Экономические науки / 1.Банки и банковская система

Ст.преподаватель Паромова Т.А.

Запорожский национальный технический университет

Ведущий программист Булат О.Р.

Ведущий программист АКБ «Индустриалбанк», г. Запорожье

 

Автоматизация оценки кредитных рисков

 

В настоящее время резко возросла потребность в кредитовании физических лиц. Потребительский кредит – это кредит, назначение которого состоит в предоставлении физическим лицам денежных средств или товаров для удовлетворения потребительских нужд с последующим возмещением долга. Иначе говоря, потребительский кредит представляет собой предоставление банками ссуд на покупку потребительских товаров, а также на оплату различного рода расходов личного характера.

Рынок кредитования стремительно развивается  в различных направлениях: кредит на покупку автомобиля, кредит наличными, образовательное кредитование, кредитование при помощи пластиковых карт, автокредит, кредитование на приобретение жилья – ипотечный долгосрочный кредит, выдаваемый на строительство или приобретение недвижимости. При этом автокредитование и ипотечное кредитование выделяют в отдельные группы потребительского кредитования.

Годом настоящего кредитного бума в Украине можно назвать 2007 год. Так, по данным Министерства юстиции Украины наши граждане в 2007 году получили почти миллион кредитов на общую сумму 156,1 млрд. гривен, причем большую часть во втором полугодии, а за 2008 год, согласно данным НБУ, населению было выдано кредитов на сумму 273,4 млрд. гривен.

На этом фоне борьба за клиента становится вполне естественным и необходимым условием повышения конкурентоспособности банка. Банки стараются закрепить за своим финансовым учреждением клиентов – добросовестных плательщиков. Если же заставлять клиента доказывать свою платежеспособность и ожидать решения несколько недель, а то и месяцев, он однозначно уйдет в другой банк, где ему предложат решить его проблемы в кратчайший срок. В связи с этим быстрота реагирования на обращение клиентов становится прямым конкурентным фактором. Здесь необходимо отметить рекламные заявления некоторых коммерческих банков уже в прошлом году, по поводу сокращения срока принятия решения до одного дня.

В то же время оперативность не должна отражаться на качестве принимаемых решений. Кредитная деятельность неизбежно сопровождается риском отказа от возврата заемных денег. Поэтому корректная оценка платежеспособности клиента необходима для предупреждения возможных потерь банковского учреждения при появлении невозвратов по кредитам.

Острая конкуренция и активный рост рынка потребительского кредитования в нашей стране вызывает необходимость адекватной и быстрой оценки риска при кредитовании физических лиц. На выбор банка клиентом, кроме условий кредитования, существенно влияет время оформления и выдачи кредитов физическим лицам.

Таким образом, можно выделить ряд проблем, связанных с кредитованием физических лиц:

1.                 Адекватность оценки платежеспособности клиента;

2.                 Отсутствие кредитной истории;

3.                 Проблема оценки реальных возможностей поручителей;

4.                 Время оформления кредита. 

Развитие потребительского кредитования ставит перед банками задачу нахождения оптимального баланса между рядом противоречивых требований.

На практике используются различные модели оценки кредитных рисков. Краткая характеристика возможных методик оценки кредитных рисков приведена в таблице 1 [2].

В настоящее время все более популярным становится кредитование с использованием скоринговых методик, так как данная методика основана на качественной и количественной оценке рейтинга заемщика по его внутренним финансовым показателям и особым бизнес-факторам. При этом используется

Таблица 1

Существующие методики оценки кредитных рисков

 

Источник

Метод оценки кредитного риска

Сущность метода

Показатели

[1, с. 7 – 10; 10, с. 77; 16]

Скоринговые

методики

Скоринг представляет собой математическую или статистическую – модель, при помощи которой банк пытается определить вероятность возвращения кредита конкретным заемщиком на основе кредитной истории

Интегральный показатель каждого клиента, возраст, профессия, доход, срок

пребывания клиентом банка и др.

[5, с. 73 – 76;

6, с. 32 – 35; 7,

с. 7 – 10; 15,

с. 142 – 143]

Метод

«Монте – Карло»

Моделирование случайных процессов по заданным характеристикам. Анализируются различные варианты реализации проекта

Вероятные характеристики: вероятная кредитная процентная ставка

[5, с. 73 – 74; 10, с. 74]

«Дерева

решений»

Графическое построение вариантов решений, которые могут быть приняты

Показатели риска кредитного портфеля

[3, с.116; 5,

с. 74; 10,

с. 75 – 76]

Метод

рейтингов

Каждый банк по определенной методике рассчитывает рейтинг и делает вывод о кредитоспособности заемщика

Показатели финансового состояния заемщика

[11, с. 36 – 39;

12, с. 15 – 18]

Таксономический анализ

Для сопоставления объектов, характеризуемых большим числом признаков, применяются таксономические процедуры. Показатель позволяет упорядочить элементы данной совокупности

Показатели риска кредитного портфеля, показатели доходности кредитного портфеля

[3, с. 113;

5, с. 74;

10, с. 75]

Метод

коэффициентного анализа

Экспертный анализ динамики экономических коэффициентов, которые характеризуют кредитоспособность заемщика путем сравнения со средними показателями по отрасли

Показатели кредитоспособности и финансового состояния заемщика

[5, с. 75]

Стресс-

тестирование

Позволяет в динамике проанализировать изменения количественных показателей риска

Показатели риска

кредитного портфеля

 

наибольшее количество, как количественных так и качественных характеристик клиента.

Скоринговая методика может успешно применяться для решения других задач а именно:

• для определения вероятности невозврата уже выданных кредитов и прогнозирования вероятной суммы долга, которую кредитор все же сможет вернуть;

• для определения оптимальных стратегий по отношению к клиентам, не возвращающим кредит: с какими клиентами и какими методами стоит работать самим, а каких клиентов передать в агентство по возврату долгов;

• для выявления мошеннических действий, особенно в области операций по кредитным и дебетовым картам, а также при расчётах через Интернет;

• для сегментации рынков и классификации клиентов в целях последующего формирования и продвижения новых розничных продуктов и услуг;

• для определения продолжительности взаимоотношений с клиента с конкретным банком и вероятности его перехода к конкуренту.

Анализ приведенных моделей показывает, что необходимым условием успешной автоматизации процесса оценки кредитных рисков по любой из этих моделей является наличие единого хранилища клиентов-заемщиков, как в отдельном банке, так и в масштабах всей национальной банковской системы.

Однако подобные данные по различным банкам не являются данными свободного доступа, что приводит к снижению эффективности автоматизированных систем оценки кредитных рисков по физическим лицам. Учитывая, что клиенты-заемщики могут пользоваться услугами различных банков, не лишним будет наличие кредитных историй заемщиков. Это возможно реализовать лишь в масштабах банковской системы в целом. Чем больше информации о клиентах будет содержать хранилище данных, тем эффективнее будет применение автоматизированной системы. Такого рода хранилище данных может быть создано на базе данных, которые создаются в различных учреждениях и ведомствах Украины, например, в Пенсионном фонде, Налоговой инспекции и т.д.

Применение хранилища данных позволит консолидировать информацию, поступающую из территориальных подразделений банка и обогатить систему сведениями из множества источников данных, как внутренних, так и внешних. Различные механизмы интеграции дают возможность получить данные практически из любого источника: от офисных программ до автоматизированных банковских систем.

При выборе средств автоматизации оценки кредитных рисков каждое банковское учреждением стоит перед выбором: использовать одну из существующих систем, которые в огромном количестве предлагаются на рынке программного обеспечения или разработать свою систему.

За рубежом подобного рода системы давно используются в банках  для решения многих задач. Самые известные западные программные продукты – SAS Credit Scoring, EGAR Scoring, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine (SPSS).Значительное распространение системы оценки кредитных рисков получили в России. Российские фирмы предлагают широкий спектр программных продуктов (такие фирмы как StatSoft и Basegroup Labs, «Диасофт») На практике используемые системы выполняются на различных платформах, среди них можно назвать СУБД Oracle, DB2, MS Sql Server и т.д. Указанные СУБД широко используются для автоматизации различных аспектов деятельности банковских учреждений. Практически все современные СУБД имеют средства построения хранилищ данных и их анализа.

В Украине кредитование физических лиц еще не достигло таких широких масштабов как в мире, что существенно тормозит применение автоматизированных систем оценки кредитных рисков. Хотя, справедливости ради, следует отметить, что такая работа в Украине все же ведется. Все больше банков Украины начинают внедрять автоматизированные системы оценки платежеспособности клиента. Однако постоянные изменения в законодательстве Украины и правил учета означают необходимость регулярных доработок программного обеспечения зарубежных разработчиков, что приводит к увеличению стоимости сопровождения системы. В связи с этим иностранные производители такого программного обеспечения испытывают сложности с выходом на данный рынок. Так, небольшому банку лицензия на соответствующее программное обеспечение может обойтись в 57 тыс. долларов, крупному — в пять-семь раз дороже. Разработка и введение скорингового решения стоит от 50 тыс. до трех миллионов долларов. Общие инвестиции в программное обеспечение, необходимые для массовой выдачи розничных кредитов, могут составлять 7–10 млн. долларов. Среди украинских разработчиков можно отметить компанию "Бизнес Нейро-Системы". В то же время многие банки разрабатывают свои собственные системы.

Учитывая высокую стоимость зарубежных разработок и небольшие объемы баз заемщиков на начальном этапе применения подобных систем целесообразно использовать собственные разработки, базирующиеся на используемых в банке СУБД.

Практически все современные СУБД в своем составе имеют инструментарий многомерного анализа данных, на базе которого можно создать собственное хранилище данных клиентов банка. Такие системы для получения данных о клиентах должны быть подключены к бюро архивных историй, в котором крайне нуждаются все банки Украины.

Таким образом, для расширения базы кредитования физических лиц в Украине необходимо применение автоматизированных систем для оценки кредитных рисков. Применение скоринговых систем зарубежных разработчиков тормозится из-за их несоответствия законодательной базе Украины, высокой начальной стоимости и стоимости сопровождения программного обеспечения. Основой скоринговых систем являются хранилища данных. Построение таких систем может быть значительно ускорено при наличии общенационального хранилища клиентов банков. Хранилище данных клиентов банка может быть построено на базе одной из современных СУБД, применяемых в банке.

 

Литература

1.                 http://www.creditrisk.ru/models/general/

2.                 Методы оценки кредитного риска в банковской  деятельности Кузьминчук Н. В., Мандрыка О. С. // Бизнесинформ № 1 ’2009 113-117 http://www.nbuv.gov.ua/portal/Soc_Gum/Bi/2009_1/113-117.pdf

3.                 Пасичник І. Розробка аналітичного інструментарію оцінки ефективності кредитної політики банку / І. Пасичник, В. Вовк // Вісник НБУ.– 2008.– № 1.– С. 36 – 39.

4.                 http://www.int-bank.ru/solution/OSAndDBMS/

5.                 Скоринг http://www.banki.ru/wikibank/%D1%EA%EE%F0%E8%ED%E3/

6.                 http://www.fin-eco.ru/2011/04/fico-score.html

7.                 http://www.scorto.ru/downloads/trebovaniya_k_effektivnoy_sisteme_kreditnogo_scoringa.pdf

8.                 http://www.banksinfo.kiev.ua/news?id=332&n=25

9.                 http://gaap.ru/articles/51025/

10.            http://www.banksinfo.kiev.ua/files/bank11/11_50-52.pdf

11.            http://masters.donntu.edu.ua/2006/kita/shepeleva/library/index1.html

12.            http://ekonomist.kiev.ua/kredity/chto-takoe-skoring.html