Термин «скоринг» в дословном переводе с английского языка означает «подсчет очков». Так называют систему и метод оценки рисков по кредитованию конкретного лица, управления рисками на основе математического прогноза. Банковский скоринг позволяет определить вероятность просрочки выплат, основываясь на информации из кредитной истории и на некоторых других данных. Основным критерием являются баллы, которые раньше начислялись сотрудниками кредитно-финансовых учреждений вручную, а сейчас все чаще рассчитываются специальной программой.

Скоринг эффективно работает в сфере экспресс-кредитования, микрофинансирования, где на рассмотрение заявки у специалиста есть не более часа. В специальную программу заводятся данные потенциального заемщика. Система сравнивает информацию со статистикой. Например, если в базе данных много сведений о том, что люди такого же возраста и/или профессии не возвращали кредиты, то решение может быть отрицательным - банк может отказать без объяснения причин.

Оценка кредитоспособности заемщика − физического лица − в автоматическом режиме основывается на анализе различной информации, среди которой:

• идентификационные данные . Обрабатываются данные паспорта, фото заявителя. Уже на этом этапе определяются мошенники, лица, имеющие плохую кредитную историю;
• социальное положение . Учитывается пол, возраст заявителя, его образование и место работы. Принимается во внимание адрес регистрации и проживания, наличие семьи, иждивенцев;
• финансовое положение . В идеальном варианте необходимо иметь не только достаточный, но и регулярный доход. Некоторые банки учитывают также возможные траты: оплату коммунальных услуг, детского сада и т. д. Многие заявители идут на хитрости, не заявляя об иждивенцах или завышая суммы доходов. При небольших займах это может сработать, но при крупных кредитах банки обычно проверяют данные намного тщательнее;
• кредитная история . В оценке кредитоспособности физического лица информация по предыдущим займам имеет одно из решающих значений. Определяются непогашенные кредиты, наличие просрочек и время, в течение которого они были выплачены. Если ссуды обслуживались аккуратно, то система выдаст высокую вероятность такого же поведения клиента в будущем, увеличив скоринговый балл. Такой же принцип работает и в обратную сторону;
• транзакционное поведение . Параметр оценки доступен для заявителей, являющихся клиентами кредитно-финансового учреждения. Держатели пластиковых карт, депозитных счетов, участники зарплатных проектов чаще получают высокую скоринговую оценку. Системой оцениваются суммы, на которые совершаются покупки, категории точек продаж.

Все данные проверяются по отдельности и сравниваются между собой на наличие противоречий. Должна быть связь между доходами и расходами, должностью и местом проживания и т. д.

Непредвзятость . Скоринговая система оценки кредитоспособности оперирует фактами и цифрами, не учитывая личностные особенности человека. Сотрудник офиса, принимающий заявку, не может никаким образом повлиять на алгоритм подсчета. Кредитный эксперт не вправе безосновательно отказать в выдаче ссуды, если программа оценила заемщика как платежеспособное лицо.

Оперативность . Подсчет баллов в ручном режиме выполняется в форме таблицы. В отдельные строки специалист самостоятельно вводит данные и присваивает баллы, ориентируясь только на собственный опыт и знания. Процесс трудоемкий и долгий, заявителям приходится ждать по часу и более. Современные программы подсчитывают скоринговый балл в сотни раз быстрее.

Финансовая выгода . Банки, использующие скоринговую систему оценки кредитоспособности, часто предлагают более выгодные условия предоставления ссуд. Просчет рисков и автоматический отсев возможных неплательщиков значительно снижает долю невозврата, которую обычно закладывают в процентную ставку. Это выгодно и заемщику, и кредитору.

В первую очередь необходимо сформировать хорошую кредитную историю, без просрочек. Если своевременные выплаты невозможны по объективным причинам, необходимо как можно раньше сообщить об этом в банк и доказать временную неплатежеспособность. Большинство кредиторов идут навстречу клиентам, предоставляя отсрочки платежа, делая перерасчет или предлагая другие решения. В этом случае история не будет испорчена отказами выплат. Если негативные строчки в истории уже есть, их можно компенсировать своевременно выплаченными кредитами.

Еще один способ, позволяющий повысить скоринговую оценку кредитоспособности, - наличие депозита. Открытый вклад в банке дает понять, что у клиента есть средства для выплаты. То же самое относится к держателям зарплатных карт, которые обычно имеют высокий балл.

Чтобы повысить оценку, необходимо внимательно отнестись к заполнению заявления. Рекомендуется указывать достоверные контактные данные и предупредить всех, чьи телефоны вы вписываете в анкету. Если сотрудник банка начнет прозвон, он должен дозвониться до всех абонентов. В противном случае информацию могут признать недостоверной и отказать из-за этого в кредитовании.

Если вам отказали в ссуде по причине того, что программа скоринга сочла вас некредитоспособным, не стоит отчаиваться. Возможно, настройки алгоритма неблагоприятны для вас только в этом банке. Чтобы проверить это, попробуйте пройти скоринг в нашего сайта.

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:

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).

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.

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.

Практически каждый, кто хоть раз получал отказ в оформлении кредита, слышал от менеджера такую фразу: «Решение было принято скоринговой системой. Ваши показатели надежности в качестве заемщика не соответствуют норме». Какова же эта норма, что такое скоринг и как пройти «кредитный детектор» на «отлично»? Давайте попробуем разобраться.

Общие сведения

Итак, что такое своеобразная система оценки надежности заемщика, построенная на целом ряде параметров. Когда человек подает заявку на получение кредита, первое, что ему предлагают сделать — заполнить анкету. Вопросы анкеты придуманы не просто так. Это и есть скоринговая модель оценивания потенциального заемщика. В зависимости от ответа по каждому пункту присваивается определенное количество баллов. Чем их больше, тем выше вероятность получения положительного решения о выдаче денежных средств.

Тут имеется один нюанс. Если у вас негативная кредитная история, то дальнейшие ответы на вопросы и число набранных баллов чаще всего уже не имеют значения. Уже одного этого факта достаточно для отказа.

Цели и задачи скоринга в современных банках

Любая скоринговая модель, применяемая в системе кредитования, вводится с целью получения таких результатов:

• увеличение кредитного портфеля из-за снижения доли необоснованных отказов по кредитам;
• ускорение процедуры оценки потенциального заемщика;
• снижение уровня невозврата кредитных средств;
• повышение качества и точности оценки заемщика;
• централизованное накопление данных о клиенте;
• снижение резерва на сумму вероятных потерь по кредитам;
• оценка динамики изменений индивидуального кредитного счета и всего портфеля кредитов в целом.

Кредитный скоринг: как это работает?

Для достижения поставленных целей в банках применяется скоринговая модель оценки кредитоспособности. Она предполагает минимальное влияние на результат менеджера или сговора сотрудников банка.

Практически вся информация, вносимая в анкету, должна подтверждаться наличием документов. Менеджер банка исполняет в данном случае чисто техническую роль - вносит данные в программу. Когда все пункты анкеты закружены, компьютерная программа просчитывает и выдает результат - количество набранных вами баллов. Дальше ситуация может развиваться по-разному.

Если вы набрали слишком мало баллов, можете быть уверены: в кредите откажут.

Число баллов оказалось намного выше среднего? Если сумма кредита небольшая, решение может быть принято прямо на месте. В случае если вы претендуете на получение довольно внушительной суммы, вам будет объявлено о том, что первый этап проверки вы прошли, и заявка передана на рассмотрение в службу безопасности банка.

Количество баллов «плавает» посерединке? Менеджер, скорее всего, потребует привести поручителя или назначит серию дополнительных проверок.

Виды скоринга

В общем случае скоринговая модель состоит из семи видов оценки, четыре из которых имеют отношение к кредитованию, а три — к маркетингу. Для кредитной практики характерны такие виды скоринга:

1. По заявкам (Application-скоринг). Эта модель чаще всего используется для оценки надежности и платежеспособности клиентов. Построена она, как уже было сказано, на оценивании анкеты и присвоении каждому ответу соответствующего количества баллов.
2. От мошенничества (Fraud-скоринг). Помогает вычислить потенциальных мошенников, сумевших пройти первый этап тестирования. Принципы, способы и методы тестирования на мошенничество являются коммерческой тайной каждого банка.
3. Прогноз поведения (Behavioral-скоринг). Тут проводится анализ поведения заемщика по отношению к кредиту, вероятность изменения платежеспособности. По результатам оценивания проводится корректировка максимальной суммы кредита.
4. Работа по возвратам (Collection-скоринг). Эта модель применяется к проблемным кредитам, на стадии возврата неоплаченных задолженностей. Программа помогает сформировать план мероприятий по возврату кредита: от предупреждения до передачи дела в суде или коллекторскую фирму.

Три остальных вида выглядят так:

1. Предпродажная оценка (Pre-Sale) — выявляет потенциальные потребности заемщика, позволяет предложить дополнительно тот или иной продукт.
2. Отклик (Response) — оценивает вероятность согласия клиента с предложенными программами кредитования.
3. Оценка истощения (Attrition) — оценка вероятности того, что клиент прекратит свои взаимоотношения с банком на данном этапе или в будущем.

Недостатки скоринговой системы

Оценка кредитоспособности физических лиц имеет свои недостатки. Основным является то, что система недостаточно гибкая и плохо адаптируется под реальные параметры. Например, скоринговая модель, принятая в США, поставит высокий балл человеку, сменившему большое количество мест работы. Такой человек считается замечательным специалистом, очень востребованным на рынке труда. У нас же такой факт сыграет с заемщиком злую шутку. Наибольшее количество баллов получит человек, имеющий всего одну запись в трудовой. Если заемщик часто меняет работодателя, то он считается неблагонадежным, неуживчивым и плохим специалистом. Его рейтинг в глазах банка стремительно падает, ведь за следующим увольнением может и не последовать новая работа, а значит, начнутся просрочки в платежах.

Чтобы максимально адаптировать систему под наши условия жизни, анкеты для оценки должны разрабатывать специалисты высочайшей категории и квалификации. Но любые результаты, полученные подобным образом, все равно будут зависимы от мнения и влияния человека. Так что абсолютно беспристрастной оценки все равно не получается.

Так что любая система скоринга имеет, по крайней мере, два недостатка:

• дороговизна адаптации под современные реалии;
• влияние субъективного мнения специалиста на выбор модели оценки клиента.

Кроме того, сама система оценивания также несовершенна. Дело в том, что при выставлении баллов учитывается только формальное положение вещей. Система не способна правильно оценивать реальность. Например, если клиент имеет комнатку в коммуналке на Арбате, то система поставит ему высокий балл. Ведь имеется московская прописка и жилье в центре. А шикарный особняк площадью в несколько тысяч квадратных метров, расположенный в небольшом поселке на берегу Черного моря, система обозначит как «жилье в селе» и снизит балл за отсутствие московской прописки.

Какие данные участвуют в построении модели

В тех случаях, когда проводится оценка кредитоспособности физических лиц, сотрудник банка должен опираться на целый ряд критериев. Все их можно разделить на три большие группы, в каждую из которых входит множество показателей.

• семейное положение;
• возраст;
• наличие детей, их возраст и количество.

Финансовые:

• сумма основного ежемесячного дохода;
• место работы, должность;
• количество записей в трудовой книжке;
• период трудоустройства в последней фирме;
• наличие обременений (долгов, непогашенных кредитов, алиментов и других выплат);
• наличие собственного жилья, автомобиля, банковских счетов и депозитов.

Дополнительные:

• существование дополнительных источников дохода, не подтвержденных документально;
• возможность предоставления поручителя;
• другие сведения.

Скоринговая модель оценки кредитоспособности юридического лица построена немного по-другому. Тут ключевыми параметрами считаются Но поскольку они рассчитываются исходя из финансовых отчетов кампании-соискателя, то в случае чего они могут быть скорректированы. С учетом такой возможности объективность оценки сильно уменьшается. Поэтому для оценки юридических лиц применяется скоринг с динамическими показателями.

Первый шаг основывается на сборе сведений, которые нельзя исчислить материальными показателями. К ним относятся положение на рынке, экспертное мнение о финансово-экономической устойчивости.

Следующий шаг — определение финансовых показателей. Здесь изучаются коэффициенты ликвидности, обеспеченности собственными средствами, объективные показатели финансовой устойчивости, рентабельности, оборачиваемости средств и так далее.

По итогам двух независимых оценок банк принимает решение о выдаче займа.

Кто может получить высокую оценку

Если говорить о физических лицах, то тут оценка заемщика также проводится по многим показателям. Существует множество факторов, способных положительно повлиять на рейтинг:

• высокая зарплата;
• наличие собственного движимого и недвижимого имущества;
• долгий срок проживания в конкретном регионе;
• наличие депозитов;
• документальное подтверждение доходов;
• наличие стационарного телефона дома и на работе;
• подтверждение официального трудоустройства, особенно на государственных предприятиях и в бюджетной сфере;
• наличие открытых счетов (депозитных, пенсионных, расчетных) в банке-кредиторе;
• наличие значительной суммы авансового платежа при получении ипотеки или автокредита;
• возможность предоставления рекомендаций, поручителя или созаемщика;
• отличная кредитная история.

Как обмануть систему и можно ли это сделать?

Считается, что раз оценку проводит бездушная машина, то можно ее обмануть, заранее выяснив «правильные» ответы на вопросы. На самом деле это далеко не так.

Скоринговая модель оценки клиента построена таким образом, что все ответы на вопросы можно проверить при помощи соответствующих документов. Кроме того, банки часто объединяются в целые сети и сбрасывают результаты своих проверок в одну общую систему. Так что если в процессе дополнительной проверки обман будет выявлен, на вашей репутации заемщика будет поставлен жирный крест. Нигде и никогда вы больше кредита не получите.

Приукрасить действительность можно попытаться лишь в том случае, когда данные в систему вносятся лишь со слов клиента. Однако найти такой банк довольно трудно, и проценты там настолько грабительские, что вы и сами вряд ли захотите оформить там кредит.

Скоринг и история кредитования

Если учесть, что как минимум половина жителей нашей страны уже имела опыт обращения за кредитом, в первые ряды выходит такой показатель оценивания заемщика, как кредитная история. Поскольку БКИ с некоторых пор пополнились данными о заемщиках микрофинансовых организаций и других подобных учреждений, на рынке появились скоринговые модели, скорректированные с учетом наличия и состояния кредитной истории.

Эти модели оценивают заемщиков по вероятности невозврата денежных средств, возникновения просрочек, количеству ранее погашенных кредитов и других параметров.

Кроме того, банкам предлагается услуга автоматического информирования о клиентах. Подключив такую услугу, банк будет знать:

• об открытии клиентом счетов в других финучреждениях;
• о получении новых кредитов;
• о возникновении любых просрочек;
• новые паспортные данные клиента;
• об изменении лимитов по счетам, кредиткам и так далее.

Это позволит еще больше отрегулировать систему банковского скоринга и получать максимум информации о потенциальных заемщиках.

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