Kliento kreditingumo vertinimo samprata

1 apibrėžimas

Balų skaičiavimas – tai statistinis arba matematinis modelis, kuriame naudojami banko klientų kredito istorijų duomenys ir galiausiai galima apskaičiuoti tikimybę, kad kitas potencialus skolininkas laiku grąžins gautas lėšas.

Ši skolininko vertinimo metodika yra labai supaprastinta tam tikro charakteristikų rinkinio svertinė suma. Tai būtina suvestiniam rodikliui suformuoti. Šis rodiklis toliau lyginamas su vadinamąja lūžio linija.

Toks skolininko mokumo įvertinimas reikalingas kiekvieno potencialaus kliento integraliniam rodikliui nustatyti, o gautas rezultatas turi būti lyginamas su aukščiau nurodyta eilute (atitinkamai, tik tie skolininkai, kurių šis rodiklis viršija lūžio ribą, galės gauti gauti paskolą).

Paprastai šalies ekonomikoje bankai naudoja pritaikytus asmens kreditingumo vertinimo balais modelius, pritaikytus Rusijos sąlygoms.

Pirmiausia pateikiamas preliminarus galimybės gauti paskolą įvertinimas, remiantis skolininkų anketų-prašymų duomenimis. Remiantis užpildytų prašymo formų rezultatais, pasirašomi paskolų suteikimo galimybės įvertinimo protokolai.

1 pavyzdys

Jei balas mažesnis nei 30, protokoluose fiksuojamas atsisakymas suteikti paskolą, tačiau jei buvo surinkta daugiau nei 30 balų, tai kitame etape rizika vertinama atidžiau, atsižvelgiant į papildomas apklausas.

Kredito balų skaičiavimo privalumai ir trūkumai

Balų skaičiavimo metodai ir modeliai leidžia:

• sumažinti paskolos įsipareigojimų nevykdymo riziką;
• greitai ir nešališkai priimti sprendimus dėl paskolos išdavimo;
• leidžia efektyviai valdyti paskolų portfelį;
• nereikia daug laiko skirti kredito skyriaus darbuotojų mokymui;
• galima atlikti greitą paskolos paraiškos analizę dalyvaujant klientui.

Balų skaičiavimo metodikos apribojimai apima tai, kad ji gali būti taikoma tik informacijai apie tuos klientus, kuriems bankas jau yra išdavęs paskolą. Taip pat banko darbuotojai turi periodiškai tikrinti metodikos ir analizės kokybę bei parengti naują balų skaičiavimo metodiką.

Toliau tobulinant balų skaičiavimo metodiką, bus išplėstas ir keisis vertinamų paskolų savybių sąrašas.

Skolinant būsto paskolas piliečiams, naudojamasi paskolos gavėjo prisiėmimu, svarbiausia – laiku įvertintos paskolos įmokų įmokos. Įvertinamas paskolos gavėjo mėnesinių įsipareigojimų dydžio ir bendrų šeimos pajamų už tą patį laikotarpį santykis ir kt.

Skolininkų kreditingumo balų vertinimo procesas

Paprastai norint išanalizuoti potencialaus skolininko kreditingumą, prašoma:

• paskolos gavėjo tapatybę patvirtinančių dokumentų kopiją;
• kliento pajamų patvirtinimas: 2-NDFL formos pažyma, 3-NDFL formos mokesčių deklaracijos kopija;
• Be to, jie taip pat gali reikalauti nuosavybės dokumentų ir kitų dokumentų, galinčių patvirtinti kliento mokumą ir dalykinę reputaciją.

Banko specialistai individualaus skolininko mokumą analizuoja remdamiesi praėjusio šešių mėnesių vidutinių mėnesinių pajamų ir atskaitymų sumos duomenimis bei anketos duomenimis. Rezultatas skaičiuojamas kaip vidutinės mėnesio pajamos atėmus visas privalomas įmokas ir koreguojamas korekcijos koeficientu, kuris kinta priklausomai nuo pajamų dydžio (nuo 0,3 iki 0,6). Kuo didesnės pajamos, tuo didesnis koregavimas.

1 pastaba

Šiuo metu universaliausias kreditingumo vertinimo metodas yra kliento finansinės padėties vertinimo metodas.

Siekdami sumažinti ir kontroliuoti riziką, bankai turi kas ketvirtį įvertinti skolininko finansinę būklę.

Tobulinant asmenų kreditingumo vertinimą, nustatant išduodamų paskolų apimtį, siūloma naudoti balų sistemą.

Kredito balai skirti įvertinti potencialaus skolininko įsipareigojimų nevykdymo riziką, atsižvelgiant į įvairius kredito istorijos veiksnius. Kredito balų skaičiavimo formulių Vakarų bankai dažniausiai neatskleidžia, tačiau paprastai naudojami šie komponentai, kuriuos galima laikyti taikytina patirtimi:

1. 35% yra kredito istorija – kompromituojančios informacijos buvimas ar nebuvimas. Atsisakymo išduoti paskolą priežastimi gali būti bankrotas, įkeitimai, teismo sprendimai, susitarimai, konfiskavimas, turto areštas, pavėluoti mokėjimai.
2. 30 % finansinis svertas – šioje kategorijoje nagrinėjami keli specifiniai sverto aspektai, įskaitant overdrafto sąskaitų skaičių, esamus skolinius įsipareigojimus, pirkimus išsimokėtinai.
3. 15% dalis tenka kredito istorijos terminui – vidutiniam skolinimo laikotarpiui ir pradinės paskolos terminui.
4. 10% – tai naudojamų kredito rūšių įvertinimas (įmokų planas, overdraftai, vartojimo paskolos, būsto paskolos), parodo įvairių paskolų rūšių valdymo istoriją.
5. 10% balo dalis tenka paskolos prašymų skaičiui – paskolos gavėjo reitingas sumažėja, jei pastaruoju metu (14–45 dienų) buvo pateikta daug prašymų.

Balų vertinimo modeliai turėtų būti pagrįsti naujausiais duomenimis ir greitai perkonfigūruojami pasikeitus banko kredito politikai.

Kredito biuras atlieka svarbų vaidmenį balų skaičiavimo modelio darbe. Būtina ištirti potencialaus skolininko ir pareiškėjo sutuoktinio kredito istoriją. Visų rūšių paskolos gavėjo pajamos ir išlaidos turi būti įformintos dokumentais.

2 pavyzdys

Paskolos neturėtų būti išduodamos piliečiams, kurių įmokos pagal vykdomuosius dokumentus sudaro 50 ar daugiau procentų grynųjų pajamų. Taip pat fizinio asmens, kurio iš darbo užmokesčio atskaityta 50 procentų grynųjų pajamų, garantija neturėtų būti priimta kaip paskolų užstatas.

1 paveiksle pateikta užsienio bankų parengta informacija apie paskolos paskirtį, asmenines paskolos gavėjo savybes ir kredito istoriją.

1 pav. Kintamieji, naudojami balų modeliuose, vertinant skolininkų kreditingumą. Autorius24 – internetinis keitimasis studentų darbais

Vertinant potencialių skolininkų kredito riziką, atsižvelgiama į daugybę veiksnių: amžių, šeimyninę padėtį ir išsilavinimą, jo išlaikytinių skaičių, kliento gyvenamąją vietą, profesiją, darbo stažą, esamą darbo patirtį. Taip pat ši finansinė informacija: nuolatinės kliento pajamos ir įsipareigojimai; kredito istorija, kuri apima tokius faktus kaip kokybiškas paskolos grąžinimas; ankstesnis teigiamas bendradarbiavimas su banku, jei klientas jau yra banko klientas.

Komercinių bankų balų sistema yra potencialių skolininkų atrankos mechanizmas, ekspertiškai patikrinus veiksnius, turinčius įtakos mokumui ir už paskolą gautų lėšų negrąžinimo rizikai. Klientų patikimumo lygiui įvertinti naudojami mechanizmai pirmiausia priklauso nuo finansų įstaigos pasirinktos skolinimo schemos. Kai kuriuose komerciniuose bankuose kredito pareigūnai ir apsaugos pareigūnai gali kelti visiškai unikalius reikalavimus potencialiems klientams.

Atkreipiame jūsų dėmesį į 4 bankus, kuriuose galite gauti paskolą su bloga kredito istorija:

Palūkanų norma
nuo 9,5 proc.

Terminas
iki 5 metų

Suma
iki 700 tūkstančių rublių

Gauti paskolą kreipimosi į banką dieną

Palūkanų norma
nuo 7,5 proc.

Terminas
iki 5 metų

Suma
iki 1 milijono rublių

Greitas sprendimas; išpirkimas be komisinių

Palūkanų norma
nuo 10,5 proc.

Terminas
iki 7 metų

Suma
iki 4 milijonų rublių

Bankas sprendimą dėl prašymo priima per 3 minutes

Klasikinė bankų sistema, skirta įvertinti skolininkus

Tarpusavio vertinimas paprastai pradedamas išnagrinėjus skolininko paraiškoje pateiktą informaciją. Kalbant apie didelių paskolų suteikimą, finansų įstaigos atstovai gali reikalauti asmeninio susitikimo su klientu. Tokio pokalbio metu paskolos pareigūnas vizualiai įvertins paskolos gavėją, atkreipdamas dėmesį į galimus išorinius sunkios ligos požymius, emocinį nestabilumą ar neatitikimus kai kuriems pirminėje anketoje pateiktiems duomenims.

Klasikinė būsimų skolininkų vertinimo sistema veikia taip:

1. Klientas asmeniškai bendrauja su patyrusiu kredito vadybininku ar banko apsaugos pareigūnu.
2. Paskolos gavėjas užpildo prašymą, kuriame pateikia asmens duomenis.
3. Kredito vadybininkas pateikia Kredito istorijų biuras - įstaiga, kuri vykdo kredito istorijų formavimo, saugojimo ir apdorojimo veiklą "\u003e kredito istorijos biuras prašymą gauti duomenis apie ankstesnius paskolos prašančio asmens įsipareigojimus, būtinus tolesnei analizei.
4. Pokalbio metu kredito įstaigos atstovas užduoda keletą nesudėtingų klausimų, kurių atsakymų patikimumas priklausys nuo to, ar paskolos gavėjas atitinka komercinio banko kriterijus.
5. Išstudijavęs gautus konfidencialius duomenis, specialistas priima nuosprendį.

Tradiciniai skolininkų mokumo vertinimo metodai idealiai tinka dideliems komerciniams bankams, kurie turi galimybę atidaryti skyrius, kurie užsiima dokumentų ekspertize. Panašios taškų skaičiavimo schemos ir Garantavimas yra paskolos grąžinimo ar negrąžinimo tikimybės tyrimas. Šią procedūrą atlieka bankas, kuris priima sprendimą išduoti paskolą, ir nustato potencialaus skolininko mokumą ir kreditingumą. aktyviai naudojasi skolintojai, išduodantys ilgalaikes tikslines paskolas. Vidutiniškai išnagrinėti kliento prašymą užtrunka iki 36 valandų. Kalbant apie paskolas su užstatu, kurioms būtina papildomai įvertinti užstatą ir patikrinti laiduotojo mokumą, prašymo svarstymas gali užtrukti iki 7 dienų.

Kaip veikia balų sistema?

Siekiant pagreitinti skolinimo procedūrą, sukurtos modernios automatizuotos balų sistemos. Jas naudoja komerciniai bankai kredito kortelių išdavimo stadijoje ir įvairios nebankinės institucijos, skirtos greitųjų paskolų išdavimui. Balų skaičiavimo procedūra, t. y. mokumo tikrinimas, yra pagrįsta specializuotos, konkrečiai pramonės šakai skirtos programinės įrangos naudojimu, kurios algoritmai sukonfigūruoti taip, kad išnagrinėtų atskirus kriterijus ir patikrintų, ar skolininko pateikta informacija atitinka galiojančias sandorio sąlygas.

Balų skaičiavimo procesų automatizavimas leidžia:

• Paspartinkite iš potencialių klientų gautų anketų peržiūrą.
• Sumažinti kredito įstaigos personalą.
• Išverskite paskolos paraiškų pildymo, pateikimo ir apdorojimo tvarką į virtualią plokštumą.
• Sumažinkite paskolos atsisakymo riziką.
• Sumažinkite banko darbuotojų klaidų dėl žmogiškojo faktoriaus riziką.
• Sukurti standartizuotą ir vieningą būsimų skolininkų vertinimo sistemą.

Smulkias vartojimo paskolas ir plastikines korteles teikiančios įmonės kasdien apdoroja didžiulius prašymų srautus. Tokiomis sąlygomis beveik neįmanoma numatyti individualaus požiūrio į darbą su kiekvienu potencialiu klientu. Automatinės balų sistemos algoritmas pagrįstas daugelio paprastų parametrų naudojimu, kurie leidžia nuodugniai įvertinti skolininkus. Paramount paprastai yra informacija, susijusi su paso ir mokėjimo duomenimis.

Kaip būti garantuotai, kad išlaikysite balus banke?

Norint gauti paskolą patikrinus mokumą, paskolos gavėjui pakanka pateikti patikimą informaciją, ją pagrįsti būsimo sandorio sąlygose nurodytais dokumentais. Programinė įranga naudoja viešai prieinamus statistinius, analitinius ir matematinius metodus tam tikros paskolos grąžinimo tikimybei įvertinti, tačiau, siekdami pagreitinti sprendimų priėmimą dėl gautų srautinių paraiškų, kai kurie skolintojai atsisako tvarkyti pajamų ataskaitas ir banko ataskaitas. Papildomų duomenų buvimas padidina gautą koeficientą. Jei sandoriui sudaryti pakanka minimalaus balo, lydimųjų dokumentų nereikia.

Mokumo vertinimui įtakos turi:

Taigi potencialaus skolininko kredito istorija ir finansinis stabilumas turi įtakos reitingo skaičiavimui ir sprendimo dėl paskolos rezultatui balų sistemoje. Netiesiogiai kredito reitingo lygį gali keisti tokie veiksniai kaip kliento šeiminė padėtis ar amžius.

Kai kurios organizacijos atsižvelgia į aplinkybes, kurių klientas negali kontroliuoti. Balų skaičiavimo mašinos algoritmai gali būti koreguojami atsižvelgiant į ekonominę ir politinę situaciją regione, paskolos produkto tipą ir dydį, taip pat į neigiamų skolinimo tendencijų buvimą ar nebuvimą.

Banko balų skaičiavimo automatai negali būti apgauti, nes net ir atsitiktinė klaida pildant paraišką lemia atsisakymą skolinti. Norėdamas išlaikyti patikrinimą, klientas turės pateikti konfidencialius duomenis. Skolintojas garantuoja konfidencialios informacijos saugumą. Algoritmas skirtas apdoroti ne tik gautus atsakymus. Tokia sistema leidžia rinkti ir analizuoti naudingą statistiką, kuri suteikia unikalią galimybę numatyti potencialaus kliento mokėjimo elgesį.

Jus taip pat gali sudominti:

Anuitetas ir diferencijuotas mokėjimas – koks skirtumas?

Mokėjimo už paskolą klausimas visada yra principinis bet kuriam asmeniui, kuris planuoja imti paskolą grynaisiais pinigais arba jau ją paėmė. Išsamiai aptariame anuiteto ir diferencijuotų išmokų skirtumus. Žinodami šiuos skirtumus, galėsite pasirinkti sau geriausią paskolos variantą.

Kiekvienas kredito vartotojas turėtų žinoti, kas yra kredito balas. Šią koncepciją bankai pradėjo diegti šio šimtmečio pradžioje, o taip yra dėl to, kad labai išaugo paskolų augimas.

Scoring – tai specialiai sukurta kompiuterinė programa, padedanti greitai nustatyti kliento mokumą, analizuojant jo asmens duomenis.

Norėdami tai padaryti, formoje nustatyti skaitmeniniai duomenys įvedami į programą pagal įprasto testavimo principus. Tada balų skaičiavimo programa kruopščiai išanalizuoja įvestus duomenis ir rezultatą, kaip taisyklė, pateikia taškais: tam tikra skaitinė reikšmė atitinka bet kurį klausimą. Taigi išeina, kad suteikti klientui paskolą ar ne, sprendžia ne kredito vadybininkas, o kompiuteris.

Kredito balas naudojamas tais atvejais, kai paskolos gavėjui reikia ir. Išduodant kitą didelę paskolą, taip pat naudojamas balas, tačiau kartu su kitomis analizėmis (įkaito vertinimu ir pan.).

Už ką balas?

Dauguma bankų priima sprendimą dėl paskolos išdavimo tik pagal balų sistemą, pavyzdžiui:

• jei skolininkas surinko aukštą balą pagal balų sistemą, tada paskola jam išduodama be kitų patikrinimų;
• surenkant vidutinį balų skaičių, kliento prašymą paskolai gauti papildomai svarsto kredito komitetas;
• aiškiai pritrūkus taškų, bankas atsisako paskolos.

Kredito balo skaičiavimo rezultatai priklauso nuo banko programavimo sistemos. Pagal tai bankas iš nesąžiningų klientų atrenka patikimus ir geidžiamus skolininkus.

Testo klausimai

Kiekvienas bankas turi savo balų sistemą, tačiau iš esmės ji apima tuos pačius klausimus. Pavyzdžiui, dažniausiai naudojami testo klausimai:

• paskolos gavėjo amžius, lytis;
• pareiginis atlyginimas;
• reikalingos paskolos suma ir sąlygos;
• ar paskolos gavėjas yra vedęs (vedęs);
• ar šeimoje yra išlaikytinių;
• ar žmona (vyras) dirba;
• Ar turite teistumą ir kitų problemų?

Neabejotina, kad viena iš teigiamiausių ir reikšmingiausių kredito balų vertinimo bruožų turėtų būti laikoma paskolos gavėjo mokumo patikrinimo palengvinimu.

Balų skaičiavimo programos trūkumai

Tačiau yra ir trūkumų: programa gali praleisti nesąžiningą skolininką, o patikima, atvirkščiai, gali būti atmesta. Tikrinant kitais būdais, tokia situacija pasitaiko daug rečiau.

Taip pat galima teigti, kad kredito balų sistema tam tikra prasme padidina paskolos kainą, nes kredito įstaigai ji kelia tam tikrą riziką.

Tikslinė balų sistemos orientacija

Skolinimo veikloje veikianti scoring bankų sistema leidžia artimiausiu metu nustatyti ne tik besikreipiančio kliento finansinį stabilumą, bet ir apskaičiuoti kredito rizikos bei galimų materialinių nuostolių, susijusių su paskolos negrąžinimu, procentą. skolininkas. Balų skaičiavimo programą kiekviena finansų įstaiga parengia individualiai.

Kredito skoringo tikslas – maksimaliai sumažinti rizikos situacijas, kurių atsiradimas galimas skolinant nepatikimam ar negalinčiam grąžinti paskolos klientui. Dažnai, kai skolintojas sutinka skolinti nepatikimam skolininkui, jam prasideda tam tikros bėdos, susijusios su vėlavimu. Taškais tokia rizika kiek įmanoma pašalinama. Galima nustatyti paskolos gavėjo patikimumo laipsnį ir įvertinti jo finansinį stabilumą ir stabilumą tiek potencialaus skolininko, veikiančio kaip pilietis, tiek juridinio asmens atžvilgiu.

Per balų bazę galima patikrinti tiek potencialius skolininkus, tiek esamus. Tokios sistemos dėka galima kuo greičiau identifikuoti ir identifikuoti visas paskolų rizikas, kurios gali turėti įtakos kreditorių organizacijos paskolų portfeliui. Be to, prognozuojant finansinius rezervus aktyviai dalyvauja ir balų skaičiavimas, kuriuo įvertinama skolintojo paskolų portfelio rizika. Sistemos kūrimo procesas vyksta remiantis tokiais veiksniais kaip potencialaus skolininko finansinė būklė, kuri turėtų atspindėti visas jo pajamas, finansinius įsipareigojimus, išlaidas ir aktyvų likutį, taip pat kredito istoriją su visa informacija apie buvusias paskolas. ir jų grąžinimas.

Kredito gavėjo finansų vertinimo kriterijai

Kredito įstaigos, vertindamos besikreipiančių klientų finansinį stabilumą ir finansinę padėtį, paprastai vadovaujasi kokybiniais ir kiekybiniais kriterijais. Reikšmingiausi parametrai yra: darbas (pareigos), nekilnojamojo ir kito turto nuosavybė, pastovios ir stabilios pajamos, paskolos gavėjo (reputacija), šeiminė padėtis, įstaigose atidaryti indėliai ir įmokos, taip pat pareiškėjas.

Kalbant apie kiekybinius rodiklius, jie apima pajamų dydį, mokumo laipsnį, skolininko koeficientą, taip pat paskolos užstatą ir sutarties sąlygas. Užstatas gali būti suprantamas kaip draudimo įforminimas dalyko atžvilgiu, taip pat paskolos kapitalo dydžio ir užstato vertės santykis. Įvertinus klientą taikant balų schemą, kiekvienas potencialus tikrinamas skolininkas turi savo balų kortelę, kurioje yra daug privalomų punktų ir nuostatų. Rezultatų kortelėje kiekvienam joje esančiam elementui pateikiami tam tikri koeficientai, kurie yra įvertinami. Nustačius visus koeficientus, taškai tiesiog sumuojami.

Pagal konkretų skaičių, gautą sumuojant koeficientus, kiekvienam potencialiam skolininkui priskiriama tam tikra finansinio stabilumo ir materialinių galimybių klasė. Patikimiausi klientai yra tie pareiškėjai, kurie po vertinimo priskirti A arba B klasei. Vis dėlto pasitaiko atvejų, kai paskolos gavėjais tampa ir C klasės klientai. Piliečiai, kuriems priskirta D ir D klasė, pripažįstami visiškai nemokiais ir dauguma nepatikimas.

Jei radote klaidą, pažymėkite teksto dalį ir spustelėkite Ctrl + Enter.

Šiame straipsnyje portalas Creditoff (Credytoff) atsakys į klausimus: „balai, kas tai? ir kaip atliekamas asmens kreditingumo įvertinimas balais“.

Maksimalaus pelno gavimas bankams yra tiesiogiai susijęs su paskolos paraiškų kokybe. Išduotos paskolos grąžinimu bankas suinteresuotas ne mažiau nei paskolos gavėjas. Todėl bankininkai griežtai tikrina skolininkus ir analizuoja kredito riziką.

Asmens kreditingumo įvertinimas balais

Kredito rizika – tai galimas finansinis nuostolis dėl paskolos gavėjo įsipareigojimų pagal paskolos sutartį nevykdymo. Tai gali būti susiję su pavėluotais mokėjimais (įsiskolinimais) arba visišku atsisakymu mokėti paskolą.

Siekdami sumažinti kredito riziką, bankininkai taiko potencialių klientų balų įvertinimą.

Šiandien skolininko patikimumui įvertinti plačiai taikomas asmens kreditingumo vertinimas balais. Balų skaičiavimas leidžia suprasti, remiantis esamų ar buvusių klientų kredito istorijomis, kokia didelė tikimybė, kad potencialus skolininkas grąžins pinigus sutartyje numatytą dieną.

Taškai, kas tai?

Taškai, kas tai? (Angliškai scoring - "scoring")

Tai tam tikrų potencialaus skolininko savybių sistema. Automatizuotas balų skaičiavimas suteikia realų objektyvų finansinės rizikos įvertinimą, priešingai nei kredito inspektoriai tiesiogiai atliktų patikrinimą (žmogiškasis veiksnys).

Patikrinimo metu gaunamas tam tikras rodiklis (balas), kuris parodo su konkrečiu klientu susijusios rizikos laipsnį. Šis rodiklis lyginamas su tam tikra slenksčio verte, kuri iš esmės yra lūžio linija (sveiki, pažengę skaitytojai?). Jei rodiklis viršija ribą, priimamas sprendimas dėl galimo paraiškos patvirtinimo. Jei žemiau slenksčio, deja, klientas bus atmestas.

Į kokius duomenis atsižvelgiama skaičiuojant balus

Asmens kreditingumo vertinimas balais yra gana sudėtingas. Kliento patvirtinimas ar atmetimas priklauso nuo daugelio rodiklių.

1. Potencialaus skolininko paso duomenys, kur jis registruotas ir kur faktiškai gyvena, kontaktiniai telefono numeriai. Remiantis šia informacija, atliekamas pirminis banko kliento identifikavimas. Šiame etape ištiriami klientai, kurių pasai pasibaigęs, neteisingai ar melagingai pateikti duomenys, netikri dokumentai. Bet kokia pateiktų duomenų klaida gresia momentiniu atsisakymu.
2. Antrajame etape vertinamas amžius, lytis, šeiminė padėtis, darbo stažas, išlaikytinių skaičius (nepilnamečiai vaikai yra neigiamas balų faktorius), darbo stažas paskutinėje darbo vietoje.
3. Tada programa įvertina kliento mokumą. Vertinant finansinę būklę, pagrindinį vaidmenį atlieka kas mėnesį patvirtinamos pajamos. Tie. 2-NDFL pažymoje nurodytas „baltas“ darbo užmokestis. Jei pajamos patvirtinamos banko išrašu, galutinis balas sumažinamas. Paskola gali būti patvirtinta, tačiau suma bus mažesnė.
4. Atlikus ankstesnius veiksmus, programa tęsia tikrinimą. Paprastai vienu metu nagrinėjami kelių BCI (kredito biurų) duomenys. Tikrinami ne tik vėlavimai, bet ir finansinė našta, jei tokia yra. Be to, BKI fiksuoja visus prašymus bankui. Jei yra daug atsisakymų, tai neigiamai veikia patvirtinimo galimybę. Taigi vieną kartą gavę atsisakymą, patariame pasitikrinti savo kredito istoriją. Yra tikimybė, kad BCI duomenys gali būti klaidingi.

Banko individualaus darbo užmokesčio apskaitos kliento kreditingumo balais įvertinimas

Atlyginimų kortelių turėtojams pateikiamas atskiras čekis. Vertinamos kortelės operacijos. Taškais tikrinamos gavimo ir išėmimo sąlygos, taip pat vidutinis sąskaitos likutis. Atkreiptinas dėmesys, kad žemiausią balą gauna tie klientai, kurie, gavę atlyginimą, iš karto jį visą išsiima grynaisiais.

Kaip priimamas sprendimas

Asmens kreditingumo įvertinimas balais. Kaip priimamas sprendimas

Išanalizavus gautus duomenis, balais priimamas sprendimas. Potencialus skolininkas gauna spalvinį „ženklinimą“: balta, pilka, juoda.

• Balta spalva – skolininkas gali tikėtis paskolos
• Juoda spalva – atmetimas
• Pilka spalva reiškia, kad nepakanka duomenų sprendimui priimti, reikalingas papildomas draudėjo įvertinimas. Paskolų inspektorius išsamiau išnagrinės anketą ir pateiktus duomenis. Jis gali paprašyti papildomų dokumentų. Po papildomo patikrinimo draudikas pateiks nuomonę dėl patvirtinimo galimybės, taip pat dėl ​​maksimalios paskolos sumos ir termino.

"Įvertinimas, kas tai?" - pirmą kartą paskolos gavėjams

"Įvertinimas, kas tai?" - pirmą kartą paskolos gavėjams

Nepaisant visų balų skaičiavimo pranašumų, šiandien bankai redaguoja savo klientų patvirtinimo modelius. Daugelis bankų taiko vadinamąjį „pritaikytas asmens kreditingumo vertinimas balais“. Įvedami papildomi patikros parametrai, pavyzdžiui, įmonės, kurioje dirba potencialus skolininkas, veiklos laikotarpis, šios įmonės veiklos sritis, finansiniai rezultatai ir kt. Apskritai, papildant atsakymą į klausimą „Taškai, kas tai yra?“, reikia pažymėti, kad čekių vertinimas daugelyje didelių bankų yra labai panašus. Todėl prieš kreipdamiesi patikrinkite savo, tai sutaupysite laiko ir nervų.

Dubovitsky V.S.
didelio Rusijos banko analitikas
(Maskvos miestas)
Įmonių finansų valdymas
05 (65) 2014

Šiame straipsnyje aprašomas didelių prekybos įmonių kreditingumo vertinimo balų modelio kūrimo tyrimas, leidžiantis pagal atskirų rodiklių reikšmes spręsti apie skolininko mokumą ir įvertinti jo efektyvumą. Apimiausi blokai kuriant balų skaičiavimo modelį yra vertinimo rodiklių sistemos parinkimas ir šių rodiklių svorio koeficientų nustatymas, kurie bus išsamiai aptariami šiame straipsnyje.

ĮVADAS

Viena iš pagrindinių verslo sričių bankų sektoriuje yra skolinimas. Būtent paskolos yra banko turto pagrindas, suteikiantis bankui palūkanų pajamų. Pastaruoju metu mūsų šalyje sparčiai vystėsi bankinis sektorius, pirmiausia kreditiniai santykiai tarp bankų ir gyventojų, verslininkų ir stambių įmonių. Paskolos yra susijusios ne tik su palūkanų pajamomis, bet ir su kredito rizika, susijusia su skolininko nemokumu ir paskolos praradimu. Kredito rizikos vertinimas yra pagrindinė analizės sritis priimant sprendimą dėl skolinimo konkrečiam skolininkui, ir nuo to labai priklauso finansų įstaigos gerovė.

Šiais laikais bankai taiko įvairius analizės metodus, įvertindami galimų nuostolių lygį ir skolininko įsipareigojimų nevykdymo tikimybę. Remiantis šia analize, pagal Rusijos Federacijos centrinio banko reglamentą Nr. 254-p „Dėl formavimo tvarkos“ paskolos gavėjui suteikiamas kokybės įvertinimas – „gera“, „vidutinė“ arba „prasta“. kredito įstaigų rezervai galimiems paskolų, paskolų ir lygiaverčių skolų nuostoliams padengti“ 2004 m. kovo 26 d.

Centrinis bankas veikia kaip pagrindinis kreditų sistemos reguliatorius ir teikia rekomendacijas dėl skolininkų kreditingumo vertinimo. Pagal juos bankai kuria savo vertinimo modelius – jų įvairovė ir autorių išradingumas stebina. Tokie modeliai apima išsamų skolininko finansinės būklės įvertinimą kaip pagrindinį būsimo mokumo rodiklį. Tačiau visi modeliai yra orientuoti į skolininko kredito reitingą, kuris apibūdina finansinių nuostolių rizikos lygį. Pagal visuotinai priimtą klasifikaciją, geras kreditingumo lygis atitinka gerą įmonės finansinę būklę ir mažą galimų nuostolių riziką, vidutinis - vidutinę finansinę būklę ir vidutinę riziką, blogas - didelę tikimybę, kad įmonė neįvykdys įsipareigojimų. skolininkas. Geros būklės, greičiausiai, bus priimtas teigiamas sprendimas dėl paskolos išdavimo, vidurkis pareikalaus papildomų tyrimų, o blogas skolininkas bus atmestas.

Kredito rizikos vertinimas bankuose visada užėmė reikšmingą vietą. Taigi, remiantis Bailey ir Gately tyrimais, esami vertinimo metodai yra nuolat tobulinami, karts nuo karto atsiranda naujų metodų, tokių kaip vertinimas naudojant neuroninius tinklus, o tai lemia didelis kredito įstaigų poreikis optimizuoti ir pagerinti prognozavimo galimybes. įrankiai, skirti įvertinti potencialių skolininkų įsipareigojimų nevykdymo tikimybę.

Taigi, kreditingumo įvertinimas yra pagrindinė užduotis išduodant paskolą. Šio darbo tikslas – sukurti savo balų modelį, skirtą įvertinti juridinių asmenų kredito kokybę. Jis bus sukurtas stambiesiems mažmenininkams ir leis greitai apsispręsti dėl įvairių skolininkų finansavimo galimybių.

Pirmiausia bus atlikta trumpa lyginamoji esamų kreditingumo vertinimo metodų analizė. Jos pagrindu bus pateikiami argumentai už balų modelio kūrimą, tada bus tiesiogiai kuriamas balų skaičiavimo modelis, naudojant įvairius teorinius metodus. Viena iš pagrindinių užduočių kuriant yra subalansuotos rezultatų kortelės apibrėžimas atsižvelgiant į pasirinktą pramonės šaką ir šių rodiklių svertinių koeficientų nustatymas.

Toliau bus atliktas statistinis tyrimas pagal 41 prekybininko imtį (16 iš jų užfiksuotas įsipareigojimų nevykdymas), siekiant palyginti rezultatus pagal rodiklių svorius su iš pradžių gautais rezultatais. Remiantis palyginimo rezultatais, bus padaryta išvada dėl sudaryto balų modelio teisingumo. Šio straipsnio pabaigoje bus pateiktas sukurto modelio efektyvumo įvertinimas, nustatytas sukurto modelio nuspėjamumas ir padaryta išvada apie jo gyvybingumą.

SKIRTINGI KREDITO VERTINIMO METODAI

Visus esamus skolininkų kreditingumo vertinimo modelius galima pavaizduoti tokia klasifikacija (1 pav.).

Taigi, kreditingumo analizės metodų įvairovę galima susisteminti suskirstant visus metodus į tris didelius blokus:

• kiekybiniai modeliai;
• Nuspėjamieji modeliai;
• kokybiški modeliai.

Kiekybiniai modeliai naudoja aktualius rodiklius ir leidžia pagal juos priskirti tam tikrą reitingą skolininkui, prognoziniai modeliai yra paremti praeities statistika ir yra skirti modeliuoti tolesnę raidą bei skolininko įsipareigojimų nevykdymo tikimybę, o kokybiniuose modeliuose naudojama įvairiapusių kokybinių rodiklių sistema.

Norėdami nustatyti efektyviausią kreditingumo vertinimo būdą, lyginame aprašytus vertinimo metodus. Lentelėje. 1 parodytos anksčiau svarstytų paskolų vertinimo modelių lyginamosios charakteristikos.

1 lentelė. Kredito reitingų modelių suvestinė lentelė

Modelio vardas	Modelio privalumai	Modelio trūkumai
Koeficiento metodas	Leidžia kompleksiškai įvertinti skolininko finansinę būklę	Neatsižvelgiama į kokybės rodiklius, ankstesnių metų statistiką. Neautomatizuota sistema reikalauja nuolatinio atskirų rodiklių verčių aiškinimo
Įvertinimo modeliai	Leisti automatizuoti vertinimą koeficientų metodu, skaičiuojant integralinį rodiklį. Skiriasi patogumu ir paprastumu naudoti	Juose atsižvelgiama tik į finansinius rodiklius, nenaudojama ankstesnių metų statistika. Reikalauti restruktūrizavimo įvairių tipų įmonėms
Vertinimo modeliai	Jie leidžia gauti kreditingumo įvertinimą balų ekvivalentu ir priskirti skolininką vienai iš trijų grupių. Paprasta ir paprasta naudoti, padeda įvertinti nefinansinius kokybės rodiklius. Vertinant svorio koeficientus statistiniais metodais, jie leidžia atsižvelgti į duomenis apie jau išduotas paskolas, yra ekonomiškai pagrįsti	Ne universalus, reikalauja tam tikrų tipų įmonių restruktūrizavimo. Norint ištirti svorio koeficientus, reikia daug duomenų
Pinigų srautų modeliai	Leidžia įvertinti būsimus įmonės pinigų srautus ir palyginti juos su skolų krūviu	Juose neatsižvelgiama į rinkos sąlygas ir skolinančios įmonės kokybės rodiklius. Gali duoti nenuoseklių rezultatų
Diskriminacinės analizės modeliai	Remiantis ankstesnių metų statistika, galima nustatyti skolinančios įmonės įsipareigojimų nevykdymo tikimybę
Regresijos modeliai	Jie leidžia nustatyti skolinančios įmonės įsipareigojimų nevykdymo tikimybę remiantis ankstesnių metų statistika. Naudodami modelį teisingiems duomenims, galite gauti rezultatus su dideliu tikrumu	Grynai empiriniai, rezultatai labai priklauso nuo mokymo imties, o tiriant modelį pagal kitus duomenis, jie dažnai neatitinka tikrovės. Norint ištirti svorio koeficientus, reikia daug duomenų
Kokybinės analizės modeliai	Leidžia atlikti išsamią įmonės analizę	Matematinių metodų nebuvimas, todėl subjektyviai vertinami individualūs rodikliai ir su žmogiškuoju faktoriumi susijusios klaidos. Neatsižvelgti į ankstesnių metų statistiką. Nėra aiškių kokybės analizės blokų kreditingumo vertinimo taisyklių

Remiantis aukščiau pateikta lyginamąja analize, galime daryti išvadą, kad taškais modelis yra kiekybinės raidos viršuje Modelio pavadinimas Modelio privalumai Modelio trūkumai

Santykio metodas Leidžia kompleksiškai įvertinti paskolos gavėjo finansinę būklę Neatsižvelgiama į kokybės rodiklius, ankstesnių metų statistiką. Neautomatizuota sistema reikalauja nuolatinio atskirų rodiklių verčių aiškinimo

Vertinimo modeliai Leidžia automatizuoti vertinimą koeficiento metodu, skaičiuojant integralinį rodiklį. Jie išsiskiria patogumu ir paprastumu.Juose atsižvelgiama tik į finansinius rodiklius, nenaudojama ankstesnių metų statistika. Reikalauti restruktūrizavimo įvairių tipų įmonėms

Balų skaičiavimo modeliai Leidžia gauti kreditingumo įvertinimą taško ekvivalentu ir priskirti skolininką vienai iš trijų grupių. Paprasta ir paprasta naudoti, padeda įvertinti nefinansinius kokybės rodiklius. Vertinant svorio koeficientus statistiniais metodais, jie leidžia atsižvelgti į duomenis apie jau išduotas paskolas, yra ekonomiškai pagrįsti Ne universalūs, reikalauja restruktūrizavimo tam tikroms įmonėms. Norint ištirti svorio koeficientus, reikia daug duomenų

Pinigų srautų modeliai Leidžia įvertinti būsimus įmonės pinigų srautus ir palyginti juos su skolų krūviu Neatsižvelgiama į rinkos sąlygas ir skolinančios įmonės kokybės rodiklius. Gali duoti nenuoseklių rezultatų

Diskriminacinės analizės modeliai Leidžia nustatyti paskolos gavėjos įmonės įsipareigojimų nevykdymo tikimybę remiantis praėjusių metų statistika.Grynai empiriniai rezultatai labai priklauso nuo mokomosios imties ir tiriant modelį pagal kitus duomenis, dažnai neatitinka realybe. Norint ištirti svorio koeficientus, reikia daug duomenų

Regresinės analizės modeliai Leidžia nustatyti skolinančios įmonės įsipareigojimų nevykdymo tikimybę remiantis ankstesnių metų statistika. Naudodami modelį teisingais duomenimis, galite gauti labai patikimus rezultatus, kurie yra grynai empiriniai, rezultatai labai priklauso nuo mokymo rinkinio, o tiriant modelį pagal kitus duomenis, jie dažnai neatitinka realybe. Norint ištirti svorio koeficientus, reikia daug duomenų

Kokybinės analizės modeliai Leidžia atlikti išsamią įmonės analizę Matematinių metodų nebuvimas, leidžiantis subjektyviai įvertinti atskirus rodiklius ir klaidas, susijusias su žmogiškuoju faktoriumi. Neatsižvelgti į ankstesnių metų statistiką. Kokybiniams analizės blokams su skirtingu balų skaičiumi nėra aiškių kreditingumo vertinimo taisyklių. Koeficientų vertės bus toliau suskirstytos į diapazonus. Kiekvienam diapazonui (2 lentelės stulpelis Koeficientų diapazonas) bus nustatytas 2 lentelės svertinio koeficiento procentas (25%, 50%, 75% arba 100%). 2. Svorio koeficientas šiuo atveju yra maksimalus balas. Toliau daugiausia dėmesio skirsime svorio koeficientų paieškai. Taigi koeficientų suskirstymas į diapazonus yra sąlyginis (remiantis loginiais samprotavimais, pagrįstais šių rodiklių reikšmėmis įvairioms pramonės įmonėms; intervalai paimami taip, kad apie 60% pirmaujančių įmonių šioje srityje pramonė (Magnit, Dixy) patenka į antrąjį intervalą po maksimalaus , X5 Retail Group, OK, L'Etoile), pasirinkta siekiant nustatyti vidutinius rinkos koeficientus ir etalonus). Kuo didesnė skolos apkrova, tuo didesnė įsipareigojimų nevykdymo tikimybė ir mažesnis balų skaičius, kurį rodiklis turėtų gauti.koeficientus ir bus pavaizduotas dviem požiūriais – analitiniu (T. Saaty metodas) ir statistiniu (regresijos tyrimas) (maksimalus balų skaičius šiuo atveju sutampa su svorio koeficientu.) Svoris. patys koeficientai bus nustatyti vėliau.

Balų vertinimo modelio finansiniai rodikliai pateikti lentelėje. 2.

2 lentelė. Taškinio modelio finansiniai rodikliai

Rodiklių grupė	Indeksas	Koeficientų diapazonas
Likvidumas		> 0,75	1
		0,5-0,75	0,75
		0,25-0,5	0,25
		0-0,25	0
Mokumas		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
	Palūkanų padengimo koeficientas, EBIT/palūkanos	> 1,5	1
		1,3-1,5	0,75
		1-13	0,5
		< 1	0
Verslo veikla	Pardavimo grąža, ROS	> 0,025	1
		0,02-0,025	0,75
		0,015-0,02	0,5
		< 0,015	0
	Bendrovės nuostolis per pastaruosius tris ataskaitinius laikotarpius	Ne	1
		Vienam ataskaitiniam laikotarpiui	0,5
			0

Leistinos santykio reikšmės buvo nustatytos remiantis penkių pirmaujančių Rusijos prekybos įmonių vidutinėmis vertėmis pagal TFAS trejus metus: Magnit, X5 Retail Group, Dixy, OK, M.Video. Apžvelgėme svarbiausius finansinius rodiklius, leidžiančius nustatyti skolininko finansinę būklę. Tačiau įmonės kreditingumui didelės įtakos turi ir veiksniai, provokuojantys rizikos atsiradimą paskolos gavėjo verslo procesuose. Visų pirma, būtina atsižvelgti į valdymo kokybę. Tai labai sunkus rodiklis kiekybinei analizei, nes. problematiška objektyviai įvertinti įmonės valdymo lygį.

Bandysime pereiti nuo kokybinio prie kiekybinio vertinimo ir nustatyti maksimalų šio rodiklio įvertinimą tokiomis sąlygomis:

• yra aiški įmonės plėtros strategija ateinantiems metams;
• aukščiausios vadovybės sudėtis nepasikeitė (generalinis direktorius ir vyriausiasis buhalteris eina pareigas daugiau nei dvejus metus), nes stiprios valdymo komandos buvimą, be kita ko, liudija jos pastovumas;
• profesinės kompetencijos atitinka aukštus reikalavimus (generalinis direktorius ir vyriausiasis buhalteris turi specializuotą aukštąjį išsilavinimą, daugiau nei penkerių metų darbo patirtį).

Kitas svarbus veiksnys, kurį reikia įtraukti į balų skaičiavimo modelį, yra įmonės gyvenimas. Be to, būtina įvesti sustojimo faktorių: jei verslas veikia trumpiau nei vienerius metus, šis modelis nebus taikomas dėl ataskaitų teikimo ir gebėjimo suprasti įmonės veiklą stokos.

Kitas būtinas rodiklis – teigiama kredito istorija. Tai vienas svarbiausių nefinansinių rodiklių, iš tikrųjų apibūdinantis būsimo paskolos aptarnavimo kokybę. Būtų neprotinga tikėtis, kad įmonė, kuri vėluoja kitiems kreditoriams, laiku grąžins kredito lėšas. Nagrinėjamus nefinansinius rodiklius ir balų paskirstymą už juos pateiksime lentelėje. 3.

3 lentelė. Taškinio modelio nefinansiniai rodikliai

Grupė	Indikatoriaus indikatoriai		Didžiausio diapazono balo procentas
Verslo procesas	Valdymo kokybė		1
			0,5
			0
		> 5 metai	1
		3-5 metai	0,75
		1-3 metai	0,25
		< 1 года	Stop faktorius
			1
			0,5
			0
		Sistemingas paskutinių finansinių metų paskolų ir paskolų vėlavimas; didelė pradelstų skolų suma (> 25%)	Stop faktorius

Sudarėme vertinimo rodiklių sistemą, kuri, mūsų nuomone, turėtų visapusiškai ir visapusiškai įvertinti paskolos gavėjo kokybę ir jo galimybes vykdyti įsipareigojimus. Sekanti darbo dalis, kuriant bet kokį balų modelį, yra daugiausiai laiko atimanti – įvairių įvertinamų rodiklių svorio nustatymas. Mūsų modelio nuspėjamoji vertė priklauso nuo to, kaip objektyviai vertiname tam tikrų veiksnių svarbą. Šiame straipsnyje bus analizuojami svoriai, remiantis keliais būdais, kaip pašalinti galimas klaidas.

Svorio koeficientai pirmiausia bus nustatyti naudojant analitines procedūras, o tada lyginami su regresinės analizės rezultatais.

MODELIO SVĖRIMO KOEFICIENTO ANALITINIS ĮVERTINIMAS

Kaip vertinimo priemonę naudosime TL knygoje išsamiai aprašytą metodiką. Saaty „Matematiniai konfliktinių situacijų modeliai“ [b]. Šis metodas leidžia atsiriboti nuo įvairių veiksnių ir palyginti tik dviejų iš jų reikšmingumą tam tikru momentu, galiausiai nustatant kiekvieno veiksnio įtakos bet kuriam bendram rodikliui reikšmingumą. Metodas pagrįstas suporuotų palyginimų matricų, sukurtų veiksniams, turintiems įtakos bet kuriam bendram rodikliui, sudarymu. Tokios matricos gali būti sudarytos, pavyzdžiui, mokumo rodikliui, atsižvelgiant į veiksnius, kuriuos atspindi finansinio sverto, skolos naštos ir palūkanų padengimo koeficientai. Užduotis yra sudaryti tokias matricas visoms veiksnių grupėms, kurios turi įtakos bet kokiems bendriesiems rodikliams. Dėl to bus sukurtos dvi lentelės matricos. 2 - rodiklių grupėms „Mokumas“ ir „Verslo veikla“, viena lentelės matrica. 3 - verslo procesų rodikliams, taip pat dvi agreguotų lygių matricos - viena finansinių rodiklių grupės matrica, susidedanti iš rodiklių grupių "Likvidumas", "Mokumas" ir "Verslo veikla", o kita - dviem agreguotiems blokams. - finansiniai ir nefinansiniai rodikliai apskritai.

Iš viso yra penkios porinės palyginimo matricos, kurių kiekviena pateiks savo koeficientą į jį įtrauktam rodikliui. Taigi, norint gauti hierarchijos apačioje esančios priemonės svertinį koeficientą, pavyzdžiui, palūkanų padengimo koeficientą, reikia padauginti finansinių rodiklių svertinį koeficientą iš mokumo rodiklių svertinio koeficiento finansiniuose rodikliuose ir palūkanų padengimo rodiklio koeficientu finansinių rodiklių ribose.

Pačių rodiklių grupių matricų antraštėse veiksnių pavadinimai pateikiami vertikaliose ir horizontaliose stulpeliuose. Tada matricos užpildomos reikšmėmis, atspindinčiomis subjektyvių vieno veiksnio pirmenybių transformaciją į kitą į empirinę formą pagal lentelėje pateiktą metodiką. 4 (naudojant duomenis iš 2 pav.).

4 lentelė. T. Saaty metodas. Pirmenybių klasifikacija (pagal 2 pav.)

Dažniausiai naudojami nelyginiai skaičiai, tačiau jei sunku pasirinkti, galite naudoti lyginius kaip vidutinį lygį tarp dviejų nelyginių. Tokios keturių faktorių matricos pavyzdys parodytas Fig. 2. Atitinkamai, kai lyginame tą patį veiksnį, elementas įgauna reikšmę 1, taigi tokios matricos yra tapatybės. Nesunku pastebėti, kad jie taip pat yra atvirkščiai simetriški, o tai leidžia užpildyti tokią matricą tik toms reikšmėms, kurios yra aukščiau arba žemiau pagrindinės įstrižainės.

Atsižvelgiant į tai, kad porinių palyginimų matricos yra atvirkščiai simetriškos, reikėtų lyginti tik viena kryptimi ir atitinkamas reikšmes įvesti į matricą virš pagrindinės įstrižainės, o reikšmės po pagrindine įstrižainės bus apverstos.

Gavus penkias tokias matricas, apskaičiuojami svorio koeficientai: bus išmatuotas kiekvienos matricų reikšmės svoris, palyginti su visa stulpelio suma, o tada iš šių verčių bus paimtas šių verčių aritmetinis vidurkis. kiekvienoje eilutėje. Aritmetinės vidutinės vertės bus svorio koeficientai. Mokumo rodiklių grupės matricos pavyzdys parodytas fig. 3.

Atlikę aprašytus skaičiavimus, gauname kiekvieno rodiklio savitąjį svorį. Tolimesnių skaičiavimų patogumui maksimalų galimą balą apibrėžiame kaip rodiklio savitojo svorio sandaugą su 50 1, po to apvaliname iki sveikojo skaičiaus (5.6 lentelė).

1 Ši operacija atliekama tik dėl patogumo, skaičius 50 leidžia minimaliam koeficientui pereiti iki sveikojo skaičiaus reikšmės (šiuo atveju vertės 2). Kadangi visi koeficientai dauginami iš to paties skaičiaus, analitinės metodo rezultatų neiškreipiame. - Maždaug red.

RODIKLIŲ REIKŠMĖS NUSTATYMAS NAUDOJANT REGRESINĖS ANALIZĖS

Statistiniam tyrimui atlikti panaudojome 41 didelės mažmeninės prekybos įmonės duomenis. Šios bendrovės išleido įmonių obligacijas, o 16 obligacijų neįvykdė įsipareigojimų. Kiekvienai įmonei pagal įmonių obligacijų išleidimo metų metines ataskaitas buvo apskaičiuoti aštuoni atrinkti balų modelio rodikliai. Pavyzdys pateiktas 1 priede. Jame yra aiškinamasis rodiklis y – įsipareigojimų nevykdymo tikimybė, kurio reikšmė yra 1, jei įmonė neįvykdė savo įsipareigojimų. Pasirinkti trys dešinėje esantys rodikliai buvo nustatyti kaip netikri kintamieji (jie gali turėti tik 0 arba 1 reikšmes) dėl savo kokybinio pobūdžio. Jie ima reikšmes 1, jei per pastaruosius trejus metus įmonės grynasis pelnas > O (Nl > 0), stabili ir kokybiška valdymo komanda (vadovas) ir teigiama kredito istorija (istorija). Finansiniai rodikliai (pirmieji penki rodikliai) buvo apskaičiuoti remiantis metinėmis finansinėmis ataskaitomis pagal TFAS standartus neįvykdytų obligacijų išleidimo metais.

Kaip tyrimo modelį pasirenkame tiesinės daugiamatės regresijos konstrukciją:

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

čia p yra priklausomas kintamasis, apibūdinantis įsipareigojimų neįvykdymo tikimybę;
w - svorio koeficientai; x - indikatoriai.

Taigi, įveskime pradinius duomenis į Excel ir naudokite funkciją Duomenų analizė – Regresija. Analizuojant aštuonių balų modelio rodiklių pradinius duomenis be koregavimų, gauname 2 priede pateiktą rezultatą. Koreguotas R^2 yra 0,55 - maža, bet priimtina reikšmė, rodanti konstruojamos regresijos praktinę reikšmę. Galima daryti prielaidą, kodėl duomenyse yra mažai reikšmingų nuokrypių, pavyzdžiui, kai kurių įmonių EBIT / palūkanų verčių nebuvimas dėl skolos trūkumo ( supaprastinta, tyrimo tikslais šiuo atveju buvo paimta koeficiento reikšmė lygi 0) arba neigiama Skolos / EBITDA rodiklio reikšmė dėl neigiamo pinigų srauto. Tokiu atveju neteisingai suvokiama neigiamo rodiklio įtaka, nes, remiantis tyrimo logika, kuo didesnė Skola / EBITDA, tuo didesnė įsipareigojimų nevykdymo tikimybė; neigiamas rodiklis savo ruožtu nėra mažos skolos naštos rodiklis. Taip pat nuspėjamumą veikia įmonės, turinčios ryškias ekstremalias atskirų rodiklių vertes. Taigi, bendrovės „Banana-Mama“ akcinis kapitalas yra 10 000 rublių, o tai lemia atitinkamų rodiklių iškraipymą - finansinis svertas yra 181 957 (su vidutinėmis pramonės vertėmis 0,7–1,5).

5 lentelė. Finansiniai rodikliai atsižvelgiant į svorį

Indeksas	Svoris rezultatų lentelėje	Maksimalus balas	Koeficientų diapazonas
			>1	5
Dabartinis likvidumo koeficientas	0,1072	5	> 1	5
			0,75-0,1	4
			0,5-0,75	1
			0-0,5	0
Dabartinis likvidumo koeficientas	0,1581	8	< 1	8
			1-1,5	6
			1,5-2	4
			2-2,5	2
			> 2,5	0
Skolos apkrovos koeficientas, grynoji skola / 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
Pardavimo grąža, 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
			Vienam ataskaitiniam laikotarpiui	1
			Už du ar daugiau ataskaitinių laikotarpių	0
Iš viso	0,6698	33	-	68

Iš tyrimo išskirkime šešias įmones: prekybos centrą „Gorod“, „Intertrade“, „M.Video“ (2013), „Svyaznoy“, „Banana-Mama“ ir „Proviant“. Taip pat pažymime, kad dėl didelės jų koreliacijos neįmanoma vienu metu naudoti ROS rodiklių ir nėra nuostolių (Nl > 0). Faktas yra tas, kad jei įmonė patiria nuostolių, pardavimų pelningumas automatiškai įgauna neigiamą vertę.

6 lentelė. Nefinansiniai rodikliai pagal svorį

Indeksas	Svoris rezultatų lentelėje	Maksimalus balas	Santykio diapazonas / įvertinimo metodika	Svorio diapazono taškų skaičius
Valdymo kokybė	0,099	5	Visų aprašytų sąlygų įvykdymas	5
			Vienos iš sąlygų neįvykdymas	2,5
			Daugiau nei vienos sąlygos neįvykdymas	0
Įmonės gyvenimas	0,0528	3	> 5 metai	3
			3-5 metai	2
			1-3 metai	1
			< 1 года	Stop faktorius
Teigiama kredito istorija	0,1782	9	Paskolų ir skolinimosi vėlavimų nebuvimas, pradelstos mokėtinos sumos	9
			Informacijos apie skolų restruktūrizavimą prieinamumas; nežymūs mokėtinų sumų vėlavimai (iki 10%)	4,5
			Paskolų ir kreditų vėlavimo su vėlesniu grąžinimu atvejis; reikšmingas mokėtinų sumų vėlavimas (10–25 % visos skolos)	0
			Sistemingas paskutinių finansinių metų paskolų ir paskolų vėlavimas; Didelė pradelstų mokėtinų sumų suma (>25%)	Stop faktorius
Iš viso		17

Remdamiesi šiais samprotavimais, iš savo modelio pašaliname rodiklį Nl > 0. Dėl naujos septynių faktorių regresijos atnaujintoje 35 įmonių imtyje gauname tokį rezultatą (3 priedas). Matome, kad šeši iš septynių tirtų rodiklių yra reikšmingi. Koeficientų ženklai teisingai atspindi anksčiau padarytas prielaidas: kuo didesnis pardavimų pelningumas ir valdymo kokybė, tuo mažesnė įsipareigojimų nevykdymo tikimybė (y = 1), ir atvirkščiai: kuo didesnė skolos apkrova, tuo didesnė tikimybė. pagal nutylėjimą. Iš pirmo žvilgsnio ženklas yra neteisingas tik dabartiniam likvidumo koeficientui. Tačiau didelės likvidumo vertės yra tokios pat blogos kaip ir mažos – jos rodo žemą verslo efektyvumą ir prarastą pelną. Įmonės, turinčios aukštus likvidumo rodiklius, yra linkusios į pelno trūkumą, mažą pelningumą ir verslo pelningumą, todėl jos tampa mažiau patrauklios potencialių investuotojų akyse, todėl yra labiau pažeidžiamos finansinių sąlygų pasikeitimams. Reikšmingiausi yra koeficientai D (arba Skola – palūkaningos skolos apimtis) / EBITDA, teigiama kredito istorija ir finansinis svertas; palūkanų padengimo koeficientas yra nereikšmingas.

Aukščiau, modeliuodami koeficientus T. Saaty metodu, darėme prielaidą, kad reikšmingiausi rodikliai bus skolos krūvio ir finansinio sverto koeficientai. Koeficientų galutinės reikšmės lyginamoji analizė pateikta lentelėje. 7.

7 lentelė. Koeficientų reikšmingumo lyginamoji analizė

Rodiklis pagrįstas ekspertų vertinimais pagal T. Saaty metodą	Koeficientas	Rodiklis, pagrįstas regresine analize	p-reikšmė
Teigiama kredito istorija	0,1782	Skolos apkrovos koeficientas, grynoji skola / EBITDA	0,014
Finansinio sverto koeficientas	0,1581	Teigiama kredito istorija	0,020
Skolos apkrovos koeficientas, grynoji skola / EBITDA	0,1581	Finansinio sverto koeficientas	0,022
Pardavimo grąža, ROS	0,1256	Valdymo kokybė	0,037
Dabartinis likvidumo koeficientas	0,1072	Pardavimo grąža, ROS	0,039
Valdymo kokybė	0,099	Dabartinis likvidumo koeficientas	0,047
Palūkanų padengimo koeficientas, EBIT / Palūkanos	0,0790	Palūkanų padengimo koeficientas, EBIT / Palūkanos	Nereikšmingas
Bendrovės nuostolis per pastaruosius tris ataskaitinius laikotarpius	0,0418	Bendrovės nuostolis per pastaruosius tris ataskaitinius laikotarpius	Buvo tiriamas kaip nefinansinis rodiklis, nereikšmingas

Šie rezultatai rodo T. Saaty metodo ir statistinių duomenų nuoseklumą. Trys reikšmingiausi rodikliai pagal analitinį požiūrį patvirtina savo didelę reikšmę praktiniame tyrime, pasikeitė tik pačių rodiklių eilės pasiskirstymas. Taip pat du mažiausiai reikšmingi pirmosios darbo dalies rodikliai – valdymo kokybė ir EBIT / Palūkanos – statistinio tyrimo metu pasirodė nereikšmingi.

Taigi, regresinė analizė patvirtina svorio koeficientų reikšmingumo klasifikavimo principus analitinėje darbo dalyje ir leidžia kalbėti apie sukonstruoto balų modelio statistinį reikšmingumą.

SUGURTO BALŲ MODELIO REZULTATŲ NUSTATYMAS

Bendras maksimalus balų modelio balas yra 50. Kiekvienam rodikliui, nustatydami reikšmių diapazonus, nustatėme kitą lygį po maksimalaus balo, kuris taip pat yra priimtinas, nors ir su gana aukštu rizikos lygiu, remiantis apie rodiklių rinkos vertes. Vieniems rodikliams lygis po maksimumo siekė 75% bendro balų skaičiaus, kitiems - 50%. Visi tolesni lygiai bus laikomi lygiais su didele kredito rizika, o atitinkami skolininkai bus klasifikuojami kaip blogi. Į labiausiai pageidaujamą grupę patenka skolininkai, atitinkantys maksimalius reikalavimus reikšmingiausiems (pagal svorio koeficientus) rodikliams: kredito istorijai, finansiniam svertui ir skolos apkrovai, taip pat 31 balo pardavimo grąžai ir įvykdymui ne mažiau. toks didžiausias kitų rodiklių reikalavimų lygis - iš viso 12,5. Iš viso 43,5 balo už žemesnį aukšto kreditingumo lygį.

Norėdami nustatyti ribinį intervalą, apibūdinantį aukštą kreditingumo laipsnį, finansinių ir nefinansinių rodiklių balų skaičių apskaičiuojame kitame po didžiausio verčių diapazono iš lentelės. 5 ir b. Rodikliai skirstomi pagal priimtas koeficientų vertes į kitus diapazonus. Gausime tokią klasifikaciją (8 lentelė).

8 lentelė. Rezultatų klasifikacija

9 lentelė. Taškinio modelio nuspėjamasis gebėjimas, %

Remiantis lentele. 8, įvertinsime savo modelio nuspėjamumą, pakeisdami įmonės duomenis į jo sąlygas. 4 priede pateikti apklaustoms įmonėms apskaičiuoti balai. Priklausomai nuo rodiklio reikšmės, pagal sukurtą modelį į lentelę buvo įrašytas jo balas, o po to visi balai sumuojami į vientisą rodiklį (stulpelis „Suma“). Remiantis bendrais balais, įmonės buvo suskirstytos į tris klases, tada duomenys buvo lyginami su faktiniu įmonės įsipareigojimų nevykdymo buvimu ar nebuvimu. Stulpelyje „Tiesa ar ne“ 1 reiškia teisingą balų modelio rezultatą, 0 – klaidą. Taigi gavome tokį rezultatą (9 lentelė).

Gavome vidutinį (palyginus su aprašytais įvairiuose šaltiniuose) balų modelių nuspėjamumo rezultatą. Tačiau verta paminėti mažą II tipo klaidų procentą, o tai padidina mūsų modelio nuspėjamąją vertę. Šis rezultatas gali būti laikomas teigiamu ir patvirtina tyrimo efektyvumą.

IŠVADA

Šiame darbe buvo pasiūlytas balų modelis, skirtas stambių mažmeninės prekybos įmonių kreditingumui įvertinti. Modelis pagrįstas veiklos rodiklių rinkiniu, leidžiančiu kompleksiškai įvertinti skolininko finansinę ir nefinansinę būklę.

Remiantis vertinimo rezultatais, paskolos gavėjui priskiriama viena iš trijų kreditingumo klasių, kurios apibūdina kredito rizikos laipsnį ir skolinimo pagrįstumą.

Sumodeliavome veiklos rodiklių sistemą, kuri leidžia tiksliausiai įvertinti skolininko iš mažmeninės prekybos sektoriaus būklę. Išanalizavę mažmeninės prekybos lyderius ir apskaičiavę jiems taikomus rodiklius, nustatėme jiems priimtinų reikšmių ribas ir suskirstėme į skirtingas grupes su skirtingais procentais nuo maksimalaus galimo balo.

Daugiausiai laiko atėmė užduotis – nustatyti tirtų rodiklių svorio koeficientus. Buvo padaryta išvada, kad reikia integruoto požiūrio, nes nėra vieno idealaus metodo. Integruotas požiūris buvo įgyvendintas taip: pirmoje darbo dalyje svorio koeficientai nustatyti taikant analitines procedūras, o antroje – taikant statistinį tyrimą.

Sukurtas modelis parodė aukštus nuspėjamumo rezultatus, o analizei nereikia didelių išteklių sąnaudų. Sukurtos balų sistemos paleidimas padidins sprendimų dėl kredito priėmimo efektyvumą didelių mažmeninės prekybos įmonių srityje ir optimizuos kreditavimo procesą.

Literatūra

1. Ayvazyan S.A., Mkhitaryan B.C. Taikomoji statistika ir ekonometrijos pagrindai. - M.: GU HSE, 1998 m.

2. Gavrilova A.H. Organizacijos finansai. - M.: Knorus, 2007 m.

3. Korobova G.G., Petrovas M.A. Banko skolininko mokumas ir jo vertinimas konkurencinėje aplinkoje // Bankinės paslaugos. -2005 m. -Nr.7/8. -C. 22-24.

4. Kulikovas N.I., Chainikova L.I. Įmonės – paskolos gavėjo kreditingumo įvertinimas. - Tambovas: TSTU universitetas, 2007 m.

5. 2004 m. kovo 26 d. Rusijos Federacijos centrinio banko reglamentas Nr. 254-P „Dėl kredito įstaigų rezervų galimiems nuostoliams už paskolas, paskolai ir lygiavertei skolai sudarymo tvarkos“ - http:// base.garant.ru/584458/.

6. Saati T.L. Konfliktinių situacijų matematiniai modeliai / Red. I.A. Ušakovas. - M.: Sovietų radijas, 1977 m.

7. Sheremet A.D., Saifulin R.C., Negashev H.B. Finansinės analizės metodai. - M.: Infra-M, 2001 m.

8. Abdou H.A., Pointon J. (2011). „Kredito vertinimas, statistiniai metodai ir vertinimo kriterijai: literatūros apžvalga“. Pažangios apskaitos, finansų ir valdymo sistemos, t. 18, Nr. 2-3, p. 59-88.

9. Bailey M. (2004). Vartojimo kredito kokybė: pasirašymas, įvertinimas, sukčiavimo prevencija ir surinkimas. White Box Publishing, Kingswood, Bristolis.

10. Crook J., Edelman D., Thomas L. (2007). „Paskutiniai vartojimo kredito rizikos vertinimo pokyčiai“. European Journal of Operational Research, Vol. 183, Nr. 3, p. 1447-1465 m.

11. Gately E. (1996). Neuroniniai tinklai finansų prognozavimui: geriausi naujausių prekybos sistemų projektavimo ir taikymo būdai. Niujorkas: John Wiley & Sons, Inc.

12. Guillen M., Artis M. (1992). Skaičiavimo duomenų modeliai kreditų vertinimo sistemai: Europos kiekybinės ekonomikos ir ekonometrijos konferencijų serija dėl trukmės, skaičiavimo ir perėjimo modelių ekonometrijos. Paryžius.

13. Heffernan S. (2004). moderni bankininkystė. John Wiley & Sons, Inc., Chichester, Vakarų Saseksas.

14. Liang Q. (2003). „Įmonių finansiniai sunkumai Kinijoje: empirinė analizė naudojant kredito vertinimo modelius“. Hitotsubashi Journal of Commerce and Management, Vol. 38, Nr. 1, p. 13-28.

1 PRIEDAS.

Tyrimo pavyzdys

№	Įmonė	y / numatytoji vėliavėlė	Dabartinis likvidumo koeficientas			EBIT / Palūkanos / EBIT ir palūkanų santykis		NI > 0/ Grynojo pelno buvimas
1	Vaistinė 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	Bark	0	0,795	0,77	3,13	1,89	0	0	1	1
4	Juostelė	0	0,75	9,7	2,91	3,1	0,049	1	1	1
5	Gerai	0	0,67	0,78	1,59	7,01	0,0357	1	1	1
6	Autoworld	0	1,2	0,65	3,09	1,35	0,04	1	1	1
7	Х5 mažmeninės prekybos grupė	0	0,55	0,53	3,32	2,82	0,027	1	1	1
8	Miestas	0	0,99	18,97	10,25	1,29	0,01	1	1	0
9	Vaiko pasaulis	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	Karuselė	0	0,73	0,68	3,175	1,71	0,059	1	1	1
13	cento	0	0,68	2,93	7,03	1,82	0	0	1	1
14	Kosmoso grupė	0	1,64	1,11	2,88	2,65	0,043	1	1	1
15	Magnetas	0	ir	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 m.)	0	0,95	0	0	0	0,039	1	1	1
19	UAB "NTS"	0	1,18	3,09	5,44	1,05	0,21	1	0	1
20	Rusijos batai	0	0,87	2,34	1,87	5,65	0,1	1	1	1
21	Crossroads (2005 m.)	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	Šeima	0	10	0,28	1,66	6	0,58	1	1	1
24	Svjaznojus	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	Orchidėja	1	3	1,164	13	0	0,01	1	0	1
30	Bananų mama	1	0,94	181957	-35	-0,6	-0,033	0	1	0
31	balta fregata	1	7	932	8,76	0,88	-0,4	0	1	1
32	Morta	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	Merkurijus (savęs pagyrimas)	1	1,12	9,98	7,32	1,27	0,003	1	1	1
35	Mineskas	1	0,79	4,39	12	0,12	-0,047	0	1	1
36	Mosmartas	1	12	5	8	1,5	0	0	0	0
37	Polissya	1	7,93	15	14	1,03	0,003	1	0	1
38	Nuostata	1	0,12	35557	0	0	-0,819	0	0	1
39	septintasis žemynas	1	1,93	0,41	1,52	1,35	0,07	1	0	1
40	Technosila	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

Pastaba: jei įmonė turėjo nutylėjimą, koeficientas įgyja 1 reikšmę, o 0, jei įsipareigojimų nebuvo.

2 PRIEDAS

41 įmonės aštuonių veiksnių regresija

Regresija ir liekana	DF / Laisvės laipsnių skaičius	SS / Kvadratų suma	MS=SS/DF	F-statistika	Reikšmė F / Reikšmė
Regresija / Regresija	8	6,250849408	0,781356176	7,133131961	2.17209Е-05
Likutis	32	3,505248153	0,109539005	-	-
Iš viso / Iš viso	40	9,756097561	-	-	-

Naudojami parametrai			tStat/ t-statistika	P-vaiue / Reikšmė
Pertraukimas / Pastovus	0,354797355	0,281481615	1,260463691	0,216616062
Dabartinis likvidumo koeficientas	0,034652978	0,01876389	1,846790732	0,074043212
Svertas / Finansinis svertas	1.31819Е-05	4.77939E-06	2,758072506	0,009529947
D / EBITDA / Palūkaninės skolos ir EBITDA santykis	0,044980795	0,018152923	2,477881708	0,018682248
	-0,012377044	0,030936193	-0,40008296	0,691753745
ROS / pardavimo grąža	-0,530759612	0,375019201	-1,415286499	0,166643428
NI > 0 / Grynojo pelno buvimas	-0,02891433	0,164713359	-0,175543319	0,861758855
Vadovas / Kokybės vadyba	-0,266367tl2	0,134861932	-1,975109717	0,056935374
Istorija/ Kredito istorijos kokybė	-0,109402928	0,159841844	-0,684444857	0,498621797

3 PRIEDAS

Septynių veiksnių regresija 35 įmonėms

Regresija ir liekana	DFI Laisvės laipsnių skaičius	SS / Kvadratų suma	MS=SS/DF	F-statistika	Reikšmė F / Reikšmė F
Regresija / Regresija	7	5,898901667	0,842700238	9,097165886	9.56Е-06
Likutis	27	2,501098333	0,092633272	-	-
Iš viso / Iš viso	34	8,4	-	-	-

Naudojami parametrai	Koeficientai / Koeficientai	Standartinė klaida / Standartinė klaida	t Stat/ t-statistika	P reikšmė / Reikšmė
Pertraukimas / Pastovus	0,473712463	0,25308461	1,871755309	0,072111654
Dabartinis likvidumo koeficientas	0,018420061	0,017803477	1,034632774	0,047018946
Svertas / Finansinis svertas	0,017110959	0,009674238	1,768713818	0,022823937
D / EBITDA / Palūkaninės skolos ir EBITDA santykis	0,046019604	0,021802198	2,110778177	0,014194286
EBIT / Palūkanos / EBIT ir palūkanų santykis	-0,004583381	0,032996403	-0,13890548	0,89055573
ROS / pardavimo grąža	-0,582081686	0,483677061	-1,203451088	0,039247801
Vadovas / Kokybės vadyba	-0,174077167	0,138900851	-1,253247659	0,03786026
Istorija / kredito istorijos kokybė	-0,378981463	0,194742843	-1,946061058	0,020243892

4 PRIEDAS

Įmonių iš imties vertinimas balų modeliu

Įmonė	At	Dabartinis likvidumo koeficientas	Svertas / Finansinis svertas	D / EBITDA / Palūkaninės skolos ir EBITDA santykis	EBIT / Palūkanos / EBIT ir palūkanų santykis	ROS / pardavimo grąža	Vadovas / Kokybės vadyba	Istorija / Teigiama kredito istorija	Įmonės gyvenimas	Suma	Klasė	Tiesa ar ne*
Vaistinė 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
Bark	0	4	8	0	4	0	5	9	3	33	2	1
Juostelė	0	1	0	0	4	6	5	9	3	28	3	0
Gerai	0	1	8	4	4	6	5	9	3	40	2	1
Autoworld	0	5	8	0	3	6	5	9	3	39	2	1
Х5 mažmeninės prekybos grupė	0	1	8	0	4	5	5	9	3	35	2	1
Vaiko pasaulis	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
Karuselė	0	1	8	0	4	6	5	9	3	36	2	1
cento	0	1	0	0	4	0	5	9	3	22	3	0
Kosmoso grupė	0	5	6	0	4	6	5	9	3	38	2	1
Magnetas	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
UAB "NTS"	0	5	0	0	2	6	0	9	3	25	3	0
Rusijos batai	0	4	2	4	4	6	5	9	3	37	2	1
Crossroads (2005 m.)	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
Šeima	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
Orchidėja	1	5	6	0	0	0	0	9	3	23	3	1
balta fregata	1	5	0	0	0	0	5	9	3	22	3	1
Morta	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
Merkurijus (savęs pagyrimas)	1	5	0	0	2	0	5	9	3	24	3	1
Mineskas	1	4	0	0	0	0	5	9	3	21	3	1
Mosmartas	1	5	0	0	3	0	0	0	3	11	3	1
Polissya	1	5	0	0	2	0	0	9	3	19	3	1
septintasis žemynas	1	5	8	4	3	6	0	9	3	38	2	0
Technosila	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

* Stulpelyje rodoma, ar gavome teisingą sprendimą dėl skolinimo įmonei pagal balų skaičiavimo modelį.