Koncept bodovanja kreditne sposobnosti kupaca

Definicija 1

Scoring je statistički ili matematički model koji koristi podatke iz kreditne povijesti klijenata banke, te je u konačnici moguće izračunati vjerojatnost da će sljedeći potencijalni zajmoprimac vratiti primljena sredstva na vrijeme.

Ova metodologija procjene dužnika je ponderirani zbroj određenog skupa karakteristika u vrlo pojednostavljenom obliku. To je potrebno za formiranje sumarnog pokazatelja. Ovaj se pokazatelj dalje uspoređuje s takozvanom linijom rentabilnosti.

Takva procjena solventnosti zajmoprimca potrebna je za utvrđivanje integralnog pokazatelja svakog potencijalnog klijenta, a dobiveni rezultat mora se usporediti s gornjom linijom (prema tome, samo oni zajmoprimci koji imaju ovaj pokazatelj iznad granice rentabilnosti moći će dobiti zajam).

Obično u nacionalnom gospodarstvu banke koriste prilagođene modele bodovanja procjene kreditne sposobnosti pojedinca, koji su prilagođeni ruskim uvjetima.

Najprije se daje preliminarna procjena mogućnosti dobivanja kredita, temeljena na podacima iz upitnika-zahtjeva korisnika kredita. Na temelju rezultata popunjenih obrazaca zahtjeva potpisuju se protokoli za ocjenu mogućnosti odobravanja kredita.

Primjer 1

Ako je rezultat manji od 30, protokoli bilježe odbijanje davanja kredita, ali ako je postignuto više od 30 bodova, tada se u sljedećoj fazi rizik procjenjuje pažljivije, uzimajući u obzir dodatne ankete.

Prednosti i nedostaci kreditnog bodovanja

Metode i modeli bodovanja omogućuju:

• smanjiti rizik neplaćanja kredita;
• brzo i nepristrano donositi odluke o izdavanju kredita;
• omogućuju vam učinkovito upravljanje kreditnim portfeljem;
• nema potrebe trošiti puno vremena na obuku zaposlenika kreditnog odjela;
• moguće je izvršiti ekspresnu analizu zahtjeva za kredit u prisustvu klijenta.

Ograničenja metodologije bodovanja uključuju činjenicu da se može primijeniti samo na podatke o onim klijentima kojima je banka već izdala kredit. Također, zaposlenici banke moraju povremeno provjeravati kvalitetu metodologije i analize te razvijati novu metodologiju bodovanja.

Daljnjim unaprjeđenjem metodologije bodovanja proširit će se i promijeniti popis procijenjenih karakteristika kredita.

U hipotekarnom kreditiranju građana koristi se jamstvo dužnika, a najvažnija je procjena pravodobnosti otplate kredita. Procjenjuje se omjer veličine mjesečnih obveza dužnika prema ukupnim prihodima obitelji za isto razdoblje itd.

Postupak provođenja bodovne ocjene kreditne sposobnosti zajmoprimaca

Obično se za analizu kreditne sposobnosti potencijalnog zajmoprimca traži sljedeće:

• presliku dokumenata koji dokazuju identitet zajmoprimca;
• potvrda o prihodu klijenta: potvrda u obliku 2-NDFL, kopija porezne prijave u obliku 3-NDFL;
• Osim toga, mogu zatražiti i dokumente o vlasništvu nad nekretninom te druge dokumente koji mogu potvrditi bonitet i poslovni ugled klijenta.

Stručnjaci banke analiziraju solventnost pojedinog zajmoprimca na temelju podataka o prosječnom mjesečnom prihodu i visini odbitaka za prethodnih šest mjeseci, kao i podataka na temelju upitnika. Rezultat se izračunava kao prosječni mjesečni dohodak umanjen za sve obvezne uplate i korigira se faktorom korekcije koji varira ovisno o visini dohotka (od 0,3 do 0,6). Što je prihod veći, to je veća prilagodba.

Napomena 1

U ovom trenutku najuniverzalnija metoda procjene kreditne sposobnosti je metoda procjene financijskog položaja klijenta.

Kako bi smanjile i kontrolirale rizike, banke moraju kvartalno procjenjivati ​​financijsko stanje zajmoprimca.

Kao unapređenje procjene kreditne sposobnosti građana, predlaže se korištenje bodovnog sustava pri određivanju količine izdanih kredita.

Kreditni rezultati osmišljeni su za mjerenje rizika neplaćanja potencijalnog zajmoprimca, uzimajući u obzir različite čimbenike kreditne povijesti. Zapadne banke obično ne objavljuju formule za izračun kreditnih bodova, ali općenito se koriste sljedeće komponente koje se mogu smatrati primjenjivim iskustvom:

1. 35% je kreditna povijest - prisutnost ili odsutnost kompromitirajućih informacija. Stečaj, zalozi, presude, sporazumi, pljenidba, ovrha imovine, kašnjenja u plaćanju mogu biti razlog odbijanja izdavanja kredita.
2. 30% financijske poluge – Ova kategorija razmatra niz specifičnih dimenzija financijske poluge, uključujući broj računa prekoračenja, postojeće obveze duga, kupnje na rate.
3. 15% udjela pada na rok kreditne povijesti - prosječno razdoblje kreditiranja i rok izvornog kredita.
4. 10% je procjena vrsta korištenih kredita (rata, prekoračenja, potrošački krediti, hipoteka), prikazuje povijest upravljanja različitim vrstama kredita.
5. 10% udjela u rezultatu pada na broj zahtjeva za kredit - rejting zajmoprimca se smanjuje ako su zahtjevi nedavno (14-45 dana) podneseni u velikom broju.

Modeli bodovanja trebali bi se temeljiti na ažurnim podacima i brzo se rekonfigurirati kada se promijeni kreditna politika banke.

Kreditni ured ima važnu ulogu u radu skoring modela. Potrebno je proučiti kreditnu povijest potencijalnog zajmoprimca i supružnika podnositelja zahtjeva. Sve vrste prihoda i rashoda zajmoprimca moraju biti dokumentirane.

Primjer 2

Krediti se ne smiju izdavati građanima koji imaju uplate po izvršnim ispravama u iznosu od 50 posto ili više neto prihoda. Također, jamstvo pojedinca čiji su odbitci od plaće jednaki ili veći od 50 posto neto prihoda ne bi se smjelo prihvatiti kao kolateral za kredite.

Na slici 1 prikazani su podaci koje su razvile strane banke kako bi se dobile informacije o namjeni kredita, osobnim karakteristikama zajmoprimca i kreditnoj povijesti zajmoprimca.

Slika 1. Varijable korištene u modelima bodovanja za ocjenu kreditne sposobnosti zajmoprimaca. Author24 - online razmjena studentskih radova

Pri procjeni kreditnih rizika potencijalnih zajmoprimaca uzimaju se u obzir brojni čimbenici: dob, bračni status i obrazovanje, broj članova uzdržavane obitelji, mjesto stanovanja klijenta, profesija, radni staž, trenutno radno iskustvo. Kao i sljedeće financijske podatke: redoviti prihodi i obveze klijenta; kreditna povijest, koja uključuje činjenice poput visokokvalitetne otplate kredita; prethodna pozitivna suradnja s bankom, ako je klijent već klijent banke.

Sustav bodovanja poslovnih banaka je mehanizam odabira potencijalnih zajmoprimaca putem stručne provjere čimbenika koji utječu na solventnost i rizik nevraćanja sredstava primljenih na kredit. Mehanizmi koji se koriste za procjenu razine pouzdanosti klijenata prvenstveno ovise o shemi kreditiranja koju izabere financijska institucija. U nekim poslovnim bankama, kreditni službenici i službenici za sigurnost mogu iznijeti potpuno jedinstvene zahtjeve za potencijalne klijente.

Predstavljamo vam 4 banke u kojima možete dobiti kredit s lošom kreditnom poviješću:

Kamatna stopa
od 9,5%

Termin
do 5 godina

Iznos
do 700 tisuća rubalja

Dobivanje kredita na dan podnošenja zahtjeva banci

Kamatna stopa
od 7,5%

Termin
do 5 godina

Iznos
do 1 milijun rubalja

Trenutna odluka; otkup bez provizije

Kamatna stopa
od 10,5%

Termin
do 7 godina

Iznos
do 4 milijuna rubalja

Banka donosi odluku o zahtjevu za 3 minute

Klasični bankarski sustav za procjenu dužnika

Stručna provjera obično počinje ispitivanjem informacija koje je zajmoprimac naveo u zahtjevu. Kada je riječ o davanju velikih kredita, predstavnici financijske institucije mogu inzistirati na osobnom sastanku s klijentom. Tijekom takvog razgovora, kreditni službenik će vizualno procijeniti dužnika, uočiti moguće vanjske znakove ozbiljne bolesti, emocionalne nestabilnosti ili nedosljednosti s nekim od podataka navedenih u izvornom upitniku.

Klasični sustav procjene budućih dužnika funkcionira na sljedeći način:

1. Klijent osobno komunicira s iskusnim kreditnim menadžerom ili službenikom za sigurnost banke.
2. Korisnik kredita ispunjava zahtjev u kojem daje osobne podatke.
3. Kreditni upravitelj podnosi Zavod za kreditne povijesti - tijelo koje obavlja poslove formiranja, čuvanja i obrade kreditnih povijesti "\u003e ured za kreditnu povijest zahtjev za dobivanje podataka o prethodnim obvezama podnositelja zahtjeva za kredit, potrebnih za naknadnu analizu.
4. Tijekom razgovora, predstavnik kreditne institucije postavlja nekoliko jednostavnih pitanja, čija će pouzdanost odgovora ovisiti o usklađenosti zajmoprimca s kriterijima poslovne banke.
5. Stručnjak donosi presudu nakon proučavanja primljenih povjerljivih podataka.

Tradicionalne metode procjene solventnosti zajmoprimaca idealne su za velike poslovne banke koje imaju priliku otvoriti odjele koji se bave vještačenjem dokumentacije. Slične sheme bodovanja i Underwriting je studija vjerojatnosti otplate ili neotplate kredita. Ovaj postupak provodi banka koja donosi odluku o kreditu, a uključuje utvrđivanje solventnosti i kreditne sposobnosti potencijalnog dužnika. aktivno koriste zajmodavci koji izdaju dugoročne ciljane zajmove. U prosjeku je potrebno do 36 sati da se prouči zahtjev klijenta. Kada je riječ o osiguranim kreditima, za koje je potrebno dodatno procijeniti instrumente osiguranja i provjeriti solventnost jamca, razmatranje zahtjeva može trajati do 7 dana.

Kako funkcionira sustav bodovanja?

Stvoreni su moderni automatizirani sustavi bodovanja kako bi se ubrzao postupak kreditiranja. Koriste ih poslovne banke u fazi izdavanja kreditnih kartica i razne nebankarske institucije s ciljem izdavanja ekspresnih kredita. Postupak bodovanja, odnosno provjera solventnosti, temelji se na korištenju specijaliziranog softvera specifičnog za industriju, čiji su algoritmi konfigurirani za proučavanje pojedinačnih kriterija i provjeru jesu li informacije koje je dužnik dao u skladu s trenutačnim uvjetima transakcije.

Automatizacija procesa bodovanja omogućuje:

• Ubrzajte pregled upitnika primljenih od potencijalnih kupaca.
• Smanjite broj zaposlenih u kreditnoj instituciji.
• Proceduru ispunjavanja, podnošenja i obrade zahtjeva za kredit prevedite u virtualnu ravan.
• Smanjite rizik od odbijanja kredita.
• Smanjite rizik od pogrešaka zaposlenika banke uzrokovanih ljudskim faktorom.
• Stvoriti standardizirani i jedinstveni sustav procjene budućih dužnika.

Tvrtke koje daju male potrošačke kredite i plastične kartice svakodnevno obrađuju ogromne tokove zahtjeva. U takvim uvjetima gotovo je nemoguće osigurati individualan pristup radu sa svakim potencijalnim klijentom. Algoritam automatiziranog sustava bodovanja temelji se na korištenju niza jednostavnih parametara koji omogućuju temeljitu procjenu zajmoprimaca. Najvažniji su obično podaci vezani uz putovnicu i podatke o plaćanju.

Kako biti zajamčeno da će proći bodovanje u banci?

Da bi dobio zajam nakon provjere solventnosti, dovoljno je da zajmoprimac pruži pouzdane podatke, podupirući ih dokumentima navedenim u uvjetima buduće transakcije. Softver koristi javno dostupne statističke, analitičke i matematičke metode za procjenu vjerojatnosti otplate pojedinog kredita, no kako bi se ubrzalo donošenje odluka o primljenim zahtjevima za streaming, neki zajmodavci odbijaju obraditi račune dobiti i bankovnih izvoda. Prisutnost dodatnih podataka povećava dobiveni koeficijent. Ako je minimalni rezultat dovoljan za sklapanje transakcije, popratni dokumenti nisu potrebni.

Na procjenu solventnosti utječe:

Dakle, kreditna povijest i financijska stabilnost potencijalnog zajmoprimca utječu na izračun rejtinga i rezultat odluke o kreditu unutar sustava bodovanja. Neizravno, razinu kreditnog rejtinga mogu promijeniti faktori kao što su bračni status ili dob klijenta.

Neke organizacije razmatraju okolnosti koje su izvan kontrole klijenta. Algoritmi stroja za bodovanje mogu se prilagoditi uzimajući u obzir gospodarsku situaciju i političku situaciju u regiji, vrstu i veličinu kreditnog proizvoda, kao i prisutnost ili odsutnost negativnih trendova u kreditiranju.

Strojevi za bodovanje banaka ne mogu se prevariti, jer čak i slučajna pogreška u fazi ispunjavanja zahtjeva dovodi do odbijanja kredita. Da bi prošao provjeru, klijent će morati dati povjerljive podatke. Zajmodavac jamči sigurnost povjerljivih podataka. Algoritam je usmjeren na obradu ne samo primljenih odgovora. Takav sustav vam omogućuje prikupljanje i analizu korisnih statistika koje pružaju jedinstvenu priliku za predviđanje ponašanja potencijalnog klijenta pri plaćanju.

Možda će vas također zanimati:

Anuitet i diferencirano plaćanje - koja je razlika?

Pitanje plaćanja kredita uvijek je principijelno za svaku osobu koja planira ili je već uzela gotovinski kredit. Detaljno razmatramo razlike između anuiteta i diferenciranih plaćanja. Znajući ove razlike, moći ćete odabrati najbolju opciju kredita za sebe.

Svaki korisnik kredita trebao bi znati što je kreditno bodovanje. Ovaj koncept banke su počele uvoditi početkom ovog stoljeća, a to je zbog činjenice da je rast kredita značajno povećan.

Scoring je posebno dizajniran računalni program koji pomaže u brzom utvrđivanju solventnosti klijenta analizom njegovih osobnih podataka.

Da biste to učinili, digitalni podaci utvrđeni obrascem unose se u program prema načelima konvencionalnog testiranja. Zatim program za bodovanje pažljivo analizira unesene podatke i daje rezultat, u pravilu, u bodovima: određena brojčana vrijednost odgovara bilo kojem pitanju. Tako ispada da kreditni menadžer ne odlučuje hoće li klijentu dati kredit ili ne, već računalo.

Bodovanje kreditne sposobnosti koristi se u slučajevima kada zajmoprimac treba i. Kod izdavanja još jednog većeg kredita također se koristi scoring, ali uz druge analize (procjena kolaterala i sl.).

Za što je bodovanje?

Većina banaka odluku o izdavanju kredita donosi samo na temelju sustava bodovanja, npr.:

• ako je zajmoprimac postigao visoku ocjenu prema sustavu bodovanja, tada mu se zajam izdaje bez drugih provjera;
• kod prosječnog broja bodova kreditni odbor dodatno razmatra zahtjev klijenta za kreditom;
• s jasnim nedostatkom bodova, banka odbija kredit.

Rezultati izračuna kreditnog bodovanja ovise o sustavu programiranja banke. Na temelju toga banka od nepoštenih klijenata odabire pouzdane i poželjne zajmoprimce.

Test pitanja

Svaka banka ima svoj sustav bodovanja, ali u osnovi uključuje ista pitanja. Na primjer, najčešće korištena ispitna pitanja su:

• dob, spol zajmoprimca;
• službena plaća;
• iznos i uvjete potrebnog kredita;
• je li zajmoprimac oženjen (udata);
• postoje li uzdržavane osobe u obitelji;
• da li žena (muž) radi;
• Imate li kazneni dosje i druge probleme?

Bez sumnje, jedna od najpozitivnijih i najznačajnijih značajki kreditnog bodovanja treba smatrati olakšavanje provjere solventnosti zajmoprimca.

Nedostaci bodovnog programa

Međutim, postoje i nedostaci: program može preskočiti beskrupuloznog dužnika, ali pouzdani, naprotiv, može biti odbijen. Kod provjere na druge načine, ova situacija se događa mnogo rjeđe.

Također se može reći da sustav kreditnog bodovanja u određenom smislu poskupljuje kredit, budući da nosi određeni rizik za kreditnu instituciju.

Ciljna usmjerenost sustava bodovanja

Bankarski sustav bodovanja, koji funkcionira u aktivnostima kreditiranja, omogućuje u vrlo bliskoj budućnosti određivanje ne samo financijske stabilnosti klijenta podnositelja zahtjeva, već i izračunavanje postotka kreditnog rizika i mogućih materijalnih gubitaka povezanih s nevraćanjem kredita od strane zajmoprimac. Program bodovanja razvija svaka financijska institucija na individualnoj osnovi.

Svrha kreditnog skoringa je postići maksimalno minimiziranje rizičnih situacija, čija je pojava moguća kod kreditiranja nepouzdanog ili nesposobnog za otplatu kredita klijenta. Često, kada zajmodavac pristane posuditi zajmoprimcu koji nije vjerodostojan, on počinje imati neku vrstu problema povezanih s pojavom kašnjenja. Bodovanje eliminira takve rizike koliko god je to moguće. Moguće je utvrditi stupanj pouzdanosti zajmoprimca i procijeniti njegovu financijsku stabilnost i stabilnost kako u odnosu na potencijalnog zajmoprimca, koji djeluje kao građanin, tako iu odnosu na pravnu osobu.

Kroz bodovnu bazu moguće je provjeriti kako potencijalne tako i postojeće zajmoprimce. Zahvaljujući ovakvom sustavu moguće je u najkraćem mogućem roku identificirati i identificirati sve kreditne rizike koji mogu utjecati na kreditni portfelj vjerovnika. Štoviše, bodovanje, kojim se procjenjuju rizici kreditnog portfelja zajmodavca, također igra aktivnu ulogu u predviđanju financijskih rezervi. Proces kreiranja sustava odvija se na temelju faktora kao što je financijsko stanje potencijalnog zajmoprimca, koje bi trebalo odražavati sve njegove prihode, financijske obveze, rashode i aktivno stanje, kao i kreditnu povijest koja sadrži sve podatke o prošlim kreditima. i njihovu otplatu.

Kriteriji za ocjenu financija zajmoprimca

Pri ocjeni financijske stabilnosti i financijskog stanja klijenata kandidata, kreditne institucije u pravilu polaze od kvalitativnih i kvantitativnih kriterija. Najznačajniji parametri su: rad (položaj), vlasništvo nad nekretninama i drugom imovinom, stalna i stabilna primanja, (ugled) primatelja kredita, bračno stanje, depoziti i ulozi otvoreni u institucijama, kao i podnositelj zahtjeva.

Što se tiče kvantitativnih pokazatelja, oni uključuju iznos prihoda, stupanj solventnosti, koeficijent zajmoprimca, kao i sigurnost kredita i uvjete ugovora. Pod kolateralom se može razumjeti izvršenje osiguranja u odnosu na predmet, kao i omjer iznosa kapitala zajma i vrijednosti kolaterala. Svaki potencijalni dužnik koji podliježe verifikaciji nakon procjene klijenta scoring shemom ima svoju bodovnu karticu koja sadrži velik broj obveznih stavki i odredbi. Tablica rezultata stavlja određene koeficijente za svaku stavku sadržanu u njoj, koja se ocjenjuje. Kao rezultat postavljanja svih koeficijenata, bodovi se jednostavno zbrajaju.

Na temelju određenog broja dobivenog zbrajanjem koeficijenata, svakom potencijalnom zajmoprimcu dodjeljuje se određena klasa financijske stabilnosti i materijalnih mogućnosti. Najpouzdaniji klijenti su oni podnositelji zahtjeva koji su nakon procjene raspoređeni u razred A ili B. Ipak, ima mnogo slučajeva kada dužnici postaju i klijenti razreda C. Građani koji su raspoređeni u razred D i D prepoznati su kao potpuno nesolventni i većina nepouzdan .

Ako pronađete grešku, označite dio teksta i kliknite Ctrl+Enter.

Portal Creditoff (Credytoff) će u ovom članku odgovoriti na pitanja: “bodovanje, što je to? te kako se provodi bodovna procjena kreditne sposobnosti pojedinca”.

Ostvarivanje najvećeg profita za banke izravno je povezano s kvalitetom zahtjeva za kredit. Banka nije manje zainteresirana za povrat izdanog kredita od zajmoprimca. Stoga bankari provode rigorozne provjere zajmoprimaca i analiziraju kreditne rizike.

Bodovna ocjena kreditne sposobnosti pojedinca

Kreditni rizik je mogući financijski gubitak zbog neispunjavanja obveza iz ugovora o kreditu od strane zajmoprimca. To se može odnositi na zakašnjela plaćanja (kašnjenja) ili potpuno odbijanje plaćanja zajma.

Kako bi minimizirali kreditne rizike, bankari koriste bodovnu procjenu potencijalnih klijenata.

Danas se za procjenu pouzdanosti zajmoprimca naširoko koristi bodovna procjena kreditne sposobnosti pojedinca. Scoring daje razumijevanje, oslanjajući se na kreditnu povijest postojećih ili bivših klijenata, kolika je šansa da će potencijalni zajmoprimac vratiti novac na datum utvrđen ugovorom.

Bodovanje, što je to?

Bodovanje, što je to? (englesko bodovanje - "bodovanje")

Ovo je sustav određenih karakteristika potencijalnog zajmoprimca. Automatizirano bodovanje daje stvarnu objektivnu procjenu financijskih rizika, za razliku od činjenice da bi kreditni inspektori izravno vršili provjeru (ljudski faktor).

Kao rezultat provjere dobiva se određeni pokazatelj (score) koji označava stupanj rizika koji je povezan s određenim klijentom. Ovaj se pokazatelj uspoređuje s određenom vrijednošću praga, koja je u biti granica rentabilnosti (zdravo naprednim čitateljima?). Ako je pokazatelj iznad praga, tada se odlučuje o eventualnom odobrenju zahtjeva. Ako je ispod praga, onda nažalost, klijent će biti odbijen.

Koji se podaci uzimaju u obzir prilikom bodovanja

Bodovna procjena kreditne sposobnosti pojedinca prilično je komplicirana. Odobravanje ili odbijanje klijenta ovisi o mnogim pokazateljima.

1. Podaci o putovnici potencijalnog zajmoprimca, gdje je registriran i gdje zapravo živi, ​​kontakt telefonski brojevi. Na temelju tih informacija provodi se primarna identifikacija klijenta banke. U ovoj fazi odstranjuju se klijenti s isteklim putovnicama, netočno ili lažno navedenim podacima i lažnim dokumentima. Svaka pogreška u navedenim podacima prijeti trenutnim odbijanjem.
2. U drugoj fazi procjenjuju se dob, spol, bračni status, radni staž, broj uzdržavanih članova (maloljetna djeca su negativan faktor za bodovanje), radni staž na posljednjem mjestu rada.
3. Program potom procjenjuje solventnost klijenta. U ocjeni financijskog stanja glavnu ulogu igraju mjesečno potvrđena primanja. Oni. "Bijele" plaće navedene u potvrdi 2-NDFL. Ako je prihod potvrđen bankovnim izvodom, tada se konačni rezultat bodovanja smanjuje. Kredit može biti odobren, ali će iznos biti manji.
4. Nakon što su prethodni koraci završeni, program nastavlja s provjerom. U pravilu se uzimaju u obzir podaci nekoliko BCI (kreditnih ureda) odjednom. Ne provjeravaju se samo kašnjenja, već i financijski teret, ako ga ima. Osim toga, BKI bilježi sve zahtjeve prema banci. Ako ima puno odbijanja, to negativno utječe na mogućnost odobrenja. Dakle, nakon što smo jednom primili odbijenicu, savjetujemo vam da provjerite svoju kreditnu povijest. Postoji mogućnost da su BCI podaci pogrešni.

Scoring ocjena kreditne sposobnosti pojedinog platnog klijenta banke

Za vlasnike platnih kartica predviđen je poseban ček. Kartične transakcije se procjenjuju. Bodovanjem se provjeravaju uvjeti primitaka i isplata, kao i prosječno stanje na računu. Valja napomenuti da najslabiju ocjenu imaju oni klijenti koji odmah po primitku plaće istu podignu u cijelosti u gotovini.

Kako se donosi odluka

Bodovna ocjena kreditne sposobnosti pojedinca. Kako se donosi odluka

Nakon analize primljenih podataka, bodovanje donosi odluku. Potencijalni zajmoprimac dobiva "oznaku" u boji: bijela, siva, crna.

• Bijela boja - zajmoprimac može računati na zajam
• Crna boja - odbijanje
• Siva boja znači da nema dovoljno podataka za donošenje odluke, potrebna je dodatna procjena pokrovitelja. Kreditni inspektor će detaljnije proučiti upitnik i dostavljene podatke. Može tražiti dodatne dokumente. Nakon dodatne provjere pokrovitelj će dati mišljenje o mogućnosti odobrenja, kao io maksimalnom iznosu i ročnosti kredita.

"Skoriranje, što je to?" - za primatelje prvog kredita

"Skoriranje, što je to?" - za primatelje prvog kredita

Unatoč svim prednostima skoringa, banke danas uređuju svoje modele verifikacije klijenata. Mnoge banke prakticiraju takozvanu "prilagođenu bodovnu ocjenu kreditne sposobnosti pojedinca". Uvode se dodatni parametri provjere, primjerice, razdoblje poslovanja tvrtke u kojoj potencijalni zajmoprimac radi, opseg te tvrtke, financijski rezultati itd. Općenito, dopunjujući odgovor na pitanje "Scoring, što je to?", Valja napomenuti da su čekovi bodovanja u mnogim velikim bankama vrlo slični. Stoga, prije prijave, provjerite svoje, to će vam uštedjeti vrijeme i živce.

Dubovitsky V.S.
analitičar u velikoj ruskoj banci
(grad Moskva)
Upravljanje korporativnim financijama
05 (65) 2014

Ovaj članak opisuje studiju o razvoju modela bodovanja za ocjenu kreditne sposobnosti velikih trgovačkih poduzeća, koji omogućuje, na temelju vrijednosti pojedinih pokazatelja, prosuditi solventnost zajmoprimca i ocijeniti njegovu učinkovitost. Najobimniji blokovi u razvoju modela bodovanja su izbor sustava pokazatelja vrednovanja i određivanje težinskih koeficijenata za te pokazatelje, što će biti detaljno obrađeno u ovom članku.

UVOD

Jedno od ključnih područja poslovanja u bankarskom sektoru je kreditiranje. Zajmovi su osnova bankarske imovine, osiguravajući banci prihod od kamata. U posljednje vrijeme u našoj zemlji dolazi do ubrzanog razvoja bankarskog sektora, prvenstveno kreditnih odnosa između banaka i stanovništva, poduzetnika i velikih poduzeća. Zajmovi ne uključuju samo prihode od kamata, već i kreditne rizike povezane s nesolventnošću zajmoprimca i gubitkom zajma. Procjena kreditnog rizika ključno je područje analize pri donošenju odluke o kreditiranju pojedinog dužnika, a o njoj uvelike ovisi dobrobit financijske institucije.

U današnje vrijeme banke koriste različite metode analize, procjenjujući razinu mogućih gubitaka i vjerojatnost neispunjavanja obveza od strane zajmoprimca. Na temelju ove analize, zajmoprimcu se dodjeljuje ocjena kvalitete - "dobar", "srednji" ili "loš", u skladu s Uredbom Središnje banke Ruske Federacije br. 254-p "O postupku formiranja rezerve kreditnih institucija za moguće gubitke po zajmovima, po zajmu i ekvivalentnom dugu” 26. ožujka 2004.

Središnja banka djeluje kao glavni regulator kreditnog sustava i daje preporuke za ocjenu kreditne sposobnosti zajmoprimaca. U skladu s njima banke grade vlastite modele vrednovanja - njihova je raznolikost i domišljatost autora nevjerojatna. Takvi modeli uključuju sveobuhvatnu procjenu financijskog stanja zajmoprimca kao glavnog pokazatelja buduće solventnosti. Međutim, svi modeli usmjereni su na kreditni rejting zajmoprimca, koji opisuje razinu rizika od financijskog gubitka. Prema općeprihvaćenoj klasifikaciji, dobra razina kreditne sposobnosti odgovara dobrom financijskom stanju poduzeća i niskom riziku mogućih gubitaka, srednja - prosječnom financijskom stanju i srednjim rizicima, loša - visokoj vjerojatnosti neispunjenja obveza od strane zajmoprimac. U dobrom stanju, najvjerojatnije će se donijeti pozitivna odluka o izdavanju zajma, prosjek će zahtijevati dodatna istraživanja, a loš zajmoprimac će biti odbijen.

Procjena kreditnog rizika u bankama oduvijek je zauzimala značajno mjesto. Dakle, prema studijama Baileya i Gatelyja, postojeće metode vrednovanja stalno se poboljšavaju, s vremena na vrijeme pojavljuju se nove metode, poput vrednovanja pomoću neuronskih mreža, što je uzrokovano velikim zahtjevima kreditnih institucija za optimizacijom i poboljšanjem prediktivne sposobnosti alati za procjenu vjerojatnosti neplaćanja potencijalnih zajmoprimaca.

Dakle, procjena kreditne sposobnosti ključna je zadaća pri izdavanju kredita. Svrha ovog rada je izraditi vlastiti scoring model za ocjenu kreditne kvalitete pravnih osoba. Bit će razvijen za velike trgovce i omogućit će brzo odlučivanje o izvedivosti financiranja različitih zajmoprimaca.

Prvo će se napraviti kratka usporedna analiza postojećih pristupa ocjeni kreditne sposobnosti. Na temelju toga dat će se argumenti u prilog razvoju modela bodovanja, zatim će se model bodovanja izravno razviti različitim teorijskim metodama. Jedan od glavnih zadataka u razvoju je definiranje uravnotežene tablice rezultata uzimajući u obzir odabranu industriju i određivanje težinskih faktora za te pokazatelje.

Zatim će se na uzorku od 41 trgovca (kod njih 16 je evidentirano neispunjavanje) provesti statističko istraživanje kako bi se rezultati po ponderima pokazatelja usporedili s inicijalno dobivenim rezultatima. Na temelju rezultata usporedbe dat će se zaključak o ispravnosti sastavljenog modela bodovanja. Na kraju ovog članka bit će prikazana procjena učinkovitosti razvijenog modela, utvrđena prediktivna sposobnost razvijenog modela te će se donijeti zaključak o njegovoj održivosti.

RAZLIČITI PRISTUPI PROCJENI KREDITA

Svi postojeći modeli za ocjenu kreditne sposobnosti zajmoprimaca mogu se prikazati sljedećom klasifikacijom (slika 1).

Dakle, raznolikost pristupa analizi kreditne sposobnosti može se sistematizirati dijeljenjem svih metoda u tri velika bloka:

• kvantitativni modeli;
• prediktivni modeli;
• kvalitetni modeli.

Kvantitativni modeli koriste relevantne pokazatelje i na temelju njih omogućuju dodjeljivanje određenog rejtinga zajmoprimcu, prediktivni modeli temelje se na prošlim statistikama i usmjereni su na modeliranje daljnjeg razvoja i vjerojatnosti neispunjenja obveza zajmoprimca, a kvalitativni modeli koriste sustav raznovrsnih kvalitativnih pokazatelja.

Kako bismo odredili najučinkovitiji pristup ocjeni kreditne sposobnosti, uspoređujemo opisane metode procjene. U tablici. Slika 1 prikazuje usporedne karakteristike prethodno razmatranih modela procjene kredita.

Tablica 1. Zbirna tablica modela kreditnog rejtinga

Ime modela	Prednosti modela	Nedostaci modela
Metoda koeficijenata	Omogućuje sveobuhvatnu procjenu financijskog stanja zajmoprimca	Ne uzima u obzir pokazatelje kvalitete, statistike prethodnih godina. Neautomatizirani sustav zahtijeva stalno tumačenje vrijednosti pojedinih pokazatelja
Modeli ocjenjivanja	Omogućuje automatizaciju procjene metodom koeficijenata izračunavanjem integralnog pokazatelja. Razlikuju se u praktičnosti i jednostavnosti korištenja	Uzimaju u obzir samo financijske pokazatelje, ne koriste statistiku iz prethodnih godina. Zahtijevati restrukturiranje za različite vrste poduzeća
Modeli bodovanja	Omogućuju vam da dobijete ocjenu kreditne sposobnosti u bodovnom ekvivalentu i rasporedite dužnika u jednu od tri skupine. Jednostavan i lagan za korištenje, pomaže u procjeni nefinancijskih pokazatelja kvalitete. Pri procjeni težinskih koeficijenata statističkim metodama, oni omogućuju uzimanje u obzir podataka o već izdanim kreditima, ekonomski su opravdani	Nije univerzalno, zahtijeva restrukturiranje za određene vrste poduzeća. Za proučavanje težinskih koeficijenata potrebna je velika količina podataka
Modeli novčanog toka	Omogućuje procjenu budućih novčanih tokova tvrtke i njihovu usporedbu s dugom	Ne uzimaju u obzir tržišne uvjete i pokazatelje kvalitete poduzeća zajmoprimca. Može proizvesti nedosljedne rezultate
Modeli diskriminantne analize	Omogućuje određivanje vjerojatnosti neispunjavanja obveza tvrtke koja se zadužuje na temelju statistike za prethodne godine
Regresijski modeli	Omogućuju određivanje vjerojatnosti neispunjavanja obveza tvrtke zajmoprimca na temelju statistike prethodnih godina. Kada koristite model na točnim podacima, možete dobiti rezultate s visokim stupnjem sigurnosti	Čisto empirijski, rezultati jako ovise o uzorku za obuku i kada se model proučava na drugim podacima, često ne odgovaraju stvarnosti. Za proučavanje težinskih koeficijenata potrebna je velika količina podataka
Modeli kvalitativne analize	Omogućuje vam da provedete sveobuhvatnu analizu tvrtke	Odsutnost matematičkih metoda, što dovodi do subjektivne procjene pojedinačnih pokazatelja i pogrešaka povezanih s ljudskim faktorom. Ne uzimajte u obzir statistike prethodnih godina. Ne postoje jasni propisi za ocjenu boniteta za kvalitetne blokove analize

Na temelju gornje komparativne analize možemo zaključiti da je model bodovanja na vrhu kvantitativne evolucije Naziv modela Prednosti modela Nedostaci modela

Metoda omjera Omogućuje sveobuhvatnu procjenu financijskog stanja zajmoprimca Ne uzima u obzir pokazatelje kvalitete, statistike prethodnih godina. Neautomatizirani sustav zahtijeva stalno tumačenje vrijednosti pojedinih pokazatelja

Modeli ocjenjivanja Omogućuju automatizaciju procjene metodom koeficijenata izračunavanjem integralnog pokazatelja. Odlikuje ih praktičnost i jednostavnost korištenja, uzimaju u obzir samo financijske pokazatelje, ne koriste statistike iz prethodnih godina. Zahtijevati restrukturiranje za različite vrste poduzeća

Modeli bodovanja Omogućuju dobivanje ocjene kreditne sposobnosti u bodovnom ekvivalentu i raspoređivanje dužnika u jednu od tri skupine. Jednostavan i lagan za korištenje, pomaže u procjeni nefinancijskih pokazatelja kvalitete. Pri procjeni težinskih koeficijenata statističkim metodama, oni omogućuju uzimanje u obzir podataka o već izdanim kreditima, ekonomski su opravdani Nisu univerzalni, zahtijevaju restrukturiranje za određene vrste poduzeća. Za proučavanje težinskih koeficijenata potrebna je velika količina podataka

Modeli novčanog toka Omogućuju procjenu budućih novčanih tokova poduzeća i njihovu usporedbu s dugom. Ne uzimaju u obzir tržišne uvjete i pokazatelje kvalitete poduzeća zajmoprimca. Može proizvesti nedosljedne rezultate

Modeli diskriminantne analize Omogućuju određivanje vjerojatnosti neispunjavanja obveza poduzeća zajmoprimca na temelju statistike za protekle godine. Čisto empirijski, rezultati uvelike ovise o uzorku za obuku, a kada se proučava model na drugim podacima, često ne odgovaraju stvarnost. Za proučavanje težinskih koeficijenata potrebna je velika količina podataka

Modeli regresijske analize Omogućuju određivanje vjerojatnosti neispunjavanja obveza poduzeća zajmoprimca na temelju statistike prethodnih godina. Kada koristite model na točnim podacima, možete dobiti rezultate s visokim stupnjem pouzdanosti. Oni su čisto empirijski, rezultati su jako ovisni o skupu za obuku, a kada proučavate model na drugim podacima, često ne odgovaraju stvarnost. Za proučavanje težinskih koeficijenata potrebna je velika količina podataka

Modeli kvalitativne analize Omogućuju sveobuhvatnu analizu poduzeća. Odsutnost matematičkih metoda, što dovodi do subjektivne procjene pojedinačnih pokazatelja i pogrešaka povezanih s ljudskim faktorom. Ne uzimajte u obzir statistike prethodnih godina. Ne postoje jasni propisi za ocjenu kreditne sposobnosti za kvalitativne blokove analize s različitim brojem bodova. Vrijednosti koeficijenata bit će dalje podijeljene u raspone. Za svaki raspon (stupac Raspon koeficijenata u tablici 2) postavit će se postotak (25%, 50%, 75% ili 100%) težinskog koeficijenta u tablici 2. 2. Faktor težine u ovom slučaju je maksimalni rezultat. U nastavku ćemo se fokusirati na traženje težinskih koeficijenata. Dakle, raščlamba koeficijenata u raspone je uvjetna (na temelju logičkih razmatranja temeljenih na vrijednostima ovih pokazatelja za različite tvrtke u industriji; intervali su uzeti na način da oko 60% vodećih tvrtki u industriji (Magnit, Dixy) spadaju u drugi interval nakon maksimuma, X5 Retail Group, OK, L'Etoile) odabranih za određivanje prosječnih tržišnih koeficijenata i referentnih vrijednosti). niži broj bodova koji bi pokazatelj trebao dobiti.koeficijenti i bit će predstavljen s dva pristupa - analitičkim (metoda T. Saatyja) i statističkim (regresijska studija) (maksimalni broj bodova u ovom slučaju podudara se s težinskim koeficijentom.) Težina sami koeficijenti će biti naknadno određeni.

Financijski pokazatelji modela bodovanja prikazani su u tablici. 2.

Tablica 2. Financijski pokazatelji modela bodovanja

Skupina indikatora	Indeks	Raspon koeficijenata
Likvidnost		> 0,75	1
		0,5-0,75	0,75
		0,25-0,5	0,25
		0-0,25	0
Solventnost		0-1	1
		1-1,5	0,75
		1,5-2	0,5
		2-2,5	0,25
		> 2,5	0
		< 1,5	1
		1,5-2	0,5
		> 2	0
	Omjer pokrivenosti kamata, EBIT/Kamata	> 1,5	1
		1,3-1,5	0,75
		1-13	0,5
		< 1	0
Poslovne aktivnosti	Povrat od prodaje, ROS	> 0,025	1
		0,02-0,025	0,75
		0,015-0,02	0,5
		< 0,015	0
	Gubitak Društva za zadnja tri izvještajna razdoblja	Ne	1
		Za jedno izvještajno razdoblje	0,5
			0

Dopuštene vrijednosti omjera određene su na temelju prosječnih vrijednosti za pet vodećih trgovačkih društava u Rusiji na temelju izjava IFRS-a za tri godine: Magnit, X5 Retail Group, Dixy, OK, M.Video. Pregledali smo najvažnije financijske pokazatelje kako bismo utvrdili financijsko stanje zajmoprimca. No, na kreditnu sposobnost poduzeća uvelike utječu i čimbenici koji provociraju pojavu rizika u poslovnim procesima zajmoprimca. Prije svega potrebno je voditi računa o kvaliteti upravljanja. Ovo je vrlo težak pokazatelj za kvantitativnu analizu, jer. problematično je objektivno procijeniti razinu upravljanja poduzećem.

Pokušat ćemo prijeći s kvalitativne na kvantitativnu ocjenu i postaviti maksimalnu ocjenu ovog pokazatelja pod sljedećim uvjetima:

• postoji jasna strategija razvoja tvrtke za naredne godine;
• sastav najvišeg menadžmenta se nije mijenjao (generalni direktor i šef računovodstva na funkcijama su više od dvije godine), jer o prisutnosti snažnog menadžerskog tima svjedoči, između ostalog, njegova postojanost;
• stručne kompetencije udovoljavaju visokim zahtjevima (generalni direktor i glavni računovođa imaju visoko stručno obrazovanje, više od pet godina radnog iskustva).

Sljedeći važan čimbenik koji treba uključiti u model bodovanja je život tvrtke. Osim toga, potrebno je uvesti stop faktor: ako poduzeće posluje kraće od godinu dana, ovaj model neće biti primjenjiv zbog nedostatka izvješćivanja i mogućnosti razumijevanja poslovanja poduzeća.

Još jedan nužan pokazatelj je pozitivna kreditna povijest. To je jedan od najvažnijih nefinancijskih pokazatelja, koji karakterizira, zapravo, kvalitetu servisiranja budućeg kredita. Bilo bi nerazumno računati na pravovremenu otplatu kreditnih sredstava od poduzeća koje ima kašnjenja prema drugim vjerovnicima. Prikazimo razmatrane nefinancijske pokazatelje i raspodjelu bodova za njih u tablici. 3.

Tablica 3. Nefinancijski pokazatelji modela bodovanja

Skupina	Pokazatelji indikatora		Postotak maksimalnog rezultata za raspon
Poslovni procesi	Kvaliteta upravljanja		1
			0,5
			0
		> 5 godina	1
		3-5 godina	0,75
		1-3 godine	0,25
		< 1 года	Stop faktor
			1
			0,5
			0
		Prisutnost sustavnog kašnjenja zajmova i pozajmica za posljednju financijsku godinu; značajan iznos dospjelih obveza (> 25%)	Stop faktor

Sastavili smo sustav pokazatelja ocjenjivanja, koji bi, po našem mišljenju, trebali sveobuhvatno i cjelovito procijeniti kvalitetu dužnika i njegovu sposobnost ispunjavanja svojih obveza. Sljedeći dio posla pri izradi bilo kojeg modela bodovanja je vremenski najdugotrajniji - određivanje težine različitih procijenjenih pokazatelja. Prediktivna vrijednost našeg modela ovisi o tome koliko objektivno procjenjujemo važnost pojedinih čimbenika. Ovaj će članak analizirati težine na temelju nekoliko metoda kako bi se uklonile moguće pogreške.

Težinski koeficijenti najprije će se odrediti analitičkim postupcima, a potom usporediti s rezultatima regresijske analize.

ANALITIČKA OCJENA TEŽINSKIH KOEFICIJENATA MODELA

Kao alat za procjenu uzet ćemo metodologiju detaljno opisanu u TL knjizi. Saaty "Matematički modeli konfliktnih situacija" [b]. Ova metoda omogućuje vam da pobjegnete od niza čimbenika i usporedite samo dva od njih za značaj u određenoj vremenskoj točki, u konačnici utvrđujući značaj utjecaja svakog od čimbenika na bilo koji opći pokazatelj. Tehnika se temelji na kompilaciji matrica uparenih usporedbi, koje su izgrađene za čimbenike koji utječu na bilo koji zajednički pokazatelj. Takve matrice mogu se izgraditi, primjerice, za pokazatelj solventnosti u kontekstu čimbenika predstavljenih koeficijentima financijske poluge, tereta duga i pokrivenosti kamata. Zadatak je izgraditi takve matrice za sve skupine čimbenika koji utječu na bilo koje opće pokazatelje. Kao rezultat, stvorit će se dvije matrice za tablicu. 2 - za skupine pokazatelja "Solventnost" i "Poslovna aktivnost", jedna matrica za tablicu. 3 - za pokazatelje poslovnih procesa, kao i dvije matrice za agregirane razine - jedna matrica za skupinu financijskih pokazatelja, koju čine skupine pokazatelja "Likvidnost", "Solventnost" i "Poslovna aktivnost", te jedna za dva agregirana bloka. - financijski i nefinancijski pokazatelji općenito.

Postoji ukupno pet parnih usporednih matrica, od kojih će svaka dati svoj koeficijent za indikator koji je uključen u nju. Dakle, da bi se dobio faktor težine za mjeru na dnu hijerarhije, na primjer, za omjer pokrivenosti kamata, potrebno je pomnožiti faktor težine financijskih pokazatelja s faktorom težine pokazatelja solventnosti unutar financijskih pokazatelja i koeficijentom pokazatelja pokrivenosti kamata u okviru financijskih pokazatelja.

U naslovima samih matrica za skupine pokazatelja nazivi čimbenika nalaze se u okomitim i vodoravnim stupcima. Zatim se matrice popunjavaju vrijednostima koje predstavljaju transformaciju subjektivnih preferencija jednog čimbenika u drugi u empirijski oblik prema metodologiji prikazanoj u tablici. 4 (koristeći podatke sa slike 2).

Tablica 4. Metoda T. Saatyja. Klasifikacija preferencija (na temelju slike 2)

Uglavnom se koriste neparni brojevi, međutim, ako je teško odabrati, možete koristiti parne kao prosječnu razinu između dva neparna. Primjer takve matrice za četiri faktora prikazan je na slici. 2. Prema tome, kada uspoređujemo isti faktor, element poprima vrijednost 1, pa su takve matrice identitetske. Lako je vidjeti da su oni također inverzno simetrični, što nam omogućuje da popunimo takvu matricu samo za vrijednosti koje leže iznad ili ispod glavne dijagonale.

S obzirom da su matrice parnih usporedbi obrnuto simetrične, treba uspoređivati ​​samo u jednom smjeru i u matricu iznad glavne dijagonale unijeti odgovarajuće vrijednosti, dok će vrijednosti ispod glavne dijagonale biti obrnute.

Nakon primitka pet takvih matrica, izračunavaju se težinski koeficijenti: izmjerit će se težina svake vrijednosti u matricama u odnosu na ukupni zbroj u stupcu, a zatim će se iz tih vrijednosti uzeti aritmetički prosjek tih vrijednosti u svakom redu. Vrijednosti aritmetičke sredine bit će težinski koeficijenti. Primjer matrice za skupinu pokazatelja solventnosti prikazan je na sl. 3.

Nakon opisanih izračuna dobivamo specifičnu težinu svakog pokazatelja. Radi praktičnosti daljnjih izračuna, maksimalnu moguću ocjenu definiramo kao umnožak specifične težine pokazatelja za 50 1, nakon čega slijedi zaokruživanje na cijeli broj (tablica 5.6).

1 Ova operacija je napravljena isključivo radi praktičnosti, broj 50 dopušta minimalnom koeficijentu da ide na cjelobrojnu vrijednost (u ovom slučaju, vrijednost 2). Budući da se svi koeficijenti množe istim brojem, ne iskrivljujemo rezultate analitičkog pristupa. - Cca. izd.

ODREĐIVANJE ZNAČAJNOSTI POKAZATELJA POMOĆU REGRESIJSKE ANALIZE

Za provođenje statističke studije koristili smo podatke o 41 velikoj tvrtki iz sektora maloprodaje. Ta su društva izdala korporativne obveznice, a 16 obveznica nije izvršilo dužnost. Za svako poduzeće izračunato je osam odabranih pokazatelja modela bodovanja na temelju godišnjih izvješća u godini izdanja korporativnih obveznica. Uzorak je prikazan u Dodatku 1. Sadrži eksplanatorni pokazatelj y - vjerojatnost neispunjavanja obveza, koji ima vrijednost 1 ako tvrtka nije ispunila svoje obveze. Odabrana tri pokazatelja s desne strane postavljena su kao lažne varijable (mogu poprimiti samo vrijednosti 0 ili 1) zbog svoje kvalitativne prirode. Uzimaju vrijednosti 1 ako je u posljednje tri godine tvrtka imala neto dobit > O (Nl > 0), stabilan i kvalitetan menadžerski tim (manager) i pozitivnu kreditnu povijest (histor). Financijski pokazatelji (prvih pet pokazatelja) izračunati su na temelju godišnjih financijskih izvještaja prema MSFI standardima u godini izdanja obveznica u statusu otplate.

Kao model za istraživanje odabrali smo konstrukciju linearne multivarijantne regresije:

p = w 0 + w 1 x 1 + w 2 x 2 + ... + w n x n,

gdje je p zavisna varijabla koja opisuje vjerojatnost neispunjavanja obveza;
w - težinski koeficijenti; x - indikatori.

Dakle, unesimo početne podatke u Excel i koristimo funkciju Analiza podataka - Regresija. Analizirajući početne podatke za osam pokazatelja bodovnog modela bez prilagodbi, dobivamo rezultat prikazan u Dodatku 2. Prilagođeni R^2 je 0,55 - niska, ali prihvatljiva vrijednost, koja ukazuje na praktični značaj konstruirane regresije. Moguće je iznijeti pretpostavku o razlogu niske važnosti prisutnosti outliera u podacima, na primjer, nepostojanje vrijednosti za neke tvrtke u smislu EBIT / kamata zbog nedostatka duga ( pojednostavljeno, za potrebe studije u ovom slučaju uzeta je vrijednost koeficijenta jednaka 0) odnosno negativna vrijednost pokazatelja Dug/EBITDA zbog negativnog novčanog toka. U ovom slučaju, utjecaj negativnog pokazatelja pogrešno se percipira, jer, prema logici studije, što je veći dug / EBITDA, veća je vjerojatnost neispunjenja obveza; negativan pokazatelj pak nije pokazatelj niskog tereta duga. Također, na prediktivnu sposobnost utječu poduzeća s izraženim ekstremnim vrijednostima pojedinih pokazatelja. Dakle, tvrtka Banana-Mama ima temeljni kapital od 10 000 rubalja, što dovodi do iskrivljenja odgovarajućih pokazatelja - financijska poluga je 181 957 (s prosječnim vrijednostima u industriji u rasponu od 0,7-1,5).

Tablica 5. Financijski pokazatelji uzimajući u obzir težinu

Indeks	Težina u tablici rezultata	Maksimalni rezultat	Raspon koeficijenata
			>1	5
Koeficijent tekuće likvidnosti	0,1072	5	> 1	5
			0,75-0,1	4
			0,5-0,75	1
			0-0,5	0
Koeficijent tekuće likvidnosti	0,1581	8	< 1	8
			1-1,5	6
			1,5-2	4
			2-2,5	2
			> 2,5	0
Omjer zaduženosti, neto dug / EBITDA	0,1581	8	< 1.5	8
			1,5-2	4
			> 2	0
	0,0790	4	> 1,5	4
			1,3-1,5	3
			1-1,3	2
			< 1	0
Povrat od prodaje, ROS	0,1256	6	> 0,025	6
			0,02-0,025	5
			0,015-0,02	3
			< 0,015	0
	0,0418	2	Ne	2
			Za jedno izvještajno razdoblje	1
			Za dva izvještajna razdoblja ili više	0
Ukupno	0,6698	33	-	68

Isključimo iz studije sljedećih šest tvrtki: supermarket Gorod, Intertrade, M.Video (2013), Svyaznoy, Banana-Mama i Proviant. Napominjemo i nemogućnost istodobne uporabe pokazatelja ROS-a i odsutnost gubitaka (Nl > 0) zbog njihove visoke korelacije. Činjenica je da ako tvrtka ima gubitke, profitabilnost prodaje automatski poprima negativnu vrijednost.

Tablica 6. Nefinancijski pokazatelji po težini

Indeks	Težina u tablici rezultata	Maksimalni rezultat	Raspon omjera / Metodologija procjene	Broj bodova za raspon težine
Kvaliteta upravljanja	0,099	5	Ispunjenje svih opisanih uvjeta	5
			Neispunjavanje jednog od uvjeta	2,5
			Neispunjavanje više od jednog uvjeta	0
Život tvrtke	0,0528	3	> 5 godina	3
			3-5 godina	2
			1-3 godine	1
			< 1 года	Stop faktor
Pozitivna kreditna povijest	0,1782	9	Nepostojanje kašnjenja po kreditima i pozajmicama, dospjelih obveza	9
			Dostupnost informacija o restrukturiranju duga; beznačajna kašnjenja u plaćanju (do 10%)	4,5
			Jedan slučaj kašnjenja zajmova i kredita s naknadnom otplatom; značajna kašnjenja u obvezama (10-25% ukupnog duga)	0
			Prisutnost sustavnog kašnjenja zajmova i pozajmica za posljednju financijsku godinu; Značajan iznos dospjelih obveza (>25%)	Stop faktor
Ukupno		17

Na temelju ovih razmatranja uklanjamo indikator Nl > 0 iz našeg modela. Za novu sedmofaktorsku regresiju na ažuriranom uzorku od 35 poduzeća dobivamo sljedeći rezultat (Prilog 3). Vidimo da je šest od sedam proučavanih pokazatelja značajno. Predznaci na koeficijentima ispravno odražavaju gore navedene pretpostavke: što je veća profitabilnost prodaje i kvaliteta upravljanja, manja je vjerojatnost neispunjavanja obveza (y = 1), i obrnuto: što je veće zaduženje, to je veća vjerojatnost zadanog. Na prvi pogled predznak je netočan samo za koeficijent tekuće likvidnosti. Međutim, visoke vrijednosti likvidnosti jednako su loše kao i male - ukazuju na nisku poslovnu učinkovitost i izgubljenu dobit. Poduzeća s visokim koeficijentima likvidnosti sklona su manjku dobiti, niskoj profitabilnosti i isplativosti poslovanja, što ih čini manje privlačnima u očima potencijalnih investitora, a time i ranjivijima na promjene financijskih uvjeta. Najznačajniji su koeficijenti D (ili Dug - obujam kamatonosnog duga) / EBITDA, pozitivna kreditna povijest i financijska poluga; omjer pokrivenosti kamata je neznatan.

Gore, pri modeliranju koeficijenata pomoću metode T. Saatyja, također smo pretpostavili da će najznačajniji pokazatelji biti koeficijenti zaduženosti i financijske poluge. Usporedna analiza konačne značajnosti koeficijenata data je u tablici. 7.

Tablica 7. Usporedna analiza značajnosti koeficijenata

Pokazatelj na temelju stručnih procjena prema metodi T. Saatyja	Koeficijent	Pokazatelj na temelju regresijske analize	p-vrijednost
Pozitivna kreditna povijest	0,1782	Omjer zaduženosti, neto dug / EBITDA	0,014
Omjer financijske poluge	0,1581	Pozitivna kreditna povijest	0,020
Omjer zaduženosti, neto dug/EBITDA	0,1581	Omjer financijske poluge	0,022
Povrat od prodaje, ROS	0,1256	Kvaliteta upravljanja	0,037
Koeficijent tekuće likvidnosti	0,1072	Povrat od prodaje, ROS	0,039
Kvaliteta upravljanja	0,099	Koeficijent tekuće likvidnosti	0,047
Omjer pokrivenosti kamata, EBIT / kamata	0,0790	Omjer pokrivenosti kamata, EBIT / kamata	Beznačajno
Gubitak Društva za zadnja tri izvještajna razdoblja	0,0418	Gubitak Društva za zadnja tri izvještajna razdoblja	Proučavan je kao nefinancijski pokazatelj, beznačajan

Ovi rezultati ukazuju na konzistentnost metode T. Saatyja i statističkih podataka. Tri najznačajnija pokazatelja prema analitičkom pristupu potvrđuju svoju visoku važnost u praktičnom istraživanju, samo se promijenila distribucija redoslijeda samih pokazatelja. Također, dva najmanje značajna pokazatelja za prvi dio rada - kvaliteta upravljanja i EBIT/Kamata - pokazala su se beznačajnima u statističkoj studiji.

Dakle, regresijska analiza potvrđuje načela klasifikacije značajnosti težinskih koeficijenata u analitičkom dijelu rada i omogućuje nam govoriti o statističkoj značajnosti izgrađenog modela bodovanja.

UTVRĐIVANJE REZULTATA IZRAĐENOG MODELA BODOVANJA

Ukupna maksimalna ocjena modela bodovanja je 50. Za svaki pokazatelj, u procesu određivanja raspona vrijednosti, identificirali smo sljedeću razinu nakon maksimalne ocjene, što je također prihvatljivo, iako uz relativno visoku razinu rizika, na temelju na tržišne vrijednosti indikatora. Za neke pokazatelje razina nakon maksimuma bila je 75% ukupnog broja bodova, za druge - 50%. Sve sljedeće razine smatrat će se razinama s visokim kreditnim rizikom, a odgovarajući zajmoprimci bit će klasificirani kao loši. Najpoželjnija skupina uključuje zajmoprimce koji ispunjavaju maksimalne zahtjeve za najznačajnije (u smislu težinskih koeficijenata) pokazatelje: kreditnu povijest, financijsku polugu i zaduženost, kao i povrat od prodaje u iznosu od 31 boda i ispunjavanje najmanje sljedeća najveća razina zahtjeva za ostale pokazatelje - ukupno 12,5. Ukupno 43,5 bodova za nižu razinu visoke kreditne sposobnosti.

Za određivanje graničnog intervala koji karakterizira visok stupanj kreditne sposobnosti izračunavamo broj bodova za financijske i nefinancijske pokazatelje u sljedećem maksimalnom rasponu vrijednosti iz tablice. 5 i b. Pokazatelji su podijeljeni prema prihvaćenim vrijednostima koeficijenata u druge raspone. Dobit ćemo sljedeću klasifikaciju (tablica 8).

Tablica 8. Klasifikacija rezultata

Tablica 9. Prediktivna sposobnost modela bodovanja, %

Na temelju tablice. 8, procijenit ćemo prediktivnu sposobnost našeg modela zamjenom podataka tvrtke u njegove uvjete. U prilogu 4 prikazani su izračunati bodovi za anketirana poduzeća. Ovisno o vrijednosti pokazatelja, njegova ocjena je unesena u tablicu prema razvijenom modelu, a zatim su sve ocjene zbrajane u integralni pokazatelj (stupac „Zbroj”). Na temelju ukupnih rezultata, tvrtke su podijeljene u tri klase, a zatim su podaci uspoređeni sa stvarnom prisutnošću ili odsutnošću propusta od strane tvrtke. U stupcu "Točno ili ne" 1 označava točan rezultat modela bodovanja, 0 - pogrešku. Tako smo dobili sljedeći rezultat (Tablica 9).

Dobili smo prosječan (u odnosu na one opisane u različitim izvorima) rezultat za prediktivnu sposobnost modela bodovanja. Međutim, valja istaknuti nizak postotak pogrešaka tipa II, što povećava prediktivnu vrijednost našeg modela. Ovaj se rezultat može smatrati pozitivnim i potvrđuje učinkovitost studije.

ZAKLJUČAK

U ovom radu predložen je model bodovanja za ocjenu kreditne sposobnosti velikih maloprodajnih poduzeća. Model se temelji na skupu pokazatelja uspješnosti koji omogućuju sveobuhvatnu procjenu financijskog i nefinancijskog stanja zajmoprimca.

Na temelju rezultata procjene dužniku se dodjeljuje jedan od tri razreda kreditne sposobnosti, koji karakteriziraju stupanj kreditnog rizika i isplativost kreditiranja.

Modelirali smo sustav pokazatelja uspješnosti koji nam omogućuju najprecizniju procjenu stanja dužnika iz sektora stanovništva. Nakon analize lidera maloprodajnog tržišta i izračunavanja pokazatelja koji se koriste za njih, odredili smo granice prihvatljivih vrijednosti za njih i rangirali ih u različite skupine s različitim postocima maksimalnog mogućeg rezultata.

Najdugotrajniji zadatak bilo je određivanje težinskih koeficijenata za proučavane pokazatelje. Zaključeno je da je potreban integrirani pristup zbog nepostojanja jedne idealne metode. Integrirani pristup proveden je na sljedeći način: u prvom dijelu rada težinski koeficijenti su određeni analitičkim postupcima, au drugom dijelu statističkom studijom.

Razvijeni model pokazao je visoke rezultate u prediktivnoj sposobnosti, a pritom ne zahtijeva velike troškove resursa za analizu. Puštanjem u rad razvijenog bodovnog sustava povećat će se učinkovitost kreditnog odlučivanja u području velikih trgovačkih društava i optimizirati kreditni proces.

Književnost

1. Ayvazyan S.A., Mkhitaryan B.C. Primijenjena statistika i osnove ekonometrije. - M.: GU HSE, 1998.

2. Gavrilova A.H. Financije organizacije. - M.: Knorus, 2007.

3. Korobova G.G., Petrov M.A. Solventnost zajmoprimca banke i njezina procjena u konkurentskom okruženju // Bankarske usluge. -2005. -br. 7/8. -C. 22-24 (prikaz, stručni).

4. Kulikov N.I., Chainikova L.I. Ocjena kreditne sposobnosti poduzeća-zajmoprimca. - Tambov: Sveučilište TSTU, 2007.

5. Uredba Središnje banke Ruske Federacije br. 254-P "O postupku formiranja rezervi od strane kreditnih institucija za moguće gubitke po zajmovima, zajmu i ekvivalentnom dugu" od 26. ožujka 2004. - http:// baza.garant.ru/584458/.

6. Saati T.L. Matematički modeli konfliktnih situacija / Ed. I.A. Ushakov. - M.: Sovjetski radio, 1977.

7. Sheremet A.D., Saifulin R.C., Negashev H.B. Metode financijske analize. - M.: Infra-M, 2001.

8. Abdou H.A., Pointon J. (2011). "Bodovovanje, statističke tehnike i kriteriji vrednovanja: pregled literature". Inteligentni sustavi u računovodstvu, financijama i menadžmentu, Vol. 18, br. 2-3, str. 59-88 (prikaz, ostalo).

9. Bailey M. (2004). Kvaliteta potrošačkog kredita: osiguranje, bodovanje, sprječavanje prijevara i naplata. White Box Publishing, Kingswood, Bristol.

10. Crook J., Edelman D., Thomas L. (2007). "Nedavni razvoj u procjeni rizika potrošačkog kredita". Europski časopis za operacijska istraživanja, sv. 183, br. 3, str. 1447-1465 (prikaz, stručni).

11. Gately E. (1996). Neuronske mreže za financijsko predviđanje: vrhunske tehnike za projektiranje i primjenu najnovijih sustava trgovanja. New York: John Wiley & Sons, Inc.

12. Guillen M., Artis M. (1992). Modeli brojčanih podataka za sustav kreditnog bodovanja: serija europskih konferencija iz kvantitativne ekonomije i ekonometrije o ekonometrijskim modelima trajanja, brojanja i prijelaza. Pariz.

13. Heffernan S. (2004). moderno bankarstvo. John Wiley & Sons, Inc., Chichester, West Sussex.

14. Liang Q. (2003). "Korporacijske financijske nevolje u Kini: empirijska analiza korištenjem modela kreditnog bodovanja". Hitotsubashi časopis za trgovinu i menadžment, sv. 38, br. 1, str. 13-28 (prikaz, stručni).

PRILOG 1.

Uzorak studije

№	Društvo	y / Zadana zastavica	Koeficijent tekuće likvidnosti			EBIT / kamata / omjer EBIT i kamata		NI > 0/ Prisutnost neto dobiti
1	Farmacija 36.6	0	0,82	1,32	2,41	1,83	0,0496	1	1	1
2	L "Etoile	0	5,04	2,75	10,98	1,64	0,007	1	1	1
3	Kora	0	0,795	0,77	3,13	1,89	0	0	1	1
4	Vrpca	0	0,75	9,7	2,91	3,1	0,049	1	1	1
5	u redu	0	0,67	0,78	1,59	7,01	0,0357	1	1	1
6	Autosvijet	0	1,2	0,65	3,09	1,35	0,04	1	1	1
7	H5 maloprodajna grupa	0	0,55	0,53	3,32	2,82	0,027	1	1	1
8	Grad	0	0,99	18,97	10,25	1,29	0,01	1	1	0
9	Dječji svijet	0	0,93	0,83	2,14	3,99	0,032	1	1	1
10	Dixie	0	0,77	1,19	6,1	1,78	0,01	1	1	1
11	InterTrade	0	1,24	20,65	4,92	2,1	0,015	1	1	0
12	Karusel	0	0,73	0,68	3,175	1,71	0,059	1	1	1
13	peni	0	0,68	2,93	7,03	1,82	0	0	1	1
14	Grupa Kosmos	0	1,64	1,11	2,88	2,65	0,043	1	1	1
15	Magnet	0	i	0,54	1,11	10,2	0,061	1	1	1
16	Magnolija	0	0,27	2,35	3,55	1,02	0,064	1	1	1
17	M.Video (2007)	0	1,31	0,73	1,9	2,58	0,013	1	1	1
18	M.Video (2013)	0	0,95	0	0	0	0,039	1	1	1
19	JSC "NTS"	0	1,18	3,09	5,44	1,05	0,21	1	0	1
20	Cipele iz Rusije	0	0,87	2,34	1,87	5,65	0,1	1	1	1
21	Raskrižje (2005.)	0	0,54	1,09	3,16	3,92	0,026	1	1	1
22	Pivdom	0	1,99	3	8	1,1	0,0006	1	0	1
23	Obitelj	0	10	0,28	1,66	6	0,58	1	1	1
24	Svjaznoj	0	1,07	0	0	0	0,001	1	1	1
25	Elekam	0	1,44	1,82	4,25	1,3	0,01	1	1	1
26	Makro	1	1	15	11	1,52	0,01	1	0	1
27	Prestige Express	1	8	0,98	12,43	1,02	0,002	1	0	1
28	Arbat Prestige	1	0,49	1,81	7,6	1,45	0,017	1	1	0
29	Orhideja	1	3	1,164	13	0	0,01	1	0	1
30	Mama banana	1	0,94	181957	-35	-0,6	-0,033	0	1	0
31	bijela fregata	1	7	932	8,76	0,88	-0,4	0	1	1
32	Marta	1	3,96	20	11	1/17	0,003	1	1	1
33	Matrica	1	2,38	21	6,82	1	0,001	1	0	0
34	Merkur (samohvala)	1	1,12	9,98	7,32	1,27	0,003	1	1	1
35	Minnesco	1	0,79	4,39	12	0,12	-0,047	0	1	1
36	Mosmart	1	12	5	8	1,5	0	0	0	0
37	Polisja	1	7,93	15	14	1,03	0,003	1	0	1
38	Odredba	1	0,12	35557	0	0	-0,819	0	0	1
39	sedmi kontinent	1	1,93	0,41	1,52	1,35	0,07	1	0	1
40	Tehnosila	1	14	18	10,36	1	0,002	1	1	1
41	TOAP	1	7	22	10,83	1,04	0,009	0	0	1

Napomena: ako je poduzeće imalo default tada koeficijent ima vrijednost 1, odnosno 0 ako nije bilo defaulta.

DODATAK 2

Regresija na osam faktora za 41 tvrtku

Regresija i rezidual	DF / Broj stupnjeva slobode	SS / Zbroj kvadrata	MS=SS/DF	F-statistika	Značaj F / Značaj
Regresija / Regresija	8	6,250849408	0,781356176	7,133131961	2.17209E-05
Ostatak	32	3,505248153	0,109539005	-	-
Ukupno / Ukupno	40	9,756097561	-	-	-

Korišteni parametri			tStat/ t-statistika	P-vrijednost / Značaj
Intercept / Konstanta	0,354797355	0,281481615	1,260463691	0,216616062
Koeficijent tekuće likvidnosti	0,034652978	0,01876389	1,846790732	0,074043212
Poluga / Financijska poluga	1.31819E-05	4.77939E-06	2,758072506	0,009529947
D / EBITDA / Omjer kamatonosnog duga i EBITDA	0,044980795	0,018152923	2,477881708	0,018682248
	-0,012377044	0,030936193	-0,40008296	0,691753745
ROS / Povrat od prodaje	-0,530759612	0,375019201	-1,415286499	0,166643428
NI > 0 / Prisutnost neto dobiti	-0,02891433	0,164713359	-0,175543319	0,861758855
Voditelj/Upravljanje kvalitetom	-0,266367tl2	0,134861932	-1,975109717	0,056935374
Povjesničar/ Kvaliteta kreditne povijesti	-0,109402928	0,159841844	-0,684444857	0,498621797

DODATAK 3

Regresija na sedam faktora za 35 poduzeća

Regresija i rezidual	DFI Broj stupnjeva slobode	SS / Zbroj kvadrata	MS=SS/DF	F-statistika	Značaj F / Značaj F
Regresija / Regresija	7	5,898901667	0,842700238	9,097165886	9.56E-06
Ostatak	27	2,501098333	0,092633272	-	-
Ukupno / Ukupno	34	8,4	-	-	-

Korišteni parametri	Koeficijenti / Koeficijenti	Standardna pogreška / Standardna pogreška	t Stat/ t-statistika	P-vrijednost / značaj
Intercept / Konstanta	0,473712463	0,25308461	1,871755309	0,072111654
Koeficijent tekuće likvidnosti	0,018420061	0,017803477	1,034632774	0,047018946
Poluga / Financijska poluga	0,017110959	0,009674238	1,768713818	0,022823937
D / EBITDA / Omjer kamatonosnog duga i EBITDA	0,046019604	0,021802198	2,110778177	0,014194286
Omjer EBIT / kamata / EBIT i kamata	-0,004583381	0,032996403	-0,13890548	0,89055573
ROS / Povrat od prodaje	-0,582081686	0,483677061	-1,203451088	0,039247801
Voditelj/Upravljanje kvalitetom	-0,174077167	0,138900851	-1,253247659	0,03786026
Povijest / Kvaliteta kreditne povijesti	-0,378981463	0,194742843	-1,946061058	0,020243892

DODATAK 4

Ocjenjivanje poduzeća iz uzorka scoring modelom

Društvo	Na	Koeficijent tekuće likvidnosti	Poluga / Financijska poluga	D / EBITDA / Omjer kamatonosnog duga i EBITDA	Omjer EBIT / kamata / EBIT i kamata	ROS / Povrat od prodaje	Voditelj/Upravljanje kvalitetom	Povijest / Pozitivna kreditna povijest	Život tvrtke	Iznos	Klasa	Istina ili ne*
Farmacija 36.6	0	4	6	4	4	6	5	9	3	41	2	1
L "Etoile	0	5	0	0	4	0	5	9	3	26	3	0
Kora	0	4	8	0	4	0	5	9	3	33	2	1
Vrpca	0	1	0	0	4	6	5	9	3	28	3	0
u redu	0	1	8	4	4	6	5	9	3	40	2	1
Autosvijet	0	5	8	0	3	6	5	9	3	39	2	1
H5 maloprodajna grupa	0	1	8	0	4	5	5	9	3	35	2	1
Dječji svijet	0	4	8	4	4	6	5	9	3	43	2	1
Dixie	0	4	6	0	4	0	5	9	3	31	2	1
Karusel	0	1	8	0	4	6	5	9	3	36	2	1
peni	0	1	0	0	4	0	5	9	3	22	3	0
Grupa Kosmos	0	5	6	0	4	6	5	9	3	38	2	1
Magnet	0	5	8	8	4	6	5	9	3	48	1	1
Magnolija	0	0	2	0	2	6	5	9	3	27	3	0
M.Video (2007)	0	5	8	4	4	0	5	9	3	38	2	1
JSC "NTS"	0	5	0	0	2	6	0	9	3	25	3	0
Cipele iz Rusije	0	4	2	4	4	6	5	9	3	37	2	1
Raskrižje (2005.)	0	1	6	0	4	5	5	9	3	33	2	1
Pivdom	0	5	0	0	2	0	0	9	3	19	3	0
Obitelj	0	5	8	4	4	6	5	9	3	44	1	1
Elekam	0	5	4	0	2	0	5	9	3	28	3	0
Makro	1	4	0	0	4	0	0	9	3	20	3	1
Prestige Express	1	5	8	0	2	0	0	9	3	27	3	1
Arbat Prestige	1	0	4	0	3	0	5	0	3	15	3	1
Orhideja	1	5	6	0	0	0	0	9	3	23	3	1
bijela fregata	1	5	0	0	0	0	5	9	3	22	3	1
Marta	1	5	0	0	2	0	5	9	3	24	3	1
Matrica	1	5	0	0	0	0	0	0	3	8	3	1
Merkur (samohvala)	1	5	0	0	2	0	5	9	3	24	3	1
Minnesco	1	4	0	0	0	0	5	9	3	21	3	1
Mosmart	1	5	0	0	3	0	0	0	3	11	3	1
Polisja	1	5	0	0	2	0	0	9	3	19	3	1
sedmi kontinent	1	5	8	4	3	6	0	9	3	38	2	0
Tehnosila	1	5	0	0	0	0	5	9	3	22	3	1
TOAP	1	5	0	0	2	0	0	9	3	19	3	1

* Stupac prikazuje jesmo li dobili ispravnu odluku o kreditiranju društva po modelu bodovanja.