Что такое скоринг и как он работает. Виды скоринговых моделей Скоринговая модель

При выдаче кредитов банки стремятся получить максимальную прибыль и гарантировать возврат переданных заемщику средств. Для того чтобы снизить риск просрочек, финансовые организации тщательно анализируют всех претендентов и одобряют только заявки, обязательства по которым будут выполняться с большой вероятностью.

Оценка кредитоспособности заемщика – физического лица часто осуществляется с помощью (от английского scoring - «подсчет очков»). Скоринговая модель анализирует факторы, влияющие на риск невозврата займа, и выдает рекомендации по одобрению заявки или отказу. При оформлении кредита заемщику в первую очередь предлагается заполнить анкету. Именно на основе этих данных выставляется оценка. За каждый параметр клиент получает определенное количество баллов, действуют повышающие и понижающие коэффициенты. Итоговый результат раньше подсчитывали вручную банковские сотрудники, сегодня это делается автоматически в специальных программах.

Где применяется скоринг

Скоринговая модель широко используется в области микрофинансирования и экспресс-кредитования, где рассмотрение данных потенциального заемщика и принятие решения занимают менее 1 часа. Для проверки кредитоспособности в специальную программу вносят информацию из заполненной заявки. Система автоматически сравнивает указанные потенциальным заемщиком данные со статистикой. Так, если в базе есть сведения о том, что люди аналогичного возраста или профессии нередко не возвращают кредит, то решение по заявке может быть отрицательным. В таких случаях банк или микрофинансовая организация обычно отказывает потенциальному заемщику без объяснения причин.

Преимущества скоринговой системы ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ

Быстрота принятия решений. Если анализом платежеспособности заемщика занимается сотрудник банка, это потребует много времени. Специалисту необходимо самостоятельно проверить каждый параметр, вручную внести все полученные результаты и сделать вывод. С помощью современных скоринговых систем оценки кредитоспособности данные обрабатываются быстро, а значит, и решение принимается оперативно.

Объективность. Даже опытный и квалифицированный специалист может допустить ошибку в подсчетах или сформировать предвзятое мнение из-за личного отношения к клиенту. Скоринг-балл – гораздо более объективный показатель кредитоспособности, потому что он высчитывается в автоматическом режиме. Сотрудник банка не может повлиять на работу алгоритма.

Финансовая выгодность. Использование скоринговой модели оценки кредитоспособности позволяет значительно уменьшить долю невозврата. Это не только увеличивает прибыль банка, но и дает ему возможность предлагать более выгодные тарифы для клиентов. Уровень невозврата прямо влияет на процент по кредитам, поэтому добросовестные плательщики также заинтересованы в его снижении.

От чего зависят результаты скоринга

Итоговая оценка при использовании любой скоринговой модели складывается из целого ряда показателей. В первую очередь проверяются паспортные данные заемщика, информация о месте проживания и другие контактные данные. Это предварительный этап, на котором отсеиваются претенденты с недействительными документами. Затем происходит анализ других факторов.

Личная информация о клиенте. Скоринг-оценка учитывает семейное положение заемщика и наличие у него несовершеннолетних детей. Также принимается во внимание продолжительность стажа на последнем месте работы.
Платежеспособность претендента. Один из самых значимых факторов, влияющих на скоринг-балл. Чтобы получить одобрение, важно доказать наличие не только достаточных для погашения займа средств, но и регулярных выплат. Для оценки финансового положения и кредитоспособности в большинстве случаев (особенно при выдаче крупных кредитов) требуется предоставить документы с места работы: справку 2-НДФЛ или по форме банка. Иногда учитываются также расходы претендента (на содержание иждивенцев, коммунальные услуги и т. д.).
Кредитная история. При скоринговой оценке кредитоспособности клиентов обязательно проводится проверка задолженностей и просрочек по ранее взятым ссудам. Банк может при наличии согласия получить данные по претенденту из бюро кредитных историй (БКИ), в которых отражается вся необходимая информация. Также системой принимается во внимание наличие или отсутствие регулярных выплат по действующим займам. В БКИ фиксируется история заявок, сделанных претендентом: наличие большого процента отказов от других финансовых организаций может снизить оценку.

Транзакционное поведение. Если заемщик является зарплатным клиентом или имеет депозит в банке, скоринг-балл при определении кредитоспособности может быть повышен. При этом учитывается размер накоплений на счете и их динамика.

Все данные скоринговая система проверяет по отдельности и сравнивает их между собой, чтобы выявить возможные противоречия. Подтверждением достоверности указанных сведений является наличие связи между доходами и расходами потенциального заемщика, местом работы и адресом проживания и т. д.

Анализ данных скоринга

На основе полученного результата система выносит решение:

одобрение - оценка высокая, заявка может передаваться на следующий уровень;
отказ - претендент набрал слишком низкий балл, поэтому рассмотрение запроса прекращается;
требуется дополнительный анализ - у системы недостаточно данных для выставления адекватной оценки. В этом случае специалист банка самостоятельно изучает анкету заявителя и уточняет информацию. Для подтверждения спорных аспектов у претендента могут затребовать дополнительные документы. После ручного рассмотрения по заявке принимается окончательное решение.

Как получить высокий скоринг-балл

Исключить просрочки по займам. Чтобы увеличить шансы на хорошую оценку и одобрение заявки, нужно иметь чистую кредитную историю. Это значит, что у претендента не должно быть просрочек по другим займам или непогашенных долгов. Поэтому даже при возникновении финансовых трудностей важно следить за своей кредитной историей. Лучше вовремя предоставить банку документальное подтверждение временной неплатежеспособности и разработать схему реструктуризации долга или отсрочки. Это позволит закрыть текущий кредит и повысить вероятность одобрения нового.

Открыть банковский вклад. В большинстве банков можно получить дополнительные скоринг-баллы при наличии счета, поэтому лучше заранее завести депозит.

Указать в заявке только реальные сведения. На оценку также влияет аккуратность в заполнении анкеты. Информация должна быть объективной и правдивой: сомнения в достоверности сведений могут стать причиной для отказа в кредите.

Обратить внимание на актуальность контактов в анкете. Чтобы повысить скоринговую оценку кредитоспособности, необходимо указывать в анкете только реальные контактные данные. Сотрудник банка должен иметь возможность дозвониться до всех абонентов, телефоны которых вписал потенциальный заемщик. Если связаться с ними не удастся, указанные данные могут признать недостоверными. Это один из поводов отказать в кредитовании.

Если скоринговая оценка оказалась слишком низкой и заявка была отклонена, это может свидетельствовать о том, что модель и алгоритм конкретного банка не подходят заемщику. Финансовые организации часто используют собственные системы, в которых учитывается разный набор факторов.

Что делать при отказе

При низком скоринг-балле система обычно просто отклоняет заявку, при этом клиенту не сообщается о причинах такого решения. Сотрудники банка часто рекомендуют повторить обращение через несколько месяцев. В качестве альтернативы можно попробовать подать заявку в другую финансовую организацию. Однако делать это следует с осторожностью: все отказы фиксируются в кредитной истории, а если их слишком много, оценка снижается. Чтобы еще до обращения в банк узнать о наличии и количестве отклоненных заявок, можно отправить запрос в БКИ.

Скоринговая модель не дает объективных и релевантных результатов, если клиент обращается за займом в первый раз. Для таких случаев некоторые банки используют только ручную обработку заявок специалистами. При этом фактически таким клиентам часто предлагают менее выгодные условия, повышенные процентные ставки и уменьшенную сумму ссуды. Так банк снижает убытки от возможного невозврата. Однако если погасить первый заем вовремя и без просрочек, это отразится в кредитной истории, поэтому уже в следующий раз можно будет рассчитывать на более высокую оценку.

Чтобы воспользоваться услугами НБКИ по разработке и/или использованию методик скоринговой системы, заполните форму заявки на сайте.

Скоринг (от английского score, счет) - это способ оценки кредитоспособности. Вам как заемщику скоринг интересен для самодиагностики: узнать причины отказа в кредитовании или оценить шансы на будущий кредит. В статье расскажем, как узнать свой скоринговый балл и как его увеличить.

Принцип работы скоринга

Для оценки кредитоспособности скорингу нужны данные. Данные могут быть из разных источников: кредитной истории, анкеты заемщика, социальных сетей и т. д. Скоринг обрабатывает данные и выставляет оценку в баллах. Чем выше скоринговый балл, тем выше шансы получить кредит на выгодных условиях.

Скоринговый балл — величина непостоянная. Он меняется в зависимости от действий заемщика. Например, заемщик взял кредит — выросла кредитная нагрузка и скоринговый балл снизился. Просрочил платеж — балл упал еще ниже. Если заемщик аккуратно без просрочек выплатит кредит — балл увеличится.

Виды скоринга

Банки используют заявочные, поведенческие и мошеннические скоринги.

Заявочный скоринг делится на социодемографический и кредитный. Первый анализирует анкету заемщика: возраст и пол, работу, стаж, размер доходов. Второй анализирует кредитную историю: сколько кредитов брал заемщик, как платил, сколько платит сейчас и т. д.

Поведенческий скоринг предсказывает, как заемщик будет выплачивать кредит: равномерно, с опережением или с просрочками. Поведенческий скоринг может провести, например, зарплатный банк — он знает, как заемщик пользуется картой, сколько денег и на что тратит.

Мошеннический скоринг борется с намеренными невыплатами кредитов. Этот скоринг анализирует базы МВД, ФССП, внутренней службы безопасности, а также подозрительные данные в кредитной истории, например, частую смену адресов и телефонов.

Вы как заемщик можете оценить себя двумя видами скоринга: кредитным и социодемографическим.

Кредитный скоринг

Кредитный скоринг используется для оценки заемщиков, которые уже брали кредиты. Скоринговый балл рассчитывается на основе анализа кредитной истории.

Пример отчета кредитного скоринга

Социодемографический скоринг

Социодемографический скоринг предназначен для заемщиков с пустой или отсутствующей кредитной историей. Он анализирует возраст, пол, семейное положение, наличие иждивенцев, образование, профессию, трудовой стаж, доходы и регион проживания.

Соцдем скоринг сверяет данные проверяемого заемщика с предыдущими клиентами банка, чтобы оценить благонадежность. Например, по статистике банка люди старше 30 лет вносят платежи по кредитам стабильнее, чем молодежь. Поэтому заемщики от 30 лет при прочих равных условиях получают более высокий скоринговый балл.

Пример отчета социодемографического скоринга

Расшифровка скоринговых баллов

Кредитный	Социодемогр.	Расшифровка
690-850	1000-1200	Максимальный результат. Вы относитесь к категории надежных заемщиков. Таким банки охотно одобряют кредиты на лучших условиях
650-690	750-1000	Хороший результат. Высокая вероятность получить кредит на стандартных условиях.
600-650	500-750	Приемлемый результат. Банк потребует дополнительные справки для подтверждения платежеспособности, например, 2-НДФЛ.
500-600	250-500	Слабый результат. С таким баллом вы вряд ли получите кредит в крупных банках. Обратитесь в небольшие региональные банки или кредитные кооперативы.
300-500	0-250	Худший результат. В банках кредит вряд ли одобрят. Обращайтесь в МФО или КПК. Предложите кредитору залог.

Как повысить скоринговый балл

Если у вас низкий кредитный скоринг, вариант его повышения один — улучшать кредитную историю. Для этого:

и проверьте, все ли в ней соответствует действительности. Иногда кредитные организации передают данные с большим опозданием, а то и вовсе не передают. Например, вы кредит погасили, а в кредитной истории он числится открытым. Это снижает скоринговый балл.
Читайте статью
Закройте просрочки платежей и необязательные кредиты: кредитные карты, микрозаймы, кредиты на технику. Чем меньше открытых кредитов, тем выше скоринговый балл.
Если за последние два года у вас были кредиты с просрочками, нужно восстановить репутацию надежного заемщика. Для этого берите новые кредиты и аккуратно их выплачивайте. Не дают кредит без обеспечения — предоставьте залог, найдите созаемщика. Воспользуйтесь услугой . Через полгода-год скоринговый балл увеличится.

Чтобы увеличить балл социально-демографического скоринга, изучите «факторы» из отчета и постарайтесь их исправить. Например, если вы ИП, трудоустройтесь и проработайте полгода в найме. Найдите созаемщика, съездите за границу, найдите источник дополнительного дохода.

Запомнить

Скоринг помогает заемщикам оценить собственную кредитоспособность и разобраться в причинах банковских отказов.

Скоринги бывают разные: одни анализируют кредитную историю, другие анкету, третьи ищут признаки мошенничества. Вам доступны два вида скоринга — и социодемографический. Первый актуален для заемщиков с опытом кредитования, второй — для тех, кто никогда не брал кредиты.

Скоринговый балл меняется в зависимости от кредитного поведения. Балл можно снизить или повысить.

Для построения скоринговых моделей (причем независимо от выбранного математического подхода) берется репрезентативная выборка из предыдущих заявителей (от нескольких тысяч до сотен тысяч - что не проблема для отрасли, обслуживающей десятки миллионов клиентов). Для каждого заявителя из выборки извлекается полная информация из анкеты-заявления и информация из его кредитной истории за фиксированный период времени (обычно 12, 18 или 24 мес.). Затем принимается экспертное решение, какую историю считать приемлемой, т.е. является ли клиент "хорошим" или "плохим". Чаще всего "плохим" считается клиент, не выплативший по кредиту 3 месяца подряд. Всегда оказывается некоторое число клиентов, которых нельзя отнести ни к "хорошим", ни к "плохим", поскольку
они либо недостаточно давно получили кредит (прошло слишком мало времени), либо их кредитная история "неясна" (например, были задержки по 3 месяца, но не подряд). Как правило, такие "промежуточные" клиенты исключаются из выборки.
Эмпирические требования к базе данных, используемых для построения скоринговой модели:
размер выборки - не менее 1500 всего, не менее 500 плохих;
четкое определение критерия "плохой"/"хороший". Далеко не всегда ясно, на каком этапе кредитной истории, по какому признаку и на каком уровне разделять "плохих" и "хороших";
четкое определение временного отрезка - периода жизни продукта (зависит от самого продукта и может меняться от месяца - мобильный телефон до десятилетий - ипотека);
стабильность состава клиентской группы - демография, миграции, сохранение привычек потребления;
неявное, но обязательное требование: стабильность экономических, политических, социальных и прочих условий.
При построении кредитных моделей существенным является выбор временного горизонта - отрезка времени между подачей заявления (выдачей кредита) и классификацией "плохой"/"хороший". Анализ показывает, что процент дефолта как функция длительности нахождения клиента с организацией поначалу растет и только через 12 месяцев (кредитные карты) и даже более (разовые займы) начинает стабилизироваться. Таким образом, меньший временной горизонт приводит к недооценке и не учитывает полностью всех характеристик, предсказывающих дефолт. С другой стороны, временной горизонт более двух лет оставляет модель подверженной к сдвигам в составе клиентской группы в течение этого времени, т.к. как состав клиентов в выборке в начале временного горизонта может оказаться существенно отличным от состава клиентов, приходящих в настоящее время. Фактически используются два единовременных среза (в начале и в конце временного горизонта) для создания модели, которая стабильна по времени (за пределами начального временного отрезка). Это и диктует выбор длины временного отрезка - временного горизонта при моделировании.
Другим чрезвычайно важным и дискутируемым вопросом остается соотношение "хороших" и "плохих" в выборке. Должно ли оно отражать реальное соотношение их в составе населения или их должно быть равное число (такое соотношение резко облегчает построение модели с математической точки зрения)?
Далее построение скоринговой модели превращается в классификационную проблему, где входными характеристиками (или параметрами) являются ответы на вопросы анкеты-заявления и параметры (или данные), получаемые в результате проверок из различных организаций (например, полиции, судов, местных советов, кредитных бюро и т.д.), а выходными характеристиками (ответом) - искомым результатом - является разделение клиентов на "хороших" и плохих" согласно имеющимся кредитным историям, сопоставленным по этим входным характеристикам.
Собственно рейтинговая таблица (scorecard) - это система придания численных баллов (счета) характеристикам (или параметрам) заемщика для получения искомого числового значения, которое отражает, с какой вероятностью у заемщика по отношению к другим заемщикам произойдет некое событие или он совершит определенное действие (аспект "по отношению" в определении очень важен).
Кредитная рейтинговая таблица, например, не показывает, какой уровень риска следует ожидать (скажем, какой процент кредитов данного типа, вероятно, не будет возвращен); вместо этого она показывает, как данный заем, скорее всего, будет вести себя по отношению к другим займам. Например, ожидается ли, что процент невозвратов или дефолтов для кредитов с данным набором атрибутов будет больше или меньше, чем у кредитов с другим набором.
Большинство рейтинговых таблиц построены с помощью расчета регрессионной модели - статистической модели, которая проверяет, как отдельный параметр (характеристика) влияет на другой параметр или (чаще всего) на целый набор других параметров.
Регрессионная модель дает в результате своего применения набор коэффициентов (factors), называемых регрессионными, которые можно интерпретировать как корреляцию между искомыми параметрами (которые необходимо определить) и объясняющими параметрами, сохраняя неизменными все остальные воздействия на искомые параметры. Эти коэффициенты превращаются в веса баллов (point weights) в рейтинговой таблице.
Самый часто используемый метод построения рейтинговых таблиц
Чаще всего для построения рейтинговых таблиц используется статистический метод логистической регрессии. Однако для объяснения этого подхода стоит начать с простой линейной регрессии, а потом перейти к логистической - как особого случая линейной.
В простейшем случае линейная регрессия пытается найти линейную связь между двумя переменными: X и К Переменная Y, которую пытаются спрогнозировать, определяется как зависимая (поскольку она зависит от X). Переменная X является объясняющей, поскольку она "объясняет", почему У меняется от одного индивидуума к другому.
С помощью линейной регрессии пытаются выяснить следующее: если меняется X, то насколько

вероятно, что в результате этого также изменится и К Для того чтобы это сделать, необходим набор данных, в котором можно наблюдать множество пар X и соответствующих ему К Когда они будут отложены на плоскости XY и будет получено некое множество, может оказаться, что оно ложится на некую прямую, т.е. есть определенная связь между X и Y, которую можно попытаться аппроксимировать с помощью уравнения:
Y = B_0 + B_1 x X_1
где
B0 - это величина Y, когда X = 0;
B1 - наклон прямой линии.
Эти В. являются коэффициентами регрессии. На практике, скорее всего, окажется несколько объясняющих переменных:
Y = B_0 + B_1 x X_1 + B_2 x X_2 + ... + B_n x X_n.
Логистическая регрессия в сравнении с линейной регрессией
При использовании скоринга, как правило, зависимая переменная принимает значения в очень небольшом диапазоне. Чаще всего работают с бинарной переменной, т.е. такой, которая принимает только два целых значения: так, например, по кредиту дефолт или произошел, или нет; клиент, получивший каталог по почте или ответил, или нет. Как правило, в таком случае дефолту приписывают значение "1", а выплаченному кредиту - значение "0".
Модель в итоге должна оценить вероятность дефолта по кредиту (или ответа клиента на каталог).
И хотя линейная модель иногда используется для расчета рейтинговой таблицы, логистическая регрессия оказывается много удобнее, поскольку она специально построена для случаев, когда зависимая переменная - бинарная (т.е. принимает, как мы уже говорили, только два значения).
Линейная регрессия может давать значения вероятности и меньше нуля, и больше единицы, что лишено смысла. Логистическая модель избегает этого, поскольку работает не с самим бинарным значением зависимой переменной, а с вероятностью или шансами (odds), что это значение действительно реализуется. Логарифм отношения вероятности реализации к вероятности нереализации называют логитом (logit), который может принимать любые значения, как отрицательные, так и положительные. Поэтому для логитов вполне можно использовать модель линейной регрессии (отсюда и название "логистическая").
В модели логистической регрессии объясняющие переменные, умноженные на свои коэффициенты, предполагаются линейными по отношению не к Y, как в линейной регрессии, а к логиту - натуральному логарифму отношения шансов:
ln (p/(1 - p)) = B_0 + B_1 x X_1 + B_2 x B_2 + X_2 + ... + B_n x X_n, где
р - вероятность того, что V произойдет;
р/(1 - р) - отношение шансов.
Шансы и соотношение шансов
Соотношение шансов позволяет сравнивать уровни рисков для разных кредитов. Так, если для одного р1/(1 - p_1) = 0,11, а для другого р2/(1 - р2) = 0,052, то их отношение составит 0,46, т.е. риск невозврата по одному кредиту составляет чуть меньше половины риска невозврата по второму кредиту.
Самые важные выводы из этого следующие: необходимо получать сами шансы и их отношения для разных кредитов из логистических регрессий, т.к. только так удается прямо сопоставить и учесть как влияние отдельных характеристик на уровень риска, так и относительный риск одного кредита по отношению к другому. Попытки обойтись одной рейтинговой таблицей не позволяют оценить рисковость одного кредита относительно другого в силу возможного влияния характеристик, которые были учтены для одного и не учтены для другого.
Вычисление относительных весов отдельных характеристик рейтинговой таблицы
Построив и оценив логистическую модель, можно подставить величины X для любого заявителя или кредита и вычислить счет (score), используя уравнение:

Однако этот счет представлен в шкале натуральных логарифмов, что неудобно для интерпретации. Поэтому счет переводится в линейную шкалу, где определенное число баллов выбирается так, чтобы это число обеспечивало удвоение шансов того, что определенное событие произойдет. Для этого необходимо умножить счет на множитель, равный числу баллов, которое должно представлять удвоение шансов, а затем поделить на 1n(2):
счет по линейной шкале = (В 1 х Х 1 + ... + Вп х Хп) х (20/1п(2)),
если желаемое число баллов, необходимое для удвоения шансов, равно 20.
Иначе, если надо узнать, сколько именно баллов дает каждая характеристика, можно умножить каждое В_1 на (20/(1n(2)), а затем умножить на значение параметра X_1.
Использование КС-статистики для оценки полученной рейтинговой таблицы
Скоринговая таблица конструируется так, чтобы ранжировать различные кредиты в терминах шансов по отношению к определенному событию. Необходимо, чтобы такая скоринговая таблица приписывала кредитам, с которыми происходит некое событие, и кредитам, с которыми оно не происходит, различные счета.
Например, кредитная скоринговая таблица (скоринговая карта) приписывает меньший счет тем кредитам, которые впоследствии испытают серьезные трудности с возвратом или перейдут в дефолт, так что в целом группа плохих кредитов должна иметь меньшие счета, чем группа хороших кредитов.
Для определения качества полученной таблицы строятся графики - кривые распределения процентов хороших и процентов плохих кредитов (от соответствующего общего числа хороших и плохих) в зависимости от величины счета, и качество скоринговой таблицы (карты) характеризуется тем, насколько эти две кривые разделяются.
Именно для численного определения качества разделения и используется статистика Колмогорова-Смирнова (K-S statistics), которая дает числовую меру этого разделения. Статистика КС вычисляется просто: это максимум разности между кумулятивным процентом распределения "хороших" и кумулятивным процентом распределения "плохих". Теоретически статистика КС может принимать значения от 0 до 100, однако на практике она обычно оказывается в диапазоне от 25 до 75.
Примерная градация выглядит так:
меньше 20 - наверное, скоринговая таблица непригодна к применению;
20-40 - неплохая таблица;
41-50 - хорошая таблица;
51-60 - очень хорошая таблица; />61-75 - поразительно хорошая таблица;
больше 75 - вероятно, слишком хороший результат, чтобы быть правдой, наверное, что-то неправильно* (128).
Следует отметить, что качество скоринговых моделей следует постоянно проверять и мониторинг является обязательной процедурой в процессе эксплуатации. Со временем могут меняться как экономические условия, так и поведенческие особенности заемщиков, и только своевременная подстройка или даже замена скоринговых моделей обеспечат эффективное управление кредитными рисками.

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

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

Великобритания	Германия

Количество детей/иждивенцев	Количество детей/иждивенцев	Цель кредита
Профессия	Квалификация	Профессия
Профессия супруга(и)	Семейное положение	Семейное положение
	Способность погашать задолженность	Чистый годовой доход
Доход супруга(и)	Наличие обеспечения	Участие клиента в финансировании сделки
Район проживания
Стоимость жилья	Способ найма жилища	Владение недвижимостью
Наличие телефона	Сфера занятости
Сколько лет живет по данному адресу	Наличное имущество
Великобритания	Германия
	Трудовая деятельность у последнего нанимателя	Сколько лет работает на данной работе
Сколько лет является клиентом данного банка	Кредиты, полученные в банке ранее	Срок кредита
Наличие кредитной карточки/чековой книжки	Информация кредитно-справочного бюро	Сумма на банковском счете

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.