CC BY
81
ТЕRRА ECONOMICUS ^ 2012 ^ Том 10 № 2 Часть 2
ФОРМИРОВАНИЕ НОВОЙ СИСТЕМЫ РИСК-МЕНЕДЖМЕНТА КРЕДИТНЫХ ОРГАНИЗАЦИЙ
ШЕЛЕПОВ В.Г.,
кандидат экономических наук, доцент, Ростовский государственный университет путей сообщения,
e-mail: vlad_11111@mail.ru
Статья посвящена исследованию перспектив совершенствования методик анализа кредитоспособности заемщика за счет использования функционала искусственных нейронных сетей при анализе внешней среды заемщиков (бизнес-среды). Использование принципиально новой модели оценки уровня кредитоспособности позволит, в партнерстве с государством, осуществлять институциональное моделирование бизнес-среды, исходя из действительных потребностей реального сектора экономики.
Ключевые слова: банки; государство; бизнес; бизнес-среда; риски кредитоспособности; оценка кредитоспособности; нестандартное событие; управление надежностью банка; инновационное развитие.
The article is devoted to the research of prospects of analysis techniques of enhancement of bor-rowers' credit scoring at the expense of functionality application of artificial neural networks at the analysis of an external environment of borrowers (business environment). Application of essentially new model for an estimation of level of credit scoring would allow, in partnership with the state, to perform institutional modeling of a business environment, proceeding from the valid requirements of the real sector of economy.
Keywords: banks; state; business; business environment; credibility risks; credit scoring; substandard event; reliability management of a bank; innovative development.
Коды классификатора JEL: G32.
Основной характеристикой финансовой политики, направленной на поддержку инновационно-ориентированных компаний, является степень ее селективности. Инструменты такой финансовой политики направлены не только на поддержку конкретных отечественных предприятий, но и содержат специальные мероприятия, такие как политика валютного курса, вложения в инфраструктуру, организация универсальных банков реконструкции и развития, налоговая политика стимулирования инноваций, поощрение освоения новых технологий путем создания льготных условий их импорта и привлечения иностранных инвестиций
Эффективность финансовой политики, направленной на поддержку инновационно-ориентированных компаний, зависит от характера и значимости экстерналий и от качества институтов, а значит, и от стадии экономического развития экономики. В арсенале финансовой политики, в зависимости от уровня развития институциональной и культурной среды, предусмотрены различные инструменты и методы стимулирования роста.
Вектор финансовой политики изменяется в зависимости от этапов промышленной политики, среди которых можно выделить следующие: модернизация, экспортно-ориентированный рост, стимулирование ускоренного развития и стадия развитого рынка. Выявляя возможности проведения модернизации, в своей статье д.э.н., профессор Южного федерального университета О.Ю. Мамедов отмечает, что «модернизация - поистине удивительная модель экономического роста, так как считается, что она способна обеспечить небывало ускоренное развитие производства» [2].
О.Ю. Мамедов обращает внимание исследователей на то, что модернизация экономики несовместима с состоянием стабильности, а также с малоэффективным ростом бюджетных расходов, с вбрасыванием в экономику дополнительных денег. Следовательно, в условиях выхода из кризиса, когда у государства и банков возникают проблемы с ликвидностью, необходимо искать инструменты, снижающие риски кредитного взаимодействия агентов рынка, развивающих инновационную экономику.
Стадия роста финансируется главным образом из фондов венчурного капитала и частных вложений в акционерный капитал. Государственные фонды могут софинансировать частные венчурные фонды, при этом формы финансирования и взаимодействия государства и бизнеса в поддержке инноваций зависят от стадии инновационного цикла. Наиболее важной является финансовая государственная поддержка «предпосевной» и «посевной» стадий развития компаний инновационного типа (табл.1).
© В.Г. Шелепов, 2012
Таблица 1
Формы финансирование инновационной деятельности
«Предпосевная» стадия «Посевная» стадия -новое предприятие Стадия роста
Государственные программы. Государственное финансирование проектов. Индивидуальная деятельность, финансируемая частным сектором Совместное финансирование государственных и частных фондов. Передача части рисков государственным фондам. Частные инвестиции. Венчурный капитал. Частные вложения в акционерный капитал Частные вложения в акционерный капитал. Фонды венчурного капитала
Особенности национальной промышленной политики и традиции финансирования российской экономики развития состоят в том, что государство стремится управлять развитием инновационного процесса, стимулировать рост компаний инновационного типа следующими способами:
S прямое бюджетное финансирование (сметное финансирование научных организаций, государственный заказ на производство и поставку научной продукции, фанты на научные исследования, бюджетное субсидирование организаций, участвующих в формировании инновационной среды);
S опосредованное бюджетное финансирование (специально создаваемые государственные научные фонды, негосударственные фонды и институты, средства которых формируются за счет пожертвований и отчислений юридических и физических лиц, освобождаемых от налогообложения);
S налоговые и другие льготы для поддержки инновационной активности (особые режимы амортизационных отчислений, инвестиционные налоговые кредиты, инвестиционная налоговая льгота по налогу на прибыль, льготы по налогу на имущество, расширение перечня вычитаемых расходов по формированию инвестиционных фондов);
^ кредитование, поддержка и страхование инновационных кредитов.
Глобальный кризис показал, что механизм взаимодействия кредитных организаций с контрагентами, которыми выступают инновационно-ориентированные компании, нуждается в определенной коррекции. Сложившиеся на российском рынке методы оценки кредитоспособности заемщика ориентированы на оценку текущего состояния компании и не предоставляют коммерческим банкам возможность оценить в перспективе уровень их устойчивости.
С этих позиций, представляется необходимым при оценке кредитного риска использовать более сложные прогностические системы, структурируемые на интегрированной базе данных о рисках и неблагоприятных событиях во внешней (функционал искусственных нейронных сетей) и внутренней средах, влияющих на бизнес заемщика (функционал нечеткой логики).
Основной задачей локализации неопределенности становится определение и кластеризация нестандартных событий, поэтому представляется обоснованным использование функционала искусственных нейронных сетей. Искусственные нейронные сети используются для решения проблем, которые не могут быть четко сформулированы. Искусственная нейронная сеть - это параллельно распределенная структура обработки информации, состоящая из отдельных элементов (нейронов), которые соединены между собой связями.
Общепринятые модели анализа кредитоспособности опираются на математический аппарат эконометрики и математической статистики. Н. Талеб в своей работе обращает внимание на то, что использование усредненных показателей более чем оправдано для анализа физических и материальных параметров, но не оправдано для социальноэкономических явлений [3].
Используя выводы Н. Талеба, можно заключить, что использование усредненных значений оправдано лишь в том случае, когда предел изменения средней величины стремится к какому-либо фиксированному значению, объективно ограниченному в своем значении. При анализе виртуальных величин неравенство между ними может быть таково, что один единичный пример может дать непропорционально большую прибавку к совокупности или к сумме. Оценивая такие явления, как доход, финансовые потоки, уровень ликвидности и рентабельности конкретной компании, следует принимать во внимание и то обстоятельство, что появление в исследуемой среде явления с новыми параметрами может кардинально изменить представления о допустимых уровнях значений критериев, получаемых в процессе их анализа.
Нестандартные риски динамично развивающихся компаний инновационного типа необходимо выделять и для их анализа использовать функционал нейронных сетей. Такая сегментация необходима для того, чтобы вовремя распознать изменения в состоянии конкретного заемщика, а также уровень кумуляции нестандартных событий (прецедентов) в данном кластере клиентов (например, в отрасли).
Если их количество будет нарастать, то для управления риском понадобится выделять эти события в особой панели оценки риска, оценивать типы рисков, выявляя их допустимый уровень. Особенно важной для формирования системы риск-менеджмента банка представляется комплексная оценка влияния риска заемщика на уровень риска банка. Для выявления параметров этого влияния необходимо использовать карты Т. Кохонена (Self-Organizing Maps, SOM), представляющие собой разновидность сетей, основной принцип работы которых основан на управлении нейронами информации.
Карты Т. Кохонена позволяют реализовать:
1. Разведочный анализ данных. Сеть Кохонена способна распознавать кластеры в данных, а также устанавливать близость классов. Таким образом, пользователь может улучшить свое понимание структуры данных, чтобы затем уточнить нейросетевую модель. Если в данных распознаны классы, то их можно обозначить, после чего сеть
TERRA ECONOMICUS ^ 2012 ^ Том 10 № 2 Часть 2
ТЕRRА ECONOMICUS ^ 2012 ^ Том 10 № 2 Часть 2
48
в.Г шелепов
сможет решать задачи классификации. Сети Кохонена можно использовать и в тех задачах классификации, где классы уже заданы, - тогда преимущество будет в том, что сеть сможет выявить сходство между различными классами.
2. Обнаружение новых явлений. Сеть Кохонена распознает кластеры в обучающих данных и относит все данные к тем или иным кластерам. Если после этого сеть встретится с набором данных, не похожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну.
Представляется, что сеть Т. Кохонена формируется и расширяется методом последовательных приближений. В процессе обучения таких сетей на входы подаются данные, но сеть при этом подстраивается не под эталонное значение выхода, а под закономерности во входных данных. Начинается обучение с выбранного случайным образом выходного расположения центров.
Уникальность метода самоорганизующихся карт состоит в преобразовании п-мерного пространства в двухмерное. Применение двухмерных сеток связано с тем, что существует проблема отображения пространственных структур большей размерности. Благодаря использованию этого метода можно определить, какие нестандартные события (признаки, характеристики) имеют наибольшие значения для рассматриваемого показателя.
Трехмерная карта - это карта кластеров, матрица расстояний, матрица плотности попадания и другие карты, которые характеризуют кластеры, полученные в результате обучения сети Т. Кохонена. Важно понимать, что между всеми рассмотренными картами существует взаимосвязь - все они являются разными раскрасками одних и тех же нейронов. Каждый пример из обучающей выборки имеет одно и то же расположение на всех картах.
При использовании описанного алгоритма построения нейронной сети, у банка появляется возможность отслеживать изменение в состоянии заемщиков, определять новые факторы и признаки кредитоспособности, а значит, сокращать неопределенность, продуцирующую губительную экспансию риска. Задачей экспертов банка становится анализ кластера нейрона-победителя (красная зона, зона максимума) и определение аспектов воздействия этого нестандартного события на финансовую устойчивость заемщика.
Служба стратегического анализа банка в этом случае, помимо своей основной цели, может формировать отчет
об уровне благоприятствования бизнес-среды для бизнеса, поскольку именно банк будет агрегировать данные как о финансовом состоянии компаний, так и о качестве внешней среды. Интегрируя эти данные, банк может выступать институциональным модератором бизнес-среды, поскольку:
■ обладает полной информацией о финансовом состоянии компании-заемщика в динамике;
■ исследует, агрегирует и анализирует качество внешней среды компании заемщика;
■ характеризует направление и качество влияния новых параметров внешней среды на бизнес;
■ может сообщать государственным институтам о проблемах в отрасли для дальнейшего изыскания фискальных и монетарных инструментов поддержки бизнеса (например, инновационного).
Развитие бизнеса и национального реального сектора, а также обеспечения финансовой устойчивости компаний, представляет интерес не только для банков, но и для государства, т.к. финансово-устойчивая компания реального сектора:
• является надежным заемщиком для банка, т.е. не увеличивает уровень риска по кредитному портфелю;
• увеличивает валовой внутренний продукт, что важно в стратегическом развитии национальной экономики;
• является источником пополнения бюджета за счет налогов, поскольку финансовоустойчивые компании формируют эффективную налоговую базу.
Подобный триединый интерес может быть использован для моделирования новой концепции развития институциональной среды развития бизнеса, когда направления модификации институциональной матрицы будут определяться исходя из потребностей компаний конкретных отраслей. Концептуальная схема подобного взаимодействия представлена на рис. 1.
Запрос информации о внешней и внутренней среде
Рис. 1. Схема взаимодействия кредитных институтов и контрагентов
Применение при проектировании новой модели управления кредитными рисками нейронной сети Т. Кохонена в целях определения нестандартных явлений, способных оказать воздействие на финансовое состояние компании-заемщика, позволит более точно определить вектор влияния нестандартных событий на устойчивость банка и его клиентов. Оценивая кредитоспособность заемщиков, банк принимает за нормативные величины среднеотраслевые значения показателей ликвидности, управления активами, уровня долговой нагрузки и т.д. Вместе с тем, обеспечение потока дохода банков может идти в разрез со стратегией инновационного развития российской экономики, т.к. открытие рынков, в конечном итоге, ставит в невыгодное положение национальных производителей, которые формируют основную налоговую базу, являющуюся источником пополнения бюджета.
Профессор В.В. Вольчик обращает внимание на то, что «экономические и социальные обмены формируют неявное знание, которое позволяет акторам получать информацию, необходимую для эффективной деятельности. Повторяющиеся взаимодействия (обмены) осуществляются акторами, которые следуют определенным правилам» [1].
В условиях формирования новой модели роста экономики, основанной на развитии инновационно активных компаний, перед государством встает задача проектирования новых институтов, обеспечивающих позитивное взаимодействие банков и их контрагентов-российских компаний, в направлении обеспечения благоприятных условий для инновационной модернизации национального производства с учетом ограниченности ресурсной базы.
Подавляющее большинство компаний продолжает финансировать оборотный капитал за счет привлеченных средств. В связи с этим, анализ финансовой устойчивости компаний методом коэффициентов (наиболее распространенным методом) в контексте анализа кредитоспособности требует совершенствования, что обусловлено:
отсутствием объективно обусловленных нормативов значений финансовых коэффициентов для всех заемщиков в силу отраслевых различий, разницы в масштабе бизнеса, степенью инновационной ориентации (например, коэффициент текущей ликвидности для российской экономики изменяется в пределе от 1 до 2,5, при этом некорректная трактовка этого показателя в ходе отнесения компании-заемщика к группе финансовой устойчивости может привести либо к отказу в кредите, либо к принятию недостаточно ликвидного контрагента;
отсутствием градации в области определения уровня финансовой устойчивости: представляется, что бинарное деление «кредитоспособен/некредитоспособен» следует разделить на большее количество градаций, потому как инновационное производство редко бывает прибыльным на первоначальном этапе своего развития, что дает право коммерческому банку отказать заемщику в кредите;
нечеткой корреляцией уровня внешних рисков компании-заемщика с его финансовой устойчивостью, что может приводить либо к недооценке, либо к переоценке уровня кредитоспособности;
высоким уровнем операционных рисков, т.к. оператор кредитного отдела редко заинтересован в точном анализе уровня кредитоспособности контрагентов и в определении его риска дефолта, поэтому оценка рисков становится все чаще формальной процедурой, но при этом банки поднимают ставки процентов по кредитам до 40%, заранее пытаясь окупить риск невозврата; абсолютно ясно, что при средней для России рентабельности бизнеса в 5%, кредит, который берется по 40%, практически гарантированно либо будет невозвратным, либо потребует рефинансирования.
В качестве новых инструментов финансирования экономики развития следует особо выделить инвестиционное налоговое кредитование, предназначенное для создания новых или совершенствования применяемых технологий, новых видов сырья или материалов, а также выполнения компанией особо важного заказа по социальноэкономическому развитию региона или предоставления ею особо важных услуг населению.
Таким образом, для осуществления системы модернизационных преобразований в российской экономике необходимо не только изменить сами институты, обеспечивающие финансирование инновационного развития бизнеса, но и создать новую систему управления рисками кредитных организаций, направленную на формирование новой системы информационного взаимодействия между коммерческими банками и ссудополучателями.
ЛИТЕРАТУРА
1. Вольчик В.В. Институты экономической координации и неявное знание // TERRA ЕС0ШМ1СШ (Экономический вестник Ростовского государственного университета). 2011. Т. 9. № 2. С. 17-22.
2. Мамедов О.Ю. «10 мин замедленного действия, или Переживет ли российская экономика свою модернизацию? // TERRA ЕС0ШМ1СШ (Экономический вестник Ростовского государственного университета). 2011. Т. 9. № 2. С. 5-8.
3. Талеб Н.Н. Черный лебедь. Под знаком непредсказуемости / Пер. с англ. В. Сонькина, А. Бердичевского, М. Костионовой, О. Попова; Под ред. М. Тюнькиной. М.: КоЛибри, Азбука-Аттикус, 2012. С. 72-75.
ТЕRRА ECONOMICUS ^ 2012 ^ Том 10 № 2 Часть 2
