CC BY
1146
МЕТОДИЧЕСКИЕ АСПЕКТЫ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ПРЕДПРИЯТИЯ
ДЕРУЖИНСКАЯ М.П.
кандидат экономических наук, доцент, Морская государственная академия имени адмирала Ф.Ф. Ушакова, 353918, Россия, г. Новороссийск, пр. Ленина, 93
В работе рассмотрены современные методы и модели оценки кредитоспособности заемщика отечественных и зарубежных ученых, ведущих финансовых институтов. Изложены некоторые предложения по их совершенствованию.
Ключевые слова: методология; методы; модели; рейтинг; кредитоспособность; банкротство.
Modern methods and models of credit assessment of a borrower worked out by the Russian and foreign scientists as well as by leading financial institutions are considered. Some suggestions for their improvement are made.
Keywords: methodology; methods; models; rating; credit status; bankruptcy.
Коды классификатора JEL: M42.
Кредитный процесс представляет собой процесс организации кредитной деятельности банка, состоящий из совокупности последовательных этапов: от рассмотрения кредитной заявки до погашения ссудной задолженности кредитополучателем и является основным источником создания новой стоимости банковского продукта путем предоставления клиентам специфических услуг, направленных на удовлетворение их соответствующих функциональных потребностей. При рационализации кредитного процесса, как одного из компонентов процесса управления портфелем активов банка, необходимо существующий акцент при организации кредитования, направленный на снижение кредитного и портфельного риска, сместить в сторону увеличения доли услуг процессингового информационно-консультативного характера, с целью существенного сокращения времени, затрачиваемого банком на реализацию бизнес-процесса кредитования, а следовательно, повышения качества банковских услуг и операций.
Интенсивное развитие кредитования сопровождалось заметным ростом объемов просроченной задолженности: за этот период показатель по кредитам небанковскому сектору экономики увеличился на 44%, а по кредитам физическим лицам — в 2,3 раза и составил в 2010 г. 7,48% от объема выданных кредитов [6]. В целом темпы роста объемов просроченной задолженности в 2010 г. уменьшились, что в большей мере связано с большей осторожностью банков после кризиса 2008 г. и на 01.01.2011 объем просроченной задолженности составил 4,7% [9].
Ресурсная база кредитных организаций в период с конца 2008 г. поддерживалась главным образом за счет средств, привлекаемых от Банка России, и бюджетных депозитов, так к 01.01.2009 г. объем кредитов, депозитов и прочих привлеченных средств, достиг 3,4 трлн руб., а уже к 01.01.2011 г. составил 11,127 трлн руб. [9].
Поддержка, оказанная банковскому сектору государством, позволила не допустить полного сворачивания кредитования, но не смогла компенсировать его дефицит. Объем кредитов и прочих размещенных средств, предоставленных нефинансовым организациям, за 2008 г. увеличился на 34,3% и достиг 12,510 трлн руб., а к январю 2011 г. 22,14 трлн руб. [9]. Дефицит кредитования является фактором усугубления кризиса. Основными причинами дефицита кредитования стали ухудшение экономического положения заемщиков и консерватизм банков, а также существование альтернативного кредитованию источника банковских доходов — вложений в иностранную валюту в условиях снижения курса рубля. Показатель достаточности капитала (Н1) составляя в период 2006-2008 гг. 14,5%-16,8% вырос к 01.01. 2011 г. до 18,1% [9].
Темп роста просроченной задолженности по кредитам, депозитам и другим размещенным средствам в 2008 г. существенно опережал темп роста общего объема кредитования (2,3 и 1,4 раза соответственно). В результате удельный вес просроченной задолженности в общем объеме кредитного портфеля увеличился с 1,3% на 01.01.2008 г. до 2,1% на 01.01.2009 г.
© М.П. Деружинская, 2010
ТЕRRА ECONOMICUS ^ 2011 ^ Том 9 № 1 Часть 3
ТЕRRА ECONOMICUS ^ 2011 ^ Том 9 № 1 Часть 3
Таким образом, глобальный экономический кризис оказал существенное негативное воздействие на экономику Российской Федерации и российский банковский сектор. Негативными последствиями развития кризисных явлений стали резкое снижение темпов кредитования, ухудшение качества корпоративного кредитного портфеля, сформировался своего рода «порочный круг»: ухудшение экономического положения предприятий — ухудшение качества кредитов — ужесточение подходов к кредитованию — усиление дефицита кредитования — ухудшение экономического положения предприятий.
Кредитоспособность заемщика зависит от многих факторов, оценить и рассчитать каждый из которых непросто. Большая часть анализируемых на практике показателей кредитоспособности основана на данных за прошедший период или на какую-то отчетную дату, вместе тем все они подвержены искажающему влиянию инфляции. Кроме того, применяется множество методов и подходов решения данной задачи, не исключающих друг друга, а дополняющих в комплексе и делающих оценку кредитоспособности заемщика более соответствующей реальности. Научный и практический интерес представляется классификация подходов к оценке кредитоспособности заемщиков коммерческих банков, предложенная профессором И.В. Вишняковым (рис. 1) [1].
Рис. 1. Классификация моделей оценки кредитоспособности заемщиков профессора И.В. Вишнякова
Классификационные модели дают возможность группировать заемщиков: прогнозные модели позволяют дифференцировать их в зависимости от вероятности банкротства; рейтинговые — в зависимости от их категории, устанавливаемой с помощью группы рассчитываемых финансовых коэффициентов и присваиваемых им уровней значимости.
Рейтинговая оценка (общая сумма баллов) рассчитывается путем умножения значения показателя на его вес (коэффициент значимости) в интегральном показателе. В мировой практике при оценке кредитоспособности на основе системы финансовых коэффициентов применяются в основном следующие пять групп коэффициентов: ликвидности, оборачиваемости, финансового рычага, прибыльности, обслуживания долга.
Американский ученый Э. Рид предложил следующую систему показателей [4], определяющих различные характеристики кредитоспособности предприятия: ликвидности, оборачиваемости, привлечения средств, прибыльности. Эта система позволяет прогнозировать своевременность совершения будущих платежей, ликвидность и реальность оборотных активов, оценить общее финансовое состояние фирмы и ее устойчивость, а также возможность определить границы снижения объема прибыли, в которых осуществляется погашение части фиксированных платежей.
Другая группа ученых (Дж. Шим, Дж. Сигел, Б. Нидлз, г. Андерсон, Д. Колдвел) [8] предложила использовать группы показателей, характеризующих ликвидность, прибыльность, долгосрочную платежеспособность и показатели, основанные на рыночных критериях. В отличие от методики Э. Рида этот подход позволяет прогнозировать долгосрочную платежеспособность с учетом степени защищенности кредиторов от неуплаты процентов (коэффициента покрытия процента), коэффициенты, основанные на рыночных критериях, включают отношение цены акции к доходам, размер дивидендов и рыночный риск. С их помощью определяются отношение текущего биржевого курса акций к доходам в расчете на одну акцию, текущая прибыль их владельцев, изменчивость курса акций фирмы относительно курсов акций других фирм. Однако расчет некоторых коэффициентов сложен и требует применения специальных статистических методов.
Модификацией рейтинговой оценки является кредитный скоринг — технический прием, предложенный в начале 40-х годов XX в. американским ученым Д. Дюраном для отбора заемщиков по потребительскому кредиту. Отличие кредитного скоринга заключается в том, что в формуле рейтинговой оценки вме-
сто значения показателя используется его частная балльная оценка. Для каждого показателя определяется несколько интервалов значений, каждому интервалу приписывается определенное количество баллов или определяется класс. Если полученный заемщиком рейтинг ниже значения, заранее установленного сотрудниками банка, то такому заемщику будет отказано в кредите, а если соответствует нормативам, то кредитная заявка будет удовлетворена.
Прогнозные модели, получаемые с помощью статистических методов, используются для оценки качества потенциальных заемщиков. При множественном дискриминантном анализе (МДА) используется дискриминантная функция (Z), учитывающая некоторые параметры (коэффициенты регрессии) и факторы, характеризующие финансовое состояние заемщика (в том числе финансовые коэффициенты). Коэффициенты регрессии рассчитываются в результате статистической обработки данных по выборке фирм, которые либо обанкротились, либо выжили в течение определенного времени. Если Z-оценка фирмы находится ближе к показателю средней фирмы-банкрота, то при условии продолжающегося ухудшения ее положения она обанкротится. Если менеджеры фирмы и банк предпримут усилия для устранения финансовых трудностей, то банкротство, возможно, не произойдет. Таким образом, Z-оценка является сигналом для предупреждения банкротства фирмы. Применение данной модели требует обширной репрезентативной выборки фирм по разным отраслям и масштабам деятельности. Сложность заключается в том, что не всегда можно найти достаточное число обанкротившихся фирм внутри отрасли для расчета коэффициента регрессии.
Наиболее известными моделями МДА являются модели Альтмана и Чессера [10], включающие следующие показатели: отношение собственных оборотных средств к сумме активов; отношение реинвестируемой прибыли к сумме активов; отношение рыночной стоимости акций к заемному капиталу; отношение объема продаж (выручки от реализации) к сумме активов; отношение брутто-прибыли (прибыли до вычета процентов и налогов) к сумме активов.
Организацию относят к определенному классу надежности на основе значений Z-индекса модели Альтмана. Пятифакторная Модель Альтмана построена на основе анализа состояния 66 фирм и позволяет дать достаточно точный прогноз банкротства на 2-3 года вперед. В более поздних работах ученый изучил такие факторы, как капитализируемые обязательства по аренде, применил сглаживание данных для устранения случайных колебаний. Новая модель с высокой степенью точности предсказывает банкротство на 2 года вперед и с меньшей вероятностью (примерно 70%) — на 5 лет вперед. Построение в российских условиях подобных моделей достаточно сложно из-за отсутствия статистических данных о банкротстве организаций, постоянного изменения нормативной базы в области банкротства и признания банкротства организации на основе данных, не поддающихся учету.
Отечественные дискриминантные модели прогнозирования банкротства представлены двухфакторной моделью М.А.Федотовой [5] и пяти-факторной моделью Р.С.Сайфулина, Г.Г.Кадыкова [7]. Модель оценки вероятности банкротств Федотовой опирается на коэффициент текущей ликвидности (X1) и долю заемных средств в валюте баланса (Х2). В уравнении Сайфулина, Кадыкова используются следующие коэффициенты: коэффициент обеспеченности собственными средствами (нормативное значение (Х1 > 0,1); коэффициент текущей ликвидности (Х2 > 2); интенсивность оборота авансируемого капитала, характеризующая объем реализованной продукции, приходящейся на 1 руб. средств, вложенных в деятельность организации (Х3 > 2,5); рентабельность продаж, рассчитываемая как отношение прибыли от продаж к выручке (для каждой отрасли индивидуальная); рентабельность собственного капитала (Х5 > 0,2). При полном соответствии значений финансовых коэффициентов минимальным нормативным уровням Z=1 финансовое состояние заемщика с рейтинговым числом менее 1 характеризуется как неудовлетворительное.
Помимо МДА-моделей прогнозирования вероятного банкротства заемщика могут использоваться и упрощенные модели, основанные на системе определенных показателей. К примеру, система показателей Бивера [11] включает: коэффициент Бивера (КБивера); рентабельность активов; финансовый рычаг; коэффициент покрытия активов собственным оборотным капиталом; коэффициент покрытия краткосрочных обязательств оборотными активами. Коэффициент Бивера равен отношению разницы чистой прибыли и амортизации к сумме долгосрочных и краткосрочных обязательств. Значение КБивера > -0,15 свидетельствует о неблагополучном финансовом состоянии за год до банкротства, как и значение коэффициента покрытия активов чистым оборотным капиталом меньше 0,06, а коэффициента покрытия краткосрочных обязательств меньше 1.
При классификации кредитов возможно использование модели CART (Classification and regression trees), что переводится как «классификационные и регрессионные деревья». Это непараметрическая модель, основные достоинства которой заключаются в возможности широкого применения, доступности для понимания и легкости вычислений, хотя при построении применяются сложные статистические методы. В «классификационном дереве» фирмы-заемщики расположены на определенной «ветви» в зависимости от значений выбранных финансовых коэффициентов; далее идет «разветвление» каждой из них в зависимости от следующих коэффициентов. Точность классификации при использовании данной модели — около 90%. Пример «классификационного дерева» представлен на рис. 2, где К — финансовый коэффициент; Pt — нормативное значение показателя; В — предполагаемый банкрот; S — предположительно устойчивое состояние.
ТЕRRА ECONOMICUS ^ 2011 ^ Том 9 № 1 Часть 3
TERRA ECONOMICUS ^ 2011 ^ Том 9 № 1 Часть 3
В дополнение к выделенным И.В. Вишняковым моделям необходимо добавить методику, широко используемую в отечественной практике, — методику на основе анализа денежных потоков. Эта методика в отличие от подхода, основанного на финансовых коэффициентах, позволяет использовать не данные об остатках по статьям активов и пассивов, а коэффициенты, определяемые по данным об оборотах ликвидных активов, запасах и краткосрочных долговых обязательствах посредством расчета чистого сальдо различных поступлений и расходов денежных средств за определенный период.
Рис. 2. «Классификационное дерево» модели CART [2]
Разница между притоком и оттоком средств показывает величину общего чистого денежного потока. Кратковременное превышение оттока над притоком говорит о дефиците денежных средств (более низком рейтинге клиента). Систематическое превышение оттока над притоком средств характеризует клиента как некредитоспособного. Сложившаяся средняя величина общего денежного потока может устанавливаться в качестве предела выдачи новых кредитов, так как показывает размер средств, с помощью которых клиент имеет возможность погашать долговые обязательства. На основе соотношения величины общего денежного потока и размера долговых обязательств клиента определяется его класс кредитоспособности.
Для построения экспертной системы оценки кредитных рисков для физических лиц рационально, использовать скоринговую модель, основанную на математических и статистических методах. Назначение кредитного скоринга — автоматизированное принятие решений по выдаче кредитов частным лицам [3].
Cкоринговая модель представляет собой взвешенную сумму определенных характеристик, т.е. интегральный показатель — score, чем он выше, тем выше надежность клиента, и банк ранжирует своих клиентов по степени возрастания кредитоспособности. Интегральный показатель каждого клиента сравнивается с неким числовым порогом, или линией раздела, которая, по существу, является линией безубыточности и рассчитывается из отношения, сколько в среднем нужно клиентов, которые платят в срок, чтобы компенсировать убытки от одного должника. Клиентам с интегральным показателем выше этой линии выдается кредит, клиентам ниже этой линии — нет.
«ПЛОХ1ІС»
Рис. 3. Геометрическая интерпретация скоринговых моделей [3]
Заемщики двух классов изображены на рис. 3 овалами. Верхний овал обозначает — «плохих» заемщиков, нижний — «хороших». По осям на графике размещены факторы риска кредитоспособности — переменные X1 и Х2. Модель скоринга ищет, используя статистику ранее обработанных кредитов, такой взгляд на данные в пространстве фактором риска (на рисунке это пространство двумерное, в общем случае оно многомерное), чтобы под этим углом зрения объекты разных классов были максимально не похожи друг на друга. Этот угол зрения обозначен на рисунке прямой, проходящей между двумя овалами. Перпендикуляр к этой прямой является осью скоринга, проецирование на которую образов «плохих» и «хороших» заемщиков дает возможность отличить их друг от друга. Функция плотности заемщиков разных классов
при проецировании на ось скоринга Z становятся отличными друг от друга. Таким образом в моделях появляются численные значения коэффициентов, взвешивающих входящие в модели факторы риска. Эти коэффициенты являются результатом процедуры обучения, когда для настройки модели ей предъявляются имеющиеся статистические данные, и она подбирает коэффициенты таким образом, чтобы точность распознавания классов заемщиков была максимальной.
Скоринговые модели являются первичным индикатором кредитоспособности потенциального заемщика. На их основе эксперт принимает окончательное решение о выдаче кредита.
Отметим ряд проблем, которые необходимо учитывать при использовании методов оценки кредитоспособности заемщика.
Улучшить отбор основных частных критериев. Эти показатели не должны быть тесно взаимосвязаны между собой. В частности, очевидно, что для приведенной совокупности это требование не выполняется, поскольку коэффициенты текущей и быстрой ликвидности, как правило, очень тесно взаимосвязаны: коэффициент парной корреляции будет близок к 1.
Должны быть обоснованы пороговые значения частных критериев. В частности, для первых двух коэффициентов эти пороговые значения составлены на основе западной практики. В нашей стране довольно сложно осуществить подобный подход. Разработке пороговых значений должно предшествовать накопление данных о фактическом состоянии дел в отношении данных коэффициентов, что вполне по силам любому банку, аккумулирующему данные о своих клиентах.
Весовые значения коэффициентов также должны быть обоснованы. В частности, коэффициент быстрой ликвидности имеет приоритет перед коэффициентом текущей ликвидности. Вряд ли это оправданно для торговой организации, поскольку основную часть оборотных средств составляют товарные запасы, т.е. коэффициент текущей ликвидности, учитывающий эти активы, гораздо более важен.
Необходимость обоснования коэффициентов значимости для каждой группы показателей в соответствии с отраслью деятельности конкретного заемщика.
При рейтинговой оценке учитываются уровни показателей только относительно оптимальных значений, соответствующих определенным установленным нормативам, но не принимается во внимание степень их выполнения или невыполнения.
В системе рассчитываемых коэффициентов не учитываются многие факторы — репутация заемщика, перспективы и особенности рыночной конъюнктуры, оценки выпускаемой и реализуемой продукции, ее конкурентоспособность, перспективы инноваций т.д.
ЛИТЕРАТУРА
1. Вишняков И.В. Методы и модели оценки кредитоспособности заемщика / И.В. Вишняков. СПб.: СПбГИЭА, 1998.
2. Ендовицкий Д.А., Анализ и оценка кредитоспособности заемщика: учебно-практическое пособие // Д.А. Ендовицкий, И.В. Бочарова. 2-е изд., стер. М.: КНОРУС, 2008.
3. Кармаков А.А. Управление кредитными рисками в условиях высокой волатильности рынков. Автореф. дисс. ... на соискание уч. ст. канд. эк. наук: Майкоп, 2010.
4. Рид Э., Коттер Р. «Коммерческие банки», М., СП Космополис, 1991.
5. Родионова В.М., Федотова М.А. Финансовая устойчивость предприятия в условиях инфляции. М.: Перспектива, 1995.
6. «Российская Бизнес-газета» № 763 (30) от 17 августа 2010 г.
7. Шеремет А.Д. Методика финансового анализа / А.Д. Шеремет, Р.С. Сайфулин, Е.В. Негашев. М.: ИНФРА-М, 2001.
8. Шим Дж., Сигел Дж., Нидлз Б., Андерсон Г., Кондвел Д. Финансовый менеджмент. М.: Филинъ, 1996.
9. Экспресс-выпуск обзор банковского сектора Российской Федерации аналитические показатели (интернет-версия) февраль 2011. № 100 // Интернет ресурс: www.cbr.ru.
10. Altman E. Financial ratios discriminant analysis and the prediction of corporate bankruptcy // Journal of Finance, 22 September 1968.
11. Beaver W.H. Financial ratios and predictors of failure// Empirical research in accounting: selected studies, supplement to journal of accounting research, 1966.
ТЕRRА ECONOMICUS ^ 2011 ^ Том 9 № 1 Часть 3
