3.3. Пути совершенствования управления кредитным риском

Как мы уже отмечали, повышение доходности кредитных операций непосредственно связано с качеством оценки кредитного риска. В зависимости от классификации клиента по группам риска банк принимает решение, стоит ли выдавать кредит или нет, какой лимит кредитования и проценты следует устанавливать.

В мировой практике существует два основных метода оценки риска кредитования, которые могут применяться как отдельно, так и в сочетании с друг другом:

•  субъективое заключение экспертов или кредитных инспекторов;

•  автоматизированные системы скоринга.

Подробно остановимся на западной практике использования скоринг-систем, которые в настоящее время широко применяются во всех экономически развитых странах. Скоринг является одним из наиболее успешных примеров использования математических и статистических методов в банковской деятельности. В западной практике скоринг используется главным образом при кредитовании физических лиц, особенно в потребительском кредите при необеспеченных ссудах. В современных условиях развития кредитования физических лиц, а также среднего и малого бизнеса в Украине это особенно актуально.

В настоящее время скоринг становится все более популярным не только при оценке риска при различных видах кредита, но и в других областях: в маркетинге (для определения вероятности, что именно эта группа клиентов будет пользоваться этим видом продукции), при работе с должниками (если клиент задерживается с очередным платежом, какой метод воздействия будет наиболее эффективным), при выявлении мошенничества с кредитными карточками, при определении вероятности, что клиент может перебежать к конкуренту и т. п.

Применение скоринговых систем призвано помочь банку создать последовательную и логически обоснованную базу для вынесения решений, предоставляя работникам кредитного отдела более четкую, интуитивно понятную меру кредитного риска. Как правило, модели разрабатываются на основе накопленных эмпирических данных. Модель скоринга физических лиц может базироваться на анкетных данных заемщиков, экспертных знаниях менеджмента банка, численных оценках, полученных на статистике "плохих" и "хороших" кредитов, численных оценках, построенных на объективной региональной и отраслевой информации. В результате работы модели по оценке конкретного заемщика формируется кредитный портрет потенциального заемщика, позволяющий производить: процедуру разделения потенциальных заемщиков на "плохих", которым не может быть выдан кредит, и "хороших", которым кредит может быть выдан; расчет индивидуальных параметров кредитной сделки для конкретного заемщика (лимит, процент, срок, график погашения кредита); расчет риска и управление кредитным портфелем по всем ссудам, выдаваемым частным лицам.

Для оценки кредитного риска производится анализ кредитоспособности заемщика, под которой в украинской 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. Далее мы будем использовать термин «кредитоспособность» именно в этом значении. В соответствии с таким определением основная задача скоринга заключается не только в том, чтобы выяснить, в состоянии клиент выплатить кредит или нет, но и степень надежности и обязательности клиента. Иными словами, скоринг оценивает, насколько клиент creditworthy, т. е. насколько он «достоин» кредита.

Скоринг представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории «прошлых» клиентов банк пытается определить, насколько велика вероятность, что конкретный потенциальный заемщик вернет кредит в срок.

В западной банковской системе, когда человек обращается за кредитом, банк может располагать следующей информацией для анализа: анкета, которую заполняет заемщик; информация на данного заемщика из кредитного бюро -- организации, в которой хранится кредитная история всего взрослого населения страны; данные движений по счетам, если речь идет об уже действующем клиенте банка.

Кредитные аналитики оперируют следующими понятиями: «характеристики» клиентов (в математической терминологии -- переменные, факторы) и «признаки» -- значения, которые принимает переменная. Если представить себе анкету, которую заполняет клиент, то характеристиками являются вопросы анкеты (возраст, семейное положение, профессия), а признаками -- ответы на эти вопросы.

В самом упрощенном виде скоринговая 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. К этой проблеме имеется несколько подходов, которые будут рассмотрены в разделе «Методы классификации клиентов».

Философия скоринга заключается не в поиске объяснений, почему этот человек не платит. Скоринг выделяет те характеристики, которые наиболее тесно связаны с ненадежностью или, наоборот, с надежностью клиента. Мы не знаем, вернет ли данный заемщик кредит, но мы знаем, что в прошлом люди этого возраста, этой же профессии, с таким же уровнем образования и с таким же числом иждивенцев кредит не возвращали. Поэтому мы давать кредит этому человеку не будем.

В этом заключается дискриминационный (не в статистическом, а в социальном значении этого слова) характер скоринга, т. е. 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 ненадежный, на самом деле «хороший», и наоборот.

Какие же характеристики являются наиболее «ценными» для прогнозирования кредитного риска? В Великобритании наиболее часто используются следующие характеристики: возраст, количество детей/иждивенцев, профессия, доход, доход супруга(и), район проживания, стоимость жилья ,сколько лет является клиентом данного банка , наличие кредитной карточки/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. Поэтому очевидно, что нельзя автоматически перенести модель из одной страны в другую или из одного банка в другой. Даже внутри одного банка существуют различные модели для различных групп клиентов и различных видов кредита.

Итак, в нашем распоряжении имеется большой объем разнообразной информации о клиентах. В этом океане сведений даже кредитному инспектору со значительным опытом работы иногда сложно сориентироваться при ответе, скажем, на вопрос -- какой клиент представляет больший риск: разведенный бездетный мужчина-предприниматель или замужняя женщина-адвокат с тремя детьми, при том 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 разделяющее выборку клиентов на «плохих» и «хороших».

Но предварительно необходимо преобразовать имеющуюся информацию в форму, поддающуюся анализу. Существует два основных подхода, которые пригодны для работы как с количественными, так и с качественными характеристиками:

1.Преобразовать каждый признак в отдельную двоичную переменную. Этот подход неудобен в том плане, что приводит к большому количеству переменных, хотя он не навязывает никаких дополнительных отношений между зависимой и независимыми переменными.

2.Преобразовать каждую характеристику в переменную, которая будет принимать значения, соответствующие отношению числа «плохих» клиентов с данным признаком к числу «хороших» клиентов с этим же признаком. Более усложненный вариант -- взять логарифм этого отношения. Таким образом, каждый признак получает числовую величину, соответствующую уровню его «рискованности».

Методы собственно классификации весьма разнообразны, и включают в себя: статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая регрессия); различные варианты линейного программирования; дерево классификации или рекурсионно-партиционный алгоритм (РПА); нейронные сети; генетический алгоритм; метод ближайших соседей.

У каждого из методов имеются свои преимущества и недостатки, кроме того, выбор того или иного метода связан со стратегией банка и с тем, какие требования банк считает приоритетными при разработке моделей. Регрессионные методы показывают значимость каждой характеристики для определения уровня риска, и поэтому особенно важны на этапе разработки анкеты, которую заполняют клиенты. Линейное программирование может оперировать большим количеством переменных и моделировать определенные условия: например, если маркетинговая стратегия банка направлена на молодежь, можно ввести условие, чтобы интегральный показатель молодых людей был выше, чем тех, кому за 60. Нейронные сети и деревья классификации выявляют нелинейные связи между переменными, которые могут привести к ошибке в линейных моделях.

Точность классификации проверяется либо методом «скользящего экзамена» для небольших выборок (модель строится на всей выборке за исключением одного клиента, выбранного наугад, затем проверяется на этом клиенте, и так перебираются все клиенты), либо при достаточно большой выборке она подразделяется на две части: на одной модель строится, на другой - проверяется.

В скоринге существует две основные проблемы. Первая заключается в том, что классификация выборки производится только на клиентах, которым дали кредит. Мы никогда не узнаем, как бы повели себя клиенты, которым в кредите было отказано: вполне возможно, что какая-то часть оказалась бы вполне приемлемыми заемщиками.

Но, как правило, отказ в кредите производится на основании достаточно серьезных причин. Банки фиксируют эти причины отказа и сохраняют информацию об «отказниках». Это позволяет им восстанавливать первоначальную популяцию клиентов, обращавшихся за кредитом.

Вторая проблема заключается в том, что люди с течением времени меняются, меняются и социально-экономические условия, влияющие на поведение людей. Поэтому скоринговые модели необходимо разрабатывать на выборке из наиболее «свежих» клиентов, периодически проверять качество работы системы и, когда качество ухудшается, разрабатывать новую модель. На Западе новая модель разрабатывается в среднем раз в полтора года, период между заменой модели может варьироваться в зависимости от того, насколько стабильной была экономика в это время. Для Украины, вероятно, максимальным периодом будет полгода.

В настоящее время ведутся исследования того, как вводить социально-экономические характеристики в модель с тем, чтобы она служила дольше.

В Украине использование скоринг-систем тормозится, прежде всего, низкими объемами кредитования. Но с экономическим ростом ситуация начнет меняться.

Само по себе небольшое по сравнению с западными кредитными организациями количество заемщиков препятствием не является, необходимо только следить за количеством характеристик по отношению к величине выборки.

Отсутствие кредитных бюро, безусловно, также не способствует развитию скоринга. Но, с другой стороны, на Западе существует проблема проверки достоверности информации, которую человек указывает о себе в анкете. В Украине большая часть такой информации содержится в паспорте. Банкам достаточно иметь паспортные данные и данные трудовой книжки - вот и исходный материал для анализа.

Еще один неблагоприятный фактор -- недостаточная распространенность таких универсальных статистических пакетов, как SAS и SPSS. Но существуют и другие программы, доступные по цене, которые могут делать линейную многофакторную регрессию, а для начала этого вполне достаточно.

Вполне вероятно, что в Украине скоринг сначала будет применяться не для физических лиц, а для юридических просто потому, что у банков накоплено гораздо больше информации о предприятиях, при этом используются балльные системы оценки риска различной сложности и с различным уровнем автоматизации. Отличие балльной системы от скоринговой заключается в том, что в первой значимость того или иного коэффициента или финансового показателя определяется субъективно, а во второй производится привязка коэффициентов к уровню риска.

На Западе при кредитовании юридических лиц скоринг-модели распространены не настолько широко, как в потребительском кредите. Это связано с тем, что для разработки модели очень трудно набрать достаточное количество компаний, сходных друг с другом: компании сильно отличаются по размеру, обороту, секторам экономики. Чем крупнее предприятие, тем труднее подобрать аналогичные предприятия для сравнения.

В последние годы большие сдвиги произошли в разработке скоринг-моделей для малого бизнеса. Применение скоринга для малого и среднего бизнеса оказалось возможным именно в силу большого количества сходных между собой предприятий.

Хотелось бы отметить, что в Украине внедрение скоринга тормозится не столько объективными, сколько субъективными причинами, связанными с недоверчивым отношением банковских менеджеров к математическим и статистическим методам. Не так уж много требуется, чтобы начать анализировать своих клиентов - кредитная история прошлых клиентов и статистический пакет, - а отдача будет колоссальной. Среди преимуществ скоринговых систем западные банкиры указывают, в первую очередь, снижение уровня невозврата кредита. Далее отмечается быстрота и беспристрастность в принятии решений, возможность эффективного управления кредитным портфелем, отсутствие необходимости длительного обучения персонала.

В Украине внедрение скоринга должно осуществляться постепенно. Для начала можно сделать автоматизированную систему предварительной оценки заемщиков, которая будет автоматически отсеивать заведомо «плохие» риски, а на рассмотрение кредитного комитета предлагать риски «хорошие» и «пограничные». Но даже не вводя автоматизацию, можно оценить связь отдельных характеристик клиента с вероятностью дефолта как для физических, так и для юридических лиц -- знание таких характеристик может послужить существенной поддержкой кредитным инспекторам.

Ключевым звеном при построении скоринговых моделей являются бюро кредитных историй. Попытки внедрения данного института в нашей стране пока не очень успешны. Развитие института кредитных бюро тормозится нежеланием крупных банков раскрывать информацию о своих заемщиках. Банки, имеющие значительную клиентскую базу по потребительскому кредитованию создают собственные кредитные бюро. Причина - так называемая "проблема безбилетника" (free-rider problem): от введения кредитного бюро выиграют мелкие банки, не имеющие большой клиентской базы, причем информацию о клиентах они получать с минимальными издержками. Разумеется, лидерам сегмента это не нравится, и они предпочитают не сотрудничать по линии обмена информацией со своими конкурентами. В результате проигрывает рынок, так как увеличиваются общие потери от мошенничества, а средняя ставка по кредитам растет. Вопрос о конфиденциальности информации, переданной банками в кредитные бюро, остается открытым. Пока банки не смогут поручиться перед своими клиентами в том, что эта информация не попадет в третьи руки.

Ведение кредитных историй — это достаточно новое понятие для нас.

По определению, которое предлагает Современный экономический словарь, кредитная история — это информация о том, какие кредиты в банках брал заемщик и насколько дисциплинированно был осуществлен возврат кредита и выплата процентов.

На деле кредитная история — это обычный электронный файл, содержащий информацию о заемщике и финансовые данные, которые относятся непосредственно к выполнению кредитных обязательств. Ведет его бюро кредитных историй — юридическое лицо, специально созданное для этих целей. Формируется кредитная история не только за счет данных, предоставляемых банком-кредитором, но и из сведений, добытых бюро из публичных источников, реестров и баз, за исключением тех, которые содержат государственную тайну. По закону, государственные органы обязаны предоставлять все эти данные по первому же запросу бюро кредитных историй. В случае если у заемщика есть просроченные выплаты по кредитам, судебные процессы, факты досрочного погашения — все это также найдет отражение в его кредитном досье.

В прежней мировой практике никто не задумывался об автоматизированной оценке заемщика, пока банкам не понадобилось обрабатывать множество рискованных заявок на получение кредита и не возникала необходимость открытия кредитных линий в нескольких банках. Такое положение дел подрывало проводимые банками расчеты рискованности предоставления кредита и привело сначала к обмену информацией о заемщиках, а затем и к созданию кредитных бюро. Из них наиболее крупными и известными в мире являются Equifax, Experian, Scorex и TransUnion.

С течением времени сотрудничество банков с кредитными бюро значительно развилось. Так, например, в США кредитные бюро теперь используют специальные технологии для того, чтобы из данных заемщика составить определенный числовой рейтинг, обозначающий его надежность. В расчете рейтинга учитываются такие параметры, как наличие детей, семейное положение, заработок, но полностью его методика является закрытой и тщательно охраняется. Рейтинг конкретного заемщика оказывает большое влияние на отношения с банком: заемщикам с более благоприятным рейтингом предоставляются кредиты под более низкий процент и на более выгодных условиях, предлагаются новые продукты банка. Поэтому забота о своем кредитном рейтинге является неотъемлемой частью репутации для большинства жителей США и Европы. В частности, в США для исправления кредитной репутации требуется 7 лет безупречного поведения заемщика.

В Украине с 2007 года также существует Закон «Об организации формирования и оборота кредитных историй». Предполагается, что полноценная работа украинских кредитных бюро начнется после того, когда будут утверждены лицензионные условия деятельности бюро и появится их реестр. В России в государственный реестр уже включены 23 бюро (см. www.fcsm.ru), тогда как в Украине за право называться полноценным кредитным бюро пока борются четыре организации: ООО «Первое всеукраинское бюро кредитных историй», ЗАО «Международное бюро кредитных историй», ООО «Первое бюро кредитных историй» и ООО «Украинское бюро кредитных историй».

По украинскому законодательству, граждане имеют право знать, какие сведения о них собираются и с какой целью они используются. Заемщики также вправе получать доступ к этой информации, проверять ее правильность и опротестовывать в случае неточностей. При этом объем данных, собранных бюро, должен быть максимально ограниченным и может использоваться только для поставленной законом цели (использования кредиторами). Отказ в доступе к собранной информации, незаконное распространение или сокрытие ее может быть обжаловано в суде. Банк также обязан сообщить клиенту, в какое именно бюро передана информация о нем. Если данные запросил другой кредитор, то он вправе получить ее без права передачи третьим лицам и только в том случае, если заемщик сам обратился в данную организацию за услугой и дал разрешение на использование своей кредитной истории. Через 10 лет после прекращения кредитного правоотношения информация о заемщике в БКИ (Бюро кредитных историй) удаляется.

Итак, скоринг представляет собой автоматизированные системы оценки кредитного риска, которые широко используются в США и Западной Европе. В качестве исходного материала для скоринга используется разнообразная информация о прошлых клиентах, на основе которой с помощью различных статистических и нестатистических методов классификации делается прогноз о кредитоспособности будущих заемщиков. Внедрение скоринг-системы в практику украинских банков позволят банковским работникам быстро принимать решения о кредитовании, регулировать объемы кредитования в зависимости от ситуации на рынке и определять оптимальное соотношение между доходностью кредитных операций и уровнем риска.