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.

Понятие скоринговой оценки кредитоспособности клиентов

Определение 1

Скоринг – это статистическая либо математическая модель, с помощью которой используются данные кредитных историй клиентов банк, и в конечном итоге имеется возможность рассчитать вероятность того, что очередной потенциальный ссудозаёмщик вернет полученные средства в срок.

Такая методика оценки заёмщика является взвешенной суммой определённого набора характеристик в очень упрощенном виде. Это необходимо для формирования сводного показателя. Этот показатель далее сравнивается с так называемой линией безубыточности.

Такая оценка платёжеспособности заёмщика нужна для определения интегрального показателя каждого потенциального клиента, и полученный результат необходимо сравнивать с вышеупомянутой линией (соответственно, кредит смогут получить лишь те заёмщики, у которых данный показатель выше линии безубыточности).

Обычно в национальной экономике банки используют адаптированные модели скоринговых оценок кредитоспособности физического лица, которые приспособлены к российским условиям.

Сначала дается предварительная оценка возможности получения ссуды, основанная на данных анкет-заявлений кредитозаёмщиков. По результатам заполненных анкет-заявлений подписываются протоколы оценок возможности предоставления кредитов.

Пример 1

Если размер баллов меньше 30, в протоколах фиксируется отказ в предоставлении кредита, если же было набрано больше 30 баллов, то на следующем этапе риск оценивают более тщательным образом с учётом дополнительных опросов.

Преимущества и недостатки скоринговой оценки кредитоспособности

Скоринговые методики и модели позволяют:

  • снизить риск невозврата кредита;
  • принять решения по выдаче кредита быстро и беспристрастно;
  • позволяют эффективно управлять кредитным портфелем;
  • не нужно затрачивать много времени на обучение сотрудников кредитного отдела;
  • есть возможность провести экспресс-анализ заявки на кредит в присутствии клиента.

К ограничениям скоринговой мотодики следует отнести то, что она может применятся только в отношении информации о тех клиентах, которым банк уже выдавал ссуду. Также сотрудникам банка приходится периодически проверять качество методики и анализа и разрабатывать новую методику скоринга.

Дальнейшее улучшение скоринговой методики позволит расширить и изменить перечень оцениваемых характеристик кредитов.

При ипотечном кредитовании граждан используется андеррайтинг заёмщика, самое важное – это оценка своевременного взноса платежей по кредиту. Оценивается отношение размера ежемесячных обязательств заёмщика к совокупному семейному доходу за тот же период и т.п.

Процесс проведения скоринговой оценки кредитоспособности ссудозаёмщиков

Обычно для анализа кредитоспособности потенциального заёмщика запрашиваются:

  • копия документов, удостоверяющего личность заёмщика;
  • подтверждение доходов клиента: справка по форме 2-НДФЛ, копия налоговой декларации по форме 3-НДФЛ;
  • Дополнительно также могут запросить документы собственности на имущество и прочие, которые могут подтвердить платёжеспособность и деловую репутацию клиента.

Специалисты банка проводят анализ платёжеспособности индивидуального заёмщика на базе данных о среднемесячном доходе и размерах удержаний за предшествовавшие шесть месяцев, а также сведений на основании анкеты. Результат вычисляется как среднемесячный доход за вычетом всех обязательных платежей и корректируется на поправочный коэффициент, который различается в зависимости от величины дохода (от 0,3 до 0,6). Чем больше доход, тем больше корректировка.

Замечание 1

На данный момент, наиболее универсальным методом оценки кредитоспособности является метод оценки финансового положения клиента.

Для снижения и контроля рисков, банки должны ежеквартально проводить оценку финансового состояния заёмщика.

В качестве совершенствования оценки кредитоспособности физических лиц предлагается использовать скоринговую систему при определении объёмов выдаваемых кредитов.

Кредитные баллы предназначены для измерения риска дефолта потенциального заёмщика с учётом различных факторов кредитной истории. Формулы для расчёта кредитных баллов обычно западными банками не раскрываются, но, в целом используются следующие компоненты, которые можно рассмотреть в качестве применимого опыта:

  1. 35% составляет кредитная история – наличие или отсутствие компрометирующей информации. Банкротство, залоги, судебные решения, соглашения, конфискации, выкуп имущества, просроченные платежи могут стать причиной отказа в выдаче кредита.
  2. 30% приходится на долговую нагрузку – эта категория рассматривает ряд конкретных измерений долговой нагрузки, включая количество счетов с овердрафтами, существующие кредитные обязательства, покупки в рассрочку.
  3. 15% доля приходится на срок кредитной истории – средний период кредитования и срок первоначального кредита.
  4. 10% составляет оценка используемых типов кредита (рассрочка, офердрафты, потребительское кредитование, ипотека), показывает историю управления различным видами кредитов.
  5. 10% доля оценки приходится на количество запросов на выдачу кредита – рейтинг заёмщика снижается, если запросы были сделаны в больших количествах в последнее время (14–45 дней).

Скоринговые модели должны быть основаны на актуальных данных и быстро перенастраиваться при изменении кредитной политики банка.

В работе скоринговой модели большую роль играет бюро кредитных историй. Необходимо изучить кредитную историю потенциального заёмщика и супруги(а) заявителя. Все виды доходов и расходов заёмщика должны быть документально подтверждены.

Пример 2

Кредиты не должны выдаваться гражданам, у которых выплаты по исполнительным документам в размере 50 и более процентов чистого дохода. Также в обеспечение ссуд не должно приниматься поручительство физического лица, у которого размеры удержаний из заработной платы равны или превышают 50 процентов чистых доходов.

На рисунке 1 представлена информация, разработанная зарубежными банками для получения информации о цели кредита, личных особенностях заёмщика и кредитной истории заёмщика.

Рисунок 1. Переменные, используемые в скоринговых моделях оценки кредитоспособности заёмщиков. Автор24 - интернет-биржа студенческих работ

При оценкекредитных рисков потенциальных заёмщиков принимается во внимание ряд факторов:возраст, семейное положение и образование, количество его/её иждивенцев, место проживания клиента, профессия, стаж, опыт работы в текущее время. А также следующая финансовая информация: регулярные доходы клиента и обязательства; кредитная история, которая включает в себя такие факты, как качественное погашение кредита; предыдущее позитивное сотрудничество с банком, если клиент уже является клиентом банка.

Понятие скоринговой оценки кредитоспособности клиентов

Определение 1

Скоринг – это статистическая либо математическая модель, с помощью которой используются данные кредитных историй клиентов банк, и в конечном итоге имеется возможность рассчитать вероятность того, что очередной потенциальный ссудозаёмщик вернет полученные средства в срок.

Такая методика оценки заёмщика является взвешенной суммой определённого набора характеристик в очень упрощенном виде. Это необходимо для формирования сводного показателя. Этот показатель далее сравнивается с так называемой линией безубыточности.

Такая оценка платёжеспособности заёмщика нужна для определения интегрального показателя каждого потенциального клиента, и полученный результат необходимо сравнивать с вышеупомянутой линией (соответственно, кредит смогут получить лишь те заёмщики, у которых данный показатель выше линии безубыточности).

Обычно в национальной экономике банки используют адаптированные модели скоринговых оценок кредитоспособности физического лица, которые приспособлены к российским условиям.

Сначала дается предварительная оценка возможности получения ссуды, основанная на данных анкет-заявлений кредитозаёмщиков. По результатам заполненных анкет-заявлений подписываются протоколы оценок возможности предоставления кредитов.

Пример 1

Если размер баллов меньше 30, в протоколах фиксируется отказ в предоставлении кредита, если же было набрано больше 30 баллов, то на следующем этапе риск оценивают более тщательным образом с учётом дополнительных опросов.

Преимущества и недостатки скоринговой оценки кредитоспособности

Скоринговые методики и модели позволяют:

  • снизить риск невозврата кредита;
  • принять решения по выдаче кредита быстро и беспристрастно;
  • позволяют эффективно управлять кредитным портфелем;
  • не нужно затрачивать много времени на обучение сотрудников кредитного отдела;
  • есть возможность провести экспресс-анализ заявки на кредит в присутствии клиента.

К ограничениям скоринговой мотодики следует отнести то, что она может применятся только в отношении информации о тех клиентах, которым банк уже выдавал ссуду. Также сотрудникам банка приходится периодически проверять качество методики и анализа и разрабатывать новую методику скоринга.

Дальнейшее улучшение скоринговой методики позволит расширить и изменить перечень оцениваемых характеристик кредитов.

При ипотечном кредитовании граждан используется андеррайтинг заёмщика, самое важное – это оценка своевременного взноса платежей по кредиту. Оценивается отношение размера ежемесячных обязательств заёмщика к совокупному семейному доходу за тот же период и т.п.

Процесс проведения скоринговой оценки кредитоспособности ссудозаёмщиков

Обычно для анализа кредитоспособности потенциального заёмщика запрашиваются:

  • копия документов, удостоверяющего личность заёмщика;
  • подтверждение доходов клиента: справка по форме 2-НДФЛ, копия налоговой декларации по форме 3-НДФЛ;
  • Дополнительно также могут запросить документы собственности на имущество и прочие, которые могут подтвердить платёжеспособность и деловую репутацию клиента.

Специалисты банка проводят анализ платёжеспособности индивидуального заёмщика на базе данных о среднемесячном доходе и размерах удержаний за предшествовавшие шесть месяцев, а также сведений на основании анкеты. Результат вычисляется как среднемесячный доход за вычетом всех обязательных платежей и корректируется на поправочный коэффициент, который различается в зависимости от величины дохода (от 0,3 до 0,6). Чем больше доход, тем больше корректировка.

Замечание 1

На данный момент, наиболее универсальным методом оценки кредитоспособности является метод оценки финансового положения клиента.

Для снижения и контроля рисков, банки должны ежеквартально проводить оценку финансового состояния заёмщика.

В качестве совершенствования оценки кредитоспособности физических лиц предлагается использовать скоринговую систему при определении объёмов выдаваемых кредитов.

Кредитные баллы предназначены для измерения риска дефолта потенциального заёмщика с учётом различных факторов кредитной истории. Формулы для расчёта кредитных баллов обычно западными банками не раскрываются, но, в целом используются следующие компоненты, которые можно рассмотреть в качестве применимого опыта:

  1. 35% составляет кредитная история – наличие или отсутствие компрометирующей информации. Банкротство, залоги, судебные решения, соглашения, конфискации, выкуп имущества, просроченные платежи могут стать причиной отказа в выдаче кредита.
  2. 30% приходится на долговую нагрузку – эта категория рассматривает ряд конкретных измерений долговой нагрузки, включая количество счетов с овердрафтами, существующие кредитные обязательства, покупки в рассрочку.
  3. 15% доля приходится на срок кредитной истории – средний период кредитования и срок первоначального кредита.
  4. 10% составляет оценка используемых типов кредита (рассрочка, офердрафты, потребительское кредитование, ипотека), показывает историю управления различным видами кредитов.
  5. 10% доля оценки приходится на количество запросов на выдачу кредита – рейтинг заёмщика снижается, если запросы были сделаны в больших количествах в последнее время (14–45 дней).

Скоринговые модели должны быть основаны на актуальных данных и быстро перенастраиваться при изменении кредитной политики банка.

В работе скоринговой модели большую роль играет бюро кредитных историй. Необходимо изучить кредитную историю потенциального заёмщика и супруги(а) заявителя. Все виды доходов и расходов заёмщика должны быть документально подтверждены.

Пример 2

Кредиты не должны выдаваться гражданам, у которых выплаты по исполнительным документам в размере 50 и более процентов чистого дохода. Также в обеспечение ссуд не должно приниматься поручительство физического лица, у которого размеры удержаний из заработной платы равны или превышают 50 процентов чистых доходов.

На рисунке 1 представлена информация, разработанная зарубежными банками для получения информации о цели кредита, личных особенностях заёмщика и кредитной истории заёмщика.

Рисунок 1. Переменные, используемые в скоринговых моделях оценки кредитоспособности заёмщиков. Автор24 - интернет-биржа студенческих работ

При оценкекредитных рисков потенциальных заёмщиков принимается во внимание ряд факторов:возраст, семейное положение и образование, количество его/её иждивенцев, место проживания клиента, профессия, стаж, опыт работы в текущее время. А также следующая финансовая информация: регулярные доходы клиента и обязательства; кредитная история, которая включает в себя такие факты, как качественное погашение кредита; предыдущее позитивное сотрудничество с банком, если клиент уже является клиентом банка.

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:

  1. Клиент лично общается с опытным кредитным менеджером или сотрудником службы безопасности банка.
  2. Заемщик заполняет заявку, в которой предоставляет персональные данные.
  3. 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.
  4. Представитель кредитной организации в ходе собеседования задает несколько простых вопросов, от достоверности ответов на которые будет зависеть соответствие заемщика критериям коммерческого банка.
  5. 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.

Кредитный риск представляет собой основной банковский риск, управление которым является ключевым фактором, определяющим эффективность деятельности банка. Обычно банки формируют значительную часть своих доходов за счет кредитной деятельности, поэтому особую актуальность представляет оценка потенциальной прибыли по отношению к вероятности непогашения кредита. В узком смысле кредитный риск определяется как существующий для кредитора риск невозврата кредитополучателем заимствованных средств.

В последнее время в нашей стране наблюдается интенсивный рост рынка кредитования и, в частности, сектора кредитования физических лиц. Это неизбежно приводит к увеличению кредитных рисков, которые принимают на себя как отдельные кредитно-финансовые институты, так и банковская система страны в целом.

Рост рисков обуславливается одновременно расширением контингента заемщиков и увеличением объемов кредитования. В этой ситуации качество управления кредитными рисками в розничном кредитовании приобретает особую актуальность и становится одним из факторов повышения конкурентоспособности кредитного учреждения на рынке банковских услуг.

При выдаче кредита банк, прежде всего, интересует кредитоспособность потенциального заемщика, то есть способность полностью и в срок рассчитаться по своим долговым обязательствам. Именно задаче выбора кредитоспособных заемщиков в основном и служат скоринговые системы.

Само слово scoring переводится с английского как «подсчет очков» и буквально означает побалльную оценку при принятии решения. Это специальная система, придуманная хитрыми заокеанскими финансистами и программистами. Она позволяет быстро и эффективно оценить степень риска потенциального заемщика. Иными словами, скоринговая программа выносит решение – стоит или не стоит давать этому человеку кредит в зависимости от того, наберет ли заемщик определенное количество баллов или нет. Конечно же, это решение принимается не на пустом месте. Оно подкреплено сравнением с теми случаями, что уже есть в базе данных. Упрощенно говоря, программа выявляет всех заемщиков с такими данными и подсчитывает процент возвращенных и невозвращенных ими кредитов, а также степень возможных рисков.

Приоритет формулировки концепции кредитного скоринга обычно отдается Дэвиду Дюрану, который в своем исследовании, опубликованном в 1941 г. в National Bureau of Economic Research, использовал 7200 "хороших" и "плохих" кредитных историй займов с регулярным погашением, предоставленных 37 фирмами. Он применил критерий хи-квадрат (chi-square) для выявления характеристик, которые заметно различали "плохих" от "хороших", и разработал индекс эффективности, предназначенный для демонстрации того, насколько эффективна данная характеристика для дифференциации степени риска ("хороший"/"плохой") среди заявителей на кредиты. Затем он воспользовался дискриминационной функцией для разработки моделей кредитного скоринга.

По данным Fair Isaac, в настоящее время более 90% банков развитых стран используют кредитный скоринг. Все более популярным он становится и среди российских банков.

Итак, первостепенная задача, которую решают при кредитовании с помощью скоринга – это оценка рисков и управление ими на основе прогноза, с какой вероятность конкретный заемщик может просрочить платежи по кредиту, то есть статистический метод оценки кредитоспособности заемщика.

Во вторую очередь скоринг – это процесс автоматизации принятия решения. В процессе предоставления кредита банки заинтересованы в изучении платежеспособности будущего потребителя кредита. Цель этого изучения – моделирование или предсказание вероятности, с которой претендент на кредит может быть отнесен к привлекательным или непривлекательным клиентам.

На практике скоринг выглядит в виде деревьев решений – это модель, строящаяся на логической цепочке правил, которые пытаются описать отдельные взаимосвязи между данными относительно ожидаемого результата. Структура деревьев решений открыто показывает аргументацию правил и поэтому позволяет легко понять процесс принятия решения.

Если кредитная организация будет правильно и адекватно использовать кредитный скоринг, то получит эффективное конкурентное преимущество для поддержания и улучшения своих конкурентных позиций на рынке и выживания в борьбе с конкурентами в течение длительного времени.

У профессиональных банкиров есть пословица: "Скоринговая карта настолько хороша, насколько хороши данные".

При скоринговой оценке учитывается практически все: пол, возраст, профессия, трудовой стаж, наличие семьи и детей, сумм, запрашиваемая в качестве кредита… Возраст кредитоспособного заемщика – как правило, 25–45 лет. Теоретически банки обещают выдавать кредиты и тем, кому 21 год, и тем, кому уже 50. Но на практике все выглядит совсем иначе.

Точно так же дела обстоят и с семейным положением. Банк желает видеть своими клиентами добропорядочных и ответственных граждан. Наличие семьи – это показатель ответственности. Поэтому при прочих равных банк скорее даст кредит женатому клиенту, нежели холостому.

Огромную роль при скоринговой оценке будет играть профессия. Одно дело – быть учителем, который мирно объясняет детишкам, как вычислить дискриминант, и другое дело – быть пожарным, который с риском для жизни этих самых детишек, если что, спасает. При одинаковом доходе, возрасте и семейном положении кредит скорее дадут представителю менее опасной профессии. «Ненадежными» у банков считаются и специальности, связанные со сферой развлечений – в первую очередь игорный и шоу-бизнес. Правда, к работникам кафе и ресторанов банки зачастую относятся лояльно – кушать людям хочется всегда. Но вот к зрелищам пустое брюхо бывает глухо. Так что у официанта будет больше шансов получить кредит, чем у певицы, исполняющей «живую» музыку в том же ресторане.

Не стоит забывать и про финансовый кризис, великий и могучий. Если раньше строители и риэлторы были желанными и надежными клиентами, то сейчас их сферы работы считаются весьма нестабильными. То же самое касается брокеров, трейдеров, работников страховой и туристической отрасли. Поэтому не стоит обижаться на банк, отказавший в кредите – риск слишком высок.

А вот к «бюджетникам» банки сейчас относятся лояльно. Врачи, учителя, преподаватели, некоторые работники милиции (в первую очередь следствия и дознания), даже железнодорожники имеют неплохие шансы получить кредит. «В почете» у многих банков и представители «вневременных» рабочих профессий – парикмахеры, повара, автослесари. Главное – чтобы заемщик был наемным работником.

Бизнесменам среднего уровня в банках не слишком рады: мало того, что свое дело может прогореть, но и хлопот по обслуживанию кредита предприниматели доставляют больше. В случае потери «кресла» с большым доходом сегодня непросто быстро найти новую работу с аналогичным заработком. Чиновникам тоже сложно взять кредит с их небольшой зарплатой: «откаты» в справке 2-НДФЛ, к сожалению, не указываются.

Сведения о месте работы любой уважающий себя банк тоже проверяет. Но делает это уже не с помощью скоринговой программы, а через базы данных Пенсионного фонда (как Сбербанк). Или с помощью собственной службы безопасности, которая может заодно проверить и другие обстоятельства вашей жизни. Например, у идеального заемщика не должно быть судимостей или «темных пятен» в биографии вроде пленения сомалийскими пиратами.

Чтобы стать идеальным заемщиком, нужно порой соответствовать довольно оригинальным требованиям. Например, желательно работать по той специальности, которую вы получили в институте – особенно если вы только недавно этот самый институт закончили. Кстати, с приходом финансового кризиса многим банкам уже не внушает доверия трудовой стаж в 3 месяца работы на одном месте – минимум полгода, а лучше несколько лет. При этом карьерный рост в биографии тоже будет большим плюсом.

Чем больше качеств, совпадающих с портретом идеального заемщика, тем больше шансов на положительный вердикт. Но иногда логика скоринговой программы выдает такие решения, которые неискушенному клиенту кажутся как минимум забавными. Девушка-менеджер, улыбаясь, рассказывает, что ей без проблем дали потребительский кредит, а ее гражданскому мужу в том же банке отказали, хотя возраст, сфера деятельности и доход у них абсолютно одинаковые. Скоринговый анализ показал, что мужчины чаще оказываются неплательщиками, и программа вынесла решение в пользу девушки.

Идеальный заемщик сегодня – это человек 30-40 лет, получающий «белую» зарплату, с супругой (или супругом), имеющий высшее образование и солидный трудовой стаж. «А если этот человек имеет еще и собственность, то это может расцениваться как «спасательный круг» на случай возникновения форс-мажорных ситуаций, от которых сегодня никто не застрахован.

Следует помнить, что банки не прощают обмана. Никогда. Если служба безопасности выясняет, что потенциальный заемщик предоставил заведомо неверные данные (например, форма 2-НДФЛ поручителя «нарисованная»), кредит не дадут.

Главный совет, который банкиры дают заемщикам – говорить о себе правду, только правду и ничего кроме правды. По их словам, не так страшно иметь пять детей, как страшно в анкете указать, что их четыре или три.

Однако, если один банк отказал в кредите, другой вполне может его выдать, ибо у каждого банка – своя кредитная стратегия.

Таким образом, возможный клиент оценивается с помощью скоринговой модели – своеобразного тестера, определяющего математически выраженные характеристики заемщика, указывающие на его способность вовремя выплачивать кредит. Так как основой для кредитного скоринга являются статистические законы, оценка потенциального заемщика не всегда верна. В случае возникновения ошибки банк теряет деньги – либо заемщик не выплачивает кредит, либо банк отказывает потенциальному клиенту незаслуженно.

Преимущества скоринга:
– оптимизация затрат на рассмотрение заявки за счет автоматизации процесса принятия решения и выдаче кредита;
– сокращение времени рассмотрения заявки, увеличение числа и скорости обрабатываемых заявок;
– отсутствие субъективного мнения эксперта при принятии решения о выдаче кредита;
– определение уровня доходности и риска кредитного портфеля и т.п.;
– выявление и предотвращение попыток мошенничества.

Недостатки скоринга:
– программа оценивает не реального человека, а информацию, которую он о себе сообщает, и хорошо подготовленный клиент может представить данные о себе так, что практически гарантированно получит кредит;
– оценка кредитоспособности производится на основании данных о тех заемщиках, кредит которым был выдан. О поведении заемщиков, которым было отказано в выдаче кредитов, можно лишь догадываться.

Кроме того, скоринговые модели требуют постоянной доработки и обновления, так как со временем изменяются как социально-экономические условия и условия кредитования, так и сами люди.

В России же развитие скоринга (в его изначальном значении) ограничивается все еще низкими по западным меркам объемами кредитования, а также быстро меняющимися социально-экономическими условиями. Российские банки и рейтинговые агентства не располагают достаточной информацией о клиентах для того, чтобы выстроить эффективные математические модели, обеспечивающие спрос на розничное кредитование, с одной стороны, и минимизацию банковских рисков – с другой.

Для решения этой проблемы банкам можно предложить действовать двумя способами.

Первый способ – использовать модель, разработанную за рубежом, с ее обязательной адаптацией "калибровкой" к российским реалиям, что потребует и времени, и средств.

Второй способ – отказаться на первоначальном этапе от применения скоринга и выдавать кредиты всем желающим на основании стандартной проверки с целью накопления необходимой кредитной истории. После чего банки смогут на основании этих данных экспертной оценки разработать собственную скоринговую модель, скорее интуитивную, весьма эффективную, но и более дорогостоящую для банка или агентства.

Итак, скоринг представляет собой автоматизированные системы оценки кредитного риска, которые широко используются в США и Западной Европе, а также всё больше набирает популярность в России. 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, имея свои плюсы и минусы, 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.