CC BY
96
УДК 330.4
СЦЕНАРНЫЕ МОДЕЛИ КАК СРЕДСТВО ПОВЫШЕНИЯ ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ СКОРИНГОВЫХ СИСТЕМ
Кредитные операции остаются самой доходной и одновременно самой рискованной сферой деятельности банка. Целый ряд факторов, действующих в современной России, среди которых резкий рост количества кредитных договоров, недоработки в законодательстве, короткий период существования базы кредитных историй, недостаток «кредитной» культуры у населения, приводит к увеличению риска. Свои риски банки вынуждены компенсировать крайне высокими процентами, которые теперь, согласно требованию Центрального банка РФ, необходимо раскрывать заемщику в полном объеме.
Начиная с августа 2007 г в российском банковском бизнесе существует еще один ограничительный фактор - нехватка ликвидных средств. Ми -ровой ипотечный кризис привел к полной остановке и даже оттоку инвестиций, еще недавно так активно вливаемых мировыми финансовыми ги -гантами в российскую экономику через кредитование частных коммерческих банков. В результате ставки на межбанковском рынке кредитования выросли с 4 - 5% до 12%. В то же время другой действенный метод привлечения денежных средств (через продажу эмитируемых российскими банками ценных бумаг, обеспеченных пулами потребительских и ипотечных кредитов) практически не работает. Сегодня на мировом фондовом рынке данные бумаги являются самыми непривлекательными для инвесторов.
Все это убедительно показывает необходимость повышения эффективности систем управления банковскими рисками. Одним из инструментов управления кредитными рисками при кредитовании физических лиц является кредитный скоринг [6. С. 2 - 9], который позволяет банку значи -тельно сократить затраты на компенсацию рисков без повышения ставки процентов при ограниченных объемах собственных ликвидных средств. Это дает банку серьезный аргумент в конкурентной борьбе: действительно низкие проценты при той же норме прибыли, что и у конкурентов.
В настоящее время практическое развитие получили методы построения скоринговых систем, основанные на рейтинговых оценках, регрессионном анализе, построении деревьев решений и нейросетевых техноло -гиях. Однако вопрос экономической эффективности внедрения различных технологий кредитного скоринга в систему принятия кредитных решений и различных стратегий их использования в научных работах современных исследователей изучен достаточно слабо.
Выбор экономически обоснованной технологии управления рисками является одним из сложных этапов в банковском риск-менеджменте [5]. Проблема выбора обостряется в связи с увеличением в последнее время в кредитном портфеле большинства банков доли потребительских кредитов (от 30 до 70% в общем объеме кредитов [2]). Для данного вида кредито -вания характерен сравнительно небольшой размер отдельного кредита и соответственно небольшой размер маржи, который может не компенсировать затраты банка на обслуживание кредитной заявки. При этом усиливается влияние на общую рентабельность банка таких факторов, как непроцентные расходы, связанные с принятием решения по кредиту, а также расходы, обусловленные возможным невозвратом кредитов.
Целью настоящей работы является проведение сравнительного анализа экономической эффективности различных вариантов построения скоринговых систем и различных сценариев их использования при обслуживании потребительского кредитования на региональном уровне.
В качестве критерия эффективности будем использовать величину средней доходности по кредитному портфелю, которую определим как разницу
Д.П. Ульянов,
аспирант кафедры информационных систем в экономике, СГСЭУ
ВЕСТНИК. 2008. № 4(23)
между процентными доходами и расходами по портфелю, отнесенную на количество выданных кредитов.
Рассмотрим два различных по организационно-техническому и математическому обеспечению варианта построения скоринговой системы, которые часто применяются в современной банковской деятельности [4].
В первом варианте при построении скоринговой системы используется готовая скор-карта, разработанная сторонней компанией и ориентированная на определенный банковский продукт.
Во втором варианте используется гибкая система скоринга, разрабатываемая и подстраиваемая самим банком под свои задачи. В рассматриваемом случае собственная скоринговая система банка строится на основе использования нейросетевой технологии.
Известно, что рост доходности банка может быть обеспечен двумя путями - ростом эффективности использования активов и снижением расходов [1]. Сначала оценим различие в расходах банков при этих двух вариантах. Очевидно, что процентные расходы и налоги для обоих вариантов должны быть близки. Основное различие будет проявляться в непроцентных расходах.
В обоих вариантах учтены следующие статьи расходов, которые имеют место при построении скоринговой системы в типичном крупном коммерческом банке:
1) покупка программного обеспечения, предназначенного для реализации кредитного скоринга;
2) покупка готовой скор-карты (в первом варианте) или разработка собственной скор-карты (для второго варианта);
3) сопровождение работы скоринг-системы;
4) покупка обновлений скор-карт (в первом варианте) или периодическая корректировка скор-карт собственными силами (для второго варианта).
В проведенном расчете учтено, что стоимость покупки скоринговой карты для одного кредитного продукта варьи -руется у лидеров рынка скоринговых услуг от 40 до 60 тыс. дол. (например, такие услуги предо-ставляют известные кредитные бюро «Equifax», «Experian», «Trans Union»). При среднем сроке актуальности скоринговой карты в 2 года банк затратит в течение 5 лет минимум 120 000 дол. на обновление скоринговой карты по каждому кредитному продукту (в эту сумму заложены и расходы на адаптацию готовых скор-карт к местным условиям). Учтено также, что кредитное предложение банка базируется обычно на 5 - 10 таких продуктах.
Для разработки и сопровождения собственного программного обеспечения (второй вариант) крупному федеральному банку потребуется формирование департамента кредитных рисков, в составе которого необходимо наличие таких подразделений, как:
1) отдел информационных технологий (2 - 3 человека). Его функции - настройка и сопровождение работы техники, сети и т.д.;
2) отдел информационных систем (4 - 6 человек). Его функции - программирование, администрирование и т.д.;
3) отдел методологии (4 - 5 человек). Его функции -регламентация работы с системами, разработка стандартов и процедур;
4) информационно-аналитический отдел (5 - 10 человек). Его функции - обработка статистических данных о кредитных историях заемщиков, разработка и контроль факторов риска для подгрупп заемщиков, первичная и корректирующая установка «весов» скор-карт;
5) менеджмент департамента (5 - 7 человек). Его функции - администрирование и обеспечение функционирования департамента.
Структуру стартовых и текущих затрат, необходимых для внедрения и работы скоринг-системы в коммер -ческом банке, можно представить (учитывая расходы аккумулируемые на активных счетах второго порядка 70201, 70206 и 70209) следующим образом:
2:и= ц1 хБдхі+Я3хС+Я4хв+Я5хК+ц6хА^7хМ+ц8хй, (1) где 2и - итоговые затраты, Б - затраты на покупку и поддержание скоринговой системы, і - затраты на 1Т-обо-рудование, С - затраты на связь, Є - оплата труда, К -административно-хозяйственные расходы, А - расходы на аренду, М - расходы на маркетинг и рекламу, й -прочие расходы. Коэффициенты д. корректируют расходы пропорционально численности, доходности и других показателей взвешивания расходов в общих затратах, согласно методике аллокации расходов, принятой в банке. В расчетах использована методика, предложенная в нашей работе ранее [3. С. 95 - 100].
Все расчеты будем проводить исходя из предположения, что банку предоставляется возможность анализа достаточно большого потока заявок. В этом случае сформированный массив клиентов обладает агрегированными характеристиками, такими как средняя сумма кредита, средняя доходность, средняя рискованность и т.д.
Результаты расчета затрат, отнесенные для большей наглядности к количеству рассмотренных кредитных заявок и представленные в виде зависимости стоимости принятия кредитного решения по заявке от общего количества рассматриваемых кредитных заявок для типичного банка приведены на рис. 1.
700
600
бОО
3 400
300
200
100
5000
10000
15000
20000
2б000
Количество заявок
Рис. 1. Зависимость стоимости принятия решения по кредитной заявке от общего количества рассмотренных заявок для двух вариантов построения
скоринговой системы:
Л. - вариант 1; - вариант 2
0
0
Затраты банка на рассмотрение одной заявки, ко -торые не зависят от того, одобрена она или отклонена, падают с ростом числа рассмотренных заявок.
Анализ расходов на организацию и сопровождение скоринговых систем для двух вариантов построения, сопоставимых по своей функциональности и возможностям, показал, что их величины почти не различаются. Дополнительные расходы, связанные с необходимостью приобретения скор-карт в первом варианте, незначительно превышают дополнительные расходы, которые должен нести банк для организации собственного департамента кредитного риска с отделами разработки и сопровождения системы при втором варианте построения скоринговой системы.
Дальнейший анализ эффективности скоринговых систем необходимо проводить, учитывая возможные ошибки системы, возникающие при оценке заемщиков. Ошибки могут быть вызваны неправильным выбором значимых факторов, влияющих на кредитоспособность заемщика, неправильной настройкой их весов, неудачным выбором алгоритма, используемого для скоринга, и т.д. При этом скоринговая система может допускать ошибки как 1-го рода, когда кредитоспособный заемщик квалифицируется скоринговой системой как некредитоспособный, так и 2-го рода, когда некредитоспособный заемщик квалифицируется скоринго-вой системой как кредитоспособный.
Рассмотрим четыре характерные экономические модели, соответствующие различным уровням ошибок 1-го и 2-го рода и различным стратегиям применения скоринговых систем. В качестве двух главных характеристик экономических моделей анализа скоринговых систем принято считать уровень одобрения системы (Approval rate (AR)) - доля одобренных заявок в общем числе обработанных заявок и полученный в итоге уровень дефолтных ссуд (Default rate (DR)) - доля кредитов, по которым допущено 3 и более подряд просрочек оплаты ежемесячных платежей по кредиту, в общем объеме кредитного портфеля. Характеристики моделей приведены в таблице.
Для наглядности расчетов примем, что средняя сумма потребительского кредита (средний «чек») в нашем банке равна 50 тыс. руб., а ставка переплаты по кредитам равна 11%. При анализе кроме затрат на внедрение и сопровождение скоринговой системы будем учитывать также и расходы банка, связанные с возможностью невозврата выданного кредита и определяемые показателем DR.
На рис. 2 приведены рассчитанные зависимости средней годовой доходности одобренной заявки (средней годовой доходности по кредитному портфелю) от общего количества рассмотренных банком кредитных заявок для исследуемых моделей.
Как видно на рисунке, при сокращении числа обрабатываемых заявок чистая доходность одной заявки
Характеристики экономических моделей построения скоринговых систем
Название модели Описание модели AR DR
Модель 1. «Оптимистичная» Высокий уровень одобрения скор-карты (низкий уровень ошибок 1-го рода) при низком уровне невозвращенных кредитов (низкий уровень ошибок 2-го рода) 3G% 4%
Модель 2. «Консервативная» Низкий уровень одобрения скор-карты (высокий уровень ошибок 1-го рода) при низком уровне не-возвращенных кредитов (низкий уровень ошибок 2-го рода) 1G% 4%
Модель 3. «Либеральная» Высокий уровень одобрения скор-карты (низкий уровень ошибок 1-го рода) при высоком уровне невозвращенных кредитов (высокий уровень ошибок 2-го рода) 3G% 7%
Модель 4. «Пессимистичная» Низкий уровень одобрения скор-карты (высокий уровень ошибок 1-го рода) при высоком уровне невозвращенных кредитов (высокий уровень ошибок 2-го рода) 1G% 7%
Рис. 2. Зависим от
ость средней годовой доходности по кредитному портфелю количества рассмотренных кредитных заявок
падает. Это очевидно, так как в основном затраты на поддержание скоринг-системы являются постоянными. Также вполне очевидно, что самой неудачной по доходности для банка является пессимистичная модель, а самой привлекательной - оптимистичная. Однако добиться низкого уровня дефолтных ссуд при высоком уровне одобрения в региональных филиалах крупных банков (например, РР - 4%, АР - 30%), используя готовую скор-карту стороннего разработчика, бывает крайне сложно. Для реализации оптимистичной модели необходима «тонкая» настройка скоринговой системы на местные особенности, которая обычно включает выявление всех значимых факторов, влияющих на кре-
дитоспособность, подготовку обучающей выборки и обучение на ее основе скоринговой системы [7. С .109 -111]. Такую настройку на региональные особенности клиентов проще проводить для скоринговой системы, разрабатываемой и настраиваемой самим банком.
В готовых скор-картах применяется более «грубая» настройка, которая заключается в установлении так называемого балла отсечения (пороговое значение скоринг-балла клиента, при превышении которого кредит выдается). При этом уровни ошибок 1-го и 2-го рода в конкретной скоринговой системе оказываются взаимосвязанными. С повышением балла отсечения уменьшается доля выданных кредитов и одновременно уменьшается доля невозвратных кредитов. Чем ниже балл отсечения, тем больше будет доля выданных кредитов, но тем большей будет в кредитном портфеле доля кредитов с низкой вероятностью возврата. Установление более низкого балла отсечения соответствует более либеральной кредитной политике и наоборот.
Таким образом, «тонкая» настройка скоринговой системы может сместить всю кривую доходности на графике вверх, а увеличение балла отсечения приводит к увеличению угла наклона зависимости доходности от количества заявок.
В реальной жизни банкам приходится балансировать между либеральной и консервативной стратегией, с тем чтобы получать максимальный доход при заданном уровне риска или минимизировать риски при заданной доходности. При этом для принятия обоснованного решения необходимо заранее прогнозировать количество кредитных заявок.
С этой точки зрения интересно сравнить либеральную и консервативную модели как наиболее близкие к реальной практике управления кредитными рисками в коммерческих банках. Либеральная модель, соответствующая низкому порогу одобрения, становится убыточной при общем числе рассмотренных заявок, меньшем 2 500, а консервативная - при числе заявок, меньшем 5 000. При относительно малом числе заявок (меньшем 10 000 в нашем рассмотрении) либеральная модель оказывается более эффективной по сравнению с консервативной моделью. С ростом числа рассмотренных заявок более эффективной становится консервативная модель. При этом переход от консервативной к либеральной модели может происходить в рамках одной и той же скоринговой системы путем изменения порога одобрения скор-карты клиента.
Таким образом, мелким банкам (в рассмотренном примере) выгоднее быть более лояльными и выносить положительное решение в 30% случаев, допуская уровень просроченных ссуд РР до 7%, в то время как для крупных банков более эффективной оказывается кон-
сервативная стратегия использования скоринговой системы.
Следует отметить, что расчеты выполнялись нами на примере одного крупного федерального банка, имеющего региональные отделения. Конкретные расчетные данные других банков могут отличаться в зависимости от управленческих решений менеджмента, методов аллокации расходов, средств банка, выделяемых на развитие и поддержание риск-подразделений и, конечно, от качества проверки заемщиков.
При данном анализе мы не учитывали также, что само количество рассматриваемых банком заявок зависит от его стратегии и проводимой политики и для уточнения предложенных моделей необходимо проводить дополнительные маркетинговые исследования.
Тем не менее можно сделать вывод, что банки остро нуждаются в данный момент в эффективных и гибких скоринговых системах, приспособленных к адаптивному учету региональных особенностей анализа кредитоспособности заемщика.
Предложенная методика оценки экономической эффективности систем кредитного скоринга может быть использована при построении сценарных моделей, которые позволят выбирать оптимальную кредитную политику для данного банка и для конкретного кредитного продукта, а менеджменту банка - принимать оперативные управленческие решения.
1. Батракова Л.Г. Экономический анализ деятельности коммерческого банка. М.: Логос, 2005.
2. Буздалин А.В. Кредитные ставки: новая реальность // Бизнес и банки. 2006. № 38.
3. Гусятников В.Н., Ульянов Д.П. Экономическая эффективность внедрения математической модели принятия решения в коммерческом банке // Социально-экономическое развитие России: проблемы, поиски, решения: сб. науч. тр. по итогам НИР Саратовского государственного социальноэкономического университета в 2007 г. Саратов: СГСЭУ, 2008. С. 95 - 100.
4. Зинкевич О., Чернущенко М., Желтова А. Скоринг обмануть можно. Но лишь на какое-то время // Банковское обозрение. 2005. № 8.
5. Порох А. Банковские технологии в области управления рисками // Банковские технологии. 2002. № 3(77).
6. Рыкова И.Н. Скоринг-оценка физических лиц на рынке потребительских кредитов // Финансы и кредит, 2007. № 18. С. 2 - 9.
7. Ульянов Д.П. Разработка системы банковского кредитного скоринга на основе нейросетевой технологии // Социально-экономическое развитие России: проблемы, поиски, решения: сб. науч. тр. по итогам НИР Саратовского государственного социально-экономического университета в 2006 г. Саратов: СГСЭУ, 2007. Ч. 2. С. 109 - 111.
