руб.
Моментальное решение; погашение без комиссии
Процентная ставка
от 10.5%
Срок
до 7 лет
Сумма
до 4 млн.руб.
Банк принимает решение по заявке за 3 минуты
Классическая банковская система оценки заемщиков
Экспертная оценка обычно начинается с изучения представленной заемщиком в заявке информации. Если речь заходит о предоставлении крупных кредитов, представители финансового учреждения могут настоять на личной встрече с клиентом. Во время подобного собеседования кредитный менеджер произведет визуальную оценку заемщика, отметив возможные внешние признаки серьезных заболеваний, эмоциональной нестабильности или несоответствия некоторым из данных, предоставленных в первоначальной анкете.
Классическая система для оценки будущих заемщиков работает следующим образом:
- Клиент лично общается с опытным кредитным менеджером или сотрудником службы безопасности банка.
- Заемщик заполняет заявку, в которой предоставляет персональные данные.
- Кредитный менеджер подает в Бюро кредитных историй - орган, осуществляющий деятельность по формированию, хранению и обработке кредитных историй">Бюро кредитных историй заявку на получение необходимых для последующего анализа данных о предыдущих обязательствах лица, претендующего на получение займа.
- Представитель кредитной организации в ходе собеседования задает несколько простых вопросов, от достоверности ответов на которые будет зависеть соответствие заемщика критериям коммерческого банка.
- Специалист выносит вердикт после изучения полученных конфиденциальных данных.
Традиционные методы оценки платежеспособности заемщиков идеально подходят для крупных коммерческих банков, имеющих возможность открыть департаменты, занимающиеся экспертным исследованием документов. Подобные схемы скоринга и Андеррайтинг - изучение вероятности погашения или непогашения кредита. Данная процедура проводится банком, принимающим решение о выдаче кредита, и предполагает определение платежеспособности и кредитоспособности потенциального заёмщика">андеррайтинга активно используются кредиторами, которые выдают долгосрочные целевые займы. В среднем на изучение поступающей от клиента заявки уходит до 36 часов. Если речь заходит об обеспеченных кредитах, для получения которых необходимо дополнительно произвести оценку залогового имущества и проверку платёжеспособности поручителя, рассмотрение заявки может затянуться на 7 дней.
Как работает скоринговая система?
Современные автоматизированные скоринговые системы созданы в целях ускорения процедуры кредитования. Их используют коммерческие банки на этапе эмиссии кредитных карт и различные небанковские учреждения, нацеленные на выдачу экспресс-кредитов. Процедура скоринга, то есть проверки платежеспособности, базируется на использовании специализированного отраслевого программного обеспечения, алгоритмы которого настроены на изучение отдельных критериев и проверку соответствия предоставленной заемщиком информации текущим условиям сделки.
Автоматизация скоринговых процессов позволяет:
- Ускорить рассмотрение анкет, поступающих от потенциальных клиентов.
- Уменьшить штат сотрудников кредитной организации.
- Перевести процедуру заполнения, подачи и обработки заявок на кредитование в виртуальную плоскость.
- Сократить риск отказа в кредитовании.
- Снизить риск возникновения ошибок сотрудников банка, вызванных человеческим фактором.
- Создать стандартизированную и унифицированную систему оценки будущих заемщиков.
Компании, предоставляющие небольшие потребительские кредиты и пластиковые карты, на ежедневной основе обрабатывают огромные потоки заявок. В подобных условиях практически невозможно обеспечить индивидуальный подход для работы с каждым потенциальным клиентом. Алгоритм автоматизированной системы скоринга основан на использовании ряда простых параметров, позволяющих произвести тщательную оценку заемщиков. Первостепенной обычно является информация, связанная с паспортными и платежными данными.
Как гарантированно пройти скоринг в банке?
Чтобы получить кредит после проверки платежеспособности, заемщику достаточно предоставить достоверные сведения, подкрепив их указанными в условиях будущей сделки документами. Программное обеспечение с помощью общедоступных статистических, аналитических и математических методов оценивает вероятность погашения определенного кредита, но в целях ускоренного приятия решений по полученным потоковым заявкам некоторые кредиторы отказываются от обработки справок о доходах и банковских выписок. Наличие дополнительных данных повышает полученный коэффициент. Если для заключения сделки достаточно минимального балла, сопутствующие документы не требуются.
На оценку платежеспособности влияет:
Таким образом, на расчет рейтинга и результат решения по кредиту в рамках системы скоринга влияет кредитная история и финансовая стабильность потенциального заемщика. Опосредствованно уровень кредитного рейтинга могут изменить такие факторы, как семейное положение или возраст клиента.
Некоторые организации учитывают обстоятельства, которые не зависят от клиента. Алгоритмы скоринговых машин могут корректироваться с учетом экономической ситуации и политической обстановки в регионе, типа и размера кредитного продукта, а также наличия или отсутствия негативных тенденций в сфере кредитования.
Скоринговые машины банка невозможно обмануть, ведь даже случайно допущенная ошибка на этапе заполнения заявки приводит к отказу в кредитовании. Для прохождения проверки клиенту придется предоставить конфиденциальные данные. Кредитор гарантирует сохранность секретной информации. Алгоритм направлен на обработку не только полученных ответов. Подобная система позволяет собирать и анализировать полезную статистику, дающую уникальную возможность спрогнозировать платежное поведение потенциального клиента.
Вас также может заинтересовать:
Аннуитетный и дифференцированный платеж - в чем разница?
Вопрос платежа по кредиту всегда является принципиальным для любого человека, который планирует взять денежный займ, или уже взял его. Подробно рассматриваем отличия аннуитетного и дифференцированного платежей. Зная эти отличия, вы сможете выбрать для себя оптимальный вариант кредитования.
Термин «скоринг» в дословном переводе с английского языка означает «подсчет очков». Так называют систему и метод оценки рисков по кредитованию конкретного лица, управления рисками на основе математического прогноза. Банковский скоринг позволяет определить вероятность просрочки выплат, основываясь на информации из кредитной истории и на некоторых других данных. Основным критерием являются баллы, которые раньше начислялись сотрудниками кредитно-финансовых учреждений вручную, а сейчас все чаще рассчитываются специальной программой.
Скоринг эффективно работает в сфере экспресс-кредитования, микрофинансирования, где на рассмотрение заявки у специалиста есть не более часа. В специальную программу заводятся данные потенциального заемщика. Система сравнивает информацию со статистикой. Например, если в базе данных много сведений о том, что люди такого же возраста и/или профессии не возвращали кредиты, то решение может быть отрицательным - банк может отказать без объяснения причин.
Оценка кредитоспособности заемщика − физического лица − в автоматическом режиме основывается на анализе различной информации, среди которой:
- идентификационные данные . Обрабатываются данные паспорта, фото заявителя. Уже на этом этапе определяются мошенники, лица, имеющие плохую кредитную историю;
- социальное положение . Учитывается пол, возраст заявителя, его образование и место работы. Принимается во внимание адрес регистрации и проживания, наличие семьи, иждивенцев;
- финансовое положение . В идеальном варианте необходимо иметь не только достаточный, но и регулярный доход. Некоторые банки учитывают также возможные траты: оплату коммунальных услуг, детского сада и т. д. Многие заявители идут на хитрости, не заявляя об иждивенцах или завышая суммы доходов. При небольших займах это может сработать, но при крупных кредитах банки обычно проверяют данные намного тщательнее;
- кредитная история . В оценке кредитоспособности физического лица информация по предыдущим займам имеет одно из решающих значений. Определяются непогашенные кредиты, наличие просрочек и время, в течение которого они были выплачены. Если ссуды обслуживались аккуратно, то система выдаст высокую вероятность такого же поведения клиента в будущем, увеличив скоринговый балл. Такой же принцип работает и в обратную сторону;
- транзакционное поведение . Параметр оценки доступен для заявителей, являющихся клиентами кредитно-финансового учреждения. Держатели пластиковых карт, депозитных счетов, участники зарплатных проектов чаще получают высокую скоринговую оценку. Системой оцениваются суммы, на которые совершаются покупки, категории точек продаж.
Все данные проверяются по отдельности и сравниваются между собой на наличие противоречий. Должна быть связь между доходами и расходами, должностью и местом проживания и т. д.
Непредвзятость . Скоринговая система оценки кредитоспособности оперирует фактами и цифрами, не учитывая личностные особенности человека. Сотрудник офиса, принимающий заявку, не может никаким образом повлиять на алгоритм подсчета. Кредитный эксперт не вправе безосновательно отказать в выдаче ссуды, если программа оценила заемщика как платежеспособное лицо.
Оперативность . Подсчет баллов в ручном режиме выполняется в форме таблицы. В отдельные строки специалист самостоятельно вводит данные и присваивает баллы, ориентируясь только на собственный опыт и знания. Процесс трудоемкий и долгий, заявителям приходится ждать по часу и более. Современные программы подсчитывают скоринговый балл в сотни раз быстрее.
Финансовая выгода . Банки, использующие скоринговую систему оценки кредитоспособности, часто предлагают более выгодные условия предоставления ссуд. Просчет рисков и автоматический отсев возможных неплательщиков значительно снижает долю невозврата, которую обычно закладывают в процентную ставку. Это выгодно и заемщику, и кредитору.
В первую очередь необходимо сформировать хорошую кредитную историю, без просрочек. Если своевременные выплаты невозможны по объективным причинам, необходимо как можно раньше сообщить об этом в банк и доказать временную неплатежеспособность. Большинство кредиторов идут навстречу клиентам, предоставляя отсрочки платежа, делая перерасчет или предлагая другие решения. В этом случае история не будет испорчена отказами выплат. Если негативные строчки в истории уже есть, их можно компенсировать своевременно выплаченными кредитами.
Еще один способ, позволяющий повысить скоринговую оценку кредитоспособности, - наличие депозита. Открытый вклад в банке дает понять, что у клиента есть средства для выплаты. То же самое относится к держателям зарплатных карт, которые обычно имеют высокий балл.
Чтобы повысить оценку, необходимо внимательно отнестись к заполнению заявления. Рекомендуется указывать достоверные контактные данные и предупредить всех, чьи телефоны вы вписываете в анкету. Если сотрудник банка начнет прозвон, он должен дозвониться до всех абонентов. В противном случае информацию могут признать недостоверной и отказать из-за этого в кредитовании.
Если вам отказали в ссуде по причине того, что программа скоринга сочла вас некредитоспособным, не стоит отчаиваться. Возможно, настройки алгоритма неблагоприятны для вас только в этом банке. Чтобы проверить это, попробуйте пройти скоринг в нашего сайта.
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.
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.
Оценка кредитоспособности клиента проводится в кредитном отделе банка на основе информации о способности клиента получать доход, достаточный для своевременного погашения кредита, о наличии у заемщика имущества, которое при необходимости может служить обеспечением выданного кредита, и т.д. Кроме того, банковский работник обязан анализировать рыночную конъюнктуру, тенденции ее изменения, риски, которые испытывают банк и его клиент, и прочие факторы. Источниками информации об индивидуальном заемщике могут быть сведения с места работы, места жительства и т.п.
Оценка кредитоспособности физического лица основана на соотношении запрашиваемой заемщиком ссуды и:
Личного дохода заемщика;
Общей оценке финансового положения заемщика;
Стоимости его имущества;
Состав семьи;
Личностные характеристики;
Кредитная история.
При оценке кредитоспособности физических лиц банки, как правило, руководствуются своими внутренними нормативными документами. Однако, можно выделить 4 основных метода оценки кредитоспособности физического лица коммерческим банком:
1. Скоринговая (бальная) оценка кредитоспособности;
2. Оценка кредитоспособности по платежеспособности (уровню дохода)
3. Оценка кредитоспособности по кредитной истории;
4. Андеррайтинг.
Скоринговая (бальная) оценка кредитоспособности
Во всех странах с развитой системой финансовых услуг кредиты выдаются только тем заемщикам, кто прошел специальную процедуру оценки кредитоспособности, называемую кредитным скорингом. В настоящее время многие российские банки применяют формальный подход к оценке кредитоспособности физических лиц. Данный подход основывается на определении возможности погашения кредита, исходя из размера дохода клиента. Решение вопроса о предоставлении кредита и рассмотрение условий кредитования осуществляются кредитным комитетом банка. При этом данные решения основываются на субъективном мнении отдельных членов кредитного комитета о риске кредитования отдельных категорий физических лиц и не всегда отражают реальной картины. Решить названные проблемы возможно с помощью аналитических методов обработки данных, реализующих скоринговый механизм оценки кредитоспособности заемщиков.
Кредитный скоринг - быстрая, точная и устойчивая процедура оценки кредитного риска, имеющая научное обоснование.
Скоринг является математической или статистической моделью, которая соотносит уровень кредитного риска с параметрами, характеризующими заемщика - физическое или юридическое лицо. Моделей скоринга множество, каждая из них использует свой набор факторов, характеризующих риск, связанный с кредитованием заемщика, и получает в результате пороговую оценку, которая и позволяет разделять заемщиков на «плохих» и «хороших». Смысл кредитного скоринга заключается в том, что каждому соискателю кредита приписывается свойственная только ему оценка кредитного риска. Сравнение значения кредитного скоринга, полученного для конкретного заемщика, со специфичной для каждой модели скоринга пороговой оценкой помогает решить проблему выбора при выдаче кредита, разделяя заемщиков на два класса (тех, кому кредит выдать можно, и тех, кому он «противопоказан»). Применение кредитного скоринга дает банкам следующее:
Уменьшение риска невозврата кредита, сокращение числа «плохих» кредитов и, соответственно, снижение уровня просроченной задолженности;
Увеличение кредитного портфеля за счет сокращения количества субъективных отказов по кредитным заявкам;
Ускорение процесса принятия решений о выдаче кредита;
Возможность создания специфических кредитных продуктов на основе анализа рыночных ниш;
Помощь кредитным инспекторам и аналитикам, предоставляя им информационную поддержку в принятии решений.
Задача оценки кредитоспособности физических лиц является неформализованной задачей. Для решения данной задачи целесообразно применять гибридные экспертные системы. Задача оценки может быть представлена в виде :
где M - комплексная оценка объекта; X - набор показателей, характеризующих состояние объекта; K - набор критериев, по которым оцениваются значения показателей и рассчитывается М (критерии могут быть количественными или качественными, это зависит от характера показателей деятельности объекта); F - некоторая функция, по которой на основе значений первичных показателей и критериев можно получить обобщенную оценку объекта. Функция неформализована и может быть не до конца известной. Для решения задачи оценки необходимо восстановить вид функции F. Применение гибридной модели подразумевает декомпозицию задачи на подзадачи.
Разработанная модель скоринговой системы состоит из пяти блоков (см.рисунок1):
1) социальное положение;
2) экономическое положение;
3) имущественное положение;
4) параметры кредитной сделки;
5) оценка деловой репутации.
Каждый блок модели характеризуется соответствующим набором показателей (факторов), определяющих состояние клиента-заемщика с различных сторон, и методом решения (смотрите рисунок 1-6). Значения показателей определяются на основании анкеты заемщика (таблица 2) и заключения службы безопасности банка. Значение каждого блока модели определяется одним из доступных методов решения, а именно:
Формулой;
Нейронной сетью;
Продукционной экспертной системой.
Таблица 2. Пример формы анкеты заемщика (в скобках указаны баллы)
|
ТЕСТ-АНКЕТА КЛИЕНТА |
|
1. Сведения о Клиенте |
|
1.1. Пол: муж (0), жен (1). |
|
1.2. Возраст: 20-30 лет (1), 30-*5 лет (2), 45-60 лет (1). |
|
1.3. Семейное положение: женат (замужем) (1), холост (не замужем) (1), разведен(а) (0), вдовец(ва) (0). |
|
1.4. Брачный контракт: есть (1), нет (0). |
|
1.5. Иждивенцы: есть (0), нет (3), из них дети: 1 (-1), 2 (-2), 3 (-3) |
|
1.6. Проживает: в собственном жилье (2), по найму (1), у родственников (0). |
|
1.7. Место проживания (регистрация): Санкт-Петербург, Лен. область (3), другой регион (0). |
|
2. Сведения о занятости Клиента |
|
2.1. Образование: среднее (0), техническое (1), высшее (2). |
|
2.2. Сотрудник Банка (5), сотрудник корпоративного клиента Банка (3). |
|
2.3. Собственное дело (0), работа по найму (2), работа в бюджетной сфере (1). |
|
2.4. Должность: топ-менеджер (3), руководитель (2), служащий (1). |
|
2.5. Среднемесячные расходы по отношению к доходам семьи: до 50% (3), 50-80% (0), более 80% (-3). |
|
3. Кредитная история |
|
3.1. Кредитовались ли Вы ранее: да (1), нет(0). |
|
Где Вы кредитовались: банк-кредитор (1), другой банк (0). |
|
3.2. Имеются ли непогашенные кредиты: да (-5), нет (1). |
|
3.3. Где Вы имеете непогашенные кредиты: банк-кредитор (2), другой банк (0). |
|
4. Активы и обязательства Клиента |
|
4.1. Среднемесячный размер заработной платы за последние 6 месяцев, тенденция к ее изменению: до $1000(0), $1000 -- 2000(3), $2000 -- 3000(5), >$3000 (6), растет (3), стабильна (2), снижается (0). |
|
4.2. Прочие источники дохода; наличие других доходных вложений (наличие ценных бумаг, вкладов): дополнительная заработная плата (1), доходы от сдачи имущества в аренду (1), вклады (2), ценные бумаги (3), прочие доходы (1). |
|
4.3. Наличие обязательств, уменьшающих доходы (платежи по кредиту, прочие задолженности, в том числе алименты, напротив обязательства проставьте ежемесячную сумму): алименты (-2), обязательства по кредиту (-3), удержания по решению суда (-1), страховые выплаты (-1), плата за обучение (-2), прочие (-1). |
|
5. Имущество |
|
5.1. Наличие собственности, владельцем которой Вы являетесь (недвижимость, земельный участок, автотранспорт): приватизированная квартира (3), собственный дом, дача (2) садовый (дачный) участок (1), автомобиль (2), катер (яхта) (3) прочее (-1). |
|
5.2. Страхование собственности (застрахована ли собственность): да(3), нет (0). |
|
6. Сведения о приобретаемой квартире (Заполняется клиентом, желающим приобрести квартиру в кредит) |
|
6.1. Предполагаемая стоимость приобретаемой квартиры: до $25.000 (4), до $50.000 (3), до $75.000 (2), до $100.000 (1), свыше $100.000 (0). |
|
6.2. Срок кредита: 1 год (5), 2 года (4), 3 года (3), 4 года (2), 5 лет (1). |
|
6.3. Начальный капитал (% от стоимости квартиры): 30% (1), 40% (3), 50% (5), >50%(6). |
|
7. Сведения о приобретаемом автомобиле (Заполняется клиентом, желающим приобрести автомобиль в кредит). |
|
7.1. Продажная цена автомобиля в автосалоне: |
|
до $10.000 (3), $10.000 -- 20.000 (2), свыше $20.000 (1). |
|
7.2. Условия хранения автомобиля: гаражный кооператив (3), охраняемая стоянка (2), гараж во дворе (2), тент-укрытие (1), нет условий (0). |
|
8. Сведения о поручителе (Заполняется клиентом, желающим получить кредит под поручительство юридического лица) |
|
8.1. Поручитель является клиентом Банка: да (5), нет (0). |
|
8.2. Поручитель является работодателем клиента: да (5), нет (0). |
|
9. Дополнительные сведения о Клиенте |
|
9.1. Привлекались ли Вы к уголовной ответственности? да (-10), нет (0). |
|
9.2. Имеются ли решения суда, которые Вы не исполнили? да (-10), нет (0). |
|
9.3. Находитесь ли Вы под судом или следствием? да (-5), нет (0). |
|
9.4. Предъявлены ли к Вам иски в порядке гражданского судопроизводства? |
|
да (-5), нет (0). |
|
9.5. Предпринимаете ли Вы действия по получению кредитов в других банках (кредитных учреждениях)? да (-3), нет (0). |
Рисунок 1 - Модель (дерево) скоринговой системы оценки физических лиц на основе гибридных экспертных систем
В блоках «Социальное положение» и «Экономическое положение» в качестве метода решения используется нейронная сеть, так как в данных узлах невозможно однозначно определить степень влияния входящих в данные блоки факторов на итоговый показатель. Кроме того, для обучения нейронной сети в данных узлах имеется значительная выборка данных (см. рисунок 2, 3).
Рисунок 2 - Блок «Социальное положение» модели скоринговой системы
Рисунок 3 - Блок «Экономическое положение» модели скоринговой системы
В блоках «Имущественное положение» и «Оценка деловой репутации» целесообразно использовать продукционную экспертную систему. Данный метод позволяет получить значения названных блоков с помощью правил, аналогичных рассуждению экспертов (см. рисунок 4).
Рисунок 4 - Блок «Имущественное положение» модели скоринговой системы
Рисунок 5 - Блок «Оценка деловой репутации» модели скоринговой системы
В блоке «Параметры кредитной сделки» методом решения является формула (см. рисунок 6). Данный блок служит для комплексной оценки кредитоспособности физического лица посредством определения его платежеспособности (кредитоспособности на основе доходов) и максимального размера предоставляемого ему кредита. Использование данного узла (или блока) в разработанной скоринговой модели позволяет сочетать традиционный подход к определению кредитоспособности и качественно новый, основанный на гибридной экспертной системе.
Рисунок 6 - Блок «Параметры кредитной сделки» модели скоринговой системы
Итоговая оценка кредитоспособности физического лица определяется по формуле :
Z = 0,15X1 + 0,3X2 + 0,25X3 + 0,3X4 ,
где Z - оценка кредитоспособности; X1 - социальное положение; X2 - экономическое положение; X3 - имущественное положение; X4- оценка деловой репутации; 0,15, 0,3, 0,25,0,3 - весовые коэффициенты соответствующих факторов риска, определяющих кредитоспособность заемщика.
Работа скоринговой системы оценки физического лица должна осуществляться в режиме «черного ящика». Все данные, необходимые для анализа (из справки о заработной плате, анкеты заемщика), вносятся в АБС банка. Для оценки кредитоспособности заемщика список показателей и их значения передаются в аналитический блок, который по результату анализа по настроенному «дереву решения» возвращает в АБС банка категорию качества заемщика. Данная схема представлена на рисунке 7. Для кредитного инспектора, подготавливающего заключение о предоставлении кредита, процесс анализа представлен толь ко в виде присвоенной клиенту категории качества (вероятности дефолта заемщика), на основании которой производится корректировка суммы кредита, либо отказ в кредитовании. Кроме того, в зависимости от присвоенной клиенту категории качества возможно предоставление банку рекомендаций по условиям кредитования (по сумме кредита, сроку кредитования, величине обеспечения возврата кредита). Для решения поставленной задачи необходим универсальный гибридный инструмент, включающий в себя механизмы формирования и настройки дерева решений, различные методы анализа информации, механизмы предобработки данных.Предложенный механизм оценки кредитоспособности физического лица реализованв аналитической информационной системе
Данный подход к оценке кредитоспособности в условиях российской действительности встречает следующие проблемы:
В настоящее время в России отсутствует достаточный объем доступной для исследования информации о кредитоспособноститой или иной группы населения, то есть отсутствует так называемое «кредитное кладбище»;
Кредитоспособность физического лица зависит не только от его наблюдаемых характеристик, но и общей макроэкономической ситуации;
Значительный рост волатильности доходов заемщиков при росте их по абсолютной величине;
В России кредитоспособным является физическое лицо, не только выполнившее свои обязательства, но и заменившее обязательства перед одним кредиторами на обязательство перед другими;
Решения, принятые с использованием системы кредитного скоринга ранее, влияют на решения, принимаемые данной или другой системой впоследствии.
