CC BY
14
В.Г. Шелепов
КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ПАРТНЕРСТВА БАНКОВ И ГОСУДАРСТВА В КОНТУРЕ ИНСТИТУЦИОНАЛЬНОГО МОДЕЛИРОВАНИЯ БИЗНЕС-СРЕДЫ
Аннотация
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. Такая модель продуцирует позитивный эффект для банков - в части обеспечения их устойчивости, для бизнеса - в части улучшения бизнес-климата и для государства - в части развития источников бюджетных поступлений.
Annotation
The article is devoted to the research of prospects of analysis techniques of enhancement of borrowers’ 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. Such model generates positive effect for banks - regarding provision of their stability, for business - regarding improvement of a business climate and for the state - regarding development of sources of budgetary receipts.
Ключевые слова
Банки, государство, бизнес, бизнес-среда, институциональное моделирование, риски кредитоспособности, оценка кредитоспособности, нестандартное событие, управление надежностью банка, инновационное развитие.
Keywords
Banks; state; business; business environment; institutional modeling; credibility risks; credit scoring; substandard event; reliability management of a bank; innovative development.
Современные системы оценки кредитоспособности заемщика должны учитывать не только текущее состояние компании, но и быть ориентированы на прогнозирование уровня финансовой устойчивости на весь срок кредитования, поскольку коррекция ставок по кредиту во время действия договора не допускается согласно законодательству РФ. С этих позиций представляется необходимым использовать не линейное трендирование, а более сложные прогностические системы. Прогностические системы следует конструировать
на базе компиляции данных о внешней среде (функционал искусственных нейронных сетей) и о внутренней среде заемщика (функционал нечеткой логики).
Использование искусственных нейронных сетей позволит выявлять новые события во внешней среде заемщика. В настоящее время искусственные нейронные сети используются для получения вывода об уровне финансовой устойчивости заемщика по результатам анализа данных финансовой отчетности [см. 1, 2, 3]. Однако в настоящем исследовании предлагается использовать ис-
кусственные нейронные сети для анализа внешней среды в той ее части, кото-
Страновой риск Рыночные риски
Риски
кредитоспособности
рую не охватывают группы методов анализа внешней среды (рисунок 1).
Поле, не охваченное классическими методиками
Потенциал локализации неоп-
/
ределенности
Рис. 1. Схема локализации неопределенности внешней среды заемщика
Поскольку наибольшее воздействие на жизнеспособность и стратегию развития финансовых институтов оказывают именно случайные, непрогнозируемые, нестандартные события, которые лежат в поле А1, постольку основной задачей совершенствования методик анализа внешней среды заемщиков должно становиться сокращение и локализация неопределенности (до А2). Это позволит с большей точностью определять вектор финансовой устойчивости заемщиков, а также детерминировать новые факторы, оказывающие влияние на уровень деловой активности и финансовой их устойчивости.
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 риска кредитоспособности опираются
на математический аппарат эконометрики и математической статистики. Однако следует отметить, что установление жестких уравнений корреляции и регрессии на основе использования усредненных значений не может быть однозначно оправдано при анализе социально-экономических явлений.
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 социально-экономических явлений.
[5]
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, то есть если исследовать такие явления, как доход, финансовые потоки, уровень ликвидности и рентабельности или любые иные виртуальные явления, не имеющие объективных ограничений в
своей величине, то следует всегда иметь в виду, что появление в исследуемой среде явления с новыми параметрами, сильно отличными от среднестатистических, может кардинально изменить представления о допустимых уровнях значений критериев, получаемых в процессе их анализа.
Нестандартные риски, возникающие в процессе взаимодействия банков и их контрагентов, необходимо группировать отдельно и после анализа систематизировать. При большом количестве событий определенной нестандартной ситуации важно выделять такие риски в отдельное подмножество, с новой функцией представления. Для анализа нестандартных рисков предлагается 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 аналитикам и риск-менеджерам банка следует обратить на это нестандартное событие пристальное внимание: оценить типы рисков, которые могут быть спродуцированы этим нестандартным событием, уровень риска, который может нести это новое нестандартное событие (явление, признак) и отмоделировать его влияние на уровень риска банка при помощи существующих методов.
Сети, называемые картами Кохо-нена (Self-Organizing Maps, SOM), - это одна из разновидностей нейронных сетей, однако они принципиально отличаются от рассмотренных выше, поскольку используют неконтролируемое обучение: при таком обучении обучающее множество состоит лишь из значений входных переменных, в процессе обучения нет сравнивания выходов нейронов с эталонными значениями.
Можно сказать, что такая сеть учится понимать структуру данных. Эта способность интересна, поскольку задачей совершенствования систем банковского риск-менеджмента ставится именно исследование нестандартных событий.
Идея сети Кохонена принадлежит финскому ученому Тойво Кохонену (1982 г.). Основной принцип работы сетей - введение в правило обучения нейрона информации относительно его расположения.
Самоорганизующиеся карты могут использоваться для решения таких задач, как: моделирование, прогнозирование, поиск закономерностей в больших массивах данных, выявление наборов независимых признаков и сжатие информации. Наиболее распространенное применение сетей Кохонена - решение задачи классификации без учителя, то есть кластеризации.
При такой постановке задачи дан набор объектов, каждому из которых сопоставлена строка таблицы (вектор значений признаков). Требуется разбить исходное множество на классы, то есть для каждого объекта найти класс, к которому он принадлежит.
В результате получения новой информации о классах возможна коррекция существующих правил классификации объектов. Карты 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 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, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну.
Сеть Кохонена обучается 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.
В результате работы алгоритма центр кластера устанавливается в определенной позиции, удовлетворительным образом кластеризующей примеры, для которых данный нейрон является «победителем». В результате обучения сети необходимо определить меру соседства нейронов, то есть окрестность нейрона-победителя.
Окрестность представляет собой несколько нейронов, которые окружают нейрон-победитель. Сначала к окрестности принадлежит большое число нейронов, далее ее размер постепенно уменьшается. Сеть формирует топологическую структуру, в которой похожие примеры образуют группы примеров, близко находящиеся на топологической карте.
Полученную карту можно использовать как средство визуализации при анализе данных. В результате обучения карта Кохонена классифицирует входные примеры на кластеры (группы схожих примеров) и визуально отображает многомерные входные данные на плоскости нейронов.
Уникальность метода самоорганизующихся карт состоит в преобразовании п-мерного пространства в двухмер-
ное. Применение двухмерных сеток связано с тем, что существует проблема отображения пространственных структур большей размерности.
Имея такое представление данных, можно визуально определить наличие или отсутствие взаимосвязи во входных данных.
Раскраска карты, а точнее, ее i-го признака (показателя pr_a), в трехмерном представлении, иллюстрирует значимость прецедента (нейрона). Темносиние участки на карте соответствуют наименьшим значениям показателя, красные - самым высоким.
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 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 определения аспектов воздействия этого нестандартного события на финансовую устойчивость заемщика (рисунок 2).
Рис. 2. Карта Кохонена в трехмерном пространстве
Таким образом, использование нейронной сети Кохонена оправдано для исследования внешней среды заемщиков в целях определения нестандартных явлений, способных оказать воздействие на финансовое состояние компании. Результаты обработки информации должны анализироваться экспертами и аналитиками банка, поскольку определение характера воздействия нестандартных событий, иллюстрируемых нейронами-победителями, на компанию (или несколько компаний) - это задача интеллектуального анализа.
Например, банк, анализируя кредитоспособность контрагентов (потенциальных заемщиков - юридических лиц), принимает за нормативные величины среднеотраслевые значения показателей ликвидности, управления активами, уровня долговой нагрузки. Однако в свете вступления России в ВТО нельзя исключать появление в отраслях более сильных игроков, чьи финансовые показатели будут на порядок выше, чем у российских предприятий. Перед банками в ближайшее время станет сложная проблема: занижать требования к уровню финансового состояния заем-
щиков, повышая свои риски, но поддерживая национальных производителей, либо повышать требования, снижая риски и работая с более сильными иностранными акторами, однако ставить под угрозу дефицита ликвидности отечественных производителей.
Дело в том, что обеспечение потока дохода банков может идти в разрез со стратегией инновационного развития российской экономики, так как открытие рынков, в конечном итоге, ставит в невыгодное положение национальных производителей. Но именно отечественные производители формируют основную налоговую базу, являющуюся источником пополнения бюджета. Таким образом, запланированный до 2013 г. уровень ВВП может быть обеспечен только при наличии релевантой налоговой базы [6].
При усилении конкуренции на внутреннем рынке, а также возможном снижении уровня конкурентоспособности национальных авторов после присоединения к ВТО, налоговые поступления могут сокращаться в результате вымывания национальных производителей с рынка. Для сохранения конку-
рентоспособности национальных компаний перед государством возникает задача институционального моделирования позитивного взаимодействия государства, банков и российских производителей в направлении обеспечения благоприятных условий для инновационной трансформации национального производства.
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, так как:
- 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 так же обеспечения финансовой устойчивости компаний, представляет интерес не только для банков, но и для государства, так как финансово-устойчивая компания реального сектора:
- является надежным заемщиком для банка, то есть 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 финансово-устойчивые 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 действительных потребностей компаний конкретных отраслей. Концептуальная схема подобного взаимодействия представлена на рисунке 5 (см. ниже).
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 (так, 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 что инновационное производство редко бывает прибыльным на первоначальном этапе своего развития, что дает право банку отказать заемщику в кредите, а
это снижает инновационную активность бизнеса;
- нечеткой корреляцией уровня внешних рисков компании-заемщика с
его финансовой устойчивостью, что может приводить либо к недооценке, либо к переоценке уровня кредитоспособности;
Запрос информации о внешней и внутренней среде
Рис. 5. Концептуальная схема взаимодействия банков и государства по моделированию институциональной среды для бизнеса
- высоким уровнем операционных рисков, так как специалист кредитного отдела банка не всегда обеспечивает детальную оценку уровня кредитоспособности контрагентов и к определению его риска дефолта, поэтому оценка рисков, как показал кризис, становится все чаще формальной процедурой, но при этом банки поднимают ставки 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 гарантировано) будет невозвратным либо потребует рефинансирования.
Для решения задач финансовой поддержки компаний инновационного типа можно использовать инструмент
инвестиционного налогового кредитования, который предназначен для следующих целей:
- проведения компанией научноисследовательских или опытно-
конструкторских работ либо технического перевооружения собственного производства, в том числе направленного на создание рабочих мест для инвалидов или защиту окружающей среды от загрязнения промышленными отходами;
- осуществления внедренческой или инновационной деятельности, в том числе создания новых или совершенствования применяемых технологий, создания новых видов сырья или материалов;
- выполнения компанией особо важного заказа по социальноэкономическому развитию региона или предоставления ею особо важных услуг населению;
- функционирования компании территориальной зоны развития [8].
В настоящее время пункт 7 статьи 67 части первой Налогового кодекса Российской Федерации (Собрание законодательства Российской Федерации, 1998, № 31, ст. 3824; 1999, № 28, ст. 3487; 2004, № 31, ст. 3231; 2006, № 31, ст. 3436; 2008, № 48, ст. 5519; 2009, № 30, ст. 3739; № 48, ст. 5711; 2010, № 31, ст. 4198) предложено изложить в следующей редакции: «7. Законами субъектов Российской Федерации по налогу на прибыль организаций (по налоговой ставке, установленной для зачисления этого налога в бюджеты субъектов Российской Федерации) и региональным налогам, нормативными правовыми актами, принятыми представительными органами муниципальных образований, по местным налогам могут быть установлены иные основания и условия предоставления инвестиционного налогового кредита, включая сроки действия инвестиционного налогового кредита и ставки процентов на сумму кредита».
В условиях высокой неопределенности экономики изыскание направлений совершенствования механизма оценки кредитоспособности заемщиков представляется актуальной проблемой не только для банковских институтов, но и для национальной экономики в целом. Ориентация хозяйственной системы на инновационный путь развития продуцирует дополнительный спрос на финансирование инновационных разработок, организацию стартапов, импликацию инновационных компонентов и кластеров в уже существующие производства. С этих позиций, представляется актуальной разработка альтернативных механизмов финансирования инновационной деятельности. Это можно
осуществить в рамках частно-
государственного партнерства с использованием эффективных сочетаний инвестиционных, налоговых, лизинговых механизмов.
Библиографический список
1.Богославский С.Н. Область применения искусственных нейронных сетей и перспективы их развития. - М.: Изд-во МЭИ, 2003.
2.Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт, Альпина Паблишер, 2001.
3.Киричевский М. Л. Финансовые риски.
- М.: Кнорус, 2012.
4.Мариуца О. В., Колнаузов Е.С., Богданов А. В., Дегтярев А.Б. Информационно-аналитическое обеспечение проектирования систем поддержки принятия решений для финансовых рынков.
- С.-П., 2007.
5.Талеб Н.Н. Черный лебедь. Под знаком непредсказуемости / Пер. с англ. В. Сонькина, А. Бердическвкого, М. Кос-тионовой, О. Попова под ред. М. Тюнь-киной. - М.: КоЛибри, Азбука-Аттикус, 2012. - С. 72-75.
6.Нестеренко Т.Г. О перспективной бюджетной политике / Официальный сайт Министерства финансов РФ/ Пресс-служба Минфина России [Электронный ресурс] - Режим доступа: http://www.minfin.ru/ru/press/speech/inde x.php?id4=13854
7.Список получателей инвестиционного налогового кредита будет расширен //Журнал «Российский налоговый курьер» от 01.02.2012 [Электронный ресурс]
- Режим доступа:
http://www.rnk.ru/news/tax/document1800
76^Ш1
8.Цит. по: Поправки к Порядку изменения срока уплаты налога и сбора, а также пени и штрафа налоговыми органами, утвержденному приказом ФНС от 28.09.10 № ММВ-7-8/469
Bibliographic list
l.Bogoslavskiy S.N. The Field of Application of Artificial Neural Network and their Development Perspectives. - M.: Press MEU, 2003.
2.Debock G., Kohonen T. The Analysis of the Financial Data by Means of Self-organized maps. - Alpina Publisher, 2001.
3.Kirichevskiy M.L. Financial Risks. - M.: Knorus, 2012.
4.Mariuza O.V., Kolnauzov E.S., Bogdanov A.V., Degtyaryov A. B. Information and Analytical Provision of the Supporting Systems Projecting to Make Decision for Financial Markets. - S.-P., 2007.
5.Taleb N.N. Black swan. Under the Sign of Unpredictability / Trans, from English V. Sonkina, A. Berdichevskiy, M. Costionova, O. Popova edited by M. Tyunkina. -M.: KoLibry, Azbuka-Atticus, 2012. -C. 72-75.
6.Nesterenko T.G. On Perspective Budget-
ary Policy. / Official site of the Ministry of Finance of the RF/ Press-service of the Ministry of Finance of the RF [on-line resource] - Access mode:
http://www.minfin.ru/ru/press/speech/inde x.php?id4=13854
7.The List of the Investment Tax Credit
Recipients will be extended // Russian Tax Courier from 01.02.2012 [on-line resource] - Access mode:
http://www.rnk.ru/news/tax/documentl800 76.phtml.
8.Quotation according to: Amendments to the procedure for changing the term of tax payment and collection, as well as penalties and fines by the tax authorities, approved by Order
