Перше всеукраїнське бюро кредитних історій (засновники Асоціація українських банків, 30 банків і дві страхові компанії) [49]

2. Перше всеукраїнське бюро кредитних історій (засновники Асоціація українських банків, 30 банків і дві страхові компанії) [49].

3. Національне бюро кредитних історій — вже третє кредитне бюро в Україні [49]. Його засновники — Національна асоціація кредитних спілок України, міжнародна холдингова компанія Creditinfo Group, що спеціалізується на системах та інструментах кредитного менеджменту, а також інвестиційно-фінансова група «ТАС».

 

3.2 Нові види споживчого кредитування

 

Підвищення прибутковості кредитних операцій безпосередньо зв'язано з якістю оцінки кредитного ризику. У залежності від класифікації клієнта по групах ризику банк приймає рішення, чи варто видавати кредит чи ні, який ліміт кредитування і відсотки варто встановлювати.

У світовій практиці існує два основних методи оцінки ризику кредитування, що можуть застосовуватися як окремо, так і в сполученні з один одним [31, с.25]:

суб’єктивний висновок експертів або кредитних інспекторів;

автоматизовані системи скоринга.

Фінансовий скоринг – новий термін в практиці роботи комерційних банків України з споживчими кредитами населенню.

Через підвищення конкуренції і росту стимулів для кращих результатів кредитні й інші фінансові установи змушені шукати більш ефективні шляхи контролю над витратами. Агресивні маркетингові проекти по залученню нових клієнтів і необхідність швидко на них реагувати привели до росту автоматизації процесу експертизи і надання кредитів і страховок. Іншими словами, виникає приваблива перспектива поставити видачу кредитів на потік, використовуючи деякий математичний формалізм і накопичені статистичні дані.

У сфері роздрібного кредитування ризик-менеджерові тепер приходиться приймати такі рішення по наданню кредиту, за допомогою яких можна не тільки адекватно оцінити кредитоспроможність клієнта, але і зберегти витрати на низькому рівні, зменшуючи час, затрачуваний на один клієнта. Також для ідеального обслуговування клієнтів потрібно, щоб це автоматизоване рішення відмовляло в кредиті як можна меншому числу кредитоспроможних клієнтів і в той же час відсівало якнайбільше потенційних порушників

Ризик-менеджери залучаються для допомоги у виборі для привілейованого обслуговування "правильних" клієнтів, тобто клієнтів, що несуть найменший ризик. Навпроти, у відношенні до клієнтів, що демонструють негативне поводження (неплатежі, шахрайство), ризик-менеджери повинні застосовувати стратегії, що дозволяють не тільки ідентифікувати їх, але й ефективно вживати заходів, щоб мінімізувати подальші втрати.

Ключовим поняттям нової технології роботи кредитного ризик-менеджера є скоринг та скорингові таблиці.

Система скоринга для оцінки кредитоспроможності це, насамперед, той або інший вид математичної моделі, що дозволяє ставити конкретному потенційному позичальникові, кожний з яких описується рядом параметрів, у відповідність деяку величину, що оцінює кредитну якість позичальника.

Здебільшого, які б математичні розуміння не закладалися в підставу скорингової моделі, скоринг являє собою зважену суму факторів ризику кредитної якості позичальників:

S = a1 * X1 + a2 * X2 + ... + ak * Xk (3.1)

де S значення скоринга,

X1,X2...Xk параметри клієнта, що входять в оцінку його кредитної якості,

a1,a2...ak ваги, що характеризують значимість відповідних параметрів клієнта (фактори ризику його кредитоспроможності) для формування його кредитного скоринга.

Для зниження витрат і збільшення пропускної здатності системи скоринга, крім математичної моделі, необхідна її програмна реалізація. Необхідно також мати систему регламентів і процедур, що задають правила експлуатації системи скоринга.

Скоринг є одним з найбільш успішних прикладів використання математичних і статистичних методів у бізнесі, що у даний час широко застосовуються у всіх економічно розвитих країнах. Скоринг використовується головним чином при кредитуванні фізичних осіб, особливо в споживчому кредиті при незабезпечених позичках, та являє собою математичну або статистичну модель, за допомогою якої на основі кредитної історії «минулих» клієнтів банк намагається визначити, наскільки велика імовірність, що конкретний потенційний позичальник поверне кредит у визначений термін.

У західній банківській системі, коли людина звертається за кредитом, банк може мати наступну інформацію для аналізу [79, с.14]:

анкета, яку заповнює позичальник;

інформація на даного позичальника з кредитного бюро організації, у якій зберігається кредитна історія всього дорослого населення країни;

дані рухів по рахунках, якщо мова йде про вже діючого клієнта банку.

У самому спрощеному виді скорингова модель являє собою зважену суму визначених характеристик. У результаті виходить інтегральний показник (score); чим він вище, тим вище надійність клієнта, і банк може упорядкувати своїх клієнтів по ступеню зростання кредитоспроможності.

Інтегральний показник кожного клієнта порівнюється з якимсь числовим порогом, або лінією розділу, що, власне кажучи, є лінією беззбитковості і розраховується з відношення, скільки в середньому потрібно клієнтів, що платять у термін, для того, щоб компенсувати збитки від одного боржника. Клієнтам з інтегральним показником вище цієї лінії видається кредит, клієнтам з інтегральним показником нижче цієї лінії – не видається.

Усе це виглядає дуже просто, однак складність полягає у визначенні, які характеристики варто включати в модель і які вагові коефіцієнти повинні їм відповідати. Скоринг виділяє ті характеристики, що найбільш тісно зв'язані з ненадійністю або, навпаки, з надійністю клієнта. Скорингова модель не знає, чи поверне даний позичальник кредит, але знає, що в минулому люди цього віку, цієї ж професії, з таким же рівнем освіти і з таким же числом утриманців кредит не повертали. Тому скорингова система давати кредит цій людині не рекомендуватиме.

У цьому полягає дискримінаційний (не в статистичному, а в соціальному значенні цього слова) характер скоринга, тобто якщо людина по формальних ознаках близька до групи з поганою кредитною історією, то йому кредит не дадуть. Тому навіть при дуже високому ступені використання автоматизованих систем скоринга здійснюється суб'єктивне втручання у випадку, коли кредитний інспектор має додаткову інформацію, що доводить, що людина, класифікована як ненадійна, насправді «гарна», і навпаки.

У Великобританії найбільше часто використовуються наступні характеристики для оцінки кредитного ризику [75, с.32]:

Вік

Кількість дітей/утриманців

Професія

Професія чоловіка(і)

Доход

Доход чоловіка(і)

Район проживання

Вартість житла

Наявність телефону

Скільки років живе по даній адресі

Скільки років працює на даній роботі

Скільки років є клієнтом даного банку

Наявність кредитної картки/чекової книжки

В інших країнах набір характеристик, що найбільше тісно зв'язані з імовірністю дефолта імовірністю, що позичальник не поверне кредит або затримається з виплатою, буде відрізнятися в силу національних економічних і соціально-культурних особливостей. Чим більш однорідна популяція клієнтів, на якій розробляється модель, тим точніше прогнозування дефолта. Тому очевидно, що не можна автоматично перенести модель з однієї країни в іншу або з одного банку в іншій. Навіть усередині одного банку існують різні моделі для різних груп клієнтів і різних видів кредиту.

З метою побудови моделі спочатку виділяється вибірка клієнтів кредитної організації, про яких уже відомо, гарними позичальниками вони себе зарекомендували чи ні, іноді така вибірка називається «навчальною». Вона може варіюватися від декількох тисяч до сотні тисяч, що не є проблемою на Заході, де кредитний портфель банку може складатися з десятків мільйонів клієнтів. Вибірка підрозділяється на дві групи: «гарні» і «погані» ризики. Це виправдано в тім змісті, що банк при ухваленні рішення про кредитування на першому етапі вибирає з двох варіантів: давати кредит або не давати. При всій «дитячості» визначень «гарний»/«поганий», це саме ті терміни, що використовуються кредитними аналітиками.

Визначення «поганого» ризику може бути різним у залежності від політики банку, у Західній Європі «поганим» ризиком звичайно вважається клієнт, що затримується з черговою виплатою на три місяці. Іноді до «поганого» ризику відносяться клієнти, що занадто рано повертають кредит, і банк не встигає нічого на них заробити.

Таким чином, скоринг являє собою класифікаційну задачу, де виходячи з наявної інформації необхідно одержати функцію, що найбільше точно розділяє вибірку клієнтів на «поганих» і «гарних».

Методи власне класифікації досить різноманітні і містять у собі [68]:

статистичні методи, засновані на дискримінантному аналізі (лінійна регресія, логістична регресія);

різні варіанти лінійного програмування;

дерево класифікації або рекурсійно-партиційний алгоритм (РПА);

нейронні мережі;

генетичний алгоритм;

метод найближчих сусідів.

Традиційними і найбільш розповсюдженими є регресійні методи, насамперед лінійна багатофакторна регресія :

р = w_o + w₁x₁ + w₂x₂ + … + w_nx_n , (3.2)

де р імовірність дефолта, w вагові коефіцієнти, x – характеристики клієнта.

Недолік даної моделі полягає в тім, що в лівій частині рівняння знаходиться імовірність, що приймає значення від 0 до 1, а перемінні в правій частині можуть приймати будьяк значення від –¥ до + ¥.

Логістична регресія дозволяє перебороти цей недолік:

log (p/(1p)) = w_o + w₁x₁ + w₂x₂ + … + w_nx_n... (3.3)

Для застосування логістичної регресії необхідні набагато більш складні розрахунки для одержання вагових коефіцієнтів і, отже, більш могутня комп'ютерна база й удосконалене комп'ютерне забезпечення. Але при сучасному рівні розвитку комп'ютерної техніки це не є проблемою, і в даний час логістична регресія є лідером скорингових систем.

Перевага логістичної регресії ще й у тім, що вона може підрозділяти клієнтів як на дві групи (0 поганий, 1 гарний), так і на кілька груп (1, 2, 3, 4 групи ризику).

Усі регресійні методи чуттєві до кореляції між характеристиками, тому в моделі не повинні бути сильно корельовані незалежні перемінні.

Лінійне програмування також приводить до лінійної скорингової моделі. Провести абсолютно точну класифікацію на поганих і гарних клієнтів неможливо, але бажано звести помилку до мінімуму. Задачу можна сформулювати як пошук вагових коефіцієнтів, для яких помилка і буде мінімальною.

Дерево класифікації і нейронні мережі являють собою системи, що розділяють клієнтів на групи, усередині яких рівень ризику однаковий і максимально відрізняється від рівня ризику інших груп. Нейронні мережі використовуються головним чином при визначенні кредитоспроможності юридичних осіб, де аналізуються вибірки меншого розміру, ніж у споживчому кредиті. Але найбільш успішною областю їх застосування стало виявлення шахрайства з кредитними картками завдяки їх здатності виявляти нестандартні ситуації.

Генетичний алгоритм заснований на аналогії з біологічним процесом природного добору. У сфері кредитування це виглядає в такий спосіб: мається набір класифікаційних моделей, які піддаються «мутації», «схрещуються», і в результаті відбирається «найсильніший», тобто модель, що дає найбільш точну класифікацію.

При використанні методу найближчих сусідів вибирається одиниця виміру для визначення відстані між клієнтами. Усі клієнти у вибірці одержують визначене просторове положення. Кожен новий клієнт класифікується виходячи з того, яких клієнтів поганих або гарних більше довкола нього.

На практиці використовується комбінація декількох методів, і компанії зберігають свої скорингові моделі в найсуворішому секреті, тому складно сказати, який метод краще.

Ціль процесу розробки скоринг карт побудувати найбільш повний профіль ризику для кожного клієнта. Такий широкий підхід робить скорингкарти не тільки більш ефективними, але і менш сприйнятливими до змін в одній окремій області. Такий профіль ризику повинний містити в собі характеристики, що відбивають стільки незалежних типів інформації, скільки можливо.

Так, кредитна скорингкарта користувача повинна містити в собі:

демографічну інформацію про клієнта (вік, місце проживання, регіон і стаж роботи);

розділ кредитних характеристик, що відбивають володіння нерухомістю, професію, платоспроможність,деяку фінансову інформацію;

ступінь довіри клієнтові у відношенні погашення боргів (загальний коефіцієнт неповернення боргу);

а також іншу значиму для розгляду інформацію про існуючих позичальників.

Профіль позичальника також допомагає при наступному моніторингу скорингкарт по релевантності. Більшість аналітиків, що займаються вивченням ризиків, використовують щомісячні звіти типу "стабільність системи" або "стабільність чисельності клієнтів" для підтвердження ефективності застосування карт при поточній чисельності клієнтів. Ці звіти показують міри ефективності, виходячи лише з характеристик, використовуваних у скорингкарті. Загальний же профіль ризику більш реалістично відбиває поточні зміни чисельності, ніж при використанні обмеженої кількості перемінних зі скорингкарти. У найпростішій формі, ризикова таблиця складається з групи характеристик, що згідно статистики є прогнозуючими при поділі облікових записів на гарні і погані (табл.3.2).

Таблиця 3.2 Приклад ризикових таблиць скоринг-кредитування [31]

Назва характеристики	Атрибут	Збільшення рейтингу
ВІК	До 23	63
ВІК	23 – 25	76
ВІК	25 – 28	79
ВІК	28 – 34	85
ВІК	34 – 46	94
ВІК	46 – 51	103
ВІК	Від 51	105
КАРТКИ	“AMERICAN EXPRESS”, “VISA OTHERS”, “VISA MYBANK”, “NO CREDIT CARDS”	80
КАРТКИ	“CHEQUE CARD”, “MASTERCARD/EUROC”, “OTHER CREDIT CARD”	99
КАРТА EC	0	86
КАРТА EC	1	83
ДОХОД	До 500	93
ДОХОД	500 – 1550	81
ДОХОД	1550 – 1850	75
ДОХОД	1850 – 2550	80
ДОХОД	Від 2550	88
СТАТУС	“E”, “I”, “U”	79

Кожному атрибутові ("Вік" це характеристика, "2325" атрибут) привласнюється рейтинг на основі статистичного аналізу з урахуванням різних факторів, таких як прогнозна сила характеристик, кореляція між характеристиками і вага характеристик. Загальний рейтинг кандидата це сума рейтингів усіх його атрибутів, що присутні у таблиці.

Нижченаведена табл. 3.3 являє приклад звіту, отриманого при скоринговому аналізі.

Таблиця 3.3 Результати скорингового аналізу [31]

Рейтинг	Кількість	Сумарна кількість	Число «гарних»	Сумарне число «гарних»	Число «поганих»	Сумарне число «поганих»	Гранична частка «поганих», %	Сумарна частка «поганих»,%	Процент вибірки, в якій кандидати мають рейтинг рівний чи вище, %
273 – 279	842	842	840	840	2	2	0,24	0,24	1,81
267 – 273	511	1353	510	1350	1	3	0,2	0,22	2,91
262 – 267	574	1927	570	1920	4	7	0,7	0,36	4,14
256 – 262	2087	4014	2070	3990	17	24	0,81	0,6	8,63
250 – 256	1756	5770	1740	5730	16	40	0,91	0,69	12,41
245 – 250	2338	8108	2310	8040	28	68	1,2	0,84	17,44
239 – 245	2917	11025	2880	10920	37	105	1,27	0,95	23,71
233 – 239	3774	14799	3720	14640	54	159	1,43	1,07	31,83
228 – 233	2766	17565	2700	17340	66	225	2,39	1,28	37,77
222 – 228	3366	20931	3300	20640	66	291	1,96	1,39	45,01
216 – 222	4492	25423	4380	25020	112	403	2,49	1,59	54,67
211 – 216	4210	29633	4080	29100	130	533	3,09	1,8	63,73
205 – 211	3455	33088	3360	32460	95	628	2,75	1,9	71,16
199 – 205	4419	37507	4260	36720	159	787	3,6	2,1	80,66
194 – 100	1549	39056	1440	38160	109	896	7,04	2,29	83,99
188 – 194	2006	41062	1890	40050	116	1012	5,78	2,46	88,31

Виділений рядок у таблиці 3.3 повідомляє наступне:

Для діапазону рейтингів 245250 очікувана частка "поганих" дорівнює 1,2%. Це значить, що 1,2% кандидатів з рейтингом від 245 до 250 швидше за все будуть "поганими".

Сумарна частка "поганих", тобто частка "поганих" серед усіх кандидатів з рейтингом вище 245, дорівнює 0,84%.

Acceptance rate для 245 дорівнює 17,44%, тобто 17,44% усіх кандидатів мають рейтинг вище 245.

На основі факторів, описаних вище, банк може вирішити, наприклад, відмовляти всім кандидатам з рейтингом нижче 200, або призначати їм велику ціну через те, що вони представляють більший ризик. Поняття "поганого" клієнта визначається головним чином за допомогою таких негативних показників, як банкрутство, шахрайство, правопорушення, відмовлення від виконання зобов'язань і негативна чиста приведена вартість (NPV).

Інформація про ризиковий рейтинг у сполученні з іншими факторами, такими як середній ступінь схвалення [approval rate] і потенціал доходу/прибутку для кожного рівня ризику, можуть використовуватися для розробки нових стратегій добору заяв, що будуть максимізувати доход і мінімізувати неповернений борг. Прикладами стратегій для кандидатів з високим рівнем ризику є:

відмовлення в наданні кредиту або послуги, якщо рівень ризику занадто високий,

менший стартовий кредитний ліміт або максимальне значення кредиту на кредитній картці,

збільшена ціна при оплаті на виплат або вимогу застави при іпотеці або позичках на автомобіль,

збільшена процентна ставка по позичці,

збільшений страховий внесок по страхових полісах,

вимога надати застава при комунальних послугах [utilities services],

вимога заплатити вперед при оплаті стільникового зв'язку,

заборона на міжнародний зв'язок від телекомунікаційних компаній,

приміщення під спостереження через потенційні шахрайські дії.

Навпроти, кандидатам з високим рейтингом можуть бути видані великі кредити по більш вигідних процентних ставках, можуть бути надані послуги більш високого розряду, наприклад, золоті або платинові картки, або додаткові продукти, пропоновані компанією.

Рейтинги заяв можна також використовувати для мінімізації витрат на етапі кредитної експертизи due diligence policies. Наприклад, кандидат з дуже високим або дуже низьким рейтингом може бути прийнятий або відкинутий відразу ж без одержання подальшої інформації про нерухомість, підтвердження доходів або перевірки базового активу.

З огляду на конкуренцію, що загострюється, на ринку, кредитним організаціям приходиться йти на усі великі поступки позичальникам. Це і відсутність первинного внеску, і розміщення кредитних менеджерів банку прямо в торговельному приміщенні магазинів, і експресоформлення кредиту. Можливість одержати кредит у лічені хвилини, "не відходячи від прилавка", от головний козир нинішніх кредиторів. Вони обіцяють видати готове рішення про можливості видачі вам кредиту в плині 530 хвилин. Та й довідка з місця роботи про заробітну плату виявляється зайвим папірцем. Це змушує відвідувача, уже тримаючи в руках заповітний товар, підписувати будь-які документи.

В цих умовах саме використання скорингової моделі як одного з головних інструментів ризик-менеджменту кредитних операцій визнано в усім світі як одне з найбільш ефективних.

Успіх скорингової моделі обумовлюється декількома ключовими факторами:

неупередженість оцінки (скоринг геть чисто відмітає суб'єктивність оцінок, традиційно зв'язану з кредитними рішеннями);

стандартизація кредитних оцінок;

можливість автоматизації (тому що скоринг припускає роботу лише з деякою кількістю цифр, вона легко автоматизується);

контроль (у силу стандартизації кредитних операцій банкам не представляється складним контролювати і відслідковувати ефективність кредитних рішень);

збільшення прибутковості (автоматизація процесу означає зниження витрат на ручну обробку заявок на кредит до мінімуму).

Для ефективного використання кредитного скоринга необхідно враховувати, що існує два види інформації: та, котру установа мала при споконвічному прогнозуванні поводження потенційного позичальника (оцінні дані), і та, котру організація одержує в результаті використання клієнтом кредитних продуктів (робочі дані).

Результати, отримані після статистичного аналізу, і формують скорингову карту. Приміром, вона може виглядати в такий спосіб (табл.3.4).

Це далеко не повний набір можливих критеріїв оцінки кредитних ризиків потенційних позичальників.

Наступним логічним кроком буде визначення граничного значення результату скорингової моделі або рівня відсікання, що і розділить усіх позичальників на "поганих" і "гарних". Такою межою повинний стати рівень, при якому доходи від гарних позичальників є достатніми для покриття збитків по потенційно поганим. Для цього можна вдатися до комплексного аналізу і співвідношення прибутковості кредитного портфеля і рівня списань боргів, віднесених до безнадійних й інших витрат. Припустимо, що в середньому збитки по одному поганому рахунку покриваються доходами по десятьох гарним. У даному випадку таким рівнем буде значення скорингової карти відповідному такому співвідношенню (у нашому прикладі це 10/1). Саме таке значення і буде, свого роду, крапкою беззбитковості кредитних операцій банку (табл.3.5).

Таблиця 3.4 Приклад скорингової карти в АКБ „Приватбанк”

Вік	до 25 5	25 40 10	40 50 15	50 і більше 10
Власність	власник 20	співвласник 15	наймач 10	інше 5
Робота	керівник 15	менеджер середньої ланки 10	службовець 5	інше 0
Стаж	1/безробітний 0	1 3 5	3 10 10	10 і більше 15
Робота чоловіка/дружини	немає/домогосподарка 0	керівник 10	менеджер середньої ланки 5	службовець 1

Таблиця 3.5 Приклад оцінки рівня беззбитковості кредитних операцій (рівень відсікання)

Значення скорингової карти	Кількість гарних рахунків на один поганий	Рішення про кредитування
65 і більше	40/1	Позитивне
50 65	25/1
РІВЕНЬ БЕЗЗБИТКОВОСТІ КРЕДИТНИХ ОПЕРАЦІЙ
40 50	10/1	Додатковий (ручний) аналіз заявки
менш 40	5/1	Відмовити

Саме описаний вище алгоритм є одним з базових для побудови скорингової системи.

Як свідчить досвід Західних країн, після введення в роботу скорингових моделей рівень поганих боргів скоротився на 15% 20% у порівнянні з ручною (суб'єктивною) обробкою кредитних заявок. Утім, досвід російських фінансистів не такий вражаючий. За різними оцінками, відсоток "неповернень" складає, за різними оцінками, від 10 до 20%.

В останні роки скорингсистеми набули поширення і в діяльності вітчизняних банків. Зокрема, Приватбанком та банком „Надра” були розроблені власні скорингсистеми. Методика Приватбанку включає такі характеристики [85]:

соціальну стабільність (фізична особа працездатного віку – 10 балів,

наявність шлюбного контракту – 10 балів,

забезпеченість роботою – 10 балів),

питому вагу річних виплат за кредитом (відсотків та погашення основної частини боргу) у сукупному річному доході позичальника: менше 25 % – 20 балів, від 25 % до 50 % – 10 балів, більше 50 % – 0 балів;

користування кредитами раніше і їх своєчасне погашення – 20 балів;

має зв’язки і підтримку в ділових колах (рекомендаційний лист) – 10 балів.

Залежно від суми набраних балів позичальники поділяються на 5 класів:

А – більше 70 балів,

Б – 60–70 балів,

В – 50–59 балів,

Г – 40–49 балів,

Д – менше 40 балів.

Скорингсистема банку “ Надра” включає такі характеристики [40, с.79]:

1. Вік позичальника. Якщо вік клієнта від 25 до 50 років, він отримує 8 балів; якщо менше 25 років або більше 50 років – 2 бали.

2. Наявність власної нерухомості. При наявності власної нерухомості клієнт отримує 8 балів; якщо нерухомість знаходиться у власності іншого члена сім’ї – 4 бали; якщо не має власної нерухомості – 0 балів.

3. Постійна робота. При стажі роботи на даному місці понад 3 роки клієнт отримує 8 балів; при стажі роботи на постійному місці від 1 до 3 років – 4 бали; при стажі роботи менше 1 року – 2 бали.

4. Безперервний стаж роботи. При безперервному стажі роботи понад 5 років – 6 балів; при безперервному стажі роботи від 3 до 5 років – 4 бали; при безперервному стажі роботи менше 3 років – 2 бали.

5. Погашення кредитів у минулому. Якщо отримані клієнтом кредити сплачувались своєчасно та в повному обсязі, він отримує 6 балів; якщо кредити, які отримувались клієнтом у минулому, сплачувались із порушенням строків платежу або клієнт взагалі не користувався кредитами – 4 бали; якщо кредити прострочені або якщо клієнт ухиляється від відповідальності – 0 балів.

6. Забезпечення кредиту. Характеризує забезпеченість повернення кредиту та відсотків за ним заставою або порукою. Розраховується як відношення вартості застави (суми поруки) до суми основного боргу за кредитом із урахуванням нарахованих відсотків. Якщо вартість запропонованого майна в заставу (сума поруки) на 50 % перевищує суму основного боргу з урахуванням відсотків, клієнт отримує 30 балів; якщо від 25 до 50 % – 25 балів; до 25 % – 20 балів; а якщо сума основного боргу з урахуванням нарахованих відсотків перевищує вартість запропонованого майна в заставу (суму поруки) клієнт отримує 15 балів.

7. Платоспроможність клієнта. Якщо місячні доходи позичальника на 30 % перевищують його витрати з урахуванням щомісячної сплати основного боргу за кредитом та нарахованих відсотків за користування ним, він отримує 20 балів; якщо менше 30 % – 15 балів; якщо ж місячні доходи клієнта не перевищують загальних місячних витрат, він отримує 5 балів.

8. Платоспроможність сім’ї. Якщо місячні доходи сім’ї клієнта на 50 % перевищують їх витрати з урахуванням щомісячної сплати основного боргу за кредитом та нарахованих відсотків за користування ним, він отримує 20 балів; якщо від 20 до 50 % – 15 балів; менше 20 % – 5 балів.

Якщо позичальник набрав більше 55 балів, то банк задовольняє прохання позичальника про надання кредиту; при 40–54 балах проводиться додаткове вивчення умов (суми, строку кредиту, гарантій); якщо сума балів менше 40, банк відмовляє клієнту у наданні кредиту.

Аналізуючи наведені вітчизняні скоринг-системи, необхідно зазначити, що основним їх недоліком є достатньо висока шкала, яка для переважної більшості населення є недосяжною.

Зважаючи на прогнозований подальший розвиток банківського споживчого кредитування в Україні і потребу в автоматизації процесу прийняття рішень щодо видачі кредиту, в Україні доцільно розвивати наступні напрямки вдосконалення скоринг-систем.

1. Створення кредитних бюро для формування кредитної історії всіх фізичних осіб, які коли-небудь звертались за кредитом у будь-яку кредитну установу країни.

2. Формування початкових вибірок достатніх обсягів із поділом клієнтів на “ добрих” та “ поганих”.

3. Здійснення вибору найбільш адекватних методів для побудови класифікаційної функції: дискримінантний аналіз, класифікаційне дерево (рекурсивне розбиття), нейронні мережі, генетичний алгоритм, метод найближчих сусідів.

Разом з тим завжди потрібно пам’ятати про обмеження, пов’язані із застосуванням кредитного скорингу. П-оперше, класифікація вибірки здійснюється лише на клієнтах, яким надали кредит; по-друге, із плином часу змінюються як соціально-економічні умови, що впливають на поведінку людей, так і самі люди, тому будь-яка скорингова модель потребує періодичного поновлення (модифікації).

Для оцінки впливу впровадження скорингових систем на якість кредитного портфелю банку проведемо аналіз структури кредитного портфелю та оцінених кредитних ризиків для створення кредитних резервів в АКБ “Приватбанк” за методологією [24].

Згідно “Звіту про класифіковані кредитні операції за формами власності

та розрахунку резерву на відшкодування можливих втрат за кредитними операціями АКБ “Приватбанк” [85], на рис. Л.1 Л.8 Додатку Л побудована графічна структура кредитного портфелю АКБ “Приватбанк” станом на 31.12.2005 року

Як показує аналіз графіків рис.Л.1 – Л.8 Додатку Л найбільш вразливішим місцем в кредитному менеджменті АКБ “Приватбанк” з точки зору забезпечення мінімізації кредитного ризику є адміністрування споживчих кредитів населенню:

а) Кредити, надані фізособам в інвестиційну діяльність:

вагова частка в “безнадійних” кредитах – 42,39%;

вагова частка в “сумнівних” кредитах – 23,25%;

вагова частка в “субстандартних” кредитах – 12,91%;

б) Кредити, надані фізособам в поточну діяльність:

вагова частка в “безнадійних” кредитах – 33,12%;

вагова частка в “сумнівних” кредитах – 18,16%;

вагова частка в “субстандартних” кредитах – 10,09%;

В той же час, як показують графіки на рис.Л.7 Л.8 Додатку Л, впровадження у 2005 році скоринг-систем кредитного менеджменту споживчого кредитування фізичних осіб зменшило обсяг „сумнівних” та „безнадійних” кредитів фізичних осіб в портфелі АКБ “Приватбанк” з 2,8% до 2,15%.

Таким чином, розвиток скоринг-систем кредитного менеджменту споживчого кредитування фізичних осіб дозволяє:

суттєво знизити витрати банку на ідентифікацію ризику кредитування споживача на окремому місці продавця кредитних продуктів банку, особливо коли це місце розташоване безпосередньо в точці торгівлі предметами та послугами, які кредитуються банком;

централізувати та проводити об’єктивний контроль умов кредитування в теріторіально відокремлених відділеннях та “банківських” кіосках з мінімальними вимогами до аналітичних здібностей кредитного інспектора;

впровадити технологію “самокредитування” через банкоматні системи, тобто автоматизувати процес споживчого кредитування у відсутності банківського персоналу.