Разделы: Экономика
Размещена 22.04.2015. Последняя правка: 22.04.2015.
Просмотров - 7373

СОВЕРШЕНСТВОВАНИЕ СКОРИНГ-СИСТЕМЫ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ФИЗИЧЕСКИХ ЛИЦ КОММЕРЧЕСКИМ БАНКОМ ПРИ ПОМОЩИ ДЕРЕВА РЕШЕНИЙ

Тихова Валентина Димитрова

ТулГУ

Студент

Шелопаева Ирина Федоровна, кандидат экономических наук, доцент кафедры

УДК 336.717.061.1

Процесс кредитования соприкасается с фактическим риском, состоящим в непогашении кредита в срок. В связи с этим, при выдачи клиенту ссуды требуется оценить его кредитоспособность, заключающуюся не только в определении способности потенциального заемщика своевременно и в полном объеме погасить задолженность по кредиту, но и в прогнозировании его финансового состояния в будущем. Именно засчет анализа финансовой устойчивости заемщика банк имеет возможность застраховать себя от рисков по кредитам, эффективно управляя кредитными ресурсами, и обеспечивать себе стабильный доход в виде процентных платежей.

Целью анализа кредитоспособности физического лица балльной оценкой скоринга является расчет максимального лимита кредитования потенциального заемщика банка [2]. Данная методика является универсальной для всех видов кредитования, в том числе для ипотечного кредита, автокредита и иных займов.

Одним из основных этапов построения скоринговой модели является выбор и анализ данных потенциального заемщика, которые указаны в анкете клиента на момент подачи кредитной заявки. В первую очередь проверяется соответствие потенциального заемщика минимальным требованиям, предъявленным ему коммерческим банком. Следует отметить, что только в случае соответствия условиям данного этапа клиент переходит на второй этап анализа его кредитоспособности. Далее на основе представленных клиентом документов, подтверждающих его доход (справка о доходах физического лица по форме 2-НДФЛ) рассчитывается максимальный лимит кредитования.

Главным недостатком существующей системы скоринга физических лиц коммерческим банком является то, что она очень плохо адаптируема. Например, за рубежом многократная смена работы для заемщика является плюсом, так как это считается доказательством его востребованности на рынке труда. В отечественной же практике такой человек будет восприниматься как неквалифицированный специалист, тем самым повышая вероятность просрочки по кредитным платежам.

К тому же используемая система скоринговых коэффициентов давно не корректировалась в соответствии с текущей ситуацией в экономике. Действующая на данный момент «советская» система оценки кредитоспособности потенциального заемщика рассматривает наличие личного автотранспорта как показатель отличного финансового состояния клиента банка. В настоящее же время данное обстоятельство почти ни о чем не говорит. Поэтому адаптация скоринговой модели для различных стран, и даже регионов страны – необходимый этап модернизации системы снижения кредитных рисков коммерческого банка.

Для решения данного вопроса необходимо оценить текущую ситуацию на рынке для формирования определенных весовых коэффициентов, прохождение которых позволило бы заемщику попасть в ряд надежных клиентов, то есть способных своевременно платить по своим обязательствам. Необходимо отметить, что данные результаты субъективны, так как напрямую зависят от специалистов по адаптации системы скоринга, и статистически не обоснованы. Следовательно, модель не в полной мере будет отражать текущую действительность, а затраты на ее совершенствование будут велики.

Одним из способов совершенствования кредитоспособности при помощи скоринговой модели является применение определенных алгоритмов, позволяющих относить потенциального заемщика банка к одному из классов: «плохие» лии «хорошие» заемщики. Такая задача решается с помощью автоматического анализа данных, то есть дерева решений, которое представляет собой способ иерархии правил, где каждому объекту соответствует узел-решение вопроса [1].

Введенные параметры дерева решений целесообразно связать с минимальными требованиями банка к потенциальному заемщику, кроме того, они должны быть актуальны на действующий период кредитования. Например, возрастные ограничения заемщика находятся в пределе от 21 до 60 лет, место постоянной регистрации и официальной работы – по месту кредитования. К тому же заемщик не должен иметь отрицательную кредитную историю, а также иметь стаж работы более одного года за последние пять лет.

На основе информации о заемщиках за прошлые периоды стоится дерево, при этом формируются классы заемщиков. То есть должно быть известно заранее, был ли возвращён кредит и проценты коммерческому банку, не было ли просрочек по платежам. Все имеющиеся ситуации должны быть указаны в узлах дерева, которые в свою очередь тоже могут быть разбиты на дочерние узлы по принципу одного значения входного фактора. В нашем случае, от указанного пола заемщика зависит другие минимальные требования банка к нему.

Пример дерева решений на основе минимальных требований банка к потенциальному заемщику приведен на рисунке 1.

 

Рисунок 1. Дерево решений.

Таким образом, полученную модель используют для определения в конечном итоге класса заемщика («плохой»/«хороший»).

Преимущество данного метода состоит в том, что при изменении каких-либо входных показателей, дерево решений может легко корректироваться и подстраиваться под определенный кредитный продукт банка.

Кроме того, внедрение данной методики может существенно сэкономить время «проверки» потенциального заемщика, избавив кредитного инспектора от лишней работы по сбору информации. Например, обратившееся в банк лицо может не пройти по возрастному параметру или его трудовая деятельность зарегистрирована не по месту регистрации, следовательно, дальнейшая информация о нем уже не актуальна. Расширяя дерево решений дополнительными классами, которые могли бы предложить клиенту подходящий для него кредитный ресурс, повышается эффективность банка по работе с клиентами.

Приведенный выше пример дерева решения представляет собой один из способов снижения риска непогашения кредита в срок физическим лицом, а дальнейшее его совершенствование позволит сформировать более точный прогноз конечного результата кредитования (например, «Возврат кредита»/«Невозврат кредита»/«Возврат кредита с просрочкой платежа»).

1. Ларин С. Использование деревьев решений для оценки кредитоспособности физических лиц [Электронный ресурс]// BaseGroup Labs. Технологии анализа данных: [сайт]. [2015]. URL: http://www.basegroup.ru/library/practice/solvency/ (дата обращения: 01.04.2015).
2. Никаненкова В.В. Кредитный скоринг как инструмент оценки кредитоспособности заемщиков [Электронный ресурс]// Научная электронная библиотека «Киберленинка»: [сайт]. [2015]. URL: http://cyberleninka.ru/article/n/kreditnyy-skoring-kak-instrument-otsenki-kreditosposobnosti-zaemschikov (дата обращения: 01.04.2015).

Рецензии:

13.03.2016, 22:42 Рябова Елена Вячеславовна
Рецензия: По мнению рецензента, список литературы достаточно скуден. Более того в статье имеются опечатки, которые рекомендуется устранить. Фраза "Данная методика является универсальной для всех... и иных займов" имеет принципиальную ошибку, т.к. банки выдают только кредиты. Займы могут предоставлять как раз все иные организации (кроме банков). Потом скоринговая система хоть и имеет общий подход, но все - таки носит индивидуальный характер. Банки сами формируют критерии, которые, по их мнению, лучшим образом дадут возможность оценить вероятность платежеспособности потенциального клиента. Пока не увидела оригинальности, научности и авторского вклада. Было бы неплохо, если бы Вы хотя бы провели сравнительную характеристику критериев скоринговых систем, применяемых российскими банками, с зарубежными аналогами. Или, как минимум, выявили и дали бы свое обоснование по включению или, напротив, исключению определенных критериев.



Комментарии пользователей:

Оставить комментарий