CC BY
49
Л.И.Ниворожкина, З.А. Морозова, Т.Г. Синявская
СТАТИСТИЧЕСКАЯ ОЦЕНКА РИСКОВ ПОТРЕБИТЕЛЬСКОГО КРЕДИТОВАНИЯ
Аннотация
В статье рассматриваются современные проблемы оценки рисков кредитования физических лиц и построения кредитного скоринга. На основе репрезентативных данных проекта РиДМиЖ проводится эконометрическая оценка риска возникновения задолженности при условии наличия кредита для домохозяйств с различными характеристиками с помощью эконометрических моделей bivariate-probit. Полученные результаты позволяют построить профили надежных и ненадежных заемщиков и разработать обоснованные скоринговые шкалы.
Annotation
The paper regards the contemporary problems of risk estimation in consumer lending and credit scoring. Econometric bivariate probit models estimated on GGS data are used to evaluate the risk of having bank debt on condition that household have bank loan. The results allow profiling safe and unsafe borrowers.
Ключевые слова
Кредитный риск, кредитный скоринг, модель bivariate-probit
Keywords
Credit risk, credit scoring, bivariate probit model.
Одно из основных понятий финансово-кредитной сферы - кредитный риск, представляющий собой опасность неуплаты заемщиком основного долга и процентов, причитающихся кредитору. На уровень этого риска воздействует широкий комплекс факторов экзогенной и эндогенной природы, которые влияют на решение получить кредит определенного вида, возможности его погашения без задолженностей. При решении о выдаче кредита кредитор принимает два типа решений - первое, выдать ли кредит новому заемщику - и второе, что делать с существующими заемщиками, в том числе увеличивать ли им кредитный лимит, кто из уже имеющихся клиентов наиболее подвержен риску дефолта в ближайшем будущем и так далее. Техника, применяемая для решения задач первого типа, называется кредитным скорингом, второй тип решений -поведенческим скорингом.
Кредитный скоринг представляет собой систему оценки
кредитоспособности (кредитных рисков) лица, основанную на численных статистических методах. Скоринг заключается в присвоении баллов по результатам заполнения некой анкеты, разработанной оценщиками кредитных рисков андеррайтерами. По сумме набранных баллов системой принимается решение об одобрении или отказе в выдаче кредита.
Данные для скоринговых систем получаются из оценок вероятностей возвратов кредитов отдельными группами заемщиков, полученных из анализа кредитных историй тысяч людей. Считается, что существует корреляция между некими социальными данными (наличие детей, отношение к браку, наличие высшего образования) и добросовестностью заемщика.
К сожалению, российские кредитные организации еще не накопили достаточно информации по кредитным историям заемщиков, поэтому методы скоринг-анализа не получили достаточ-
ного распространения и нормативного оформления. Большое число банков, микрофинансовых учреждений предлагают денежные кредиты просто по предъявлении паспорта, а низкая финансовая грамотность населения зачастую приводит к тому, что человек, вступающий в кредитные отношения с какой-либо организацией, слабо представляет, какую же сумму в конечном счете заплатит за кредит и чем грозит ему невыплата взносов.
Для оценки кредитного риска производится анализ кредитоспособности заемщика, под которой в российской банковской практике понимается способность юридического или физического лица полностью и в срок рассчитаться по своим долговым обязательствам. В западной банковской практике кредитоспособность трактуется как желание, соединенное с возможностью своевременно погасить выданное обязательство. В соответствии с таким определением основная задача скоринга заключается не только в том, чтобы выяснить, в состоянии ли клиент выплатить кредит или нет, но и определить степень надежности и обязательности клиента.
В западной банковской системе, когда человек обращается за кредитом, банк может располагать следующей информацией для анализа:
-анкетой, которую заполняет заемщик;
-информацией на данного заемщика из кредитного бюро - организации, в которой хранится кредитная история всего взрослого населения страны;
-данными движений по счетам, если речь идет об уже действующем клиенте банка.
В самом упрощенном виде ско-ринговая модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель (score); чем он выше, тем выше надежность клиента, и
банк может упорядочить 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, для того чтобы компенсировать убытки от одного должника. Клиентам с интегральным показателем выше этой линии выдается кредит, клиентам с интегральным показателем ниже этой линии - нет.
Все это выглядит очень просто, однако сложность заключается в определении, какие характеристики следует включать в модель и какие весовые коэффициенты должны им соответствовать.
Философия кредитного скоринга заключается не в поиске объяснений, почему конкретный человек не платит. Скоринг выделяет те характеристики, которые наиболее тесно связаны с ненадежностью или, наоборот, с надежностью клиента. Неизвестно, вернет ли данный заемщик кредит, но известно, что в прошлом люди этого возраста, этой же профессии, с таким же уровнем образования и с таким же числом иждивенцев кредит не возвращали. Поэтому давать кредит этому человеку не стоит. В этом заключается дискриминационный (не в статистическом, а в социальном значении этого слова) характер скоринга, то есть если человек по формальным признакам близок к группе с плохой кредитной историей, то ему кредит не дадут. Поэтому даже при очень высокой степени использования автоматизированных систем скоринга осуществляется субъективное вмешательство в случае, когда кредитный инспектор располагает дополнительной информацией, доказывающей, что человек, классифицированный как ненадеж-
ный, на самом деле «хороший», и наоборот.
Какие же характеристики являются наиболее «ценными» для прогнозирования кредитного риска? В Великобритании наиболее часто используются следующие характеристики [1]: -возраст;
-количество детей/иждивенцев; -профессия;
-профессия супруга(и);
-доход;
-доход супруга(и);
-район проживания;
-стоимость жилья;
-наличие телефона;
-сколько лет живет по данному адресу;
-сколько лет работает на данной работе;
-сколько лет является клиентом данного банка;
-наличие кредитной карточ-
ки/чековой книжки.
В других странах набор характеристик, которые наиболее тесно связаны с вероятностью дефолта - вероятностью, что заемщик не вернет кредит или задержится с выплатой, будет отличаться в силу национальных экономических и социально-культурных особенностей. Чем более однородна популяция клиентов, на которой разрабатывается модель, тем точнее прогнозирование дефолта.
При наличии большого объема разнообразной информации о клиентах весьма сложно сориентироваться при ответе, например, на вопрос - какой клиент представляет больший риск: разведенный бездетный мужчина-
предприниматель или замужняя женщина-адвокат с тремя детьми, притом что уровень дохода у них одинаков? Чтобы иметь возможность сравнивать клиентов с совершенно разными признаками и принимать решения о кредитовании не интуитивно, а на основе
формализованных критериев, непосредственно связанных с вероятностью дефолта, необходимо построить математическую модель, которая позволит оценить, какая информация является существенной, а какой можно пренебречь.
В целях построения модели сначала производится выборка клиентов кредитной организации, о которых уже известно, хорошими заемщиками они себя зарекомендовали или нет, иногда такая выборка называется «обучающей». Она может варьироваться от нескольких тысяч до сотни тысяч, что не является проблемой на Западе, где кредитный портфель компаний может состоять из десятков миллионов клиентов. Выборка подразделяется на две группы: «хорошие» и «плохие» риски. Это оправдано в том смысле, что банк при принятии решения о кредитовании на первом этапе выбирает из двух вариантов: давать кредит или не давать. При всей «детскости» определений «хороший»/«плохой», это именно те термины, которые используются кредитными аналитиками.
Определение «плохого» риска может быть разным в зависимости от политики банка, в Западной Европе «плохим» риском обычно считается клиент, задерживающийся с очередной выплатой на три месяца. Иногда к «плохим» рискам относятся клиенты, которые слишком рано возвращают кредит, и банк не успевает ничего на них заработать.
Таким образом, скоринг представляет собой классификационную задачу, где, исходя из имеющейся информации, необходимо получить функцию, наиболее точно разделяющую выборку клиентов на «плохих» и «хороших».
В случае отсутствия данных кредитных организаций выявление групп населения, подверженных риску невозврата кредита можно осуществить путем анализа и моделирования финансового поведения домохозяйств. Актуаль-
ность этого подхода состоит в том, что российские институты, занимающиеся кредитованием, еще не накопили достаточного объёма данных по кредитным историям своих клиентов. Анализ данных обследований домохозяйств, проведенный в этом ключе, позволит осуществлять типологизацию заемщиков, задолжников, прогнозировать перспективный спрос на продукты кредитования с учетом социально-
демографических, имущественных характеристик домохозяйств. С точки зрения объективности и корректности моделирования таких данных важным является то, что в опросе участвуют не только клиенты финансовых институтов, а все население. Такой подход позволит уточнить, чем конкретно «заемщики» отличаются от «незаемщиков», разработать мероприятия по привлечению новых клиентов, с одной стороны, и снижению объёмов просроченных платежей, с другой стороны.
Безусловно, характер такой информации, относительно невысокое число домохозяйств-заемщиков недостаточны для построения скоринга в его традиционном понимании, но они могут позволить уточнить группы домохозяйств, предпочитающих брать кредиты, и тех, кто их не берет, выявить интенсивность кредитного поведения, состоящую в том, что часть домохозяйств в исследуемый период брала несколько кредитов, определить зависимость видов кредитов от социально-
демографического портрета домохозяйств, оценить риск задержки платежей по кредитам.
Такой подход логически встраивается в идеологию поведенческого ско-ринга и является, по сути дела, его развитием.
В настоящее время в России существуют базы данных репрезентирующих население страны, однако развернутый блок вопросов по кредитному поведению присутствует лишь в данных про-
екта «Родители и дети, мужчины и женщины (РиДМиЖ)», состоящего из трех волн 2004, 2007 и 2011 года, который содержит информацию о домохозяйствах, которые выплачивали кредиты в этот период, видах кредитов, затруднениях с погашением этих кредитов. Недостатком имеющихся данных является отсутствие точной информации о заемщике, лице, принимающем решение о кредите, с дохода которого производятся выплаты кредита. Такая информация точна лишь для одиноко проживающих лиц. В случае домохозяйства сложного состава респондентом может быть лицо, не являющееся заемщиком и не влияющее на принятие решений.
Решение об обращении за кредитом зависит от уровня дохода домохозяйства, причем эта зависимость может носить нелинейный характер, поскольку малоимущие группы не всегда в состоянии представить необходимые гарантии
о возможности регулярно выплачивать взносы, а наиболее состоятельные - в кредитах не нуждаются. Однако это обстоятельство важно для крупных кредитов. Поэтому для различных видов кредитов профили доходов и характеристик домохозяйств будут меняться.
К числу внешних воздействий, меняющих интенсивность и характер кредитного поведения населения, можно отнести фазу экономического цикла. Вполне естественно, что в фазе экономического подъема население будет более активно обращаться за кредитами, а банки легче их предоставлять. Данные, представленные в различных волнах проекта РиДМиЖ, позволяют оценить воздействие экономического цикла, поскольку в 2008 году Россия прошла фазу экономического кризиса, из которого успешно вышла к 2010 году
Изменения в нормативных актах, регулирующих условия выдачи кредита, также сжимают или расширяют число получателей кредитов. Например, кре-
диты на бытовую технику легче получить, чем ипотечный кредит.
Таблица 1 содержит данные о доле домохозяйств, которые выплачивали кредиты между 2000 и 2011 годом. Вопрос о кредитах прозвучал так: «Приходилось ли Вам или членам Вашего домохозяйства, начиная с 2000 года, покупать что-либо в кредит или брать кредит для приобретения каких-либо товаров длительного пользования, покупки квартиры, дачи, оплаты лечения, образования и тому подобного?».
С 2000-го по 2011-й год кредитами были охвачены 43,3% домохозяйств. Основная часть кредитов бралась на покупку бытовой техники, видеоаппаратуры и компьютеров. Мебель приобретали в кредит 8,8% домохозяйств, автомобили 10,4%, недвижимость 3,7%, средства на благоустройство жилья или участка -7,1%, на образование - 1,9%, и на медицинские услуги - 0,7%.
В период с 2004-го по 2007-й год интенсивность обращения за массовыми кредитами была выше, чем за весь период с 2000 по 2011 год. Однако в 2011 году возросла доля долгосрочных кредитов, которые домохозяйства продолжали выплачивать за автомобиль, не-
движимость, благоустройство. Можно предположить, что часть этих кредитов была получена в период экономического подъема, но продолжала выплачиваться и на момент опроса.
В волне 2011 года 9,7% респондентов, из продолжающих выплачивать кредит за недвижимость, и 2,2% выплативших этот вид кредита, отметили, что в течение последних 12 месяцев были случаи, когда их домохозяйство оказывалось не в состоянии внести очередной платеж. Из выплачивающих очередной взнос при покупке чего-либо другого в рассрочку или кредит оказались несостоятельными в течение 12 месяцев предшествующих опросу 28,3% домохозяйств!
Среди домохозяйств, продолжавших выплачивать кредит в 2007 году и ответивших, что в течение последних 12 месяцев были случаи, когда их домохозяйство оказывалось не в состоянии внести очередной взнос при покупке чего-либо в рассрочку или кредит, оказалось 17,1%, за жилье затруднялись заплатить 9,0%.
Таким образом, можно отметить, что посткризисная ситуация заметно ухудшила процесс погашения кредитов.
Таблицы 1. Приходилось ли Вам или членам Ващего домохозяйства покупать что-либо в кредит или брать кредит для приобретения каких либо товаров длительного пользлвания, покупки квартиры, дачи, оплаты лечения, образования и тому подобного? (в процентах от числа домохозяйств)
Вы покупали в кредит или оплачивали кредит Бытовую технику, видеотехнику, компьютер и т.п. Мебель Автомо- биль Недвижимость Ремонт жилья или благоустройство участка Образование Медицинские услуги
200 4 -200 7 2000 -2011 200 4 -200 7 200 2011 200 4 -200 7 2000 2011 2004 -2007 2000 -2011 2004 -2007 2000 -2011 2004 -2007 2007 -2011 2004 2007 2000 2011
Да, уже выплатил 14,8 4 20,0 3,7 8 7,4 1,6 3 5,2 0,61 1,6 1,33 3,9 0,62 1,30 0,37 0,40
Да, продолжаю выплачивать 8,14 4,3 2,2 0 1,4 4,6 1 5,2 1,81 2,1 1,95 3,2 0,87 0,60 0,37 0,30
Таблица 2. Вы или члены Вашего домохозяйства в ближайшие три года собираетесь покупать в кредит или брать кредит ... (процент от числа домохозяйств)
Бытовую технику, видеотехнику, компьютер и т. п. Мебель Автомобиль недвижи- мость Ремонт жилья или благоустройство участка Образова- ние Медицинские услуги
2007 2011 2007 2011 2007 2011 2007 2011 2007 2011 2007 2011 2007 2011
Опреде- ленно нет 65,4 69,4 66,37 69,5 71,60 72,9 72,93 75,2 68,69 70,5 72,33 74,3 67,13 69,0
Пожалуй нет 25,4 25,0 26,02 25,6 23,49 22,9 21,70 21,3 25,00 24,0 23,84 22,9 29,62 28,9
Пожалуй да 6,93 4,7 5,9 4,2 3,37 3,1 3,44 2,5 4,53 4,2 2,43 2,0 2,06 1,6
Определенно да 2,06 0,8 1,4 0,6 1,38 0,9 1,76 0,9 1,58 1,1 1,22 0,8 0,87 0,3
Таблица 3. Вы или члены Вашего домохозяйства в ближайшие три года собираетесь покупать в кредит или брать кредит .
(процент от числа домохозяйств, не бравших кредитов)
Бытовую технику, видеотехнику, компьютер и т.п. Мебель Автомо- биль недвижимость Ремонт жилья или благоустройство участка Образова- ние Медицинские услуги
2007 20 11 2007 20 11 200 7 201 1 2007 20 11 2007 2011 200 7 201 1 200 7 201 2
Опре- деленно нет 73,1 4 79 ,8 9 73,8 1 79, 95 76, 67 80, 65 77,61 81, 49 74,05 79.84 76,4 9 81.9 4 71,9 6 78.1 2
Пожалуй нет 23,5 4 18 ,1 3 23,1 9 18, 00 20, 86 16, 77 19,18 15, 94 22,79 18.29 21,0 2 16.6 8 26,6 0 20.3 4
Пожалуй да 2,36 1, 55 2,28 1,5 5 1,6 3 2,1 2 1,90 1,9 5 2,22 1.40 1,31 0.94 1,45 1.20
Опре- деленно да 0,36 0, 50 0,64 0,5 0,7 2 0,5 0 1,18 0,6 2 0,80 0.49 1,04 0.43 0,80 0.34
Заметно снизилась и интенсивность кредитных намерений в 2011 году по сравнению с 2007 (таблица 2). Безусловно, на это повлияло и то, что часть домохозяйств уже брали кредиты, поэтому были просчитаны кредитные намерения для тех домохозяйств, которые ответили, что кредитов не брали (таблица 3). В 2011 году ответы приобрели более определенный характер: доля ответов «определенно, нет» - выросла, а «определенно, да» - сократилась. Логично предположить, что снижение интенсивности кредитных намерений связано с изменением материального по-
ложения домохозяйств. Несмотря на то что восприятие материального положения домохозяйств от волны к волне улучшалось, по характеру распределения ответов можно предположить, что для покупок потребительских товаров длительного пользования, оплаты образования, ипотечных кредитов и тому подобного большинству домохозяйств могут понадобиться займы (таблица 4.). Число ответов о сложном материальном положении достаточно велико, несмотря на то что общая тенденция роста позитивных ответов - налицо.
Таблица 4. Если говорить о совокупном доходе Вашего домохозяйства, насколько легко у Вас получается сводить концы с концами?
2004 2007 2011
С большим трудом 28,3 19,8 15,3
С трудом 28,3 26,4 23,9
С некоторыми усилиями 34,6 41,8 45,3
Довольно легко 6,3 8,5 11,7
Легко 2,1 3,1 3,2
Очень легко 0,3 0,2 0,2
Нет ответа 0 0,2 0,3
Таблица 4 также указывает на то, что снижение интенсивности кредитного поведения и кредитных намерений не связано с ухудшением материального положения домохозяйств. Возможно, это кризис доверия, негативные ожидания экономического развития и тому подобное. Кроме того можно предположить, что рост материального благосостояния позволил части домохозяйств
приобретать необходимые вещи, в том числе и такие дорогостоящие как автомобиль, жилье, и без кредитных заимствований.
Связано ли снижение кредитных намерений с тем, что мы работаем с панельными данными и та часть домохозяйств, что уже выплатили или продолжают выплачивать кредиты, не намерены брать их в будущем?
Таблица 5. Взаимосвязь кредитных намерений и кредитного поведения
(данные 2011 года)
Приходилось ли Вам или членам Вашего домохозяйства, начиная с 2000 г. покупать что-либо в кредит или брать кредит для приобретения каких-либо товаров длительного пользования, покупки квартиры, дачи, оплаты лечения, образования и тому подобного?
Нет, не приходилось Да, приходилось
Вы или члены Вашего домохозяйства в ближайшие три года собираетесь покупать в кредит или брать кредит
Определенно нет 79,9 57,1
Пожалуй, нет 18,1 42,9
Пожалуй, да 1,6 0,0
Определенно да 0,5 0,0
Налицо различные модели поведения. Среди тех, кто имел кредиты, значительно меньше домохозяйств, категорически не желающих брать кредиты. Доля домохозяйств, желающих взять кредиты впервые, находится в пределах 2,0% , что крайне мало. В то же время очень высока доля домохозяйств, не бравших и не желающих брать кредиты.
В последние годы доля заемщиков в России быстро растет, соответственно растут объёмы и число просрочек по текущим платежам за предоставленные кредиты. Так, по данным Банка России, на 1 сентября 2012 года общий объем
выданных физическим лицам кредитов составил 6,723 трлн. рублей [2]. Объем просроченной задолженности физических лиц достиг 9,9% от этого объёма [3]. В связи с этим возрастает актуальность оценки рисков невозврата кредитов и просрочки текущих платежей по ним.
При выявлении взаимосвязи между просрочками платежей по кредитам и наличием кредитов необходимо учитывать, что домохозяйство может иметь несколько задолженностей как по кредитам, так и по другим обязательным текущим платежам. Например, погасив взнос по кредиту, домохозяйство может
задолжать по коммунальным платежам, что также неявно связано с кредитными выплатами и, в конечном счете, переводит эти домохозяйства в группу ненадежных плательщиков. В то же время домохозяйства, не имеющие кредитов, также, в зависимости от материального положения, могут иметь или не иметь задолженности по другим обязательным текущим платежам, не относящимся к кредитам, и эти задолженности могут коррелировать с наличием или отсутствием кредита.
Обычная логистическая модель, в которой, например, наличие долга за просрочку кредита и другим текущим платежам будет зависимой переменной, а наличие или отсутствие кредита -объясняющей переменной, будет в подобной ситуации не вполне корректной. Устранить это логическое противоречие можно с помощью модели «:Ыуапа1е ргоЫЪ» которая создает возможность иметь дело с двумя отдельными зависимыми переменными. Более точно «Ыуапа!е ргоЫЪ) модель создает возможность работы с двумя независимыми пробит-моделями, которые оцениваются совместно, позволяя корреляцию между терминами ошибки в обеих моделях. Например, можно рассмотреть оценку вероятности для домохозяйства ситуации с просрочкой каких-либо обязательных текущих платежей совместно с оценкой вероятности иметь кредит. Наличие корреляции между терминами ошибки в двух уравнениях позволяет распознать наличие ненаблюдаемых характеристик домохозяйств, которые обе влияют и на то, является ли домохозяйство заемщиком по кредиту, и на то, есть ли у него долг.
При условии, что «Ыуапа!е ргоЫЪ) модель является естественным расширением пробит-модели, возможно её обсуждение в терминах двух латентных
переменных -^1 Предполагает-
ся, что каждая латентная переменная есть линейная функция набора объяс-
няющих переменных, которые могут быть одинаковыми или разными для двух уравнений, и каждое уравнение имеет термин ошибки. Подобно обычной модели эти ошибки предположительно подчиняются закону нормального распределения, но они приходят из совместного «Ыуапа!е» нормального распределения, которое позволяет ненулевую корреляцию между ошибками.
С двумя двоичными переменными можно наблюдать четыре возможных исхода. В данных РиДМиЖ - это переменная «Наличие кредита», принимающая значение равное 1, в случае наличия кредита и равное 0 в случае его отсутствия, и переменная «Наличие долга по платежам», принимающая значение, равное 1, в случае наличия долга и равное 0 в случае его отсутствия. Используя предположение, что термин ошибки
- Ыуапа1е - нормальный, становится возможным записать вероятности каждого из этих четырех исходов как функцию объясняющих переменных и неизвестных параметров модели. Это позволяет оценить модель методом максимального правдоподобия. Поскольку исходы оцениваются совместно, то можно не только идентифицировать коэффициент наклона для каждого из двух наборов объясняющих переменных, но также и коэффициенты корреляции между двумя терминами ошибки (р).
Как и в случае с бинарной пробит-моделью, латентные переменные - в -не измеряются натуральными единицами измерения и могут только быть заданы качественными интерпретациями, но как и в случае с бинарной пробит-моделью, можно вычислить маргинальные и средние эффекты. Это дает набор возможностей для интерпретации результатов. Первое: одни и те же формулы используют и для бинарной пробит-модели и для «:Ыуапа1е ргоЬк» модели. Это позволяет оценить воздействия изменений одной из объясняющих переменных на маргинальную вероятность
каждого исхода. Например, вероятности для домохозяйства иметь кредит и быть задолжником по платежам. Второе: возможно вычислить маргинальный эффект объясняющих переменных на совместную вероятность каждого из четырех возможных исходов, например, вероятность, что домохозяйство имеет кредиты и не является задолжником по платежам. И наконец, можно вычислять предельный эффект объясняющих переменных на условных вероятностях, например, вероятность того, что домохозяйство является задолжником по
платежам, при условии наличия у него кредита.
Вопросы о задержках платежей были сформулированы следующим образом: «В течение последних 12 месяцев были ли случаи, когда Ваше домохозяйство оказывалось не в состоянии внести очередной платеж, такой как: плата за арендуемое жилье; выплата кредита, взятого на приобретение жилья; оплата счетов за квартплату, коммунальные услуги, электричество, вода и газ и прочее; очередной взнос при покупке чего-либо в рассрочку или кредит».
Таблица 6. Совместное распределение ответов о задолженности по платежам и наличии кредита (в скобках проценты)
Кредит есть Кредита нет Итого
Долга нет 3160 (56,02) 323 (5,73) 4983 (61,74)
Долг есть 335 (5,44) 1823 (32,35) 2158 (38,26)
Итого 4983 (61,96) 658 (38,04) 5641 (100)
Средний душевой доход домохозяйств по результатам опроса составлял в 2011 году 10145,46 рублей. Средний душевой доход домохозяйств, не имевших кредитов, был на 2,5% меньше. У тех, кто имел один кредит, на 3,6% больше, а два и более кредитов больше на 8,9%.
Сравнение средних душевых доходов заемщиков, имевших проблемы с выплатами по кредитам за жилье, также выявило, что значительное различие, состояло в том, что в домохозяйствах-задолжниках доходы были ниже. Сред-
ний душевой доход домохозяйств, имеющих кредит на жилье и не имеющих проблем с погашением платежей, составил 13892,7 рублей (что на 37,8% выше среднего по всем домохозяйствам), а имеющих проблемы с просрочкой платежей - 9338,5 рублей, то есть на 48,8% ниже.
По всем другим видам кредитов средний душевой доход не имевших проблем по выплатам составил 10179,0 рублей, а имевших проблемы - 8546,8 рублей, то есть на 19,1% ниже.
Таблица 7. Bivariate пробит-модель риска просрочки выплат по обязательным платежам
Свободный член Был или есть кредит Есть задолженность Марги- нальный эффект
Демографический тип домохозяйства
Одинокие - - 0,03*
Монородительские семьи 0,40*** 0,11 -0,01
Супруги без детей 0,21*** -0,22** 0,02*
Супруги с детьми 0,62*** -0,02 0,03**
Сложные без детей 0,51*** 0,07 0,02**
Сложные с детьми 0,33*** 0.05 0,02
20% доходные группы
Первая
Вторая 0,18*** -0,29*** -0,01**
Третья 0,17** -0,38*** -0,02***
Четвертая 0,18** -0,55*** -0,03***
Пятая 0,20** -0,78*** -0,04
Продолжение таблицы 7
Тип региона
Аутсайдеры
Середина -0,03 -0,56*** -0,05***
Относительно развитые, или опережающие по доходу -0,04* -0,45*** -0,03***
Лидеры -0,30** -0,43** -0,03*8*
Тип поселения
Областной центр
Город 0,08 -0,24*** -0,01
Поселок городского типа -0,33*** -0,44*** -0,03
Сельский населенный пункт -0,03 -0,37*** -0,03
Уровень образования респондента
До 9 классов
9-11 классов 0,39*** 0,34*** 0,05***
Начальное профессиональное образование 0,44*** 0,35** 0,06*8*
Среднее профессиональное и неполное высшее 0,33*** 0,16 0,03**
Высшее и послевузовское образование 0,33*** 0,06 0,02*
Число занятых в домохозяйстве
Ни одного -
Один 0,21* -0,41 -0,02
Двое 0,45* -0,41 -0,02
Трое 0,57** -0,53 -0,02
Больше трех 0,60** -0,62* -0,03
Тип занятости домохозяйства
Все члены домохозяйства "самодеятельные" (то есть самостоятельно обеспечивают себя материально)
пенсионеры + "несамодеятельные" (то есть материально зависимые от других членов домохозяйств) -0,56** -0,71** -0,06***
хотя бы 1 член домохозяйства "самодеятелен" -0,19** -0,16** -0,02**
все члены домохозяйства "несамодеятельные" (к ним относятся безработные, учащиеся, нетрудоспособные, домохозяйки и так далее) -0,25 0,06 -0,01
***, **, * значим на уровне 1, 5 и 10 % соответственно.
Из первой модели следует, что вероятность наличия кредита статистически существенно выше для всех типов домохозяйств, кроме одиноких, увеличивается с числом работников в домохозяйстве и ростом душевых доходов. Кредиты предпочитают брать лица с начальным и средним профессиональным образованием, проживающие в городах и регионах с развитой экономикой и инфраструктурой.
Вторая модель указывает на то, что по сравнению со всеми другими типами домохозяйств задолжниками реже становятся домохозяйства родителей с детьми. Чем больше занятых в домохозяйстве и выше доходы, тем ниже риск задолженности по любым платежам. Наиболее высокий риск задолженности среди тех, кто имеет общее среднее, начальное и среднее профессиональное образование. Наименьший риск задолженности среди домохозяйств, проживающих вне регионов аутсайдеров и не в областных центрах.
Общий маргинальный эффект после Вгуапа1е пробит модели:
у = Рг(каличие кредита = I, задолженность по платежам = 1} = 0,046 , то есть наличие кредита в среднем повышает вероятность задолженности на 5%.
Обсудим маргинальные эффекты для статистически значимых переменных. Риск задолженности при условии наличия кредита выше от двух до трех процентов в сложных домохозяйствах, в которых есть дети до 18 лет и старше, а также другие родственники. Наивысший риск задолженности среди домохозяйств, в которых респонденты отметили уровень образования как 9-11 классов и начальное профессиональное: рост на 5% и 6% соответственно. Чем выше доходы домохозяйств, тем ниже риск задолженности: во второй 20% группе этот риск ниже на 1%, в третьей
- на 2%, в четвертой - на 3% и в пятой -на 4%.
Интересным представляется результат, в соответствии с которым рост числа занятых снижает риск задолжен-
ности, но статистически не существенно, а тип занятости домохозяйства -весьма существенно. Так по сравнению с домохозяйствами, где все его члены материально обеспечивают себя самостоятельно, в домохозяйствах, где есть пенсионеры + "несамодеятельные" (то есть материально зависимые от других членов домохозяйств), риск задолженности в случае наличия кредита снижается на 6%, а для тех, где хотя бы 1 член домохозяйства "самодеятелен" - на 2%. Данный результат можно объяснить тем, что эти домохозяйства, являясь материально более слабыми, не берут дорогих кредитов и относятся к ним более ответственно.
Проведенное исследование детерминант риска возникновения задолженности по потребительским кредитам позволило сделать следующие выводы. В настоящее время задачи построения адекватного российским реалиям кредитного скоринга сталкиваются с проблемой отсутствия информационной базы по кредитным историям. Накопленных банками кредитных историй для этого оказывается недостаточно, в то время как в репрезентативных опросах населения вопросы кредитного поведения и наличия задолженностей практически не находят отражения. Единственным исключением является опрос «РиДМиЖ», позволяющий оценить ряд факторов, влияющих на вероятность для домохозяйства иметь просрочки по выплате кредитов. Так, в группу наибольшего риска, с этой точки зрения, попадают сложные домохозяйства с детьми и другими родственниками, низким уровнем образования и невысокими доходами. Полученные оценки маргинальных эффектов могут служить основой для разработки обоснованной ско-ринговой шкалы, соответственно увели-
чивающей или уменьшающей балл потенциального заемщика, домохозяйство которого обладает теми или иными значениями существенных для риска задолженности характеристик. Кроме того, выявленное статистически значимое влияние типа региона и поселения позволяет ввести необходимые корректировки в скоринговые системы, что является очень важным для России, имеющей значительную территорию и заметную вариацию основных социальнодемографических показателей по регионам.
Библиографический список
1. Андреева Г. Скоринг как метод оцен-
ки кредитного риска. Из материалов журнала «Банковские технологии».
[Электронный ресурс] URL:
www/cfin.ru/finalalysis/banks/scoring.sht ml. (дата публикации 05.07.2002).
2.http://www.cbr.ru/statistlcs/prlnt.aspx?fil e=bank_system/4-3-
1 _ 12. htm&pi d=pdko& si d=dopk (последнее обновление 2.10.2012)
3.http://www.cbr.ru/statistics/print.aspx?fil e=bank_system/risk_12.htm&pid=pdko&si d=ITM_60627 (последнее обновление 2.10.2012)
Bibliographic list
1.Andreeva G. Scoring as a credit risk es-
timation method. From the magazine “Bank technologies” materials. [Electronic resource] URL:
www/cfin.ru/finalalysis/banks/scoring.sht ml. (published 05.07.2002).
2.http://www.cbr.ru/statistics/print.aspx?fil e=bank_system/4-3-
1_12.htm&pid=pdko&sid=dopk (last update 2.10.2012)
3.http://www.cbr.ru/statistics/print.aspx?fil e=bank_system/risk_12.htm&pid=pdko&si d=ITM_60627 (last update 2.10.2012)
