XIII Международная студенческая научная конференция Студенческий научный форум - 2021

В настоящее время есть много способов оценить надежность контрагента. Наиболее распространенными являются финансовые модели ликвидности, которые строятся специалистами кредитных отделов банков. Преимущество банковских аналитиков перед сотрудниками любой некредитной компании, желающей оценить ее платежеспособность или платежеспособность другой стороны, заключается в том, что они обладают всей информацией, необходимой для построения аналитической модели и принятия решения. В большинстве случаев банкам требуются документы управленческого учета, в которых подробно описаны все элементы всех бизнес-операций.

На современном этапе развития финансовой науки широко используются скоринговые модели принятия решений. Самый распространенный кредитный рейтинг, определяющий кредитоспособность потенциального заемщика. В инвестиционном анализе стали популярными модели оценки инвестиций, которые строятся с использованием методов многомерной классификации.

Основная задача, которую ставят перед собой финансовой организации это сведение рисков к минимуму. Ведь от этого зависит уровень рентабельности и ликвидность предприятия.

Кредитный скоринг — система оценка кредитоспособности (кредитных рисков) лица, основанная на численных и статистических методах [3].

Скоринговая система получила свое название от английского слова «score», что переводится как счет или подсчет очков. В финансовых организациях оценку платежеспособности заемщика проводят с помощью скоринга.

Начало развития скоринга пришлось на начало в 30-х годов XX века, но только по прошествии почти 30 лет появилась первая модель скоринговой системы.

Скоринговая система – это метод, с помощью которого решается вопрос: предоставить кредит или отказать в нем. Эта система предусматривает разделение исследуемой группы клиентов на различные группы. В статистике идея классификации той или иной популяции на группы была разработана еще в 1936 году Фишером на примере растений.

В 1940 году в американский журнал опубликовал статью о важности внедрения системы скоринга. Это была первая публикация на эту тему. Но уже в 1941 году, с помощью данной методики, Дюран классифицировал кредиты на «надежные» и «ненадежные». Во время второй мировой войны кредитные аналитики разработали общие правила и рекомендации, которые использовались при принятии решений о выдаче кредитов при отсутствии квалифицированного персонала. Это и был прообраз будущего кредитного скоринга.

В 1956 Билл Фэа и Эрл Исаак основали консалтинговую фирму «Fair Issac Corporation», которая разработала первую скоринговую систему.

Широко применять скоринг начали тогда, когда стали популярны кредиты наличными и «кредитки». В связи с этим, банки стали автоматизировать систему, позволяющую принимать грамотные решения о выдаче займов. После этого, проведя исследования, пришли к выводу, что скоринговая система снизила количество безнадежных долгов в половину.

В 1963 году в журнале общества статистиков США вышла большая статья, свидетельствующая о низком распространении разработки. Эксперты видели причину этого в недостатке ПК и программ, а также большие финансовые вложения, необходимые для внедрения новой системы. Что отпугивает финансовые организации.

Однако, 70-х годах XX века появились ЭВМ, мощность которых позволяла проверить клиента. Одновременно с этим возросло число заемщиков, готовых оформить кредит. Финансовые организации начали активно внедрять скоринговые системы, помогающие в проверке и анализе клиентов.

Кредитный скоринг в России появился относительно недавно, тогда, когда, когда банки стали в массовом порядке выдавать розничные кредиты россиянам.

Но к 1995 году российские кредитные организации столкнулись с вопросом — использовать существующие наработки или разработать свое ПО. В 2010 году стали появляться специализированные компании, готовые взяться за создание скоринговой модели с учетом задач кредитных организаций.

На сегодняшний день в России существует много предприятий, которые реализуют и обслуживают подобную интеллектуальную продукцию. Система скоринга развивается.

В настоящее время существует множество классификаций кредитного скоринга. По цели использования выделяют 4 основных вида [2]:

— Application-скоринг — оценка кредитоспособности на основе анкетных данных;

— Fraud-скоринг — выявление и предотвращение реализации мошеннических схем, осуществляемых клиентами;

— Collection-скоринг — осуществление эффективной работы с проблемными клиентами;

— Behavioral-скоринг — разработка индивидуальный программы работы с каждым конкретным заемщиком, вследствие анализа историй операций по его счетам

Суть скорингового теста проста. Система изучает ряд показателей контагента (возраст, работа, дети, имущество, кредитная история) и выставляет балл (рейтинг). После проверки кредитор принимает решение, как действовать дальше — сотрудничать с заемщиком или не выдавать ему кредит.

Скоринговая система способна помочь финансовой организации эффективно работать, если она соответствует следующим критериям:

— Централизованность - хранить всю информацию в единой базе.

— Гибкость - система должна иметь возможность изменяться по мере увеличения количества данных: от консервативной экспертной, до автоматизированной статистической.

—Использование для анализа и скоринга информацию из внешних источников — черные списки, кредитные бюро и т. д.

— Система должна предоставлять возможность контроля и оценки, как общих показателей, так и данных по каждому заемщику в любой момент времени.

— Создание, корректирование и оценка адекватности скоринговых моделей. С помощью системы требуется создавать различные модели оценки заемщиков, начиная от простых балльных и заканчивая кластерным анализом, деревьями решений и нейросетями.

— Отчетность: возможность в кратчайшие сроки производить качественную оценку динамики изменения, как состояния кредитного счета отдельного заемщика, так и кредитного портфеля в целом.

— Масштабируемость скоринговых решений: в условиях резкого изменения характеристик систему можно к ним адаптировать, добавляя новые вычислительные ресурсы.

Таким образом, скоринг, являясь автоматизированной системой оценки кредитного риска и широко использующейся в странах Европы и США, получил свой старт и развитие в отечественной практике. Основным преимуществом данной системы является возможность сотрудникам кредитных организаций принимать быстрые решения в области выдачи кредитов, контролировать объемы кредитования, исходя из ситуации на рынке и выявлять оптимальные пропорции между доходностью от кредитных операций и уровнем риска их реализации.

Преимущества публичных скорингов состоят в следующем. Во-первых, они строятся на данных о генеральной совокупности, а не на небольших выборках, что повышает их предсказательную силу и статистическую значимость (т.е. увеличивается вероятность того, что входящие в модель параметры, например коэффициенты в регрессионной модели, не нулевые). Во-вторых, сбор и обработка огромных массивов данных, как и моделирование, происходят на стороне поставщика таких скорингов, что существенно облегчает оценку контрагентов. В-третьих, публичные данные, как правило, открыты и верифицированы, что обеспечивает доверие как к самим данным, так и к моделям, построенным на них.

Слабая же сторона аналитических моделей, построенных на публичных данных, проявляется в том, что определенная часть факторного пространства по объективным причинам не может быть задействована, поскольку составляет коммерческую тайну или относится к другим чувствительным конфиденциальным сведениям. Однако на своей стороне банк может использовать в том числе и такие данные о своих контрагентах.

Новые методы анализа, широко использующие алгоритмы машинного обучения, прокладывают дорогу на рынок в борьбе с традиционными регрессионными инструментами линейного анализа. Эти модели прозрачны как с точки зрения самой структуры используемых данных, так и с позиции интерпретируемости результата. Правда, продвинутые IT-решения этого класса достаточно дороги, а их предсказательная способность, к сожалению, редко оправдывает вложенные инвестиции и возлагаемые надежды.

С современными нелинейными моделями скоринга ситуация иная. Во-первых, есть возможность использовать библиотеки свободно распространяемого ПО (open source). Во-вторых, эти модели обладают гораздо большей гибкостью и возможностью использовать большое количество разнообразных параметров. Современные скоринговые модели, которые поставляет на российский рынок НБКИ, разработаны с учетом самых современных и эффективных технологий. В них используются элементы графового анализа, искусственного интеллекта, машинного обучения. Количество параметров для анализа может превышать тысячу уникальных предикторов.

При этом для конечного пользователя — кредитной организации — главной ценностью результата работы такой модели по-прежнему остается прогнозная сила модели, способность качественной сегментации, стабильность ее работы. И вот здесь проявляются особенности «нелинейности». В первую очередь, это большие проблемы с интерпретируемостью результата.

Алгоритмы машинного обучения работают как «черный ящик», и невозможность заглянуть в этот ящик, чтобы увидеть, каким образом алгоритм пришел к тому или иному результату, — это «наследственная болезнь» всех систем, использующих машинное обучение.

Сегодня СПАРК-Интерфакс изменил алгоритмы учета отраслей: отрасли, наиболее пострадавшие от пандемии, получили новые поправки к скоринговой оценке. Резко возросло влияние факторов, данные по которым обновляются оперативно, в частности данные по платежной дисциплине, онлайн-кассам, исковой нагрузке и т.п.

Индекс платежной дисциплины показывает, насколько вовремя компания или ИП рассчитывается со своими поставщиками. Для этого СПАРК собирает от своих крупных партнеров (поставщиков сферы ЖКХ, телекоммуникационных и транспортных компаний, оптовиков) реальные сведения о своевременности оплаты счетов сотнями тысяч их контрагентов [5, c. 29].

На возможное возражение о корректности передачи данных с точки зрения законодательства заметим, что информация о платежах передается в рамках проекта Dun & Bradstreet, которому более 75 лет и который работает более чем в 100 странах. Юридическую и этическую корректность передачи данных ежегодно аудирует PwC [6, c. 27].

По опыту предыдущих лет, нарастание неплатежей предсказывало банкротства (которые теперь, правда, под мораторием). Девяносто процентов компаний, которые затем обанкротились, сначала задерживали платежи контрагентам. В то же время влияние отчетности компаний за 2019 г., которую мы увидим в сентябре 2020 г., на реальное положение вещей будет практически незначимым и позволит оценить только некий накопленный резерв прочности перед наступлением текущих событий. Кроме публичных данных, доступных, например, в СПАРК, организации также обладают внутренней информацией, характеризующей различные факторы и историю отношений с контрагентами. Это:

платежная дисциплина контрагента (на основе внутренних реестров);

наличие просроченной дебиторской задолженности по уже существующим контрактам;

при наличии соответствующего согласия — кредитная история контрагента и его ключевых персоналий;

наличие претензий к выполнению договорных обязательств;

наличие претензий со стороны официальных органов, о которых неизвестно широкому кругу лиц;

документы, подтверждающие наличие активов, основных средств, необходимого объема ресурсов;

налоговые декларации и выписки со счетов бухгалтерского учета, получаемые непосредственно из бухгалтерских программ [3].

Все эти (и не только эти) источники корпоративных данных могут сослужить хорошую службу при разработке кастомизированного скоринга, построенного на основе объединения внутренних и внешних данных.

Несколько лет назад в работе транспортных компаний вообще не использовался скоринг — в основном из-за отсутствия информационного и технологического обеспечения. Но в настоящее время скоринговая система широко применяется.

В ОАО «РЖД» разработана своя «Методика скоринговой оценки кредитного рейтинга контрагентов». Для оценки допустимого лимита авансирования или иной дебиторской задолженности отдельного контрагента ОАО «РЖД» с целью недопущения ухудшения ликвидности ОАО «РЖД». Рассматривается как элемент системы управления финансовыми рисками ОАО «РЖД».

Скоринговая система разработана в соответствии с положениями Функциональной стратегии управления финансами Холдинга «РЖД» (протокол от 29.12.2016 г. № МВ-46пр), дополняет процедуры применения типовых условий расчетов по договорам, заключаемые от имени ОАО «РЖД» с контрагентами, утвержденных распоряжениями ОАО «РЖД» от 01.08.2006 г. № 1594р и от 21.02.2009 г. № 356р, корпоративного стандарта управления чистым оборотным капиталом ОАО «РЖД», утвержденного распоряжением ОАО «РЖД» от 31.12.2015 г. № 3183р.

Процедура ранжирования контрагентов (определения допустимого лимита авансирования) и мониторинг контрагентов по принадлежностям к группам рассматриваются в качестве дополнительных инструментов, которые будут действовать одновременно с действующими инструментами:

- типовыми и нетиповыми условиями расчетов по договорам, заключаемым от имени ОАО «РЖД» с контрагентами;

- процедурами организации системы планирования и анализа дебиторской и кредиторской задолженности ОАО «РЖД»;

- порядком формирования финансового плана ОАО «РЖД»;

- автоматизированными системами АС ПАДКЗ, АСБУ и другими инструментами.

Для расчета кредитных лимитов контрагентов применяется Автоматизированная система «Кредитный лимит» по которой кредитный лимит контрагента определяется на основании:

- оценки финансового состояния контрагента и тенденций его изменения;

- состояния взаиморасчетов контрагента с ОАО «РЖД»;

- информации из внешних источников по вопросам, характеризующим историческую и текущую надежность контрагента;

- макроэкономических тенденций и ожиданий, влияющих на надежность контрагента;

- оценки другой информации, влияющей на оценку надежности контрагента.

Все показатели контрагента разделены на 6 групп:

Показатели профиля - организационно-правовая форма, принадлежность к холдингу, группе, диверсификация бизнеса, индустриальная принадлежность, доля на рынке, структура акционерного каптала, количество сотрудников;

Репутация вне ОАО «РЖД» - репутационный индекс Сбербанк (вероятность дефолта), репутационные индексы СПАРК, должностная осмотрительность, финансовый риск, платежная дисциплина, арбитражные дела;

Финансовая оценка – оценивается финансовое состояние компании текущее и динамика изменений (показатели бухгалтерской отчетности);

Налоговые и прочие социальные обязательства (задолженность по бюджетным обязательствам, по заработной плате, во внебюджетные фонды);

Показатели, основанные на истории взаимоотношений с контрагентом - период взаимоотношений с контрагентом в рамках договоров, просрочки платежей, объемы выполненных работ по текущим договорам, а также выполненные объемы работ, если их выполнение пришлось на два предыдущих календарных года, просроченная задолженность, отсутствие контрагента в списке неблагонадежных контрагентов.

Макроэкономические показатели – региональный риск, инфляция, критические изменения в отрасли/области деятельности (серьезный обвал, повышение цен на рынке, катастрофы, форс-мажор, изменение законодательства и др.).

Для показателей определены источники информации, которые могут быть следующими:

1. Данные, предоставляемые непосредственно контрагентом (что должно быть предусмотрено договором на этапе его заключения).

2. Данные из открытых внешних источников (СПАРК), а также кредитных учреждений.

3. Данные учетных и информационных систем ОАО «РЖД» (динамика дебиторской задолженности контрагента, информация из «Карточки контрагента»).

В заключении хочу сказать, что технология проведения скоринговой оценки на сегодняшний день — это общепринятая стабильная и точная технология. Применение скоринга в Компании привело к тому, что процесс принятия решений стал проще, быстрее, объективнее, точнее и увереннее. Применение систем скоринга позволяет своевременно и последовательно использовать все возможности для развития и одновременно удерживать риски на приемлемом и управляемом уровне.

Считаю, что Открытое акционерное общества «Российские железные дороги» правильно и адекватно использует систему скоринга, поэтому выживает в борьбе с конкурентами в течение длительного времени. Для дальнейшего роста и развития Компании, исключения потери доходов, систему скоринговой оценки необходимо постоянно совершенствовать, ориентируясь на стремительно растущие темпы жизни, постоянное изменение и усложнение в современном российском обществе.

Подводя итог, хочу отметить: несмотря на то, что технологии скоринговой оценки имеют некоторые недостатки, и требуют постоянного обновления системы, тем не менее ее применение в Компании имеет высокую эффективность для быстрого определения уровня финансовой надежности и платежеспособности клиента.

Список литературы

Грюнинг, Х., Братанович С. Б. Анализ банковских рисков: Система оценки корпоративного управления и управления финансовыми ресурсами. – М.: Весь Мир, 2014.

Классификация кредитного скоринга [Электронный ресурс]. http://www.factoringpro.ru/index.php/credit-scoring-statya/407-skoring-vibor

Математические и статистические методы [Электронный ресурс]. Деникаева Р. И. Скоринг в России и за рубежом / Деникаева Р. И., Альберт В. А. // Научное обозрение. — 2014. – № 11. – с. 194-197.

Мирошниченко Ю. Collection-скоринг поможет эффективно работать в периоды кризиса // Аналитический банковский журнал. – 2019. – № 2. –с. 42-51

Погорлецкая Ю. И. Кредитный скоринг в системе банковского риск-менеджмента. –СПб.: Питер, 2019.

Щербакова Т. А. Анализ финансового состояния корпоративного клиента и его роль в оценке кредитоспособности заемщика // Финансы и кредит. –2019. – № 22. – с. 26-34

Код для цитирования: Скопировать