CC BY
122
ПРИМЕНЕНИЕ НЕЧЕТКО-МНОЖЕСТВЕННОГО ПОДХОДА К ОЦЕНКЕ КРЕДИТОСПОСОБНОСТИ СУБЪЕКТОВ МАЛОГО ПРЕДПРИНИМАТЕЛЬСТВА1
© Лукашевич Н.С.* *, Гаранин Д.А.*,
Чачина Е.Г. , Череватенко В.Н.
Санкт-Петербургский политехнический университет Петра Великого,
г. Санкт-Петербург
Малое предпринимательство играет важную роль в экономическом развитии страны. Актуальность исследования определяется необходимостью создания банками эффективной оценки кредитоспособности малого бизнеса. Кредитование организаций обладает спецификой, что требует применение специальных подходов и моделей для оценки рисков. Проведен обзор ключевых подходов к построению кредит-скорин-говых моделей. Обоснована целесообразность применения нечеткомножественного подхода к оценке кредитных рисков в бизнес-кредитовании как альтернативы коэффициентному анализу.
Ключевые слова кредитование, кредитный скоринг, кредит-скорин-говая модель, нечеткий классификатор, финансовые коэффициенты.
В современных условиях задача управления кредитными рисками является одной из приоритетных для банков. На фоне создания экономических условий, способствующих развитию малого и среднего бизнеса, а также индивидуального предпринимательства, кредитование субъектов малого и среднего бизнеса остается постоянно актуальным вопросом, о чем свидетельствуют стремление банков увеличить кредитные портфели и предложить разнообразные кредитные продукты, ориентированные на различные сегменты субъектов малого и среднего бизнеса, ожесточенная конкуренция банков на данном рынке и увеличивающееся число научно-практических публикаций по данной тематике. На практике банки имеют различные методики определения кредитоспособности организаций, единые отраслевые стандарты отсутствуют. В основе методик лежат данные, полученные при обработке и оценке показателей баланса, форм бухгалтерской отчетности и данных оперативного учета, кредитная история, данные финансового планирования и другая информация.
1 Публикация подготовлена в рамках поддержанного РГНФ научного проекта № 15-32-01237 «Оценка кредитоспособности и условий кредитования субъектов малого предпринимательства на основе нечетко-множественного подхода».
* Доцент, кандидат экономических наук.
* Доцент, кандидат экономических наук.
* Доцент, кандидат экономических наук.
* Консультант ООО «Радон Бизнес Групп».
АКТУАЛЬНЫЕ ВОПРОСЫ ЭКОНОМИКИ
99
Обзор кредит-скоринговых моделей
Кредитный скоринг состоит в оценке риска, связанного с кредитованием организаций или физических лиц. Есть много работ, в которых предлагаются использовать интеллектуальные и статистические методы. Различают следующие виды кредитного скоринга [15]:
1. Application (credit) scoring. Данный вид скоринга относится к оценке кредитоспособности для новых претендентов. Как правило, кредитная оценка представляет собой число, количественную оценку кредитоспособности лица.
2. Behavioural scoring. Данный вид скоринга относится к существующим клиентам и использует текущие финансовые и поведенческие параметры лица для мониторинга и принятия оперативных решений с целью снижения кредитного риска, например, снижения кредитных лимитов.
3. Collection scoring. Данный вид скоринга используется для того, чтобы разделить клиентов с различным уровнем несостоятельности в группы, отделяя тех, кто требует более оперативных действий.
4. Fraud detection scoring. Данный вид скоринга ранжирует кандидатов в соответствии с вероятностью того, что кредитная заявка сфальсифицирована.
Отобранные статьи по тематике кредитного скоринга классифицировались по следующим параметрам:
1. Тип скоринга: для индивидуальных заемщиков; для предприятия в целом; для малых и средних предприятий.
2. Процедура отбора переменных: выбор надлежащих и более значимых переменных имеет основополагающее значение для кредитного скоринга [11]. Есть много различных методов для выбора переменных, например, пошаговая регрессия, факторный анализ и другие подходы.
3. Тип классификатора: кредитный скоринг является проблемой классификации. Есть много методов интеллектуального анализа данных для классификации, в том числе определения вероятности нахождения в конкретном классе кредитных исходов.
4. Гибридные подходы: основная идея гибридных подходов заключается в том, что различные методы имеют свои сильные и слабые стороны, и это понятие имеет смысл, когда методы могут быть объединены. Есть четыре типа гибридизации методов и моделей [3, 10, 16]:
- классификация и кластеризация: классификатор может быть обучен первым, и его выход используется в качестве входа для кластеризации, чтобы улучшить результаты кластеризации;
- кластеризация и классификация: при таком подходе, техника кластеризации в первую очередь используется для того, чтобы обна-
100
АКТУАЛЬНЫЕ ВОПРОСЫ СОВРЕМЕННОЙ НАУКИ
ружить и фильтровать выбросы. Затем оставшиеся данные, которые не фильтруются, используются для обучения классификатора;
- классификация и классификация: при таком подходе, цель первого классификатора является «предварительной процесс», то есть, правильно классифицированные данные по первому классификатору, собираются и используются для обучения второго классификатора;
- кластеризация и кластеризация: комбинация двух методов кластеризации, первый кластерный подход используется для обработки данных. Правильно кластеризованные данные по первой группе используются для второго кластерного подхода.
5. Ансамбли моделей: множество результатов различных классификаторов агрегируются и «усредняются» [16]. Данный подход может использовать уникальный классификатор с различными параметрами или различные комбинации классификаторов.
Результат классификации исследуемых статей позволил сделать следующие выводы. Большинство публикаций, порядка 91 %, было посвящены кредитному скорингу индивидуальных заемщиков. Около 50 % статей использовали методы предварительной обработки и 39 % статей используют методы отбора переменных вручную или другими известными методами.
К основным полученным научным результатам статей можно отнести, например: 1) ансамбли нейронных сетей обеспечивают более точную классификацию, чем отдельные топологии нейронных сетей [16]; 2) применение новых методов отбора переменных для устранения высокой корреляции между ними [10]; 3) сравнение различных нейронных сетей с традиционными методами; 4) решение проблемы несбалансированных классов; 5) изучение гибридных подходов к разработке эффективной модели кредитного скорин-га, основанной на кластеризации и нейронной сети; 6) решение проблемы кредитного отбора на основе деревьев решений для стартапов, малых и средних предприятий [14].
Применение методов интеллектуального анализа данных является новой и растущей тенденцией в кредитном скоринге. Анализ показал (см. рис. 1), что двадцать три различных метода используются семьдесят девять раз, а искусственные нейронные сети занимают первое место (порядка 15 %) среди применяемых методов.
В результате проведенного обзора зарубежной литературы можно сделать следующие выводы:
- незначительное число публикаций по проблемам кредитного ско-ринга организаций, в том числе малого и среднего предпринимательства;
- количество исследований по применению интеллектуального анализа данных в кредитном скоринге значительно увеличится в будущем в области малого и среднего бизнеса;
АКТУАЛЬНЫЕ ВОПРОСЫ ЭКОНОМИКИ
101
- большинство статей, речь в которых идет о кредит-скоринговых моделях, используют фактические данные и автоматизируемый отбор параметров модели;
- деревья решений, основанные на отборе правил классификаторы, экспертные системы и любые другие нечетко-логические методы активно используются в практике из-за доступной для кредитного инспектора интерпретации результатов принятия решений;
- акцент смещается в сторону не просто оценки вероятности дефолта, а оценки стоимостных показателей кредитного скоринга и потерь в результате необнаружения дефолтов заемщиков;
- в области кредитного скоринга несбалансированные наборы данных часто возникают из-за незначительного количества «плохих» заемщиков. Работа с такими ассиметричными выборками, в том числе малыми, является предметом современных статей о кредитном скоринге;
- одной из основных причин ограниченного количества исследования в других областях кредитного скоринга, которая включает в себя поведенческий скоринг, мониторинг мошенничества, является отсутствие соответствующих данных для тестирования и обучения моделей.
14
12
10
8
6
4
2
0
I I 11 I I 11.......................................
& » * & * Л „<? -.о* ль .л, j
■ Individual credit scoring ■ Enterprise credit scoring SME credit scoring
Рис. 1. Основные подходы, используемые в кредитном скоринге для организаций и индивидуальных заемщиков (по числу публикаций)
102
АКТУАЛЬНЫЕ ВОПРОСЫ СОВРЕМЕННОЙ НАУКИ
Предлагаемая в работе [9] методика определения целесообразности кредитования заемщика, базируется на математическом инструментарии теории нечетких множеств. Заемщик обладает неким набором характеристик, которые подлежат оценке при принятии решения о кредитовании. Существует множество критериев, по которым будет производиться оценка кредитоспособности заемщика, и набор условий кредитования. Автором предлагается набор правил нечеткого логического вывода, с помощью которых заемщика относят к определенным классам кредитоспособности. Исходя из класса кредитоспособности, определяются условия кредитования. Автор [8] отмечает ряд задач, связанных с ранжированием заемщиков и определением их приоритетности для банка. Предлагается fuzzy-модель системы поддержки принятия решений при предоставлении кредитов. Согласно предлагаемой модели [8] заемщики разбиваются на четыре группы приоритетности. В качестве параметров для ранжирования заемщиков по приоритетности используются следующие количественные и качественные показатели: величина комиссионного дохода, полученного от заемщика; величина среднемесячных остатков на счетах заемщика; величина процентного дохода, полученного от заемщика; лояльность заемщика к банку. Для каждого заемщика определяется уровень кредитного риска, который разбивается на пять видов. Каждый вид кредитного риска классифицируется следующим образом: минимальный; допустимый; повышенный; высокий; неприемлемый. Анализируется кредитная заявка заемщика, и в зависимости от группы приоритетности и уровня кредитного риска определяется рекомендуемая процентная ставка.
Статья [7] посвящена прогнозированию риска банкротства предприятий при банковском и коммерческом кредитовании. Авторы предлагают собственную классификацию моделей анализа рисков банкротства с учетом их специализации и временного горизонта анализа, приводят сравнительный анализ результатов исследования риска банкротства субъектов малого бизнеса по моделям Альтмана, Бивера, Дюрана и др., анализируют возможность использования моделей для скоринговой оценки контрагента при коммерческом и банковском кредитовании. Авторы приходят к выводу, что «слепое использование в скоринговых системах этих моделей без учета особенностей возникновения, области применения и специфики входящих в их состав показателей и их весовых значений приводит к тому, что риск банкротства для оцениваемых по рейтинговой системе банка предприятий определяется неверно». Такого же выводы пришли авторы статьи [6], результатом которой стало тестирование ключевых рейтинговых моделей на фактических данных финансовой отчетности субъектов малого предпринимательства.
В табл. 1 представлены традиционные модели, которые применяются для оценки кредитоспособности организаций, в том числе субъектов малого предпринимательства [2].
АКТУАЛЬНЫЕ ВОПРОСЫ ЭКОНОМИКИ
103
Таблица 1
Модели оценки кредитоспособности организаций
Наименование модели Достоинства модели Недостатки модели
Метод коэффициентов Позволяет комплексно оценить финансовое состояние заемщика Не учитывает качественные показатели, статистику прошлых лет. Неавтоматизированная система требует постоянной интерпретации значений отдельных показателей
Рейтинговые модели Позволяют автоматизировать оценку методом коэффициентов путем вычисления интегрального показателя. Учитывают только финансовые показатели, не используют статистику прошлых лет. Требуют перестройки для различных типов компаний
Кредит-скорин-говые модели Позволяют получить оценку кредитоспособности в балльном эквиваленте и отнести заемщика к одной из трех групп. Просты и удобны в использовании, помогают оценивать нефинансовые качественные показатели. При оценке весовых коэффициентов статистическими методами позволяют учесть данные по уже выданным кредитам, являются экономически обоснованными Не универсальны, требуют перестройки под определенные типы компаний. Требуют большого объема данных для исследования весовых коэффициентов
Модели Cash Flow Позволяют оценить будущие денежные потоки компании и сопоставить их с долговой нагрузкой Не учитывают рыночную конъюнктуру и качественные показатели компании-заемщика. Могут давать несовместимые с реальностью результаты
Модели дискриминантного анализа Позволяют определить вероятность дефолта компании-заемщика на основе статистики за прошлые годы Сугубо эмпирические, результаты сильно зависят от обучающей выборки и при исследовании модели на других данных зачастую не соответствуют реальности. Требуют большого объема данных для исследования весовых коэффициентов
Модели качественного анализа Позволяют провести комплексный анализ компании Отсутствие математических методов, приводящее к субъективной оценке отдельных показателей и к ошибкам, связанным с человеческим фактором.
Концепция применения нечетко-множественных моделей
В современных условиях существуют следующие основные виды бизнес-кредитования субъектов малого предпринимательства: кредитование на открытие бизнеса, кредитование на развитие бизнеса (пополнение оборотных средств), кредитование на покупку основных средств, коммерческое ипотечное кредитование (кредитование на покупку недвижимости), инвестиционное кредитование, овердрафт.
Каждый вид кредитования обладает спецификой, но в целом бизнескредитование характеризуется следующими особенностями с точки зрения управления кредитными рисками:
104
АКТУАЛЬНЫЕ ВОПРОСЫ СОВРЕМЕННОЙ НАУКИ
1. Бизнес кредитование субъектов малого предпринимательства сопровождается документооборотом на всех этапах кредитного процесса, что обусловлено стремлением банков получить как можно больше информации для принятия решения о кредитовании. Собираемая информация измеряется в разнотипных шкалах (качественных и количественных), содержит набор часто противоречивых свойств. Большое количество входных данных, не имеющих четких границ, резко усложняет задачу определения кредитных рисков. Большой объем собираемой информации и трудоёмкость ее обработки порождают проблему предварительной оценки заемщиков, которая позволит избежать рассмотрения кредитных заявок заранее неблагонадежных и несоответствующих кредитной политике заемщиков, а также выстроить приоритет рассмотрения кредитных заявок, что позволит рационализировать работу кредитного комитета. Предварительная оценка должна быть комплексной, нетрудоемкой и может базироваться, например, на системе стоп-индикаторов или математической модели.
2. Важное место в собираемой информации занимают данные, полученные на основе богатого профессионального опыта, интуиции и знаний кредитных аналитиков, которые могут учесть важные индивидуальные особенности заемщика. На практике методики многих банков являются экспертноориентированными. В такой ситуации возникает проблема формализации полученных знаний и применение методов, позволяющих использовать экспертные оценки, накапливать и тиражировать знания ведущих специалистов банка по процессу кредитования между другими сотрудниками. Другая часть собираемой информации формируется из различных внутренних и внешних источников и состоит преимущественно из данных финансовой отчетности.
3. Возможность применения экономию -статистических методов рассматривается во многих работах, посвященных проблемам оценки кредитоспособности. Применение статистических моделей в бизнес кредитовании затруднительно, поскольку к выборке предъявляется ряд требований, которые обусловливают возможность применения статистических методов и получения адекватных моделей. Подробно данные требования изложены в работе [3, 5].
4. Для каждой отрасли малого предпринимательства характерна своя структура баланса, основные статьи расходов. Подавляющее большинство российских компаний применяют методы налоговой оптимизации. Для малого бизнеса характерно применение наиболее простых способов снижения налоговой нагрузки: завышение расходов и неучет части выручки. Следовательно, анализ только официальной отчетности не позволит получить реальной картины финансового положения заемщика. Проблемой, присущей подавляющему большинству компаний малого бизнеса, является недостоверное отражение финансового положения в официальной отчетности. Кре-
АКТУАЛЬНЫЕ ВОПРОСЫ ЭКОНОМИКИ
105
дитный аналитик должен учитывать это и моделировать реальное финансовое положение, опираясь на информацию от заемщика, анализ бизнеса и собственный опыт [4].
5. Для применения стандартных западных методов к оценкам финансово-хозяйственных показателей деятельности российских организаций необходимо вводить поправки на специфические «российские» условия, например, на особенности налогообложения, на отличия действующей в России системы бухгалтерского учета по сравнению с международными стандартами, на неполноту и неопределенность значительной части финансовой информации о деятельности предприятий.
6. Слабая прогностическая способность традиционных моделей, основанных на анализе финансовых коэффициентов, к оценке кредитных рисков.
В таких условиях возникает необходимость в подходах, которые должны учитывать следующие аспекты: 1) работа с разнотипными, измеряемыми в разных шкалах, количественными и качественными данными о заемщиках; 2) формализация знаний и оценок экспертов; 3) использование накопленного опыта об исходах кредитных сделок; 4) формирование комплексной оценки заемщиков; 5) снижение трудоемкости рассмотрения кредитных заявок за счет использование предварительной квалификации заемщиков.
Частично реализация рассмотренных аспектов может состоять в переходе к единой шкале измерения с сохранением смысла параметров и цели их использования и применение аппарата формализации экспертных оценок, в чем может помочь нечетко-множественный подход.
Список литературы:
1. Гулько А.А., Карайченцева Н.И. К вопросу об управлении рисками банковского кредитования отечественного малого бизнеса в современных условиях // Проблемы анализа риска. - 2011. - Т. 8. - № 2. - C. 80-86.
2. Дубовицкий В.С. Формирование скоринговой модели оценки кредитоспособности корпоративного заемщика // Управление корпоративными финансами. - 2014. - № 65. - С. 266-285.
3. Дуболазов В.А., Лукашевич Н.С. Нечетко-множественный подход к оценке кредитоспособности физических лиц // Финансы и кредит. - 2009. -№ 13 (349). - С. 35-45.
4. Кракович В.В. Учет отраслевых факторов в оценке кредитоспособности субъектов малого бизнеса // Финансовая аналитика: проблемы и решения. - 2015. - № 32. - С. 51-60.
5. Лукашевич Н.С. Нечетко-логическая модель расчета кредитного рейтинга физических лиц // Управление финансовыми рисками. - 2009. - № 2. -С. 110-124.
6. Лукашевич Н.С., Гаранин Д.А., Чачина Е.Г. Исследование применимости моделей прогнозирования банкротства для субъектов малого предприни-
106
АКТУАЛЬНЫЕ ВОПРОСЫ СОВРЕМЕННОЙ НАУКИ
мательства // Экономика и предпринимательство. - 2015.- № 10-1 (63-1). -C. 904-908.
7. Непп А.Н., Демина И.В., Балаболин В.Г., Денисов В.А. Инструменты оценки предприятий-партнеров при банковском и коммерческом кредитовании. // Управление финансовыми рисками. - 2011. - № 2. - С. 152-159.
8. Фиронов А.Н. Fuzzy-моделирование принятия решений в банковской практике // Банковские технологии. - 2006. - № 2. - С. 34-40.
9. Чернов В.Г., Илларионов А.В. Методика оценки кредитоспособности предприятий сферы малого бизнеса, основанная на нечеткомножественной математической модели // Финансы и кредит. - 2006. - № 20. - С. 72-78.
10. Brown I., Mues C. An experimental comparison of classification algorithms for imbalanced credit scoring data sets // Expert Systems with Applications. - 2012. - № 39 (3). - P. 3446-3453.
11. David W. Neural network credit scoring models // Computers & Operations Research. - 2000. - № 27 (11-12). - P. 1131-1152.
12. Hoffmann F., et al. Inferring descriptive and approximate fuzzy rules for credit scoring using evolutionary algorithms // European Journal of Operational Research. - 2007. - № 177 (1). - P. 540-555.
13. Huang Y.M., Hung C.M., Jiau H.C. Evaluation of neural networks and data mining methods on a credit assessment task for class imbalance problem // Nonlinear Analysis: Real World Applications. - 2006. - № 7 (4). - P. 720-747.
14. Sohn S.Y., Kim. J.W. Decision tree-based technology credit scoring for startup firms: Korean case // Expert Systems with Applications. - 2012. - № 39 (4). -P. 4007-4012.
15. Sustersic M., Mramor D., Zupan J. Consumer credit scoring models with limited data // Expert Systems with Applications. - 2009. - № 36 (3, Part 1). -P. 4736-4744.
16. West D., Dellana S., Qian J. Neural network ensemble strategies for financial decision applications // Computers & Operations Research. - 2005. -№ 32 (10). - P. 2543-2559.
