Фермерское хозяйство
Построение скоринговых моделей. Виды скоринговых моделей Виды скоринга схема

Построение скоринговых моделей. Виды скоринговых моделей Виды скоринга схема

Как уже отмечалось, для построения модели оценки кредитного риска необходим некий набор переменных, к которым предъявляется следующее требование - выбранные переменные должны влиять на кредитоспособность заемщика и «сила» такого влияния не должна быстро изменяться с течением времени. Говоря другими словами, скоринговая оценка основывается на гипотезе, что кредитному качеству заемщика можно сопоставить одно число и что выявленная зависимость указанного числа от факторов риска кредитоспособности стационарна. Сама суть скоринговой системы достаточно проста, но за внешней простотой скоринга скрывается ряд “подводных камней”.

Первый “подводный камень” скоринга - это сложность в определении, какие характеристики следует включать в модель, и какие весовые коэффициенты должны им соответствовать. Именно от выбора исходных данных в большей степени зависит качество итоговой оценки и, в конечном счете, эффективность оценки риска и доходность кредитного портфеля. К этой проблеме имеется несколько подходов, классическим подходом является, безусловно, обучающая выборка компаний-клиентов, о которых уже известно, хорошими заемщиками они себя зарекомендовали или нет. Помимо этого, предъявляются определенные требования и к размеру выборки - он должен быть адекватным сложности создаваемой модели. В большинстве моделей, которые обсуждаются в литературе, это требование выполняется лишь частично. Например, в широко известной модели Альтмана, которая оценивает кредитоспособность крупных заемщиков, количественный состав обучающей выборки был явно мал - всего 22 переменные. В целом, размер выборки не является проблемой в западных странах, однако в нашей стране для разработки действительно эффективной системы нужны исторические данные по выданным кредитам, что является проблемой для многих российских банков. Для этого банкам нужно выдать кредиты, оценить, какая часть из них является «хорошей», а какая «плохой» (кредиты не были возвращены) и только после этого банк может приступить к созданию системы скоринга. В этих условиях значимость информации, сохраняемой в БКИ, существенно возрастает. В силу сказанного можно сделать однозначный вывод: от применения “готовых” западных систем к нашим заемщикам нет никаких оснований ожидать повышения эффективности кредитного портфеля.

Как происходит оценка риска невозврата кредитов потенциальными заемщиками? Рассмотрим процедуру оценки на примере юридических лиц. Основная идея заключается в том, что в качестве “характеристик” потенциального заемщика в пространство исходных факторов должны быть включены такие параметры, которые присутствуют у любого юридического лица. Отсюда и делается, казалось бы, вполне логичный вывод - такие параметры есть, и это финансовые индикаторы. Вот второй “подводный камень”: так как по своей сути финансовые индикаторы отражают характеристики потоков денежных средств предприятия и вычисляются на основе данных отчетности, то они достаточно сильно коррелированны, то есть взаимосвязаны между собой. А коррелированность пространства факторов риска не может не сказаться на качестве итоговой оценки, причем, естественно, в худшую сторону, так как размерность пространства просто уменьшается - из множества финансовых коэффициентов можно составить всего несколько агрегированных параметров, которые и будут “настоящими” входными данными скоринговой системы.

В качестве примера, подтверждающего наличие указанной нами проблемы можно привести довольно интересное исследование финских авторов, проведенное после банковского кризиса в Финляндии в 1992 году - “Choosing Bankruptcy Predictors Using Discriminant Analysis, LOGIT Analysis and Genetic Algorithms”, в котором на основе трех методов, используемых в качестве математического аппарата в скоринговых системах, по известным финансовым коэффициентам 37 финских компаний-банкротов был проведен выбор наиболее значимых параметров для данного типа анализа (приложение 2) Скажи, кто твой заемщик, и я скажу кто ты. 08.10.2003:

Данный пример показывает, что из финансовых коэффициентов, количество которых составляет 31 по каждой из 37 компаний-банкротов, достаточно четко можно выделить всего 7 агрегированных факторов, то есть пространство входных данных, из-за взаимосвязанности финансовых коэффициентов между собой, не 31-мерное, а лишь 7-мерное (приложение 2, табл.2).

А теперь обратим внимание на следующий “подводный камень”, который затрудняет процесс создания скоринговых моделей: Как можно заметить из таблицы 4.1., само количество значимых параметров, и, естественно, их веса, непостоянно и меняется от периода к периоду.

Таким образом, модель скоринга с фиксированным количеством параметров не может быть постоянно максимально эффективной в динамике. Причиной этого является тот факт, что за разные временные отрезки до банкротства для описания кредитоспособности заемщиков необходимо разное количество факторов риска.

Таблица 4.1

Выбор значимых переменных для предсказания банкротств и динамика модели

Более того, состав этих факторов изменяется от года к году, что делает крайне затруднительным сбор статистической информации для создания моделей скоринга. Фактически, полученные финскими исследователями данные указывают на необходимость сбора и накопления максимально широкого состава данных, которые потенциально могут быть полезными для моделирования кредитоспособности заемщиков. Естественно, все вышеперечисленные “подводные камни” влияют, прежде всего, на точность итоговой оценки. В вышеупомянутой публикации точность итоговой оценки для моделей скоринговых систем, построенных с применением разных методов, проверялась на той же самой выборке, на которой система и “обучалась”, что делать категорически нельзя, потому что на такой выборке ошибок быть практически и не должно. Однако проверка точности скоринговых оценок, полученных при помощи двух применяемых методов, даже на этих данных показала наличие ошибочных оценок (от 2.7 % до 28.4 % случаев, см. табл. 4.2.).

Приведенные данные можно интерпретировать следующим образом: граница между «хорошими» и «плохими» заемщиками в пространстве факторов риска имеет сложную геометрию. Сложность этой границы определяет высокий уровень требований к используемым для обучения скоринговой модели данным (их составу и количеству), причем геометрия границы такова, что даже нелинейные методы классификации (генетические алгоритмы) дают значительный процент ошибок.

Таблица 4.2.

Точность скоринговых оценок

Безусловно, все перечисленные “подводные камни” сказались на результатах в полной мере. Хотелось бы еще раз подчеркнуть, что изначально целью скоринговой системы является только отнесение потенциального заемщика к одной из двух групп - “хороший” или “плохой”, и скоринг не ставит перед собой цель сравнивать заемщиков одной из этих групп между собой. Однако при неправильном выборе исходных факторов риска или при неучете значимых факторов мы вполне можем столкнуться с ситуацией, когда в пространстве итоговых оценок не выделяются две группы компаний (“хорошая” и “плохая”) или даже с ситуацией, когда выделяются три и больше групп.

На основании приведенных результатов можно сделать следующие выводы:

? Точность итоговой оценки уровня кредитоспособности в очень большой степени зависит от исходных данных (выбора факторов риска и их «весов»).
? Коррелированность пространства факторов риска ухудшает итоговую точность оценки (из-за снижения фактической размерности пространства исходных данных).

К тому же огромные ошибки в итоговых оценках дают право говорить о том, что для скоринга юридических лиц в качестве исходных данных одних только финансовых коэффициентов недостаточно.

Теоретически, для разработки действительно эффективной системы скоринга необходима значительная выборка компаний за несколько лет с уже известными результатами (вернули / не вернули кредит) и “обучение” системы на этой выборке, но в России подобной статистики пока просто не существует. Более того, говоря о значимости информации, сохраняемой в БКИ для создания национальных моделей скоринга нельзя не упомянуть о том, что крайне желательна регламентация той информации, которая собирается в бюро о заемщиках. Отсутствие стандартов на состав предоставляемой информации будет резко обеднять значимость самого закона в контексте скоринга.

В силу того, что на западе системы скоринга имеют уже солидную историю, логично было бы предположить, что их можно свободно применять в нашей стране, не создавая своих собственных. Однако внедрение западных систем в России существенно затруднено. У России есть свои особенности, связанные с нестабильностью экономики страны в целом, «перекосом» в развитии отраслей и межотраслевых связей, большой долей теневых доходов и др., что, соответственно, сказывается на параметрах отдельных потенциальных заемщиков.

Приведенные рассуждения относительно систем скоринга кредитоспособности юридических лиц применимы и для скоринговой оценки физических лиц. В частности, проиллюстрируем конкретным примером сложность использования западных систем скоринга в России (таблица 4.3.). Использование западных систем скоринга затруднено тем, что там одним из самых значимых показателей является возраст потенциального заемщика (для Великобритании, Франции и Германии): чем старше человек, тем его скоринг выше (он трактуется как надежный заемщик). Очевидна логика работы такой системы на Западе - проработавший всю жизнь человек успел накопить как средства, так и кредитную историю. У нас, с очевидностью, эта логика будет инвертированной: чем старше заемщик, тем его скоринг (кредитоспособность) ниже.

Таблица 4.3.

Сравнение показателей скоринга в разных странах для физических лиц

Великобритания	Германия

Количество детей/иждивенцев	Количество детей/иждивенцев	Цель кредита
Профессия	Квалификация	Профессия
Профессия супруга(и)	Семейное положение	Семейное положение
	Способность погашать задолженность	Чистый годовой доход
Доход супруга(и)	Наличие обеспечения	Участие клиента в финансировании сделки
Район проживания
Стоимость жилья	Способ найма жилища	Владение недвижимостью
Наличие телефона	Сфера занятости
Сколько лет живет по данному адресу	Наличное имущество
Великобритания	Германия
	Трудовая деятельность у последнего нанимателя	Сколько лет работает на данной работе
Сколько лет является клиентом данного банка	Кредиты, полученные в банке ранее	Срок кредита
Наличие кредитной карточки/чековой книжки	Информация кредитно-справочного бюро	Сумма на банковском счете

При анализе переменных, включенных в модели скоринга, и их сравнительной значимости, возникает масса и других вопросов (о значимости профессионализма заемщика, о его доходе, о длительности работы на одном месте и.т.д.). Веса этих переменных в западных моделях скоринга сильно отличаются от российских (на примере значимости возраста заемщика можно говорить, что меняется не только вес переменной, но и ее знак).

Еще одной из важных переменных для скорнга физических лиц являются доходы потенциальных заемщиков. В нашей стране, они часто не совпадают с реальными (рис. 4.1.) Черкашенко В.Н. Этот «загадочный» скоринг, Банковское дело, № 3, 2006. Таким образом, не имея достоверной информации и доходах, банки должны уметь оценивать, используя скоринг, соответствие заявленного дохода другим параметрам заявителя. Использование при скоринге заемщиков требований к доказательству своих доходов будет снижать привлекательность банковского кредита для заемщика и те из банков, которые на это пойдут, будут, скорее всего, терять часть своей клиентской базы.

Рис. 4.1.

Однако ситуация далеко не безнадежна, и учиться не на собственном печальном опыте, выдавая “плохие кредиты” и набирая статистику, все-таки можно. Скоринговая система должна “обучаться” на некоторой выборке, а если выборка мала, то можно использовать модели, эту выборку «размножающие» и/или имитирующие, исходя из имеющихся данных. В данном случае можно использовать опыт персонала банка, осуществляющего кредитование населения. Он позволяет сконструировать скоринговые модели, называемые экспертным скорингом. Для этого, во-первых, выявляются факторы риска, определяющие кредитоспособность. Во-вторых, на этих факторах риска необходимо сгенерировать выборку «искусственных» заемщиков. Эта выборка может быть предъявлена экспертам, которые превратят ее в обучающую выборку, классифицировав всех заемщиков на «плохих» и «хороших». После этого выборка может быть предъявлена программе скоринга для обучения. Понятно, что обучить систему также эффективно, как и на реальных данных, в те же сроки таким образом невозможно, однако данный подход, безусловно, будет гораздо эффективнее, чем “готовые” западные системы.

Более того, внедрение скоринговой методики оценки кредитоспособности заемщиков осложнено сильной дисперсностью наших регионов по условиям социально-экономического развития, система оценки риска будет различаться от региона к региону.

Для группировки регионов России Черкашенко В.Н. в статье «Этот «загадочный» скоринг» 35 были выбраны следующие экономические свойства: темп роста ВРП, отношение инвестиций в регионе к ВРП, объем основных фондов к ВРП, отношение занятого в экономике населения к общей численности населения, отношение экспорта из региона к ВРП, среднедушевые доходы. Эти характеристики, по мнению автора, определяют перспективность регионов для кредитования. Решение о группировке регионов по этим свойствам не является тривиальной задачей - пространство переменных шестимерно, так что «увидеть» структуру, имеющуюся в данных, не представляется возможным. Для решения данной задачи автором был использован метод, который гарантированно обеспечивает одно важнейшее свойство - использованный метод проецирует многомерные образы регионов на плоскость без нарушения свойств образов в исходном пространстве; близкие по используемым свойствам с исходном пространстве остаются близкими и на плоскости. Результаты такого анализа региональной неоднородности РФ приведены на рисунке (Рис. 4.2.).

Те регионы, показатели которых похожи находятся на двумерной карте рядом друг с другом, в соседних ячейках, и окрашены в один и тот же цвет. Как видно из приведенных результатов, регионы России распадаются на 8 групп, которые отличаются по своим свойствам. В контексте скоринговой оценки это означает, что для эффективного скоринга нам необходимо восемь моделей скоринга, структура которых может быть и одинаковой, но вот веса входящих в эти модели факторов риска должны обязательно отличаться.

Рис. 4.2.

В первую группу входят регионы, характеризующиеся высоким уровнем инвестиций, большой долей активного населения и высокими среднедушевыми доходами. Эффективность использования основных фондов там выше среднего. Это означает, что данный кластер привлекателен с точки зрения кредитования как населения, так и экономики.

Таким образом, прямой перенос какой-либо западной модели оценки кредитного скоринга на российскую почву, без основательной переделки, затруднен (фактически, надо создавать восемь новых моделей скоринга для выявленных групп регионов). Черкашенко В.Н. Этот «загадочный» скоринг // Банковское дело, № 3, 2006 г.

Подведем итог сказанному. Для построения скоринговой модели должно быть избыточное количество переменных - факторов, которые характеризуют заемщика. Причем со временем (при изменении макроэкономической ситуации, финансового состояния заемщика) меняется интерпретация данных, возрастает или напротив снижается значимость отдельных факторов. Значения этих факторов, заявляемые заемщиками, особенно по доходам, тоже вызывают сомнения. Поэтому скоринговая модель, учитывая данные факты, должна на основе имеющихся статистических данных уметь высчитывать реальные значения факторов.

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Подобные документы

Анализ платежеспособности заемщика и поручителя. Получение кредита во время кризиса физическим лицом. Совершенствование методики оценки платежеспособности физических лиц. Совершенствование механизма оценки кредитоспособности индивидуальных заемщиков.

дипломная работа , добавлен 29.08.2013

Особенности и теоретических представления бизнес-моделей. Характеристика бизнес-моделей европейских энергокомпаний, на примере интегрированной бизнес-модели E.ON AG, а также оценка современных их изменений. Анализ препятствий развития энергосбережения.

реферат , добавлен 04.05.2010

Виды моделей. Модели принятия решений. Причины, по которым может быть снижена эффективность моделей. Виды управленческих решений. Управление запасами. Модель линейного программирования. Экономический анализ. Этапы построения моделей.

реферат , добавлен 28.03.2007

Основные модели развития организаций. Сравнительный анализ моделей жизненного цикла организаций. Распространенные схемы жизненных циклов организаций. Стадии развития предприятий. Особенности организаций, находящихся на разных стадиях своего развития.

реферат , добавлен 20.07.2012

Разработка стратегии управления конкурентоспособностью торгового предприятия экономическими методами (на примере магазина автозапчастей "Авто-Форд"). Характеристика методов оценки конкурентоспособности предприятия, ее экономико-математическая модель.

дипломная работа , добавлен 19.09.2015

Теоретические аспекты применения современных моделей управления на предприятии, недостатки и преимущества. Краткая характеристика деятельности ООО "Твин Фуд". Обоснование экономической эффективности рекомендаций по совершенствованию моделей управления.

дипломная работа , добавлен 03.06.2014

Стадии жизненного цикла информационной системы (ИС). Проблемы спирального цикла. Проблемы внедрения при использовании итерационной модели жизненного цикла. Положительные стороны применения каскадного подхода. Поэтапная модель с промежуточным контролем.

лабораторная работа , добавлен 02.02.2015

Ключевые слова

БАНКИ / КРЕДИТ / КРЕДИТНЫЕ РИСКИ / СКОРИНГ / СКОРИНГОВЫЕ СИСТЕМЫ / КРЕДИТНЫЙ РЫНОК / BANKS / CREDIT / CREDIT RISKS / SCORING / SCORING SYSTEMS / CREDIT MARKET

Аннотация научной статьи по экономике и бизнесу, автор научной работы - Самойлова Светлана Сергеевна, Курочка Мария Алексеевна

В статье рассмотрен скоринг как инструмент управления кредитным риском , его основные характеристики, а также механизм его реализации и методов снижения просроченной задолженности. Кредитные организации имеют сложную многоуровневую систему рисков, всесторонняя и объективная оценка которых играет ключевую роль в обеспечении финансовой устойчивости каждой кредитной организации и стабильного развития банковской системы в целом. Скоринг заключается в определении совокупного кредитного балла заемщика в результате его оценки по ряду критериев. Существуют скоринговые модели, позволяющие оценивать кредитоспособность физических лиц, юридических лиц и субъектов малого бизнеса. Внедрение системы кредитного скоринга позволит банку получить то самое всеми желаемое конкурентное преимущество длительную выгоду применения создающей потребительскую ценность стратегии, основанной на уникальной комбинации внутрифирменных ресурсов и способностей. Устойчивое конкурентное преимущество дает возможность бизнесу поддерживать и улучшать свои конкурентные позиции на рынке и выживать в борьбе с конкурентами в течение длительного времени.

Текст научной работы на тему «Скоринговые модели оценки кредитного риска»

СКОРИНГОВЫЕ МОДЕЛИ ОЦЕНКИ КРЕДИТНОГО РИСКА

С. С. САМОЙЛОВА, М. А. КУРОЧКА

В статье рассмотрен скоринг как инструмент управления кредитным риском, его основные характеристики, а также механизм его реализации и методов снижения просроченной задолженности. Кредитные организации имеют сложную многоуровневую систему рисков, всесторонняя и объективная оценка которых играет ключевую роль в обеспечении финансовой устойчивости каждой кредитной организации и стабильного развития банковской системы в целом. Скоринг заключается в определении совокупного кредитного балла заемщика в результате его оценки по ряду критериев. Существуют скоринговые модели, позволяющие оценивать кредитоспособность физических лиц, юридических лиц и субъектов малого бизнеса. Внедрение системы кредитного скоринга позволит банку получить то самое всеми желаемое конкурентное преимущество - длительную выгоду применения создающей потребительскую ценность стратегии, основанной на уникальной комбинации внутрифирменных ресурсов и способностей. Устойчивое конкурентное преимущество дает возможность бизнесу поддерживать и улучшать свои конкурентные позиции на рынке и выживать в борьбе с конкурентами в течение длительного времени.

Ключевые слова: банки, кредит, кредитные риски, скоринг, скоринговые системы, кредитный рынок.

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 рас-

Сущность скоринга заключается в определении совокупного кредитного балла заемщика в результате его оценки по ряду критериев. Данные критерии имеют различные удельные веса и впоследствии агрегируются в интегральный показатель - совокупный кредитный балл. Величина кредитного лимита в скоринговых системах носит второстепенный характер и определяется исходя из уровня доходов заемщика. Интегральный показатель сравнивается с определенным числовым порогом, который представляет собой так называемую линию безубыточности для банка. Кредит выдается тем клиентам, интегральный показатель которых выше этой линии .

Оценка кредитоспособности с использованием скоринговых систем в большинстве случаев строится на не более чем 20 критериях, среди которых: уровень среднемесячного дохода, частота смены места работы, возраст, семейное положение, количество лиц, находящихся на иждивении, образование, наличие недвижимости и личного автомобиля и т. д.

Внедрение скоринговых систем имеет ряд преимуществ, к которым относят:

Возможность снижения издержек и минимизацию операционного риска за счет автоматизации принятия решения о выдаче кредита;

Сокращение времени обработки заявлений и предоставления ответа о выдаче или отказе в кредите;

Централизацию принятия кредитного решения и снижение влияния человеческого фактора при его принятии;

Выявление и предотвращение попыток мошенничества .

К недостаткам скоринга относится в первую очередь то, что оценка кредитоспособности возможных заемщиков проводится на основе имеющийся информации о предыдущих, выданных кредитах, а сведений, характеризующих возможное поведение соискателей кредита, которым в выдаче кредита, было отказано, не имеется представления. Также оценка заемщика с использованием скоринговой системе основывается не на оценке реального человека, а на основе имеющейся о нем информации, которую он же и сообщает, и клиент может представить о себе такие данные, которые позволят ему получить положительный результат при разрешении вопроса о выдаче ему кредита .

Кроме всего перечисленного, скоринговые системы нуждаются в постоянной доработке и обновлениях, так как по прошествии определенного времени происходит изменение социальных и экономических условий, условий кредитования, и самих людей. В странах запада разработка ско-ринговых моделей осуществляется раз в полтора-два года и во многом зависит от того, насколько стабильна экономика в этот период .

Существует несколько типов скоринга:

Скоринг кредитоспособности - оценка кредитоспособности заемщиков, используемая для принятия решения о предоставлении кредита;

Скоринг по прогнозу качества обслуживания долга клиентом - оценка уровня риска существующих заемщиков, позволяющая определить поведенческие особенности клиентов, проявляющие в качестве обслуживания долга;

Скоринг востребования - оценка способов работы с просроченной задолженностью и выбор из нескольких альтернативных наборов наиболее эффективного для последующего воздействия;

Скоринг по оценке вероятности мошенничества - реализующий оценку вероятности мошенничества клиента на основе совокупности признаков проводимой сделки .

На основе теоретических данных можно сказать, что развитие скоринга в России сдерживается тем, что в сравнении с западными мерками в нашей стране все еще низкие объемы кредитования и постоянно меняющиеся социальные и эко-

номические условия. Российские кредитные организации не имеют в наличии достаточной информации о клиентах для того, чтобы построить эффективные скоринговые системы, которые бы обеспечивали спрос на розничное кредитование и минимизировали риски банков. В этой ситуации кредитные организации могут воспользоваться двумя способами.

Первый - использование модели, разработанной за границей с обязательной адаптацией к российским условиям, что затратно и долго по времени.

Второй - отказ от использования моделей скоринга еще на первоначальном этапе и выдача кредита всем желающим на основе стандартной проверки, проводимой с целью накопления кредитной истории. После чего использовать полученные данные для разработки собственной ско-ринговой модели, которая будет эффективной, но и весьма дорогостоящей для банка .

Кроме скоринговых моделей, ориентированных на оценку кредитоспособности физических лиц, существуют скоринговые модели, позволяющие оценивать кредитоспособность юридических лиц и субъектов малого бизнеса.

Итак, выше мы подробно разобрали эффективную систему кредитного скоринга - такую, какой она должна быть в идеале. Естественно, что решение о внедрении такой системы дается банку нелегко. Причин такого нежелания множество: привычка работать «на глаз» и по «установившейся традиционной методике», вечная несвоевременность и кажущаяся сложность внедрения, и так далее. Да и зачем так сложно, когда есть табличка, «на коленке» составленная рисковиками, которая, пусть неидеально, но работает .

Действительно, большая часть отечественных банков уже пользуется некими простейшими подобиями скоринговых систем, позволяющими оценивать заемщика. В какой-то мере эти методики несколько упрощают работу кредитных специалистов. Но такие элементарные программы (около 90 % из них - таблицы характеристик заемщика, выполненные в MS Excel) имеют ряд недостатков, в связи с которыми их нельзя назвать «системами кредитного скоринга» в полном понимании этого слова. Вот некоторые из этих недостатков:

Децентрализованность системы оценки;

Сложность осуществления быстрых решений департамента риска кредитной организации -смена или корректировка методики оценки превращается в длительную процедуру для большого количества точек обслуживания;

Невозможность построения сложной стратегии принятия решения;

Скоринговые модели основаны на экспертных знаниях кредитных аналитиков банка, что ограничивает качество моделей и опосредованно сокращает клиентскую базу;

Возможность обмануть методику оценки -любой человек, имеющий определенные навыки, может «взломать» методику оценки и в дальнейшем «подстроиться» под «хорошего» заемщика. Это касается не только рисков мошенничества, но

Так же нужно отметить конкурентные преимущества. Постоянный рост конкуренции вынуждает многие компании вести все более ожесточенную борьбу за достойное место на рынке. Независимо от того, в какой области работает компания - бытовая электроника, пассажирские авиаперевозки или банковская деятельность, -ее руководству постоянно приходится задавать себе одно и тоже задание - достичь потенциальных конкурентных преимуществ. Для банков ответ на этот задание прост: либо предложить клиентам дополнительные услуги, либо радикально снизить цены. И в любом случае не обойтись без инновационных технологий работы. Несмотря на видимую простоту решения, далеко не все финансовые организации смогли его реализовать .

Внедрение системы кредитного скоринга позволит банку получить то самое всеми желаемое конкурентное преимущество - длительную выгоду приме-

и «помощи» заемщикам со стороны кредитных инспекторов (нельзя забывать, что эти, по большей части низкооплачиваемые сотрудники, стремятся к максимальному объему привлеченных кредитов, никак не отвечая за их возврат) .

Практический опыт внедрения систем кредитного скоринга в отечественных банках позволяет нам сравнить типовой подход к скорингу, рассмотренный выше, и применение полноценных систем кредитного скоринга. Такое сравнение по ключевым критериям приведено в таблице 1.

нения создающей потребительскую ценность стратегии, основанной на уникальной комбинации внутрифирменных ресурсов и способностей. Устойчивое конкурентное преимущество дает возможность бизнесу поддерживать и улучшать свои конкурентные позиции на рынке и выживать в борьбе с конкурентами в течение длительного времени .

Эффективная система кредитного скоринга позволяет банку:

Оперативно корректировать бизнес-модели розничного бизнеса;

Выйти первым на рынок с новым продуктом;

Обеспечить для розничного бизнеса банка гибкость и быстроту;

Быстро и безошибочно принимать стратегические решения;

Эффективно управлять накопленной информацией;

Таблица 1

Сравнение типового подхода и скоринга

Критерии Типовой подход к оценке заемщика Система кредитного скоринга

Первичная обработка кредитной заявки Основывается на экспертных знаниях кредитного специалиста Основывается на объективной информации из различных источников

Процесс оценки идентичных заявок Рассмотрение каждой заявки зависит от конкретного кредитного специалиста и субъективных факторов Идентичные заявки проходят идентичную процедуру оценки

Легкость восприятия «Уже используется», результаты ожидаемы Необходимы культурные перемены, готовность сотрудников к нововведениям

Процесс внедрения Длительное обучение и тренировка каждого кредитного специалиста. Наработка опыта и интуиции Не требует длительного обучения сотрудников. При внедрении необходим контроль со стороны кредитных специалистов высшего звена

Возможность ошибок, злоупотреблений и мошенничества Ошибки возможны в силу человеческого фактора. Злоупотребления и мошенничество возможны и распространены Злоупотребления возможны только на уровне высшего звена кредитных специалистов. Ошибки могут быть связаны с некачественными скоринговыми моделями. Мошенничество возможно, однако его вероятность заметно снижается

Гибкость При внедрении нового кредитного продукта необходима разработка новых инструкций и обучение персонала. Процесс длительный и мало поддающийся контролю При внедрении нового кредитного продукта необходимо создание новых скоринговых моделей и стратегий (или внесение изменений в уже имеющиеся). Процесс полностью контролируемый. Качество вновь созданных моделей (стратегий) может быть проверено без запуска в работу. Дополнительное обучение персонала не требуется

Строить и развивать бизнес, опираясь на точные данные и математический анализ .

Внедрение системы кредитного скоринга позволяет банку получить целый ряд преимуществ: начиная от снижения времени принятия решения по кредитной заявке и заканчивая оптимизацией бизнес-процессов в целом. Основным же преимуществом является снижение дефолтности кредитного портфеля банка за счет скорингового анализа и рей-тингования заемщиков.

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

Литература

1. Зобова Е. В., Самойлова С. С. Управление кредитным риском в коммерческих банках // Социально-экономические явления и процессы. Тамбов, 2012. № 12 (046). С. 74-81.

2. Коротаева Н. В. Проблемы и перспективы развития в России безналичных розничных платежей // Социально-экономические явления и процессы. Тамбов, 2012. № 12 (046).

3. Международная конвергенция измерения капитала и стандартов капитала: уточненные рамочные подходы (Базель 2). М., 2004.

4. О типичных банковских рисках: Указание оперативного характера Банка России № 70-Т от 23.06.2004. Доступ из справ.-правовой системы «Кон-сультантПлюс».

5. Пищулин А. Г. Система кредитного скоринга: необходимости и преимущества. 2011. URL: www.gaap.ru

6. Развитие финансовой системы в условиях модернизации экономики России: колл. монография. Тамбов, 2013.

7. Турлачева М. А., Малышкина Д. Н. Современные тенденции развития кредитования аграрного сектора в России // Саяпинские чтения: сборник материалов круглого стола. Вып. 7. гл. ред. В. М. Юрьев. Тамбов, 2014.

8. Усачев С. Кредитный скоринг // Банки и технологии. 2008. № 04.

9. Юрченко Е. Г. Совершенствование управления кредитным риском в сфере потребительского кредитования на основе скоринга востребования // Управление риском. 2009. № 2. С. 44-50.

SCORING MODELS OF THE ASSESSMENT OF CREDIT RISK

S. S. Samoylova, M. A. Kurochka

In article scoring as the instrument of credit risk management, its main characteristics, and also the mechanism of its realization and methods of decrease in arrears is considered. The credit organizations have difficult multilevel system of risks, the comprehensive and which objective assessment plays a key role in ensuring financial stability of each credit organization and stable development of a banking system as a whole. Scoring consists in determination of cumulative credit point of the borrower as a result of his assessment on a number of criteria. There are the scoring models, allowing to estimate solvency of natural persons, legal entities and subjects of small business. Introduction of system of credit scoring will allow bank to get that all desirable competitive advantage - long benefit of application of the strategy creating consumer value based on a unique combination of intra firm resources and abilities. Steady competitive advantage gives the chance to business to support and improve the competitive positions in the market and to survive in fight against competitors for a long time.

Key words: banks, credit, credit risks, scoring, scoring systems, credit market.

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.

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

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

субъективое заключение экспертов или кредитных инспекторов;
автоматизированные системы скоринга.

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

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

Определение кредитоспособности и информация, используемая для ее прогнозирования

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

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

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

анкета, которую заполняет заемщик;

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

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

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

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

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

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

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

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

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

Количество детей/иждивенцев

Профессия

Профессия супруга(и)

Доход супруга(и)

Район проживания

Стоимость жилья

Наличие телефона

Сколько лет живет по данному адресу

Сколько лет работает на данной работе

Сколько лет является клиентом данного банка

Наличие кредитной карточки/чековой книжки

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

История развития скоринга

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

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

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

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

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

В кредитных бюро содержатся следующие виды данных:

социально-демографические характеристики;

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

информация о банкротствах;

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

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

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

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

Методы классификации клиентов

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

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

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

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

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

Преобразовать каждый признак в отдельную двоичную переменную. Этот подход неудобен в том плане, что приводит к большому количеству переменных, хотя он не навязывает никаких дополнительных отношений между зависимой и независимыми переменными.
Преобразовать каждую характеристику в переменную, которая будет принимать значения, соответствующие отношению числа «плохих» клиентов с данным признаком к числу «хороших» клиентов с этим же признаком. Более усложненный вариант -- взять логарифм этого отношения. Таким образом, каждый признак получает числовую величину, соответствующую уровню его «рискованности».

Методы собственно классификации весьма разнообразны и включают в себя:

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

различные варианты линейного программирования;

дерево классификации или рекурсионно-партиционный алгоритм (РПА);

нейронные сети;

генетический алгоритм;

метод ближайших соседей.

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

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

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

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

Логистическая регрессия позволяет преодолеть этот недостаток:

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

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

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

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

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

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

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

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

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

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

Таблица

Источники:

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

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

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

Ограничения, связанные с применением скоринга

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

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

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

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

Перспективы развития скоринга в России

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

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

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

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

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

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

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

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

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

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

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