Müşteri kredibilitesini puanlama kavramı

tanım 1

Puanlama, banka müşterilerinin kredi geçmişlerinden alınan verileri kullanan istatistiksel veya matematiksel bir modeldir ve nihayetinde bir sonraki potansiyel borçlunun alınan fonları zamanında iade etme olasılığını hesaplamak mümkündür.

Bu borçlu değerlendirme metodolojisi, çok basitleştirilmiş bir biçimde belirli bir dizi özelliğin ağırlıklı toplamıdır. Bu, bir özet göstergenin oluşumu için gereklidir. Bu gösterge ayrıca sözde başabaş çizgisi ile karşılaştırılır.

Borçlunun ödeme gücünün böyle bir değerlendirmesi, her bir potansiyel müşterinin ayrılmaz göstergesini belirlemek için gereklidir ve elde edilen sonuç yukarıdaki satırla karşılaştırılmalıdır (buna göre, yalnızca bu göstergeyi denk hesap çizgisinin üzerinde olan borçlular, kredi almak).

Genellikle, ulusal ekonomide, bankalar, bir bireyin kredibilitesine ilişkin Rus koşullarına uyarlanmış, uyarlanmış puanlama değerlendirme modelleri kullanır.

İlk olarak, borçluların anket-uygulamalarının verilerine dayanarak, bir kredi alma olasılığının bir ön değerlendirmesi yapılır. Doldurulan başvuru formlarının sonuçlarına dayanarak, kredi verme olasılığını değerlendirmek için protokoller imzalanır.

örnek 1

Puan 30'un altındaysa, protokoller kredi vermeyi reddettiğini kaydeder, ancak 30'dan fazla puan alınmışsa, bir sonraki aşamada ek anketler dikkate alınarak risk daha dikkatli bir şekilde değerlendirilir.

Kredi notunun avantajları ve dezavantajları

Puanlama yöntemleri ve modelleri şunları sağlar:

• kredi temerrüdü riskini azaltmak;
• hızlı ve tarafsız bir şekilde kredi verilmesine ilişkin kararlar almak;
• kredi portföyünüzü etkin bir şekilde yönetmenize olanak tanır;
• kredi departmanının çalışanlarını eğitmek için çok zaman harcamanıza gerek yok;
• müşterinin huzurunda kredi başvurusunun açık bir analizini yapmak mümkündür.

Puanlama metodolojisinin sınırlamaları arasında, yalnızca bankanın halihazırda kredi vermiş olduğu müşterilere ilişkin bilgilere uygulanabilmesi yer almaktadır. Ayrıca, banka çalışanları metodoloji ve analizin kalitesini periyodik olarak kontrol etmeli ve yeni bir puanlama metodolojisi geliştirmelidir.

Puanlama metodolojisinin daha da geliştirilmesi, kredilerin değerlendirilen özelliklerinin listesini genişletecek ve değiştirecektir.

Vatandaşlara ipotekli kredilerde, borçlunun sigortacılığı kullanılır, en önemli şey kredi ödemelerinin zamanında taksitlendirilmesinin değerlendirilmesidir. Borçlunun aylık yükümlülüklerinin büyüklüğünün aynı dönem için toplam aile gelirine oranı vb. tahmin edilir.

Borçluların kredibilitesine ilişkin bir puanlama değerlendirmesi yapma süreci

Tipik olarak, potansiyel bir borçlunun kredibilitesini analiz etmek için aşağıdakiler istenir:

• borçlunun kimliğini kanıtlayan belgelerin bir kopyası;
• müşterinin gelirinin teyidi: 2-NDFL biçimindeki sertifika, 3-NDFL biçimindeki vergi beyannamesinin bir kopyası;
• Ek olarak, mülk sahipliği belgeleri ve müşterinin ödeme gücünü ve ticari itibarını teyit edebilecek diğer belgeleri de talep edebilirler.

Bankanın uzmanları, bireysel bir borçlunun ödeme gücünü, ortalama aylık gelir ve önceki altı aya ilişkin kesinti miktarına ilişkin verilere ve ayrıca ankete dayalı bilgilere dayanarak analiz eder. Sonuç, ortalama aylık gelir eksi tüm zorunlu ödemeler olarak hesaplanır ve gelir miktarına bağlı olarak değişen bir düzeltme faktörü ile ayarlanır (0,3 ila 0,6 arası). Gelir ne kadar büyük olursa, uyum o kadar büyük olur.

Açıklama 1

Şu anda, kredi itibarını değerlendirmenin en evrensel yöntemi, müşterinin finansal durumunu değerlendirme yöntemidir.

Riskleri azaltmak ve kontrol etmek için, bankalar borçlunun mali durumunu üç ayda bir değerlendirmelidir.

Bireylerin kredibilitesinin değerlendirilmesinde bir gelişme olarak, kullandırılan kredilerin hacmi belirlenirken bir puanlama sisteminin kullanılması önerilmektedir.

Kredi puanları, kredi geçmişinin çeşitli faktörlerini dikkate alarak, potansiyel bir borçlunun temerrüde düşme riskini ölçmek için tasarlanmıştır. Kredi puanlarını hesaplamak için formüller genellikle Batı bankaları tarafından açıklanmaz, ancak genel olarak uygulanabilir deneyim olarak kabul edilebilecek aşağıdaki bileşenler kullanılır:

1. %35'i kredi geçmişidir - taviz veren bilgilerin varlığı veya yokluğu. İflas, rehin, hükümler, anlaşmalar, müsadereler, mülkün haczi, geç ödemeler kredi vermeyi reddetme nedeni olabilir.
2. %30 Kaldıraç – Bu kategori, kredili mevduat hesabı sayısı, mevcut borç yükümlülükleri, taksitli satın almalar dahil olmak üzere kaldıracın bir dizi belirli boyutuna bakar.
3. % 15'lik pay, kredi geçmişinin süresine düşer - ortalama kredi süresi ve orijinal kredinin süresi.
4. %10, kullanılan kredi türlerinin (taksit planı, kredili mevduat hesapları, tüketici kredileri, ipotekler) değerlendirmesidir, çeşitli kredi türlerinin yönetilmesinin geçmişini gösterir.
5. Puanın %10'luk bir payı kredi taleplerinin sayısına düşer - son zamanlarda (14-45 gün) çok sayıda talepte bulunulması durumunda borçlunun notu düşer.

Puanlama modelleri, güncel verilere dayanmalı ve bir bankanın kredi politikası değiştiğinde hızla yeniden yapılandırılmalıdır.

Kredi bürosu, puanlama modelinin çalışmasında önemli bir rol oynamaktadır. Potansiyel borçlunun ve başvuranın eşinin kredi geçmişini incelemek gerekir. Borçlunun her türlü gelir ve giderleri belgelenmelidir.

Örnek 2

İcra belgeleri kapsamında ödemesi olan vatandaşlara net gelirlerinin yüzde 50'si veya daha fazlası tutarında kredi verilmemelidir. Ayrıca maaş kesintisi net gelirinin yüzde 50'si ve üzerinde olan kişinin teminatı kredi teminatı olarak kabul edilmemelidir.

Şekil 1, kredinin amacı, borçlunun kişisel özellikleri ve borçlunun kredi geçmişi hakkında bilgi edinmek için yabancı bankalar tarafından geliştirilen bilgileri sunmaktadır.

Şekil 1. Borçluların kredi değerliliğini değerlendirmek için puanlama modellerinde kullanılan değişkenler. Author24 - öğrenci belgelerinin çevrimiçi değişimi

Potansiyel borçluların kredi risklerini değerlendirirken, bir dizi faktör dikkate alınır: yaş, medeni durum ve eğitim, bakmakla yükümlü olduğu kişilerin sayısı, müşterinin ikamet ettiği yer, mesleği, hizmet süresi, mevcut iş deneyimi. Aşağıdaki finansal bilgilerin yanı sıra: müşterinin düzenli gelir ve yükümlülükleri; yüksek kaliteli kredi geri ödemesi gibi gerçekleri içeren kredi geçmişi; müşteri zaten bankanın müşterisiyse, banka ile önceki olumlu işbirliği.

Ticari bankaların puanlama sistemi, ödeme gücünü etkileyen faktörlerin ve krediyle alınan fonların geri ödenmeme riskinin uzman tarafından doğrulanması yoluyla potansiyel borçluların seçilmesi için bir mekanizmadır. Müşterilerin güvenilirlik düzeyini değerlendirmek için kullanılan mekanizmalar, öncelikle finansal kuruluş tarafından seçilen kredi planına bağlıdır. Bazı ticari bankalarda, kredi görevlileri ve güvenlik görevlileri, potansiyel müşteriler için tamamen benzersiz gereksinimler ortaya koyabilir.

Kredi geçmişi kötü olan kredi alabileceğiniz 4 bankayı dikkatinize sunuyoruz:

Faiz oranı
%9.5'ten

Terim
5 yıla kadar

toplam
700 bin rubleye kadar

Bankaya başvurduğunuz gün kredi almak

Faiz oranı
%7,5'ten

Terim
5 yıla kadar

toplam
1 milyon rubleye kadar

Anlık karar; komisyonsuz ödeme

Faiz oranı
%10,5'ten itibaren

Terim
7 yıla kadar

toplam
4 milyon rubleye kadar

Banka başvuru hakkında 3 dakika içinde karar verir

Borçluları değerlendirmek için klasik bankacılık sistemi

Meslektaş incelemesi genellikle başvuruda borçlu tarafından sağlanan bilgilerin incelenmesiyle başlar. Büyük krediler sağlamak söz konusu olduğunda, bir finans kuruluşunun temsilcileri müşteriyle kişisel bir toplantı yapmakta ısrar edebilir. Böyle bir görüşme sırasında, kredi memuru, olası dış ciddi hastalık belirtilerini, duygusal dengesizliği veya orijinal ankette sağlanan bazı verilerle tutarsızlıkları not ederek borçlunun görsel bir değerlendirmesini yapacaktır.

Gelecekteki borçluları değerlendirmek için klasik sistem şu şekilde çalışır:

1. Müşteri, deneyimli bir kredi yöneticisi veya banka güvenlik görevlisi ile kişisel olarak iletişim kurar.
2. Borçlu, kişisel verileri sağladığı bir başvuru formunu doldurur.
3. Kredi yöneticisi gönderir Kredi geçmişi bürosu - kredi geçmişlerinin oluşturulması, depolanması ve işlenmesi için faaliyetler yürüten bir organ "\u003e kredi geçmişi bürosu sonraki analiz için gerekli olan, kredi başvurusunda bulunan bir kişinin önceki yükümlülükleri hakkında veri elde etmek için bir başvuru.
4. Görüşme sırasında, bir kredi kurumunun temsilcisi birkaç basit soru sorar, cevapların güvenilirliği borçlunun ticari bir bankanın kriterlerine uygunluğuna bağlı olacaktır.
5. Uzman, alınan gizli verileri inceledikten sonra bir karar verir.

Borçluların ödeme gücünü değerlendirmenin geleneksel yöntemleri, belgelerin uzman incelemesiyle ilgilenen departmanlar açma fırsatına sahip büyük ticari bankalar için idealdir. Benzer puanlama şemaları ve Underwriting, bir kredinin geri ödenme veya geri ödenmeme olasılığının incelenmesidir. Bu prosedür, kredi verme kararını veren banka tarafından gerçekleştirilir ve potansiyel bir borçlunun ödeme gücünün ve kredibilitesinin belirlenmesini içerir "> sigortacılık uzun vadeli hedefli krediler veren borç verenler tarafından aktif olarak kullanılır. Ortalama olarak, bir müşteriden gelen bir talebi incelemek 36 saat kadar sürer. Teminatın ayrıca değerlendirilmesi ve garantörün ödeme gücünün doğrulanması gereken teminatlı krediler söz konusu olduğunda, başvurunun değerlendirilmesi 7 gün kadar sürebilir.

Puanlama sistemi nasıl çalışır?

Kredi verme sürecini hızlandırmak için modern otomatik puanlama sistemleri oluşturulmuştur. Ticari bankalar tarafından kredi kartı verilmesi aşamasında ve çeşitli bankacılık dışı kuruluşlar tarafından ekspres kredi verilmesine yönelik olarak kullanılmaktadır. Puanlama prosedürü, yani ödeme gücünün kontrol edilmesi, algoritmaları bireysel kriterleri incelemek ve borçlu tarafından sağlanan bilgilerin işlemin mevcut koşullarına uygun olduğunu doğrulamak için yapılandırılmış özel sektöre özel yazılımın kullanımına dayanır.

Puanlama süreçlerinin otomasyonu şunları sağlar:

• Potansiyel müşterilerden alınan anketlerin gözden geçirilmesini hızlandırın.
• Kredi kurumunun personelini azaltın.
• Kredi başvurularını doldurma, gönderme ve işleme prosedürünü sanal bir düzleme çevirin.
• Kredi reddi riskini azaltın.
• İnsan faktörünün neden olduğu banka çalışanı hata riskini azaltın.
• Gelecekteki borçluları değerlendirmek için standartlaştırılmış ve birleşik bir sistem oluşturun.

Küçük tüketici kredileri ve plastik kartlar sağlayan şirketler, günlük olarak büyük başvuru akışlarını işler. Bu gibi durumlarda, her potansiyel müşteriyle çalışmak için bireysel bir yaklaşım sağlamak neredeyse imkansızdır. Otomatik puanlama sisteminin algoritması, borçluların kapsamlı bir şekilde değerlendirilmesine izin veren bir dizi basit parametrenin kullanımına dayanmaktadır. Paramount genellikle pasaport ve ödeme verileriyle ilgili bilgilerdir.

Bankada puanlamayı geçmek nasıl garanti edilir?

Ödeme gücünü kontrol ettikten sonra bir kredi almak için, borçlunun gelecekteki işlemin koşullarında belirtilen belgelerle yedekleyerek güvenilir bilgi sağlaması yeterlidir. Yazılım, belirli bir kredinin geri ödenme olasılığını tahmin etmek için herkese açık istatistiksel, analitik ve matematiksel yöntemleri kullanır, ancak alınan akış uygulamaları hakkında karar vermeyi hızlandırmak için bazı borç verenler gelir tablolarını ve banka hesap özetlerini işlemeyi reddeder. Ek verilerin varlığı, elde edilen katsayıyı arttırır. Bir işlemi tamamlamak için minimum puan yeterliyse, beraberindeki belgelere gerek yoktur.

Ödeme gücünün değerlendirilmesi şunlardan etkilenir:

Bu nedenle, potansiyel bir borçlunun kredi geçmişi ve finansal istikrarı, derecelendirme hesaplamasını ve puanlama sistemi içindeki bir kredi kararının sonucunu etkiler. Dolaylı olarak, kredi notu seviyesi müşterinin medeni durumu veya yaşı gibi faktörler tarafından değiştirilebilir.

Bazı kuruluşlar, müşterinin kontrolü dışındaki durumları dikkate alır. Puanlama makinesi algoritmaları, bölgedeki ekonomik durum ve siyasi durum, kredi ürününün türü ve büyüklüğü ile kredi vermede olumsuz eğilimlerin varlığı veya yokluğu dikkate alınarak ayarlanabilmektedir.

Banka puanlama makineleri aldatılamaz, çünkü başvuruyu doldurma aşamasında tesadüfi bir hata bile kredi vermeyi reddetmeye yol açar. Doğrulamayı geçmek için müşterinin gizli verileri sağlaması gerekir. Borç veren gizli bilgilerin güvenliğini garanti eder. Algoritma, yalnızca alınan cevapları işlemeyi amaçlamaz. Böyle bir sistem, potansiyel bir müşterinin ödeme davranışını tahmin etmek için benzersiz bir fırsat sağlayan faydalı istatistikleri toplamanıza ve analiz etmenize olanak tanır.

Ayrıca ilginizi çekebilir:

Yıllık ödeme ve farklılaştırılmış ödeme - fark nedir?

Nakit kredi almayı planlayan veya daha önce almış olan herkes için kredi ödemesi konusu her zaman prensip meselesidir. Yıllık ödeme ve farklılaştırılmış ödemeler arasındaki farkları ayrıntılı olarak ele alıyoruz. Bu farklılıkları bilerek kendinize en uygun kredi seçeneğini seçebileceksiniz.

Her kredi kullanıcısı, kredi puanlamasının ne olduğunu bilmelidir. Bu kavram, bu yüzyılın başında bankalar tarafından uygulanmaya başlandı ve bunun nedeni, kredilerin büyümesinin önemli ölçüde artmasıdır.

Puanlama, müşterinin kişisel verilerini analiz ederek ödeme gücünü hızlı bir şekilde belirlemeye yardımcı olan özel olarak tasarlanmış bir bilgisayar programıdır.

Bunu yapmak için, form tarafından oluşturulan dijital veriler, geleneksel test ilkelerine göre programa girilir. Ardından, puanlama programı girilen verileri dikkatlice analiz eder ve sonucu kural olarak puan olarak verir: belirli bir sayısal değer herhangi bir soruya karşılık gelir. Böylece, müşteriye kredi verilip verilmeyeceğine kredi yöneticisinin değil, bilgisayarın karar verdiği ortaya çıkıyor.

Kredi puanlaması, borçlunun ihtiyaç duyduğu ve ihtiyaç duyduğu durumlarda kullanılır. Başka bir büyük kredi verirken, puanlama da kullanılır, ancak diğer analizlerle birlikte (teminat değerlemesi vb.).

Puanlama ne için?

Çoğu banka, kredi verme kararını yalnızca bir puanlama sistemine dayanarak verir, örneğin:

• borçlu puanlama sistemine göre yüksek puan almışsa, kendisine başka kontroller yapılmadan kredi verilir;
• ortalama puan alırken, müşterinin kredi talebi kredi komitesi tarafından ayrıca değerlendirilir;
• açık bir puan sıkıntısı ile banka bir krediyi reddediyor.

Kredi notu hesaplamalarının sonuçları bankanın programlama sistemine bağlıdır. Buna dayanarak, banka dürüst olmayan müşterilerden güvenilir ve arzu edilen borçluları seçer.

Test soruları

Her bankanın kendi puanlama sistemi vardır, ancak temelde aynı soruları içerir. Örneğin, en sık kullanılan test soruları şunlardır:

• borçlunun yaşı, cinsiyeti;
• resmi maaş;
• gerekli kredinin miktarı ve koşulları;
• borçlunun evli olup olmadığı (evli);
• ailede bağımlı olup olmadığı;
• karının (kocanın) çalışıp çalışmadığı;
• Adli sicil kaydınız ve başka sorunlarınız var mı?

Şüphesiz, kredi notunun en olumlu ve önemli özelliklerinden birinin borçlunun ödeme gücünün doğrulanmasını kolaylaştırması olarak düşünülmelidir.

Puanlama programının eksileri

Bununla birlikte, dezavantajlar da vardır: program vicdansız bir borçluyu atlayabilir, ancak güvenilir olanı tam tersine reddedilebilir. Başka şekillerde kontrol ederken, bu durum çok daha az sıklıkla meydana gelir.

Kredi puanlama sisteminin bir kredi kuruluşu için belirli bir risk taşıması nedeniyle bir anlamda kredinin fiyatını arttırdığı da söylenebilir.

Puanlama sisteminin hedef yönelimi

Kredi verme faaliyetlerinde işlev gören puanlama bankacılık sistemi, çok yakın bir gelecekte yalnızca başvuran müşterinin finansal istikrarını değil, aynı zamanda kredi riskinin yüzdesini ve kredinin geri ödenmemesiyle ilgili olası maddi kayıpları hesaplamayı da sağlar. borçlu. Puanlama programı, her bir finans kurumu tarafından bireysel olarak geliştirilmiştir.

Kredi puanlamasının amacı, güvenilir olmayan veya krediyi geri ödeyemeyen bir müşteriye borç verirken ortaya çıkması mümkün olan risk durumlarının maksimum minimuma indirilmesini sağlamaktır. Çoğu zaman, bir borç veren, güvenilir olmayan bir borçluya borç vermeyi kabul ettiğinde, gecikmelerin meydana gelmesiyle ilgili bir tür sorun yaşamaya başlar. Puanlama bu tür riskleri mümkün olduğunca ortadan kaldırır. Borçlunun güvenilirlik derecesini belirlemek ve hem bir vatandaş olarak hareket eden potansiyel bir borçlu ile hem de bir tüzel kişilik ile ilgili olarak finansal istikrarını ve istikrarını değerlendirmek mümkündür.

Puanlama tabanı aracılığıyla, hem potansiyel borçluları hem de mevcut olanları kontrol etmek mümkündür. Böyle bir sistem sayesinde kredi veren kuruluşun kredi portföyünü etkileyebilecek tüm kredi risklerinin en kısa sürede tespit edilmesi ve tespit edilmesi mümkündür. Ayrıca, kredi verenin kredi portföyünün risklerini değerlendiren puanlama, finansal rezervlerin tahmin edilmesinde de aktif bir rol oynar. Bir sistem oluşturma süreci, potansiyel bir borçlunun tüm gelirini, finansal yükümlülüklerini, giderlerini ve aktif bakiyesini yansıtması gereken finansal durumu ve geçmiş kredilerle ilgili tüm bilgileri içeren bir kredi geçmişi gibi faktörler temelinde gerçekleşir. ve bunların geri ödenmesi.

Borçlunun mali durumunu değerlendirme kriterleri

Başvuru sahibi müşterilerin finansal istikrarını ve finansal durumunu değerlendirirken, kredi kuruluşları kural olarak niteliksel ve niceliksel kriterlerden hareket eder. En önemli parametreler şunlardır: iş (pozisyon), gayrimenkul ve diğer mülklerin mülkiyeti, sabit ve istikrarlı gelir, krediyi alan kişinin (itibarı), medeni durum, kurumlarda açılan mevduat ve katkıların yanı sıra başvuru sahibi.

Niceliksel göstergelere gelince, bunlar gelir miktarını, ödeme gücü derecesini, borçlunun katsayısını, ayrıca kredinin güvenliğini ve sözleşme şartlarını içerir. Teminat, konu ile ilgili olarak sigortanın icrası olarak anlaşılabileceği gibi, kredi sermayesi tutarı ile teminatın değeri arasındaki oran olarak da anlaşılabilir. Müşteriyi bir puanlama şeması kullanarak değerlendirdikten sonra, doğrulamaya tabi olan her potansiyel borçlu, çok sayıda zorunlu madde ve hüküm içeren kendi puanlama kartına sahiptir. Puan kartı, içinde yer alan ve değerlendirilen her bir madde için belirli katsayılar koyar. Tüm katsayıların ayarlanmasının bir sonucu olarak, puanlar basitçe toplanır.

Katsayıların toplamı sırasında elde edilen belirli sayıya dayanarak, her potansiyel borçluya belirli bir finansal istikrar sınıfı ve maddi fırsatlar atanır. En güvenilir müşteriler, değerlendirmeden sonra A veya B sınıfına atanan başvuru sahipleridir. Bununla birlikte, C sınıfı müşterilerin de borçlu olduğu birçok durum vardır.D ve D sınıfına atanan vatandaşlar tamamen iflas etmiş olarak kabul edilir ve çoğu güvenilmez.

Bir hata bulursanız, lütfen bir metin parçasını vurgulayın ve tıklayın. Ctrl+Enter.

Bu makalede, Creditoff (Credytoff) portalı şu sorulara cevap verecektir: “puan nedir, nedir? ve bir bireyin kredibilitesinin puanlama değerlendirmesinin nasıl yapıldığı”.

Bankaların maksimum kâr elde etmesi, kredi başvurularının kalitesi ile doğrudan ilişkilidir. Banka, verilen kredinin geri dönüşüyle ​​borçludan daha az ilgilenmiyor. Bu nedenle, bankacılar sıkı bir borçlu kontrolü yapar ve kredi risklerini analiz eder.

Bir bireyin kredibilitesinin puanlama değerlendirmesi

Kredi riski, borçlunun kredi sözleşmesi kapsamındaki yükümlülüklerini yerine getirmemesi nedeniyle olası bir finansal kayıptır. Bu, geç ödemeler (ödemeler) veya krediyi ödemeyi tamamen reddetme ile ilgili olabilir.

Kredi risklerini en aza indirmek için bankacılar, potansiyel müşterilerin puanlama değerlendirmesini kullanır.

Günümüzde, bir bireyin kredibilitesinin puanlama değerlendirmesi, borçlunun güvenilirliğini değerlendirmek için yaygın olarak kullanılmaktadır. Puanlama, mevcut veya eski müşterilerin kredi geçmişlerine dayanarak, potansiyel bir borçlunun parayı sözleşmede belirlenen tarihte iade etme şansının ne kadar büyük olduğunu anlamayı sağlar.

Puanlama, nedir?

Puanlama, nedir? (İngilizce puanlama - "puanlama")

Bu, potansiyel bir borçlunun belirli özelliklerine sahip bir sistemdir. Otomatik puanlama, kredi müfettişlerinin doğrulamayı (insan faktörü) doğrudan gerçekleştireceği gerçeğinin aksine, finansal risklerin gerçek bir objektif değerlendirmesini sağlar.

Kontrol sonucunda, belirli bir müşteriyle ilişkili risk derecesini gösteren belirli bir gösterge (puan) elde edilir. Bu gösterge, esasen bir başa baş çizgisi olan belirli bir eşik değeriyle karşılaştırılır (merhaba ileri düzey okuyucular?). Gösterge eşiğin üzerindeyse, başvurunun olası onayına ilişkin bir karar verilir. Eşiğin altındaysa, ne yazık ki, müşteri reddedilecektir.

Puanlama yapılırken hangi veriler dikkate alınır?

Bir bireyin kredibilitesinin puanlama değerlendirmesi oldukça karmaşıktır. Bir müşterinin onayı veya reddi birçok göstergeye bağlıdır.

1. Potansiyel borçlunun pasaport bilgileri, kayıtlı olduğu ve gerçekte nerede yaşadığı, telefon numaralarını arayın. Bu bilgilere dayanarak, bankanın müşterisinin birincil kimliği gerçekleştirilir. Bu aşamada pasaport süresi dolmuş, yanlış veya yanlış bilgi verilmiş, sahte belge bulunan müşteriler elenir. Sağlanan verilerdeki herhangi bir hata, anında reddetme ile tehdit eder.
2. İkinci aşamada yaş, cinsiyet, medeni durum, hizmet süresi, bakmakla yükümlü olunan kişi sayısı (küçük çocuklar puanlama için olumsuz bir faktördür), son işteki hizmet süresi değerlendirilir.
3. Program daha sonra müşterinin ödeme gücünü değerlendirir. Mali durumu değerlendirirken, ana rol aylık teyit edilen gelir tarafından oynanır. Şunlar. 2-NDFL sertifikasında belirtilen "Beyaz" ücretler. Gelir bir Banka Dekontu ile teyit edilirse, nihai puanlama puanı düşürülür. Kredi onaylanabilir, ancak miktar daha az olacaktır.
4. Önceki adımlar tamamlandıktan sonra program kontrol etmeye devam eder. Kural olarak, birkaç BCI'nin (kredi bürolarının) verileri aynı anda dikkate alınır. Sadece gecikmeler değil, varsa mali yükü de kontrol edilir. Ayrıca BKİ, bankaya yapılan tüm talepleri kayıt altına alır. Çok sayıda ret varsa, bu onay olasılığını olumsuz etkiler. Bu nedenle, bir kez reddedildikten sonra, kredi geçmişinizi kontrol etmenizi öneririz. BCI verilerinin hatalı olma olasılığı vardır.

Bankanın bireysel bir bordro müşterisinin kredibilitesinin puanlama değerlendirmesi

Maaş kartı sahipleri için ayrı bir çek verilir. Kart işlemleri değerlendirilir. Puanlama, ortalama hesap bakiyesinin yanı sıra makbuz ve para çekme koşullarını kontrol eder. En düşük puanın, maaşlarını aldıktan hemen sonra nakit olarak çeken müşteriler tarafından alındığına dikkat edilmelidir.

Karar nasıl verilir

Bir bireyin kredibilitesinin puanlama değerlendirmesi. Karar nasıl verilir

Alınan verileri analiz ettikten sonra, puanlama bir karar verir. Potansiyel bir borçlu bir renk "işareti" alır: beyaz, gri, siyah.

• Beyaz renk - borçlu bir krediye güvenebilir
• Siyah renk - reddetme
• Gri renk, karar vermek için yeterli veri olmadığı anlamına gelir, sigortacının ek bir değerlendirmesi gereklidir. Kredi müfettişi anketi ve sağlanan verileri daha ayrıntılı olarak inceleyecektir. Ek belgeler isteyebilir. Ek doğrulamadan sonra, sigortacı, kredinin maksimum tutarı ve vadesinin yanı sıra onay olasılığı hakkında bir fikir verecektir.

"Puan, nedir?" - ilk kez kredi alanlar için

"Puan, nedir?" - ilk kez kredi alanlar için

Puanlamanın tüm avantajlarına rağmen, günümüzde bankalar müşteri doğrulama modellerini düzenlemektedir. Birçok banka, "bireyin kredibilitesinin uyarlanmış puanlama değerlendirmesini" uygular. Ek doğrulama parametreleri, örneğin potansiyel borçlunun çalıştığı şirketin faaliyet süresi, bu şirketin kapsamı, finansal sonuçlar vb. Genel olarak “Puanlama nedir?” sorusuna verilen yanıta ek olarak, birçok büyük bankada çek puanlarının çok benzer olduğunu belirtmek gerekir. Bu nedenle, başvurmadan önce kendinizinkini kontrol edin, bu size zaman ve sinir kazandıracaktır.

Dubovitsky V.S.
büyük bir Rus bankasında analist
(Moskova şehri)
Kurumsal Finansman Yönetimi
05 (65) 2014

Bu makale, büyük ticari işletmelerin kredibilitesini değerlendirmek için, bireysel göstergelerin değerlerine dayanarak, borçlunun ödeme gücünü yargılamayı ve etkinliğini değerlendirmeyi mümkün kılan bir puanlama modelinin geliştirilmesi üzerine bir çalışmayı açıklamaktadır. Bir puanlama modelinin geliştirilmesindeki en hacimli bloklar, bu makalede ayrıntılı olarak ele alınacak olan bir değerlendirme göstergeleri sisteminin seçimi ve bu göstergeler için ağırlık katsayılarının belirlenmesidir.

GİRİİŞ

Bankacılık sektörünün en önemli iş alanlarından biri de kredi vermektir. Banka varlıklarının temelini oluşturan, bankaya faiz geliri sağlayan kredilerdir. Son zamanlarda ülkemizde bankacılık sektörü başta bankalar ve nüfus, girişimciler ve büyük işletmeler arasındaki kredi ilişkileri olmak üzere hızlı bir gelişme göstermiştir. Krediler sadece faiz gelirini değil, aynı zamanda borçlunun iflası ve kredinin kaybıyla bağlantılı kredi risklerini de içerir. Kredi riski değerlendirmesi, belirli bir borçluya borç verme konusunda karar verirken önemli bir analiz alanıdır ve bir finansal kurumun refahı büyük ölçüde buna bağlıdır.

Günümüzde bankalar, olası zararların seviyesini ve borçlunun temerrüde düşme olasılığını değerlendiren çeşitli analiz yöntemleri kullanmaktadır. Bu analize dayanarak, borçluya 254-p sayılı Rusya Federasyonu Merkez Bankası Yönetmeliği uyarınca “iyi”, “orta” veya “kötü” bir kalite notu verilir. kredi kuruluşları tarafından krediler, krediler ve eşdeğer borçlar üzerindeki olası zararlar için karşılıklar” 26 Mart 2004

Merkez Bankası, kredi sisteminin ana düzenleyicisi olarak hareket eder ve borçluların kredibilitesinin değerlendirilmesine ilişkin tavsiyelerde bulunur. Bankalar bunlara uygun olarak kendi değerleme modellerini oluştururlar - yazarlarının çeşitliliği ve yaratıcılığı şaşırtıcıdır. Bu tür modeller, gelecekteki ödeme gücünün ana göstergesi olarak borçlunun mali durumunun kapsamlı bir değerlendirmesini içerir. Ancak, tüm modeller borçlunun finansal kayıp riskini tanımlayan kredi notuna yöneliktir. Genel kabul görmüş sınıflandırmaya göre, iyi bir kredi itibarı seviyesi, şirketin iyi bir finansal durumuna ve düşük olası kayıp riskine, orta - ortalama finansal duruma ve orta risklere, kötü - yüksek temerrüt olasılığına karşılık gelir. borçlu. İyi durumda, büyük olasılıkla, kredi verilmesi konusunda olumlu bir karar verilecek, ortalama ek araştırma gerektirecek ve kötü bir borçlu reddedilecek.

Bankalarda kredi riski değerlendirmesi her zaman önemli bir yer tutmuştur. Bu nedenle, Bailey ve Gately tarafından yapılan çalışmalara göre, mevcut değerleme yöntemleri sürekli olarak iyileştirilmekte, zaman zaman, kredi kuruluşlarından gelen yüksek talebin neden olduğu sinir ağlarını kullanarak değerleme gibi yeni yöntemler ortaya çıkmaktadır. potansiyel borçluların temerrüde düşme olasılığını değerlendirmek için araçlar.

Bu nedenle, kredi verirken kredibilite değerlendirmesi önemli bir görevdir. Bu çalışmanın amacı, tüzel kişilerin kredi kalitesini değerlendirmek için kendi puanlama modelimizi oluşturmaktır. Büyük perakendeciler için geliştirilecek ve çeşitli borçluların finansmanının fizibilitesine hızlı bir şekilde karar verilmesini sağlayacaktır.

İlk olarak, kredi itibarını değerlendirmeye yönelik mevcut yaklaşımların kısa bir karşılaştırmalı analizi yapılacaktır. Bunun temelinde, bir puanlama modelinin geliştirilmesi lehinde argümanlar verilecek, ardından çeşitli teorik yöntemler kullanılarak doğrudan bir puanlama modeli geliştirilecektir. Geliştirmedeki ana görevlerden biri, seçilen sektör dikkate alınarak dengeli bir puan kartının tanımlanması ve bu göstergeler için ağırlıklandırma faktörlerinin belirlenmesidir.

Daha sonra, gösterge ağırlıklarına göre sonuçları başlangıçta elde edilen sonuçlarla karşılaştırmak için 41 tüccardan oluşan bir örneklem temelinde (16'sı için temerrüt kaydedildi) bir istatistiksel çalışma gerçekleştirilecektir. Karşılaştırma sonuçlarına dayanarak, derlenen puanlama modelinin doğruluğu hakkında bir sonuca varılacaktır. Bu makalenin sonunda geliştirilen modelin etkinliğine ilişkin bir değerlendirme sunulacak, geliştirilen modelin tahmin yeteneği belirlenecek ve uygulanabilirliği hakkında bir sonuca varılacaktır.

KREDİ DEĞERLENDİRMEDE FARKLI YAKLAŞIMLAR

Borçluların kredibilitesini değerlendirmek için mevcut tüm modeller aşağıdaki sınıflandırma ile temsil edilebilir (Şekil 1).

Bu nedenle, kredibilite analizine yönelik çeşitli yaklaşımlar, tüm yöntemleri üç büyük bloğa bölerek sistematik hale getirilebilir:

• nicel modeller;
• tahmine dayalı modeller;
• kaliteli modeller.

Nicel modeller ilgili göstergeleri kullanır ve bunlara dayalı olarak borçluya belirli bir derecelendirme verilmesine izin verir, tahmine dayalı modeller geçmiş istatistiklere dayanır ve daha sonraki gelişmeleri ve borçlunun temerrüt olasılığını modellemeyi amaçlar ve nitel modeller çok yönlü niteliksel göstergeler sistemini kullanır.

Kredi itibarını değerlendirmede en etkili yaklaşımı belirlemek için açıklanan değerlendirme yöntemlerini karşılaştırırız. Masada. 1, daha önce ele alınan kredi değerlendirme modellerinin karşılaştırmalı özelliklerini göstermektedir.

Tablo 1. Kredi derecelendirme modellerinin özet tablosu

Model adı	Modelin avantajları	Modelin Dezavantajları
katsayı yöntemi	Borçlunun mali durumunu kapsamlı bir şekilde değerlendirmenizi sağlar	Kalite göstergelerini, önceki yılların istatistiklerini dikkate almaz. Otomatik olmayan bir sistem, bireysel göstergelerin değerlerinin sürekli yorumlanmasını gerektirir.
Derecelendirme Modelleri	İntegral göstergesini hesaplayarak katsayılar yöntemiyle değerlendirmeyi otomatikleştirmeye izin verin. Rahatlık ve kullanım kolaylığı açısından farklılık gösterir	Yalnızca finansal göstergeleri dikkate alırlar, önceki yıllara ait istatistikleri kullanmazlar. Farklı şirket türleri için yeniden yapılandırma gerektirebilir
Puanlama modelleri	Puan eşdeğerinde bir kredi itibarı değerlendirmesi yapmanıza ve borçluyu üç gruptan birine atamanıza izin verir. Basit ve kullanımı kolay, finansal olmayan kalite göstergelerinin değerlendirilmesine yardımcı olur. Ağırlık katsayılarını istatistiksel yöntemlerle değerlendirirken, halihazırda verilmiş olan kredilere ilişkin verilerin ekonomik olarak gerekçelendirilmesine izin verirler.	Evrensel değil, belirli şirket türleri için yeniden yapılandırma gerektiriyor. Ağırlık katsayılarını incelemek için büyük miktarda veri gerektirir
Nakit akışı modelleri	Şirketin gelecekteki nakit akışlarını tahmin etmenizi ve bunları borç yükü ile karşılaştırmanızı sağlar.	Borç alan şirketin piyasa koşullarını ve kalite göstergelerini dikkate almazlar. Tutarsız sonuçlar üretebilir
Diskriminant Analiz Modelleri	Önceki yıllara ait istatistiklere dayalı olarak kredi alan şirketin temerrüt olasılığının belirlenmesine izin verir.
Regresyon Modelleri	Borç alan şirketin temerrüt olasılığını önceki yılların istatistiklerine dayanarak belirlemeye izin verirler. Modeli doğru veriler üzerinde kullanırken, yüksek derecede kesinlik ile sonuçlar elde edebilirsiniz.	Tamamen ampirik, sonuçlar eğitim örneğine büyük ölçüde bağlıdır ve modeli diğer veriler üzerinde incelerken, çoğu zaman gerçeğe karşılık gelmezler. Ağırlık katsayılarını incelemek için büyük miktarda veri gerektirir
Nitel Analiz Modelleri	Şirketin kapsamlı bir analizini yapmanızı sağlar	İnsan faktörü ile ilişkili bireysel göstergelerin ve hataların öznel bir değerlendirmesine yol açan matematiksel yöntemlerin olmaması. Geçmiş yılların istatistiklerini dikkate almayın. Kaliteli analiz blokları için kredi itibarını değerlendirmek için net bir düzenleme yoktur.

Yukarıdaki karşılaştırmalı analize dayanarak, puanlama modelinin nicel evrimin en üstünde olduğu sonucuna varabiliriz Modelin adı Modelin avantajları Modelin dezavantajları Modelin dezavantajları

Oran yöntemi Borçlunun mali durumunun kapsamlı bir değerlendirmesine izin verir Kalite göstergelerini, önceki yılların istatistiklerini dikkate almaz. Otomatik olmayan bir sistem, bireysel göstergelerin değerlerinin sürekli yorumlanmasını gerektirir.

Derecelendirme modelleri İntegral göstergesini hesaplayarak katsayı yöntemiyle değerlendirmeyi otomatikleştirmeye izin verir. Kolaylık ve kullanım kolaylığı ile ayırt edilirler, yalnızca finansal göstergeleri dikkate alırlar, önceki yıllara ait istatistikleri kullanmazlar. Farklı şirket türleri için yeniden yapılandırma gerektirebilir

Puanlama modelleri Bir puan eşdeğerinde bir kredi itibarı değerlendirmesi elde etmeye ve borçluyu üç gruptan birine atamaya izin verir. Basit ve kullanımı kolay, finansal olmayan kalite göstergelerinin değerlendirilmesine yardımcı olur. Ağırlık katsayılarını istatistiksel yöntemlerle değerlendirirken, halihazırda verilmiş olan kredilere ilişkin verilerin dikkate alınmasına izin verir, ekonomik olarak haklıdır Evrensel değildir, belirli şirket türleri için yeniden yapılandırma gerektirir. Ağırlık katsayılarını incelemek için büyük miktarda veri gerektirir

Nakit Akış Modelleri Şirketin gelecekteki nakit akışlarını tahmin etmeye ve bunları borç yüküyle karşılaştırmaya izin verir Borçlanan şirketin piyasa koşullarını ve kalite göstergelerini dikkate almaz. Tutarsız sonuçlar üretebilir

Diskriminant analiz modelleri Borçlu şirketin geçmiş yıllara ait istatistiklere dayanarak temerrüde düşme olasılığını belirlemeye izin verir.Tamamen ampirik, sonuçlar büyük ölçüde eğitim örneğine bağlıdır ve modeli diğer veriler üzerinde incelerken, genellikle karşılık gelmezler. gerçeklik. Ağırlık katsayılarını incelemek için büyük miktarda veri gerektirir

Regresyon analizi modelleri Borç alan şirketin geçmiş yıllara ait istatistiklere dayalı olarak temerrüde düşme olasılığının belirlenmesine olanak sağlar. Modeli doğru veriler üzerinde kullanırken, yüksek derecede güvenilirliğe sahip sonuçlar elde edebilirsiniz.Bunlar tamamen ampiriktir, sonuçlar büyük ölçüde eğitim setine bağlıdır ve modeli diğer veriler üzerinde incelerken, genellikle karşılık gelmezler. gerçeklik. Ağırlık katsayılarını incelemek için büyük miktarda veri gerektirir

Niteliksel analiz modelleri Şirketin kapsamlı bir analizine izin verir Matematiksel yöntemlerin yokluğu, insan faktörüyle ilgili bireysel göstergelerin ve hataların öznel bir değerlendirmesine yol açar. Geçmiş yılların istatistiklerini dikkate almayın. Farklı puanlarla nitel analiz blokları için kredi itibarını değerlendirmek için net bir düzenleme yoktur. Katsayıların değerleri ayrıca aralıklara bölünecektir. Her aralık için (Tablo 2'deki Katsayı Aralığı sütunu), Tablo 2'deki ağırlık katsayısının bir yüzdesi (%25, %50, %75 veya %100) ayarlanacaktır. 2. Bu durumda ağırlık faktörü maksimum puandır. Aşağıda, ağırlık katsayılarını aramaya odaklanacağız. Bu nedenle, katsayıların aralıklara ayrılması koşulludur (sektördeki çeşitli şirketler için bu göstergelerin değerlerine dayanan mantıksal değerlendirmelere dayanarak; aralıklar, önde gelen şirketlerin yaklaşık% 60'ı olacak şekilde alınır. sektör (Magnit, Dixy), ortalama piyasa katsayılarını ve karşılaştırma ölçütlerini belirlemek için seçilen maksimum , X5 Retail Group, OK, L'Etoile'dan sonraki ikinci aralığa düşer.Borç yükü ne kadar yüksekse, temerrüt olasılığı da o kadar yüksek olur ve göstergenin alması gereken puan sayısını azaltın katsayılar ve iki yaklaşımla temsil edilecektir - analitik (T. Saaty'nin yöntemi) ve istatistiksel (regresyon çalışması) (bu durumda maksimum puan sayısı ağırlık katsayısı ile örtüşür.) Ağırlık katsayıların kendileri daha sonra belirlenecektir.

Skorlama modelinin finansal göstergeleri Tablo'da sunulmuştur. 2.

Tablo 2. Puanlama modelinin finansal göstergeleri

Gösterge grubu	dizin	katsayı aralığı
Likidite		> 0,75	1
		0,5-0,75	0,75
		0,25-0,5	0,25
		0-0,25	0
ödeme gücü		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
	Faiz karşılama oranı, FVÖK/Faiz	> 1,5	1
		1,3-1,5	0,75
		1-13	0,5
		< 1	0
İş aktivitesi	Satış getirisi, ROS	> 0,025	1
		0,02-0,025	0,75
		0,015-0,02	0,5
		< 0,015	0
	Şirketin son üç raporlama dönemine ilişkin zararı	Değil	1
		Bir raporlama dönemi için	0,5
			0

İzin verilen oran değerleri, Rusya'nın önde gelen beş ticaret şirketi için üç yıllık UFRS açıklamalarına göre ortalama değerler bazında belirlendi: Magnit, X5 Retail Group, Dixy, OK, M.Video. Borçlunun mali durumunu belirlemek için en önemli mali göstergeleri inceledik. Bununla birlikte, şirketin kredibilitesi, borçlunun iş süreçlerinde risklerin ortaya çıkmasına neden olan faktörlerden de büyük ölçüde etkilenir. Her şeyden önce, yönetimin kalitesini dikkate almak gerekir. Bu, nicel analiz için çok zor bir göstergedir, çünkü. şirket yönetimi düzeyini objektif olarak değerlendirmek sorunludur.

Nitel değerlendirmeden nicel değerlendirmeye geçmeye çalışacağız ve bu göstergenin maksimum değerlendirmesini aşağıdaki koşullar altında belirleyeceğiz:

• şirketin önümüzdeki yıllarda gelişimi için net bir strateji var;
• üst yönetimin bileşimi değişmedi (genel müdür ve baş muhasebeci iki yıldan uzun süredir görev yapıyor), çünkü güçlü bir yönetim ekibinin varlığı, diğer şeylerin yanı sıra, sabitliği ile kanıtlanır;
• mesleki yeterlilikler yüksek gereksinimleri karşılar (genel müdür ve baş muhasebeci özel bir yüksek öğrenime, beş yıldan fazla iş tecrübesine sahiptir).

Puanlama modeline dahil edilecek bir sonraki önemli faktör şirketin ömrüdür. Ayrıca, bir durdurma faktörünün getirilmesi gereklidir: işletme bir yıldan daha az bir süredir faaliyet gösteriyorsa, raporlama eksikliği ve şirketin işini anlama kabiliyeti nedeniyle bu model uygulanmayacaktır.

Bir diğer gerekli gösterge, olumlu bir kredi geçmişidir. Bu, aslında gelecekteki bir kredinin hizmet kalitesini karakterize eden en önemli finansal olmayan göstergelerden biridir. Diğer alacaklılara gecikme yaşayan bir işletmeden kredi fonlarının zamanında geri ödenmesine güvenmek mantıksız olacaktır. Dikkate alınan finansal olmayan göstergeleri ve onlar için puan dağılımını Tablo'da sunalım. 3.

Tablo 3. Puanlama modelinin finansal olmayan göstergeleri

Grup	Gösterge göstergeleri		Aralık için maksimum puanın yüzdesi
İş süreçleri	Yönetim kalitesi		1
			0,5
			0
		> 5 yıl	1
		3-5 yıl	0,75
		1-3 yıl	0,25
		< 1 года	Durdurma faktörü
			1
			0,5
			0
		Son mali yıl için kredilerde ve borçlanmalarda sistematik bir gecikmenin varlığı; önemli miktarda vadesi geçmiş hesaplar (> %25)	Durdurma faktörü

Bize göre, borçlunun kalitesini ve yükümlülüklerini yerine getirme kabiliyetini kapsamlı ve kapsamlı bir şekilde değerlendirmesi gereken bir değerlendirme göstergeleri sistemi derledik. Çalışmanın bir sonraki kısmı, herhangi bir puanlama modeli oluştururken, en çok zaman alan kısımdır - çeşitli tahmini göstergelerin ağırlığını belirlemek. Modelimizin tahmin değeri, belirli faktörlerin önemini ne kadar objektif olarak değerlendirdiğimize bağlıdır. Bu makale, olası hataları ortadan kaldırmak için çeşitli yöntemlere göre ağırlıkları analiz edecektir.

Ağırlık katsayıları önce analitik prosedürler kullanılarak belirlenecek ve daha sonra regresyon analizinin sonuçlarıyla karşılaştırılacaktır.

MODELİN AĞIRLIK KATSAYILARININ ANALİTİK TAHMİNİ

Değerlendirme aracı olarak TL kitabında detaylı olarak anlatılan metodolojiyi ele alacağız. Saaty "Çatışma durumlarının matematiksel modelleri" [b]. Bu yöntem, çeşitli faktörlerden uzaklaşmanıza ve belirli bir zaman noktasında sadece ikisini önem açısından karşılaştırmanıza ve sonuçta faktörlerin her birinin herhangi bir genel gösterge üzerindeki etkisinin önemini belirlemenize olanak tanır. Teknik, herhangi bir ortak göstergeyi etkileyen faktörler için oluşturulmuş ikili karşılaştırma matrislerinin derlenmesine dayanmaktadır. Bu tür matrisler, örneğin finansal kaldıraç, borç yükü ve faiz kapsamı katsayıları ile temsil edilen faktörler bağlamında ödeme gücü göstergesi için oluşturulabilir. Görev, herhangi bir genel göstergeyi etkileyen tüm faktör grupları için bu tür matrisler oluşturmaktır. Sonuç olarak, tablo için iki matris oluşturulacaktır. 2 - "Ödeme gücü" ve "İş faaliyeti" gösterge grupları için, tablo için bir matris. 3 - iş süreçlerinin göstergeleri için ve ayrıca toplu seviyeler için iki matris - "Likidite", "Ödeme gücü" ve "İş faaliyeti" gösterge gruplarından oluşan bir grup finansal gösterge için bir matris ve iki toplu blok için bir matris - genel olarak finansal ve finansal olmayan göstergeler.

Toplamda, her biri içerdiği gösterge için kendi katsayısını verecek olan beş ikili karşılaştırma matrisi vardır. Bu nedenle, hiyerarşinin en altındaki bir ölçü için, örneğin faiz karşılama oranı için bir ağırlık faktörü elde etmek için, finansal göstergelerin ağırlıklandırma faktörünü, finansal göstergeler içindeki ödeme gücü göstergelerinin ağırlık faktörü ile çarpmak ve finansal göstergelerdeki faiz kapsamı göstergesinin katsayısı ile.

Gösterge grupları için matrislerin kendi başlıklarında, faktörlerin adları dikey ve yatay sütunlara yerleştirilir. Daha sonra matrisler, Tabloda sunulan metodolojiye göre bir faktörün öznel tercihlerinin diğerine ampirik bir forma dönüştürülmesini temsil eden değerlerle doldurulur. 4 (Şekil 2'deki veriler kullanılarak).

Tablo 4. T. Saaty Yöntemi. Tercihlerin sınıflandırılması (Şekil 2'ye göre)

Çoğunlukla tek sayılar kullanılır, ancak seçim yapmak zorsa, iki tek arasındaki ortalama seviye olarak çiftleri kullanabilirsiniz. Dört faktör için böyle bir matrisin bir örneği Şekil 2'de gösterilmektedir. 2. Buna göre aynı çarpanı karşılaştırdığımızda eleman 1 değerini aldığı için bu tür matrisler özdeştir. Ayrıca ters simetrik olduklarını görmek kolaydır, bu da böyle bir matrisi yalnızca ana köşegenin üstünde veya altında bulunan değerler için doldurmamıza izin verir.

İkili karşılaştırma matrislerinin ters simetrik olduğu göz önüne alındığında, yalnızca bir yönde karşılaştırma yapılmalı ve ana köşegenin altındaki değerler tersine çevrilirken karşılık gelen değerleri ana köşegenin üzerindeki matrise girmelidir.

Bu tür beş matris alındıktan sonra ağırlık katsayıları hesaplanır: matrislerdeki her bir değerin sütundaki toplam toplama göre ağırlığı ölçülecek ve daha sonra bu değerlerin aritmetik ortalaması alınacaktır. her satırda. Aritmetik ortalama değerler ağırlık katsayıları olacaktır. Bir grup ödeme gücü göstergesi için bir matris örneği, Şek. 3.

Açıklanan hesaplamaları yaptıktan sonra, her göstergenin özgül ağırlığını elde ederiz. Daha fazla hesaplama kolaylığı için, mümkün olan maksimum puanı, göstergenin özgül ağırlığının 50 1 çarpımı ve ardından bir tam sayıya yuvarlama olarak tanımlarız (Tablo 5.6).

1 Bu işlem yalnızca kolaylık sağlamak amacıyla yapılmıştır, 50 sayısı minimum katsayının bir tamsayı değerine (bu durumda 2 değeri) gitmesine izin verir. Tüm katsayılar aynı sayı ile çarpıldığı için analitik yaklaşımın sonuçlarını çarpıtmıyoruz. - Yaklaşık. ed.

REGRESYON ANALİZİYLE GÖSTERGELERİN ÖNEMİNİN BELİRLENMESİ

İstatistiksel bir çalışma yapmak için perakende sektöründen 41 büyük şirketin verilerini kullandık. Bu şirketler şirket tahvili ihraç etti ve 16 tahvil temerrüde düştü. Her bir şirket için, kurumsal tahvillerin ihraç edildiği yıldaki yıllık raporlara dayalı olarak, puanlama modelinin seçilen sekiz göstergesi hesaplanmıştır. Örnek Ek 1'de sunulmuştur. Açıklayıcı bir gösterge y içerir - şirket yükümlülüklerini yerine getirmediyse 1 değerini alan temerrüt olasılığı. Sağdaki seçilen üç gösterge, niteliksel yapıları nedeniyle kukla değişkenler olarak ayarlandı (yalnızca 0 veya 1 değerlerini alabilirler). Şirketin son üç yılda net karı > O (Nl > 0), istikrarlı ve yüksek kaliteli bir yönetim ekibi (yönetici) ve olumlu bir kredi geçmişi (geçmiş) varsa 1 değerlerini alırlar. Mali göstergeler (ilk beş gösterge), temerrüde düşen tahvillerin ihraç edildiği yılda UFRS standartlarına göre yıllık mali tablolar bazında hesaplanmıştır.

Çalışma için bir model olarak lineer çok değişkenli regresyon yapısını seçiyoruz:

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

p, temerrüt olasılığını tanımlayan bağımlı değişkendir;
w - ağırlık katsayıları; x - göstergeler.

Öyleyse, ilk verileri Excel'e girelim ve Veri analizi - Regresyon işlevini kullanalım. Puanlama modelinin sekiz göstergesi için ilk verileri düzeltmeler olmadan analiz ederken, Ek 2'de sunulan sonucu elde ederiz. Düzeltilmiş R^2 0,55'tir - düşük ancak kabul edilebilir bir değerdir ve bu, yapılandırılmış regresyonun pratik önemini gösterir. Verilerde aykırı değerlerin varlığının öneminin düşük olmasının nedeni hakkında bir varsayım ileri sürmek mümkündür, örneğin borç yükünün olmaması nedeniyle bazı şirketler için FAVÖK / Faiz açısından değerlerin olmaması ( basitleştirilmiş, çalışmanın amaçları için, bu durumda katsayı değeri 0'a eşit alınmıştır) veya negatif nakit akışı nedeniyle Borç / FAVÖK göstergesinin negatif değeri. Bu durumda, olumsuz bir göstergenin etkisi yanlış algılanır, çünkü çalışmanın mantığına göre Borç / FAVÖK ne kadar yüksek olursa, temerrüt olasılığı o kadar yüksek olur; olumsuz bir gösterge ise, düşük borç yükünün bir göstergesi değildir. Ayrıca, tahmin yeteneği, bireysel göstergelerin belirgin aşırı değerlerine sahip şirketlerden etkilenir. Bu nedenle, Banana-Mama şirketinin 10.000 ruble öz sermayesi vardır, bu da ilgili göstergelerin bozulmasına yol açar - finansal kaldıraç 181.957'dir (sektörün ortalama değerleri 0.7-1.5 aralığındadır).

Tablo 5. Ağırlığı dikkate alan finansal göstergeler

dizin	Puan kartındaki ağırlık	En yüksek puan	katsayı aralığı
			>1	5
Mevcut likidite oranı	0,1072	5	> 1	5
			0,75-0,1	4
			0,5-0,75	1
			0-0,5	0
Mevcut likidite oranı	0,1581	8	< 1	8
			1-1,5	6
			1,5-2	4
			2-2,5	2
			> 2,5	0
Borç Yük Oranı, Net Borç / FAVÖK	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
Satış getirisi, ROS	0,1256	6	> 0,025	6
			0,02-0,025	5
			0,015-0,02	3
			< 0,015	0
	0,0418	2	Değil	2
			Bir raporlama dönemi için	1
			İki veya daha fazla raporlama dönemi için	0
Toplam	0,6698	33	-	68

Şu altı şirketi çalışmanın dışında bırakalım: Gorod süpermarket, Intertrade, M.Video (2013), Svyaznoy, Banana-Mama ve Proviant. Ayrıca, ROS göstergelerinin eşzamanlı kullanımının imkansızlığına ve yüksek korelasyonlarından dolayı kayıpların (Nl > 0) olmamasına dikkat çekiyoruz. Gerçek şu ki, şirket zarar ederse, satışların karlılığı otomatik olarak negatif bir değer alır.

Tablo 6. Ağırlığa göre finansal olmayan göstergeler

dizin	Puan kartındaki ağırlık	En yüksek puan	Oran Aralığı / Tahmin Metodolojisi	Ağırlık aralığı için puan sayısı
Yönetim kalitesi	0,099	5	Açıklanan tüm koşulların yerine getirilmesi	5
			Şartlardan birinin yerine getirilmemesi	2,5
			Birden fazla koşulun sağlanamaması	0
şirketin hayatı	0,0528	3	> 5 yıl	3
			3-5 yıl	2
			1-3 yıl	1
			< 1 года	Durdurma faktörü
Olumlu kredi geçmişi	0,1782	9	Borç ve borçlarda temerrütlerin olmaması, vadesi geçmiş borç hesapları	9
			Borç yeniden yapılandırmasına ilişkin bilgilerin mevcudiyeti; ödenecek hesaplarda önemsiz gecikmeler (%10'a kadar)	4,5
			Krediler ve kredilerde sonradan geri ödemeli tek bir gecikme vakası; ödenecek hesaplarda önemli gecikmeler (toplam borcun %10-25'i)	0
			Son mali yıl için kredilerde ve borçlanmalarda sistematik bir gecikmenin varlığı; Önemli miktarda vadesi geçmiş hesaplar (>%25)	Durdurma faktörü
Toplam		17

Bu düşüncelere dayanarak, Nl > 0 göstergesini modelimizden kaldırıyoruz. 35 şirketin güncellenmiş bir örneğinde yeni bir yedi faktörlü regresyon için aşağıdaki sonucu elde ederiz (Ek 3). İncelenen yedi göstergeden altısının önemli olduğunu görüyoruz. Katsayılardaki işaretler, yukarıda yapılan varsayımları doğru bir şekilde yansıtır: satışların karlılığı ve yönetim kalitesi ne kadar yüksekse, temerrüt olasılığı o kadar düşük (y = 1) ve tam tersi: borç yükü ne kadar yüksekse, olasılık o kadar yüksek varsayılan. İlk bakışta, işaret yalnızca mevcut likidite oranı için yanlıştır. Bununla birlikte, yüksek likidite değerleri küçük olanlar kadar kötüdür - düşük iş verimliliğini ve kâr kaybını gösterirler. Yüksek likidite oranlarına sahip şirketler, potansiyel yatırımcıların gözünde onları daha az çekici hale getiren ve dolayısıyla finansal koşullardaki değişikliklere karşı daha savunmasız hale getiren kâr eksikliklerine, düşük kârlılığa ve işletme kârlılığına eğilimlidir. En önemlileri, D (veya Borç - faiz getiren borcun hacmi) / FAVÖK, pozitif kredi geçmişi ve finansal kaldıraç katsayılarıdır; faiz karşılama oranı önemsizdir.

Yukarıda, T. Saaty yöntemini kullanarak katsayıları modellerken, en önemli göstergelerin borç yükü ve finansal kaldıraç katsayıları olacağını da varsaydık. Katsayıların nihai öneminin karşılaştırmalı analizi Tablo'da verilmiştir. 7.

Tablo 7. Katsayıların anlamlılığının karşılaştırmalı analizi

T. Saaty'nin yöntemine göre uzman değerlendirmelerine dayalı gösterge	katsayı	Regresyon analizine dayalı gösterge	p değeri
Olumlu kredi geçmişi	0,1782	Borç Yük Oranı, Net Borç / FAVÖK	0,014
Finansal kaldıraç oranı	0,1581	Olumlu kredi geçmişi	0,020
Borç Yük Oranı, Net Borç /FAVÖK	0,1581	Finansal kaldıraç oranı	0,022
Satış getirisi, ROS	0,1256	Yönetim kalitesi	0,037
Mevcut likidite oranı	0,1072	Satış getirisi, ROS	0,039
Yönetim kalitesi	0,099	Mevcut likidite oranı	0,047
Faiz karşılama oranı, FVÖK / Faiz	0,0790	Faiz karşılama oranı, FVÖK / Faiz	Önemsiz
Şirketin son üç raporlama dönemine ilişkin zararı	0,0418	Şirketin son üç raporlama dönemine ilişkin zararı	Finansal olmayan bir gösterge olarak incelendi, önemsiz

Bu sonuçlar, T. Saaty'nin yönteminin ve istatistiksel verilerin tutarlılığını göstermektedir. Analitik yaklaşıma göre en önemli üç gösterge, pratik bir çalışmada yüksek önemlerini teyit eder, yalnızca göstergelerin sırasının dağılımı değişmiştir. Ayrıca, çalışmanın ilk bölümü için en az önemli olan iki gösterge - yönetim kalitesi ve FAVÖK / Faiz - istatistiksel çalışmada önemsiz çıktı.

Böylece, regresyon analizi, çalışmanın analitik bölümünde ağırlık katsayılarının öneminin sınıflandırılması ilkelerini doğrular ve oluşturulan puanlama modelinin istatistiksel önemi hakkında konuşmamıza izin verir.

GELİŞTİRİLEN PUANLAMA MODELİ SONUÇLARININ BELİRLENMESİ

Puanlama modelinin toplam maksimum puanı 50'dir. Her bir gösterge için, değer aralıklarını belirleme sürecinde, göreceli olarak yüksek risk düzeyinde de olsa kabul edilebilir olan maksimum puandan sonraki seviyeyi temel alarak belirledik. göstergelerin piyasa değerleri hakkında. Bazı göstergeler için, maksimumu takip eden seviye, toplam puan sayısının% 75'i, diğerleri için -% 50 idi. Sonraki tüm seviyeler, yüksek kredi riski olan seviyeler olarak kabul edilecek ve ilgili borçlular kötü olarak sınıflandırılacaktır. En çok tercih edilen grup, en önemli (ağırlık katsayıları açısından) göstergeler için maksimum gereksinimleri karşılayan borçluları içerir: kredi geçmişi, finansal kaldıraç ve borç yükü, ayrıca 31 puan tutarında satış getirisi ve en az yerine getirilmesi diğer göstergeler için aşağıdaki maksimum gereksinim seviyesi - toplamda 12.5. Daha düşük yüksek kredi itibarı için toplam 43,5 puan.

Yüksek derecede kredibiliteyi karakterize eden sınır aralığını belirlemek için, Tablodaki maksimum değer aralığından sonra finansal ve finansal olmayan göstergeler için puan sayısını hesaplıyoruz. 5 ve b. Göstergeler, katsayıların kabul edilen değerlerine göre diğer aralıklara bölünür. Aşağıdaki sınıflandırmayı elde edeceğiz (Tablo 8).

Tablo 8. Sonuçların sınıflandırılması

Tablo 9. Puanlama modelinin tahmin yeteneği, %

Tabloya Dayalı. 8'de, şirket verilerini kendi koşullarına koyarak modelimizin tahmin yeteneğini değerlendireceğiz. Ek 4, ankete katılan şirketler için hesaplanan puanları göstermektedir. Göstergenin değerine bağlı olarak, geliştirilen modele göre puanı tabloya girildi ve ardından tüm puanlar bir integral göstergede toplandı (“Topla” sütunu). Toplam puanlara dayalı olarak, şirketler üç sınıfa ayrıldı, ardından veriler şirket tarafından temerrütün fiili varlığı veya yokluğu ile karşılaştırıldı. "Doğru ya da değil" sütununda 1, puanlama modelinin doğru sonucu, 0 - bir hata anlamına gelir. Böylece aşağıdaki sonucu elde ettik (Tablo 9).

Puanlama modellerinin tahmin yeteneği için ortalama (çeşitli kaynaklarda açıklananlara göre) bir sonuç elde ettik. Ancak, modelimizin tahmin değerini artıran tip II hataların yüzdesinin düşük olması dikkat çekicidir. Bu sonuç olumlu olarak kabul edilebilir ve çalışmanın etkinliğini doğrular.

ÇÖZÜM

Bu çalışmada, büyük perakende ticaret işletmelerinin kredibilitesini değerlendirmek için bir puanlama modeli önerilmiştir. Model, borçlunun finansal ve finansal olmayan durumunu kapsamlı bir şekilde değerlendirmeyi mümkün kılan bir dizi performans göstergesine dayanmaktadır.

Değerlendirmenin sonuçlarına dayanarak, borçluya, kredi riskinin derecesini ve kredi vermenin fizibilitesini karakterize eden üç kredi itibarı sınıfından biri atanır.

Perakende sektöründen bir borçlunun durumunu en doğru şekilde değerlendirmemizi sağlayan bir performans göstergeleri sistemi modelledik. Perakende pazarının liderlerini analiz ettikten ve onlar için kullanılan göstergeleri hesapladıktan sonra, onlar için kabul edilebilir değerlerin sınırlarını belirledik ve mümkün olan maksimum puanın farklı yüzdeleriyle farklı gruplarda sıraladık.

En çok zaman alan görev, incelenen göstergeler için ağırlık katsayılarını belirlemekti. Herhangi bir ideal yöntemin olmaması nedeniyle entegre bir yaklaşıma ihtiyaç olduğu sonucuna varılmıştır. Entegre yaklaşım şu şekilde uygulandı: çalışmanın ilk bölümünde analitik prosedürler kullanılarak ağırlık katsayıları ve ikinci bölümde istatistiksel bir çalışma kullanılarak belirlendi.

Geliştirilen model, tahmin yeteneğinde yüksek sonuçlar gösterirken, analiz için büyük kaynak maliyetleri gerektirmez. Geliştirilen puanlama sisteminin devreye alınması, büyük perakende işletmeleri alanında kredi karar verme etkinliğini artıracak ve kredi sürecini optimize edecektir.

Edebiyat

1. Ayvazyan S.A., Mkhitaryan M.Ö. Uygulamalı istatistik ve ekonometrinin temelleri. - E.: GÜ SEÇ, 1998.

2. Gavrilova A.H. Organizasyon finansmanı. - E.: Knorus, 2007.

3. Korobova G.G., Petrov M.A. Bir banka borçlusunun ödeme gücü ve rekabetçi bir ortamda değerlendirilmesi // Bankacılık hizmetleri. -2005. -Hayır. 7/8. -C. 22-24.

4. Kulikov N.I., Chainikova L.I. İşletme-borçlunun kredibilitesinin değerlendirilmesi. - Tambov: TSTU Üniversitesi, 2007.

5. Rusya Federasyonu Merkez Bankası'nın 254-P sayılı Yönetmeliği "Krediler, kredi ve eşdeğer borçlar üzerindeki olası zararlar için kredi kuruluşlarının rezerv oluşturma prosedürü hakkında" 26 Mart 2004 tarihli - http:// base.garant.ru/584458/.

6. Saati T.L. Çatışma Durumlarının Matematiksel Modelleri / Ed. I.A. Ushakov. - M.: Sovyet radyosu, 1977.

7. Sheremet A.D., Saifulin R.C., Negashev H.B. Finansal analiz yöntemleri. - M.: Kızılötesi M, 2001.

8. Abdou H.A., Pointon J. (2011). "Kredi puanlaması, istatistiksel teknikler ve değerlendirme kriterleri: literatürün gözden geçirilmesi". Muhasebe, Finans ve Yönetimde Akıllı Sistemler, Cilt. 18, hayır. 2-3, s. 59-88.

9. Bailey M. (2004). Tüketici Kredisi Kalitesi: Sigortalama, Puanlama, Dolandırıcılığı Önleme ve Tahsilatlar. Beyaz Kutu Yayıncılık, Kingswood, Bristol.

10. Crook J., Edelman D., Thomas L. (2007). "Tüketici kredi risk değerlendirmesinde son gelişmeler". Avrupa Yöneylem Araştırmaları Dergisi, Cilt. 183, hayır. 3, s. 1447-1465.

11. Gately E. (1996). Finansal Tahmin için Sinir Ağları: En Son Ticaret Sistemlerini Tasarlamak ve Uygulamak için En İyi Teknikler. New York: John Wiley & Sons, Inc.

12. Guillen M., Artis M. (1992). Bir Kredi Puanlama Sistemi için Sayım Veri Modelleri: Süre Ekonometrisi, Sayım ve Geçiş Modelleri Üzerine Kantitatif Ekonomi ve Ekonometride Avrupa Konferans Serisi. Paris.

13. Heffernan S. (2004). çağdaş bankacılık John Wiley & Sons, Inc., Chichester, Batı Sussex.

14. Liang Q. (2003). "Çin'de kurumsal mali sıkıntı: kredi puanlama modellerini kullanan ampirik bir analiz". Hitotsubashi Ticaret ve Yönetim Dergisi, Cilt. 38, hayır. 1, s. 13-28.

EK 1.

Örnek çalışma

№	Şirket	y / Varsayılan bayrak	Mevcut likidite oranı			FAVÖK / Faiz/ FVÖK/faiz oranı		NI > 0/ Net karın varlığı
1	Eczane 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	Bağırmak	0	0,795	0,77	3,13	1,89	0	0	1	1
4	Kurdele	0	0,75	9,7	2,91	3,1	0,049	1	1	1
5	TAMAM	0	0,67	0,78	1,59	7,01	0,0357	1	1	1
6	otomobil dünyası	0	1,2	0,65	3,09	1,35	0,04	1	1	1
7	Х5 Perakende Grubu	0	0,55	0,53	3,32	2,82	0,027	1	1	1
8	Şehir	0	0,99	18,97	10,25	1,29	0,01	1	1	0
9	Çocuğun dünyası	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	atlıkarınca	0	0,73	0,68	3,175	1,71	0,059	1	1	1
13	kuruş	0	0,68	2,93	7,03	1,82	0	0	1	1
14	Kosmos Grubu	0	1,64	1,11	2,88	2,65	0,043	1	1	1
15	Mıknatıs	0	ve	0,54	1,11	10,2	0,061	1	1	1
16	Manolya	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	Rusya'nın Ayakkabıları	0	0,87	2,34	1,87	5,65	0,1	1	1	1
21	Kavşak (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	Bir aile	0	10	0,28	1,66	6	0,58	1	1	1
24	Svyaznoy	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	Prestij Ekspresi	1	8	0,98	12,43	1,02	0,002	1	0	1
28	Arbat Prestij	1	0,49	1,81	7,6	1,45	0,017	1	1	0
29	Orkide	1	3	1,164	13	0	0,01	1	0	1
30	muz anne	1	0,94	181957	-35	-0,6	-0,033	0	1	0
31	beyaz fırkateyn	1	7	932	8,76	0,88	-0,4	0	1	1
32	Martha	1	3,96	20	11	1/17	0,003	1	1	1
33	Matris	1	2,38	21	6,82	1	0,001	1	0	0
34	Merkür (kendini övmek)	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	polisya	1	7,93	15	14	1,03	0,003	1	0	1
38	Karşılık	1	0,12	35557	0	0	-0,819	0	0	1
39	yedinci kıta	1	1,93	0,41	1,52	1,35	0,07	1	0	1
40	Teknosil	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

Not: Şirketin temerrüdü varsa, katsayı 1, temerrüt yoksa 0 değerini alır.

EK 2

41 firma için sekiz faktörde regresyon

Regresyon ve Kalıntı	DF / Serbestlik derecesi sayısı	SS / Kareler toplamı	MS=SS/DF	F-istatistiği	Önem F / Önem
Regresyon / Regresyon	8	6,250849408	0,781356176	7,133131961	2.17209Е-05
artık	32	3,505248153	0,109539005	-	-
Toplam / Toplam	40	9,756097561	-	-	-

Kullanılan Parametreler			tStat/ t-istatistiği	P-vaiue / Önem
Engelleme / Sabit	0,354797355	0,281481615	1,260463691	0,216616062
Mevcut likidite oranı	0,034652978	0,01876389	1,846790732	0,074043212
Kaldıraç / Finansal kaldıraç	1.31819Е-05	4.77939E-06	2,758072506	0,009529947
D / FAVÖK / Faizli borç / FAVÖK oranı	0,044980795	0,018152923	2,477881708	0,018682248
	-0,012377044	0,030936193	-0,40008296	0,691753745
ROS / Satış getirisi	-0,530759612	0,375019201	-1,415286499	0,166643428
NI > 0 / Net karın varlığı	-0,02891433	0,164713359	-0,175543319	0,861758855
Yönetici / Kalite Yönetimi	-0.266367tl2	0,134861932	-1,975109717	0,056935374
Geçmiş/Kredi geçmişinin kalitesi	-0,109402928	0,159841844	-0,684444857	0,498621797

EK 3

35 firma için yedi faktörde regresyon

Regresyon ve Kalıntı	DFI Serbestlik derecesi sayısı	SS / Kareler toplamı	MS=SS/DF	F-istatistiği	Önem F / Önem F
Regresyon / Regresyon	7	5,898901667	0,842700238	9,097165886	9.56Е-06
artık	27	2,501098333	0,092633272	-	-
Toplam / Toplam	34	8,4	-	-	-

Kullanılan Parametreler	Katsayılar / Katsayılar	Standart Hata / Standart Hata	t İstatistik/ t-istatistik	P-değeri / Önemi
Engelleme / Sabit	0,473712463	0,25308461	1,871755309	0,072111654
Mevcut likidite oranı	0,018420061	0,017803477	1,034632774	0,047018946
Kaldıraç / Finansal kaldıraç	0,017110959	0,009674238	1,768713818	0,022823937
D / FAVÖK / Faizli borç / FAVÖK oranı	0,046019604	0,021802198	2,110778177	0,014194286
EBIT / Faiz / EBIT / faiz oranı	-0,004583381	0,032996403	-0,13890548	0,89055573
ROS / Satış getirisi	-0,582081686	0,483677061	-1,203451088	0,039247801
Yönetici / Kalite Yönetimi	-0,174077167	0,138900851	-1,253247659	0,03786026
Tarihçe / Kredi geçmişinin kalitesi	-0,378981463	0,194742843	-1,946061058	0,020243892

EK 4

Firmaların örneklem üzerinden puanlama modeli ile değerlendirilmesi

Şirket	saat	Mevcut likidite oranı	Kaldıraç / Finansal kaldıraç	D / FAVÖK / Faizli borç / FAVÖK oranı	EBIT / Faiz / EBIT / faiz oranı	ROS / Satış getirisi	Yönetici / Kalite Yönetimi	Geçmiş / Olumlu kredi geçmişi	şirketin hayatı	toplam	Sınıf	Doğru ya da değil*
Eczane 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
Bağırmak	0	4	8	0	4	0	5	9	3	33	2	1
Kurdele	0	1	0	0	4	6	5	9	3	28	3	0
TAMAM	0	1	8	4	4	6	5	9	3	40	2	1
otomobil dünyası	0	5	8	0	3	6	5	9	3	39	2	1
Х5 Perakende Grubu	0	1	8	0	4	5	5	9	3	35	2	1
Çocuğun dünyası	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
atlıkarınca	0	1	8	0	4	6	5	9	3	36	2	1
kuruş	0	1	0	0	4	0	5	9	3	22	3	0
Kosmos Grubu	0	5	6	0	4	6	5	9	3	38	2	1
Mıknatıs	0	5	8	8	4	6	5	9	3	48	1	1
Manolya	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
Rusya'nın Ayakkabıları	0	4	2	4	4	6	5	9	3	37	2	1
Kavşak (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
Bir aile	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
Prestij Ekspresi	1	5	8	0	2	0	0	9	3	27	3	1
Arbat Prestij	1	0	4	0	3	0	5	0	3	15	3	1
Orkide	1	5	6	0	0	0	0	9	3	23	3	1
beyaz fırkateyn	1	5	0	0	0	0	5	9	3	22	3	1
Martha	1	5	0	0	2	0	5	9	3	24	3	1
Matris	1	5	0	0	0	0	0	0	3	8	3	1
Merkür (kendini övmek)	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
polisya	1	5	0	0	2	0	0	9	3	19	3	1
yedinci kıta	1	5	8	4	3	6	0	9	3	38	2	0
Teknosil	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

* Sütun, puanlama modeline göre şirkete kredi verme konusunda doğru kararı alıp almadığımızı gösterir.