Методы и инструменты оценки кредитоспособности физических лиц в российской и зарубежной практике

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 [95, С. 33].

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, а иногда является единственной возможностью в достижении заветной цели.

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.

Определение кредитоспособности заемщика является неотъемлемой частью работы коммерческого банка на этапе согласования нового кредита. 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, как указывает К. В. Норд, используют в своей практике два метода оценки кредитоспособности [66, С. 34]:

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. 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, который является наиболее распространенным методом оценки кредитоспособности заемщиков физических лиц в российских коммерческих банках. Скоринговая система оценки потенциальных заемщиков, как правило, предполагает наличие трех разделов [68, С. 32]:

• — 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, элементы которой служат инструментами рассматриваемого метода.

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 [68, С. 33].

Сравнивая экспертную и балльную системы оценок, сделаем 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 учитывают причину возникновения плохой кредитной истории у заемщика (возможно, случившейся по не зависящим от него причинам), либо, опираясь на плохую кредитную историю «прошлых» заемщиков, принимают 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. 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 с точки зрения И. Н. Рыковой видится использование экспертной оценки при анализе данных заемщика [78, С. 39].

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.

Для того 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 не обоснованным [88, С. 12].

Обратимся к порядку 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.

Методы классификации кредитов разнообразны и основываются на линейной многофакторной регрессии, логистической регрессии, дереве классификации, нейронной сети, технологии Data Mining (DM). Наиболее простым, на наш взгляд, видится метод линейной многофакторной регрессии, которая задается выражением (1.1) [79, С. 131]:

(1.1).

где PD — вероятность дефолта j-го заемщика;

W — весовые коэффициенты;

X — 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» (таблица 1.1−1.3). В работах Д. А. Ендовицкого и И. В. Бочаровой выделены три этапа оценки качества кредитной истории по каждому конкретному заемщику.

Этап 1. Расчет балла за накопленный кредитный стаж в зависимости от возраста заемщика (Балл) (таблица 1.1).

Таблица 1.1 Кредитный стаж заемщика*.

* Составлено автором по [27, С. 264].

Этап 2. Расчет балла за образовавшиеся просрочки, исходя из их количества и суммарной длительности (Балл) (таблица 1.2). Отсутствие просрочек у заемщика означает, что Балл = 1.

Таблица 1.2 Количество и срок всех просрочек заемщика*.

* Составлено автором по [27, С. 264].

Этап 3. Расчет итогового балла для фактора «Качество кредитной истории заемщика — физического лица» осуществляется по формуле (1.2):

(1.2).

где К — качество кредитной истории заемщика — физического лица;

Балл — балл за накопленный кредитный стаж;

Балл — балл за образовавшиеся просрочки.

Возможные сочетания трех факторов (кредитный стаж заемщика, количество просрочек и их суммарная длительность) представлены в таблице 1.3.

Таблица 1.3 Сводная таблица для оценки кредитной истории заемщика*.

* Составлено автором Таким образом, приведенный пример подтверждает возможность устранения названного недостатка линейной многофакторной регрессии путем приведения в соответствие правой и левой частей уравнения. Не менее распространенным является метод логистической регрессии, осуществляющей сегментацию прецедентов на основе разбиения факторного пространства n-мерной сеткой, где n — количество значимых факторов [7, С. 74]. 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 [92, С. 34]. 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 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.

Дальнейшие усовершенствования модели оценки кредитоспособности физического лица на основе технологии интеллектуального анализа данных Data Mining (с использованием деревьев решений), как указывает И. В. Ходжаева, могут заключаться в следующем [92, С. 35]:

• — 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.