Методика оценки кредитоспособности заемщиков

Ю.В. Ефимова,

ОАО "Балтинвест-Банк",

департамент малого бизнеса,

начальник отдела бизнес-кредитов

"Банковское кредитование", N 3, май-июнь 2010 г.

*(1) Наиболее значимые разработки в области прогнозирования банкротства (или дефолта) организаций см. на рисунке.

*(2) Сравнение предприятий одной и той же отрасли позволяет оценить реальную кредитоспособность заемщика. Важно, что, поскольку отраслевые особенности деятельности носят ярко выраженный характер, сравнение заемщиков между собой следует производить только в пределах одной отрасли.

*(3) Имеются в виду кредитовые обороты по р/с заемщика, очищенные от кредитных поступлений, взаимных перебросок между аффилированными компаниями (прим. авт.).

*(4) Отметим, что данная операция возможна только в установленные кредитным договором даты погашения платежа по кредиту и процентов либо в любой день после полного или частичного вынесения ссуды/процентов на счет по учету просроченной задолженности.

Современные методы оценки кредитоспособности физических лиц

Одна из главных проблем, с которой столкнулись банки в посткризисный период, - это почти массовая плохая кредитная история потенциальных заемщиков. В итоге к настоящему моменту, когда банки вновь открывают двери населению и строят планы по наращиванию розничных портфелей, возник вопрос, как оценить кредитоспособность розничных заемщиков, особенно сильно пострадавших от мирового финансового кризиса.

Ни для кого не секрет, что временной интервал, необходимый для накопления определенной суммы сбережений, достаточной для приобретения населением товаров и услуг, с каждым годом существенно увеличивается. В этой связи значимость потребительского кредита (в т.ч. автокредита, ипотечного кредита) для населения не только не снижается, а, напротив, увеличивается с каждым годом, а иногда является единственной возможностью в достижении заветной цели. Однако недавний финансовый кризис сильно усложнил процесс предоставления потребительских кредитов банками и получение их заемщиками.

Причин резкого ухудшения качества розничных кредитных портфелей множество: потеря работы должником или его ближайшими родственниками, повлекшая резкое сокращение доходов при неизменном количестве расходов, уменьшение объема продаж семейного бизнеса, сокращение или регулярные задержки заработной платы и т.п. Несомненно, похожие проблемы были и раньше, но в период кризиса ситуация сильно обострилась.

Определение кредитоспособности заемщика является неотъемлемой частью работы коммерческого банка на этапе согласования нового кредита.

Подходы к определению кредитного риска заемщика - физического лица

Анализ кредитоспособности заемщика на постоянной основе позволяет банку оперативно принимать решения и осуществлять действия, направленные на выполнение заемщиком своих обязательств.

Оценка кредитоспособности клиента проводится в кредитном отделе банка на основе информации об источниках дохода, о наличии у заемщика личного движимого и недвижимого имущества, которое при необходимости может служить обеспечением выданного кредита, на основе данных о его последнем месте работы, месте жительства и т.п.

В практике российских и зарубежных коммерческих банков применяются разнообразные подходы к определению кредитного риска частного заемщика, начиная с субъективных оценок кредитными экспертами коммерческих банков и заканчивая автоматизированными системами оценки риска.

Большинство зарубежных банков использует в своей практике два метода оценки кредитоспособности.

1. Экспертные системы оценки, при которых банки осуществляют взвешенную оценку как личных качеств потенциального заемщика, так и его финансового состояния. В международной практике такому методу уделяется значительное внимание, активно развивается сеть мониторинга для анализа кредитной истории потенциальных заемщиков.

К примеру, в США кредитный инспектор почти всегда запрашивает местное или региональное кредитное бюро о кредитной истории клиента. В США работают свыше двух тысяч кредитных бюро, располагающих данными о большом объеме физических лиц, когда-либо получавших кредиты, об истории погашения этих кредитов и о кредитном рейтинге заемщиков.

2. Балльные системы оценки кредитоспособности клиентов, которые создаются банками на основе факторного анализа. Данная система использует накопленную базу данных "хороших", "удовлетворительных" и "неблагополучных" заемщиков, что позволяет установить критериальный уровень оценки заемщика.

Примечание. Под оценкой кредитоспособности заемщика чаще всего банком подразумевается анализ возможности и целесообразности предоставления заемщику денежных средств, определение вероятности их возврата своевременно и в полном объеме.

Преимущества скоринга

Использование балльных систем оценки кредитоспособности клиентов - более объективный и экономически обоснованный метод принятия решений, чем экспертные оценки.

Несомненное преимущество балльной системы оценки заключается в том, что она позволяет быстро и с минимальными затратами труда обработать большой объем кредитных заявок, сократив таким образом операционные расходы. Кроме того, она представляет собой и более эффективный способ оценки заявок, которую могут проводить кредитные инспекторы, не обладающие достаточным опытом работы.

Как правило, под балльной системой оценки подразумевается скоринг.

В российских коммерческих банках наиболее распространенным методом оценки кредитоспособности заемщиков физических лиц является именно скоринговая система оценки.

Примечание. Скоринговая система оценки потенциальных заемщиков, как правило, предполагает наличие трех разделов: информация по кредиту, сведения о клиенте, финансовое положение клиента.

Скоринг физических лиц представляет собой методику оценки кредитоспособности заемщика, основанную на различных характеристиках клиентов, к примеру: доход, возраст, профессия, семейное положение и т.д. В результате анализа факторов рассчитывается интегрированный показатель, дающий представление о степени кредитоспособности заемщика, исходя из набранных в ходе анализа баллов. И в итоге в зависимости от балльной оценки принимается решение о выдаче кредита и его параметрах либо об отказе в предоставлении кредита.

Приведем примерную структуру скоринговой карты, заполняемой кредитным экспертом.

В первый раздел вносятся данные о кредитном эксперте банка, рассматривающем кредит, номер досье клиента, вид и сумма кредита, способ погашения кредита (аннуитетный платеж, индивидуальный график), предполагаемый график погашения, процентная ставка, предполагаемая дата предоставления кредита, приводятся ответ на вопрос о необходимости страхования, величина страховой премии, общий размер процентов, которые будут уплачены банку.

Во второй раздел вводятся данные о семейном положении, образовании и профессии клиента, опыте работы, стаже на последнем месте работы, работодателе, ежемесячных доходах и расходах потенциального заемщика.

В третьем разделе приводится информация о финансовом состоянии потенциального заемщика: сведения об остатках на текущих и сберегательных счетах, соотношении доходов и расходов.

Сравнивая экспертную и балльную системы оценок, хотелось бы сделать следующее уточнение.

Привлечение банками для оценки кредитоспособности квалифицированных экспертов имеет несколько недостатков: во-первых, их мнение так или иначе является субъективным, во-вторых, люди не могут оперативно обрабатывать большие объемы информации, в-третьих, оплата высококвалифицированных специалистов сопряжена со значительными расходами. В связи с этим банки все чаще проявляют повышенный интерес к таким системам оценки риска, которые позволили бы минимизировать участие экспертов и влияние человеческого фактора на принятие решений.

В свою очередь, скоринговая система оценки представляет собой математическую модель, с помощью которой банк, опираясь на данные о кредитной истории "прошлых" клиентов, может определить, какова вероятность невозврата по потенциальному заемщику.

Последние два суждения формируют следующую проблему: большинство российских коммерческих банков либо не учитывает причину возникновения плохой кредитной истории у заемщика (возможно, случившейся по независящим от него причинам), либо, опираясь на плохую кредитную историю "прошлых" заемщиков, принимает решение не в пользу потенциального заемщика, не имея возможности (а иногда и желания) выяснять причины дефолта "прошлых" заемщиков в период кризиса. Указанная проблема часто незаметна для банковских работников, но ощутимо отражается на клиентах.

Когда скоринговые системы дают сбой: оценка рисков по клиентам малого бизнеса

Предположим, физическое лицо Иванов И.И. является учредителем сети магазинов "Огонек", осуществляющих реализацию электрических лампочек. В период успешного развития бизнеса Иванов И.И. оформил потребительский кредит на личные нужды и вложил деньги в бизнес, а также оформил кредит на пополнение оборотных средств на бизнес под залог товаров в обороте. Внезапно наступивший финансовый кризис негативно отразился на бизнесе заемщика. Снижение выручки более чем на 50% заставило заемщика закрыть два магазина из трех и обратиться в кредитующий банк с просьбой о реструктуризации ссуды, оформленной на бизнес, и увеличении срока кредитования. В качестве дополнительного залога Иванов И.И. предложил оформить жилое недвижимое имущество, принадлежащее ему на праве собственности. Банк одобрил решение о реструктуризации ссуды, но за время оформления документов и регистрации обременения на недвижимое имущество Иванов И.И. был вынужден отдавать всю имеющуюся выручку на погашение кредита, оформленного на бизнес, чтобы не ухудшать кредитную историю своей компании и не лишиться возможности увеличения срока и изменения графика платежей. В свою очередь, по личному потребительскому кредиту Иванова И.И. была допущена непростительная просрочка более 67 дней, что сделало кредитную историю заемщика "плохой". После окончания кризиса заемщиком было принято решение о новом развитии сети магазинов. Для этих целей Иванов И.И. вновь обращается в банк за кредитом на развитие под залог другого недвижимого имущества, также принадлежащего ему на праве собственности. Но получает отказ как в выдаче кредита на бизнес по причине избыточной, на взгляд банка, кредитной нагрузки на его бизнес, так и в предоставлении потребительского кредита из-за собственной негативной кредитной истории.

Что будет делать Иванов И.И.? Возможно, попытается взять кредит на себя еще в нескольких банках, но, вероятнее всего, его попытки закончатся оформлением кредита на своего родственника или друга, но платежи по кредиту все равно будут выплачиваться им. Тогда возникает справедливый вопрос: если новый кредит, оформленный на доверенное третье лицо, будет обслуживаться Ивановым И.И., в качестве залога будет оформлено его же недвижимое имущество, справедливо ли то, что кредитная ответственность по договору будет лежать не на нем, а на его родственнике или друге?

Примечание. В 1941 г. Дэвид Дюран впервые применил скоринговую методику к классификации кредитов на "плохие" и "хорошие".

Приведенный пример, на наш взгляд, очень показателен. Важно не просто учитывать отрицательную кредитную историю заемщика, а тщательно разбираться в причинах ее возникновения.

В этих условиях, а также принимая во внимание плохую адаптируемость скоринговой системы оценки кредитоспособности физических лиц, наиболее целесообразным видится использование экспертной оценки при анализе данных заемщика. Ведь, кроме указанной проблемы с просроченной задолженностью, можно назвать ситуацию, когда в период кризиса человек был уволен с высокооплачиваемой работы, к примеру из-за банкротства компании, и устроился на новую работу менее чем 6 месяцев назад. Следовательно, он не может претендовать на получение кредита, так как на последнем месте отработал менее 6 месяцев. Справедливо ли это? Ведь клиент не виноват в своем сокращении, произошедшем по причине банкротства работодателя. Оценка кредитоспособности заемщика - физического лица - это сложный процесс, и принимать решение о предоставлении кредита, основываясь только на данных скоринговой системы в сложившихся условиях, когда ситуации с увольнением и невозможностью погасить задолженность приобрели массовый характер, вряд ли является правильным. Важно обучать персонал, осуществляющий оценку физических лиц, и, возможно, устраивать коллегиальное принятие решений.

В настоящих условиях по-прежнему главным остается вопрос, кому давать кредит, а кому нет. Вводить жесткие ограничения для получателей кредита - значит, упустить прибыль, которая могла бы быть получена при более гибких ограничениях.

Чтобы работа на рынке розничного кредитования приносила прибыль, необходима эффективная система оценки рисков, которая позволила бы заранее отсекать неблагополучных клиентов и не отказывать надежным, обоснованно определяла бы размер ежемесячного платежа по потребительскому кредиту или лимит по кредитной карте. Именно такая система способна создать запас прочности банку, который позволит ему выводить на рынок привлекательные для заемщиков продукты.

Несмотря на указанные недостатки скоринговых систем, их распространенность в России и очевидные преимущества заставляют задуматься об адаптации скоринга к текущей ситуации в стране. Но в этом случае необходимо учитывать, что специалисты, которые будут заниматься такой адаптацией, должны быть высококвалифицированными, чтобы адекватно оценить текущую ситуацию на рынке, а значит, и высокооплачиваемыми. Результатом проделанной работы станет набор факторов с весовыми коэффициентами плюс некое значение (порог), преодолев которое, частное лицо, обратившееся за кредитом, будет считаться способным погасить запрашиваемую ссуду плюс проценты. К сожалению, полученные результаты будут являться по большей части субъективным мнением, статистически необоснованным.

Формирование скоринговой модели

Обратимся к истокам формирования скоринговой модели. В целях построения модели оценки кредитоспособности заемщика - физического лица в условиях скоринга сначала осуществляется отбор клиентов кредитной организации, которые уже так или иначе себя зарекомендовали. Такая выборка может варьироваться от нескольких тысяч до сотен тысяч в зависимости от накопленной статистики и объема кредитного портфеля.

Примечание. Наиболее успешной областью применения нейронных сетей стало выявление мошенничества с кредитными картами.

Методы классификации кредитов разнообразны и основываются на линейной многофакторной регрессии, логистической регрессии, дереве классификации, нейронной сети, технологии Data Mining (DM). Коротко рассмотрим некоторые из перечисленных методов.

Наиболее простым, на наш взгляд, видится метод линейной многофакторной регрессии, которая задается выражением:

= + + + ... + , (1)

где - вероятность дефолта j-го заемщика;

- весовые коэффициенты;

- анализируемые факторы.

Недостаток данной модели заключается в том, что в левой части уравнения находится вероятность, принимающая значения от 0 до 1, а переменные в правой части могут принимать любые значения. Но указанный недостаток может быть устранен либо путем нормирования значений факторов, либо путем построения шкалы интерпретации расчетных финансовых или нефинансовых факторов к заданному масштабу (в текущих условиях от 0 до 1). Приведем пример построения интервальной шкалы для одного из наиболее значимых факторов "Качество кредитной истории заемщика - физического лица" (табл. 1-3).

Оценка качества кредитной истории по каждому конкретному заемщику происходит в три этапа.

Этап 1. Расчет балла за накопленный кредитный стаж в зависимости от возраста заемщика () (табл. 1).

Этап 2. Расчет балла за образовавшиеся просрочки, исходя из их количества и суммарной длительности () (табл. 2). Отсутствие просрочек у заемщика означает, что = 1.

Этап 3. Расчет итогового балла для фактора "Качество кредитной истории заемщика - физического лица" осуществляется по формуле:

К = х , (2)

где - балл за накопленный кредитный стаж;

- балл за образовавшиеся просрочки.

Таким образом, приведенный пример подтверждает возможность устранения названного недостатка линейной многофакторной регрессии путем приведения в соответствие правой и левой частей уравнения.

Примечание. Логистическая регрессия осуществляет сегментацию прецедентов на основе разбиения факторного пространства n-мерной сеткой, где n - количество значимых факторов.

Не менее распространенным является метод логистической регрессии, который также используют в системах скоринга.

Метод логистической регрессии предполагает использование нескольких переменных, формирующих в сумме итоговый балл каждого потенциального заемщика. Если полученный балл превышает заданный уровень, то при отсутствии другой компрометирующей информации кредит будет предоставлен. Если же балл потенциального заемщика не достигает заданного уровня и нет смягчающих обстоятельств, в кредите, вероятнее всего, будет отказано. В число важнейших переменных, используемых в подобных системах, входят данные о кредитной истории заемщика, сведения о семейном положении, наличии и числе иждивенцев, наличии в собственности у потенциального заемщика движимого и недвижимого имущества, об уровне дохода, о наличии домашнего телефона, количестве и видах банковских счетов, роде занятий и сроке работы на последнем месте.

Одним из наиболее привлекательных способов оценки кредитоспособности физических лиц является использование алгоритмов, позволяющих решать задачи отнесения какого-либо объекта (потенциального заемщика) к одному из заранее известных классов (предоставлять/не предоставлять кредит). Такого рода задачи могут быть решены с помощью одного из методов Data Mining - дерева классификаций, которое является более общим алгоритмом сегментации обучающей выборки прецедентов, чем логистическая регрессия. В отличие от метода логистической регрессии в методе дерева классификаций сегментация прецедентов задается не с помощью n-мерной сетки, а путем последовательного дробления факторного пространства на вложенные прямоугольные области. Получаемая модель - это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение (рисунок). Приведенный на рисунке пример строится на данных за прошлые периоды. Отметим, что класс каждой из ситуаций, на основании которых было построено дерево, задается заранее. При построении дерева все известные ситуации обучающей выборки сначала попадают в верхний узел, а потом распределяются по подчиненным узлам, которые также могут быть детализированы далее на более низких уровнях. Критерий разбиения очевиден - различные значения каждого из факторов модели. Для определения поля, по которому будет происходить разбиение, используется так называемая мера неопределенности (энтропия). Выбирается то поле, по которому при разбиении устраняется больше неопределенности. Неопределенность тем выше, чем больше объектов, относящихся к различным классам, находящимся в одном узле. Главное достоинство представленного метода заключается в том, что при значительном изменении текущей ситуации в отрасли дерево решений можно легко перестроить, то есть адаптировать к текущей обстановке. Примечание. Скоринг является методом классификации всей исследуемой группы физических лиц на различные группы. В статистике идея классификации популяции на группы была разработана Фишером в 1936 г. на примере растений.

Дальнейшие усовершенствования модели оценки кредитоспособности физического лица на основе технологии интеллектуального анализа данных Data Mining (с использованием деревьев решений) могут заключаться в следующем: - более обоснованный отбор параметров, характеризующих кредитоспособность потенциального заемщика;

- использование в модели детализированных шкал для оценки различных параметров. К примеру, для оценки качества кредитной истории возможными вариантами ответов могут стать: вернул ссуду своевременно и в полном объеме/выполнил свои кредитные обязательства, но с задержкой до 30 дней/полностью не выполнил свои кредитные обязательства до настоящего момента и т.п.).

Различные методики оценки кредитоспособности отличаются друг от друга составом факторов, используемых при оценке общего кредитного рейтинга заемщика, а также подходами к оценке каждого параметра модели и степенью значимости каждого из них. К сожалению, состав факторов в модели не универсален для всех банков и стран, что, в свою очередь, не позволяет мировому банковскому сообществу обмениваться статистикой и совершенствовать свои скоринговые системы.

В то же время сложность и неоднозначность оценки кредитоспособности физических лиц обусловливает применение разнообразных методов и подходов. Причем важно отметить, что для достижения наилучших результатов наиболее предпочтительным, на наш взгляд, является использование как математических моделей, так и экспертных подходов в комплексе.

В заключение отметим, что в настоящее время при утверждении методов оценки кредитоспособности частных заемщиков важно проверять, насколько выбранные методы адаптированы к текущей ситуации в стране, к примеру, насколько детально анализируются источники возникновения финансовых трудностей у потенциальных заемщиков в прошлом. Важно с заинтересованностью подходить к вопросам, связанным с отрицательной кредитной историей, сравнительно коротким стажем на последнем месте работы и т.п., ведь причина может заключаться совсем не в недобросовестности заемщика, а в неблагоприятном стечении обстоятельств, что независимо от воли заемщика привело к негативным с точки зрения получения нового кредита последствиям.

Размещено на Allbest.ru