Проблемы внедрения моделей скоринга в российских условиях

3. Бюро кредитных историй обязано предоставить кредитный отчет любому пользователю кредитной истории на основании заключенного договора об оказании информационных услуг и запроса, соответствующего требованиям, установленным статьей 6 закона.

4. Бюро кредитных историй обязано в течение одного рабочего дня со дня получения сведений включить указанные сведения в состав кредитной истории соответствующего субъекта кредитной истории.

Таким образом, кредитные бюро выступают в качестве информационных посредников либо учрежденных и принадлежащих самим кредиторам, либо действующих независимо и получающих прибыль от своей деятельности.

Организация бизнеса кредитных историй требует значительных капиталовложений, отдача от которых будет нескорой, потому что первые два-три года займёт накопление сведений. Первоначально было опасение, что крупные банки, активно занимающиеся потребительским кредитованием и уже располагающие значительной базой данных (или создавшие собственные бюро), не захотят делиться информацией с другими участниками рынка. Однако некоторые банки-лидеры высказались в пользу извлечения прибыли из бизнеса кредитных историй. Это значит, что небольшие и средние банки, а также разные кредитные бюро смогут за определённую плату воспользоваться необходимой информацией. Но насколько широко и эффективно будет происходить обмен данных между всеми участниками рынка, включая и сами кредитные бюро, сейчас сказать трудно -- это покажет время. Скорее всего, реально и прибыльно будут работать лишь несколько БКИ. Щелов О. Кредитные бюро: первые шаги и первые сомнения // Бухгалтерия и банки - 2005, № 10.

К сожалению, пока не предусмотрен обмен данными между разными бюро. Создание централизованной базы данных свело бы к минимуму расходы банков. Сейчас получается так, что банкам придётся заключать договоры с несколькими (или со всеми) бюро кредитных историй, чтобы получить полное представление о потенциальном заёмщике, а это накладно. Стоит также отметить, что для банков, обращающихся в БКИ, будет полезна не только отрицательная информация о клиенте, но и положительная.

Подведем некоторые итоги сказанному выше о законе. Сам факт принятия закона «О кредитных историях» является объективно необходимым и своевременным шагом государства. Естественно, полагать, что закон выйдет сразу идеальным, было бы странно, но принципиальных ошибок, по мнению экспертов, в нем нет. Воробьев Д. С. Кредитные бюро // Финансовый бизнес - 2005, № 6

Сначала отметим, что в самом законе «О кредитных историях» заложены «мины», которые могут свести на нет тот эффект, на который рассчитывал законодатель, принимая его.

Во-первых, это необходимость требовать согласия клиента на предоставление информации в бюро кредитных историй (п.4 ст.5).

Во-вторых, это необходимость получения письменного разрешения для доступа к основной части кредитной истории (п.9 ст.6).

В-третьих, это вопросы оперативности предоставления информации, циркулирующей в инфраструктуре.

В-четвертых, вероятность утечки конфиденциальной информации из инфраструктуры, создаваемой во исполнение рассматриваемого нами закона, объективно повышается.

Кроме того, информация, определенная статьей 4 закона «О кредитных историях» для предоставления в БКИ, ограничена, и практически не содержит сведений, позволяющих детально оценить кредитонадежность клиента. На основе содержания кредитной истории невозможно разработать качественную скоринговую модель. Тем самым БКИ не имеют возможности реализовать в полной мере свое право, данное в статье 9 Закона - оказывать на договорной основе услуги, которые связаны с разработкой на основе информации, содержащейся в кредитных историях, оценочных (скоринговых) методик вычисления индивидуальных рейтингов и (или) их использованием. Между тем, учитывая объем информации, которую бюро кредитных историй способны аккумулировать, потенциал для качественных рейтинговых, скоринговых услуг огромен. Наиболее развитые кредитные бюро запада наряду с предоставлением стандартных отчетов о кредитных операциях и статистического риск-менеджмента, выполняют функции рейтинговых агентств, накапливающих информацию не только об отдельных предприятиях, прежде всего крупнейших, но и об отраслях, регионах, странах. Крупнейшим и старейшим в мире является кредитное агентство "Дан энд Брэдстрит" (Dan&Bradstreet), база данных которого в настоящее время аккумулирует сведения о более чем 48 миллионах компаний, 10 миллионов из которых находятся в США. http:/ www.dnb.r (сайт пред-ставительства корпорации «D&B»).

Но и это не все. На банки ложится дополнительная нагрузка по подготовке данных для кредитных историй и получению кредитных отчетов. Готовить информацию по сотням и тысячам клиентов - это требует времени. Выход, который напрашивается сам собой, - автоматизировать все эти процедуры. В определенной степени это может снизить дополнительную нагрузку, но не ликвидирует ее совсем. А дополнительная нагрузка обычно не способствует повышению качества и эффективности работы.

Есть опасение, что банки могут саботировать предоставление данных в БКИ или давать недостоверную (неточную) информацию. Во всяком случае, в законе существуют лазейки, позволяющие не передавать информацию о заёмщиках.

Может показаться, что говорить обо всём этом уже бесполезно, мол, всё решено, соответствующий закон принят и действует. Однако не исключено, что через год-два-три несостоятельность закона станет для всех очевидной -- он окажется очередным холостым выстрелом и работать не будет. И снова начнутся споры, дискуссии и трата драгоценного времени, а банки, как и прежде, будут вынуждены бороться с рисками в одиночку или небольшими группами. Щелов О. Кредитные бюро: первые шаги и первые сомнения // Бухгалтерия и банки - 2005, № 10. Остается надеяться, что в ходе конкурентной борьбы между кредитными бюро, отрегулируются все вопросы, неучтенные в законе, и на финансовом рынке будут работать кредитные бюро, способные оперативно и качественно исполнять свои функции, а также обеспечить защиту информации от незаконного использования. Таким образом, бюро кредитных историй призваны уберечь банки от кризиса. К июню 2006 года количество кредитных историй в БКИ возросло до уровня в 5 млн., 99% из них сосредоточено в трех ведущих БКИ. Предполагается, что к концу 2006 года общее количество кредитных историй в России может достичь 10 млн. Аношина К. БКИ должны уберечь банки от дефолта. Finam.ru Эксперты полагают, что клиенты должны быть сами заинтересованы в том, чтобы их данные попадали в базы кредитных историй, и если они будут уверены, что информация защищена от мошенников, они будут охотнее давать согласие БКИ. Тосунян Г., президент Ассоциации Российских Банков, назвал кредитные истории некой репутацией клиентов, о которой они должны заботиться. Предприятия, которые готовятся к выходу на IPO или размещение облигационных займов высказывают свою заинтересованность в сотрудничестве с БКИ наиболее активным образом. Остальные «заботятся» о соблюдении коммерческой тайны. Вывод. С выходом Федерального закона «О кредитных историях» у банков появилась реальная возможность открытия и накопления кредитных историй физических и юридических лиц в специальных бюро. Очевидное преимущество бюро кредитных историй (БКИ) в том, что они способны хранить и обрабатывать огромные объёмы данных, что не под силу отдельным банкам. Однако, информация, определенная статьей 4 закона «О кредитных историях» для предоставления в БКИ, ограничена, и практически не содержит сведений, позволяющих детально оценить кредитонадежность клиента. На основе содержания кредитной истории невозможно разработать качественную скоринговую модель. БКИ нуждаются в более широкой информации о клиенте для оценки кредитных рисков, т. е. информации, необходимой для достоверной оценки кредитоспособности клиента, практически всегда мало. В ситуации, когда падает качество заемщиков, для определения кредитонадежности клиента система скоринга должна обрабатывать информацию с наибольшей степенью детализации. Таким образом, закон «О кредитных историях» может защитить лишь от риска мошенничества, когда клиент перезанимает средства у другого банка, чтобы отдать первому, или же одновременно «набирает» кредитов в разных банках, после чего последним остается распрощаться с деньгами.

4. Требования к данным скоринговых моделей

4.1 Проблема выбора исходного набора переменных, формирующих оценку скоринга

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

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. Динамика заявленных и реальных доходов населения России

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. Группировка регионов РФ по экономическим свойствам

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.

4.2 Построение скоринговых моделей в условиях ограниченности информации и длительных сроках кредитования

Разработка отечественных программ скоринговой оценки кредитоспособности заемщика, как уже говорилось, осложняется недостатком требуемой для обучения модели статистики. Использование экспертных знаний в области потребительского кредитования или кредитования юридических лиц является лишь вариантом решения, обеспечивающим начальное приближение скоринговой модели. Ситуация с построением скоринговых моделей осложняется для кредитов с большим сроком кредитования и большими суммами, например, для ипотечных кредитов. Сложность заключается в том, что условия кредитования вступают в противоречие с используемым методом построения скоринга (статистическим обучением). Статистические модели фиксируют лишь текущую кредитоспособность заемщика, а при длительном сроке кредитования это свойство заемщика может претерпевать значительные изменения (болезнь, потеря работы, цикличность экономики). Удлинение сроков кредитования изменяет саму основу скоринговой модели - состав факторов риска, которые определяют кредитоспособность. Единственной возможностью объективной оценки кредитоспособности заемщиков в этом случае является разработка методики, основанной на макроэкономической статистике (приложение 4). Данный подход основан на нескольких априорных гипотезах. Во-первых, считается что кредитное качество заемщика (а значит скоринговая оценка) зависит от трех финансовых потоков, характеризующих заемщика: его доходов, потока его затрат и сальдо между первым и вторым потоками - потока накоплений. Второй гипотезой, лежащей в основе данного подхода, является гипотеза о том, что заемщики могут быть сгруппированы в группы с похожими наборами свойств. Похожесть свойств определяется отраслевой и региональной принадлежностью заемщиков. Еще одной из характеристик, формирующих похожесть заемщиков, является социальная принадлежность каждого из них к той или иной социальной страте.

На основе данных гипотез модель скоринга «распадается» на две части. Первая моделирует динамику трех групп факторов риска заемщиков (доходы, расходы, накопления). Вторая часть модели на основе данных анкеты проецирует потенциального заемщика на ту или иную из выделенных групп заемщиков.

Данный подход позволяет создать более точную модель скоринга, за счет использования более широкого состава информации. Помимо персональных свойств метод использует для оценки социально-экономическую, отраслевую и региональную статистику, что позволяет, с точки зрения геометрии, провести более точную границу между плохими и хорошими заемщиками. Размерность границы в данном методе выше, чем в традиционных статистических подходах.

Логика данной модели опирается на еще одну гипотезу - график погашения кредита играет значимую роль в возможности клиента погасить кредит. Фактически, кривая кредитного портрета является отражением соотношения темпов двух потоков - потока накоплений заемщика и потока кредитных платежей. Только при одном соотношении указанных потоков заемщик имеет возможность максимально эффективно гасить свою задолженность. Здесь задача скоринга состоит в определении этого оптимального соотношения и подборе таких условий кредиты, которые были бы «по плечу» заемщику. Такая адаптация условий кредитов под свойства конкретного заемщика позволяет существенно расширить клиентскую базу кредитования без потери качества.

Вывод. 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.

Удлинение сроков кредитования предъявляет дополнительные требования к скоринговым моделям. В этом случае скоринг должен основываться на макроэкономической, отраслевой, региональной статистике. Проблема дисперсности регионов России по условиям социально-экономического развития требует разработки отдельных моделей, адаптированных к конкретному региону.

Заключение

На фоне динамичного развития экономики в России продолжается экономический рост, меняется инфраструктура рынка, активно развивается бизнес и совершенствуются методы управления им. Идет накопление опыта, его переосмысление, сравнение с опытом партнеров и конкурентов. В практику бизнеса и управления российских финансовых институтов все активнее проникают передовые, хорошо зарекомендовавшие себя в других странах методы планирования, управления и оценки рисков, нацеленные на главный результат - рост рыночной стоимости бизнеса.

Значение скоринговой оценки для физических и юридических лиц существенно выросло в связи с принятием банковским сообществом рекомендаций Базельского комитета по банковскому надзору “Базель II”. В соответствии с этими требованиями банкам предписано проведение гибкой политики по управлению кредитными рисками. Расчет достаточности капитала и его резервирование производятся в зависимости от кредитоспособности клиента. Измерить кредитоспособность помогает скоринговая оценка.

Среди преимуществ скоринговых систем 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 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 затруднено, что связано с особенностями развития экономики нашей страны.

Разработка и внедрение моделей скоринга в российских условиях сталкивается со следующими основными проблемами (приложение 3).

1. Дисперсность регионов России по условиям социально-экономического развития. В силу этого для различных регионов система оценки кредитного риска должна различаться в части коэффициентов скоринговой модели.

2. Непрозрачность экономики большинства заемщиков - юридических лиц. Не совпадение официально заявленных доходов населения с реальными доходами. Таким образом, не имея достоверной информации и доходах, скоринговые системы банков должны уметь оценивать соответствие заявленного дохода его фактическим доходам и другим параметрам заявителя.

3. Проблема ликвидности залога. Заложенное имущество часто бывает сложно реализовать, возникает проблема как учесть качество залога в математической модели. Кроме того, отсутствие государственной регистрации заложенного имущества также может привести к недостоверности оценки кредитоспособности заемщика.

4. Макроэкономические риски, свойственные развивающимся экономикам: инфляция, валютный курс, социальное расслоение. Последнее, приводит к тому, что банки, расширяя кредитную деятельность, вынуждены переключаться на слои населения с худшим кредитным качеством. Слой со средним кредитным качеством уменьшается. По очевидным причинам слоев населения с отличным кредитным качеством на все банки просто не хватит, да и их заинтересованность в кредитах не очевидна.

5. Отсутствие кредитной истории. Теоретически, для разработки действительно эффективной системы скоринга необходима значительная выборка по выданным кредитам (для компаний и/или заемщиков - физических лиц) 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. Это порождает проблему так называемого «кредитного кладбища», отсутствие которого делает не возможным наиболее разработанных методов построения скоринговых систем - методов статистического скоринга. Полностью полагаться на знания экспертов в области потребительского кредитования или кредитования юридических лиц рискованно.

В решение перечисленных проблем существенный вклад могли бы внести бюро кредитных историй. Очевидное преимущество БКИ в том, что они способны хранить и обрабатывать огромные объёмы данных, что не под силу отдельным банкам. Особо ценными скоринговые модели БКИ могли бы быть при выходе банка на новые рынки и в регионы, где ранее банк не присутствовал. Однако, информация, определенная статьей 4 Федерального закона «О кредитных историях» для предоставления в БКИ, ограничена, и практически не содержит сведений, позволяющих детально оценить кредитонадежность клиента. На основе содержания кредитной истории невозможно разработать качественную скоринговую модель. В ситуации, когда падает качество заемщиков, для определения кредитной надежности клиента система скоринга должна обрабатывать информацию с наибольшей степенью детализации. При действующем законе кредитные бюро могут ограничить лишь риск мошенничества, когда, к примеру, одно и то же физическое лицо занимая деньги в нескольких банках, имеет уже не возвращенные кредиты. А если учесть требование закона о необходимости согласия заемщика на передачу информации в БКИ, то реально предположить, что в бюро будут собраны сведения лишь о «хороших» заемщиках, которые зарабатывают себе имидж.

В условиях ограниченности информации о заемщиках скоринг должен основываться на макроэкономической, отраслевой, региональной статистике. Причем в силу высокой дисперсности регионов по социально-экономическому развитию модель скоринга должна быть адаптирована к условиям региона.

Развитие рынка кредитных продуктов в России по прогнозам аналитиков будет идти нарастающими темпами, что потребует внедрения автоматических систем оценки рисков для снижения рисков потерь и повышения доходности. В силу того, что в настоящий момент нарастает просроченная задолженность, темпы роста которой стали опережать темпы притока новых кредитов, значимость скоринга становится больше. Скоринговые системы будут приобретать все большую актуальность. И внедряться должны методы, созданные для российских условий и приспособленные специально для конкретного банка.

Литература

Гражданский кодекс Российской Федерации.

Федеральный закон «О Центральном банке Российской Федерации (Банке России)» от 10.07.2002 № 86-ФЗ.

Федеральный закон «О банках и банковской деятельности» от 03.02.1996 № 17-ФЗ.

Федеральный закон «О кредитных историях» от 30.12.2004 г. № 218-ФЗ.

Положение Банка России от 26.03.2004 г. № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» // Вестник Банка России - 2004, № 28.

Указание оперативного характера Банка России от 23.06.2004 № 70-Т «О типичных банковских рисках» // Вестник Банка России - 2004, № 38.

Агламишьян В. Грозит ли России банковский кризис Задолженность населения по потребкредитам стремительно растет // Известия - 30.05.2006.

Андреева Г. Скоринг как метод оценки кредитного риска, http://www.cfin.ru/finanalysis/banks/scoring.shtml.

Аношина К. БКИ должны уберечь банки от дефолта, http:// www.Finam.ru.

Болецкая. К. Банкиры переходят от формальной оценки заемщика к прогнозированию и рисованию психологических портретов // Банковское обозрение - 2005, №4.

Бухтин М.А. Методика непрерывной оценки кредитной истории в системе контроллинга рисков // Оперативное управление и стратегический менеджмент в коммерческом банке - 2005, № 4.

Воробьев Д. С. Кредитные бюро // Финансовый бизнес - 2005, № 6.

Вороненке Д.И., Пищулин А.С. Внедрение скоринга должно принести финансовую отдачу уже в краткосрочном плане // Банковские технологии - 2005, № 5.

Воронин Б.Б. Становление системы кредитных историй // Деньги и кредит - 2005, № 10.

Горский В. Новая история кредитных историй // Московская промышленная газета - 2005, № 31 (11-17 августа).

Готовчиков И. Комплексная скоринговая модель оценки дефолта клиента // Банковские технологии - 2006, № 1.

Готовчиков И. Пути внедрения новых банковских технологий // Банковские технологии - 2004, № 9.

Гурвич В. Рынок кредитных историй стартовал // ФК-Новости, 03.03.2006.

Егор Гайдар: России грозит банковский кризис, из материалов РИА Новости, http://finance.mail.ru/.

Зыбковец К., Дубинина Н. Внедрение и оптимизация системы кредитного скоринга: пять подводных камней // Банковские технологии - 2005, № 5.

Колесников Н. Скоринг абстрактно и конкретно // Банковские технологии - 2004, № 12.

Коробова Г.Н. Банковское дело. - М: Юристъ, 2002.

Кредитная паника. Интервью Хандруева А.А. радио «Маяк» 02.06.2006, Интернет портал Уральского института прикладной политики и экономики, http://www.upmonitor.ru.

Критерии эффективности системы скоринга -- прибыльность кредитного портфеля и количество невозвратов // Банковское обозрение - 2005, № 8.

Лаврушин И.О. Управление деятельностью коммерческого банка (Банковский менеджмент). - М: Юристъ, 2002.

Ларина Л.И. Актуальные вопросы применения Федерального закона “О кредитных историях” // Деньги и кредит - 2005, № 6.

Наумов М.Ф. Кредитный скоринг: баланс интересов банка и клиентов // Банковское кредитование - 2005, № 3.

Недосекин А.О. Финансовый менеджмент в условиях неопределенности: вероятности или нечеткие множества?., http://www.vmgroup.ru/Win/public_fa.htm.

Петров М.И. Комментарий к Федеральному закону от 30 декабря 2004 г. № 218-ФЗ «О кредитных историях». - М: Юстицинформ, 2005.

Ромасловский Т.Н. Проблемы и решения автоматизации кредитных бюро // Банковское кредитование - 2005, № 4.

Филин Д.Н. Перспективы развития спектра продуктов и услуг Национального бюро кредитных историй // Банковское кредитование - 2006, № 2.

Черкашенко В.Н. Скоринг «физиков»: быть или не быть кредиту, http://www.franklin-grant.ru .

Черкашено В.Н. Этот «загадочный» скоринг // Банковское дело - 2006, № 3.

Чернов В.Г., Илларионов А.В. Сравнительная классификация методов оценки кредитных рисков, http://www.rusnauka.com/TIP/All/Economika/148.htm.

Щелов О. Кредитные бюро: первые шаги и первые сомнения // Бухгалтерия и банки - 2005, № 10.

http:/ www.dnb.r (сайт пред-ставительства корпорации «D&B»).

http://'www.creditnet.ru (сайт «Национального кредитного бюро»).

http:// www.CreditRisk.ru (сайт компании EGAR Technology).

39. http:// www.franklin-grant.ru (сайт компании «Франклин&Грант. Финансы и аналитика»).

40. Интернет-сайт Банкир.ru

Приложение 1

Виды кредитных транзакционных рисков

Приложение 2

Результат исследования “Choosing Bankruptcy Predictors Using Discriminant Analysis, LOGIT Analysis and Genetic Algorithms” финансовых коэффициентов 37 финских компаний-банкротов

Приложение 3

Проблемы внедрения систем скоринга в российских условиях

Приложение 4

Макроэкономический скоринг

Размещено на www.allbest.