Управление рисками кредитования малого и среднего бизнеса

Во всех странах с развитой системой финансовых услуг кредиты выдаются только тем заемщикам, кто прошел специальную процедуру оценки кредитоспособности, называемую кредитным скорингом. Но, как показывают и теория, и опыт оценки и управления кредитным риском, кредитный риск имеет сложную внутреннюю структуру. Помимо рисков, обусловленных особенностями каждого конкретного заемщика, в нем присутствуют и другие компоненты. Рынок кредитования предприятий МСБ в нашей стране является последним сегментом кредитного рынка, еще в недостаточной степени охваченным банковскими услугами. Как же должны быть устроены системы, оценивающие и управляющие рисками кредитования предприятий этого сегмента?

Из чего состоит кредитный риск?

Одновременно с быстрым ростом кредитного рынка в России в первом десятилетии XXI в. возросли и риски, связанные с кредитным бизнесом. В силу этого повышается и значимость методик оценки кредитоспособности заемщиков для российских банков. Но для создания и использования методик измерения и управления кредитными рисками необходимо сначала разобраться с тем, какие виды кредитного риска существуют и как они соотносятся друг с другом. На рис. 1 представлена иерархия видов кредитного риска, которая формируется в трехуровневую структуру.

Рисунок 1. Иерархия видов кредитного риска.

На базовом уровне кредитный риск представлен транзакционным риском. Этот риск связан с вариативностью кредитоспособности отдельных заемщиков, возникающей в ответ на изменение влияющих на нее экономических, отраслевых, социально-демографических и иных факторов. Этот риск проявляется в вариативности денежного потока предприятий или доходов заемщиков — физических лиц. В силу этого могут претерпевать изменения и вероятность возврата или, наоборот, невозврата ими заемных средств. На следующем уровне иерархии расположены риски, связанные с «поведением» больших групп кредитов, объединенных по принципу похожести в «единый большой кредит», называемый портфелем. Объединение кредитов в портфель диктуется необходимостью уменьшения издержек на управление: предполагается, что таким портфелем можно управлять как одним большим кредитом. Но тогда такой метакредит должен характеризоваться какими?то параметрами, позволяющими оценить свойственный ему риск — так называемый портфельный риск. В портфель объединяют кредиты, подверженные влиянию одинаковых факторов риска, среди которых присутствуют как экономические (например, состояние спроса в отрасли), так и социальные (например, уровень доходов населения) факторы. Приведем в пример возможную ситуацию с портфелем кредитов МСБ: в случае падения спроса у наиболее слабых предприятий с наименее диверсифицированными товарными портфелями или с наименее диверсифицированными системами дистрибуции доходы упадут в первую очередь и, следовательно, возрастет вероятность дефолта. Следующий, третий, уровень иерархии представлен аллокационным кредитным риском — риском, обусловленным распределением активов банка по отраслям, регионам его присутствия и продуктам банка. Разная динамика развития и разное состояние региональных экономик, отраслей и, например, спроса на разные типы банковских кредитов определяют вариативность качества кредитных портфелей, сформированных банком. Таким образом, вложение в разных пропорциях средств в кредитование одного и того же состава отраслей, которым предлагаются одни и те кредитные продукты, а отрасли локализованы в одних и тех же регионах, приведет к тому, что каждая из таких различных возможных аллокаций кредитных ресурсов будет генерировать свою доходность и будет характеризоваться своим уровнем кредитного, аллокационного, риска. В данной статье мы сконцентрируем внимание на самом нижнем — базовом — транзакционном уровне кредитного риска.

Фундамент систем управления транзакционным кредитным риском — скоринг

Начнем описание методического обеспечения оценки и управления транзакционным кредитным риском с определения термина «скоринг». Кредитным скорингом называется быстрая, точная, объективная и устойчивая процедура оценки кредитного риска, имеющая под собой научное обоснование. Скоринг всегда представляет собой ту или иную математическую модель, которая соотносит уровень кредитного риска (вероятность дефолта заемщика) с множеством различных параметров, характеризующих заемщика — физическое или юридическое лицо. Сразу заметим, что моделей скоринга для решения одной и той же задачи, например оценки кредитного риска предприятий МСБ, может быть множество. Причем каждая из таких моделей выстраивается по индивидуальному алгоритму, использует свой набор факторов, характеризующих риск, связанный с кредитованием заемщика, и в результате получает пороговую оценку, которая и позволяет разделять заемщиков на «плохих» и «хороших». Смысл кредитного скоринга заключается в том, что каждому соискателю кредита присваивается индивидуальная оценка кредитного риска — вероятности дефолта. Сравнение значения вероятности дефолта, полученной для конкретного заемщика, со специфичной (подчеркнем это) для каждой модели скоринга пороговой оценкой помогает решить труднейшую проблему выбора при выдаче кредита: давать средства данному заемщику или нет. Таким образом, скоринг по сути является автоматической или автоматизированной процедурой, классифицирующей заемщиков на требуемое количество классов. В самом простом случае таких классов два — те, кому кредит выдать можно, и те, кому он строго «противопоказан».

Благодаря использованию скоринга банк получает возможность снижения числа «плохих» кредитов за счет фильтрации потока клиентских кредитных заявок. В качестве доказательства приведем данные по кредитованию физических лиц с использованием системы скоринга фирмы Fair Isaac. После «пропускания» факторов, характеризующих заемщика, через скоринговую модель мы получаем число (скоринговый балл), определяющее уровень кредитного риска, свойственного данному заемщику. Это число принимает одно из значений в интервале от 500 до 800. Каждое из значений в этом интервале характеризует различную вероятность погашения кредитных обязательств заемщиком. То есть разные значения кредитного скоринга подразумевают различные соотношения «хороших» и «плохих» заемщиков (рис. 2).

Рисунок 2. Иллюстрация взаимосвязи между оценкой кредитного балла заемщика и вероятностью невозврата взятых в долг средств.

На рис. 2 на горизонтальной оси откладывается значение скорингового балла, рассчитываемого моделью, а на оси ординат — соответствующая данному скоринговому баллу вероятность дефолта заемщика. Как видно из рисунка, рост скорингового балла заемщика сопровождается падением вероятности его дефолта: чем выше скоринговый балл, тем более устойчив конкретный заемщик к проявлению кредитного риска. Рисунок иллюстрирует эту зависимость: если в банк обратятся 100 человек, у которых скоринговый балл превышает 800, то только один из них не вернет взятые средства. И наоборот, если в компанию обратятся 100 человек со скоринговым баллом 499 и менее, то 87 из них не вернут средства, взятые в долг. Таким образом, кредитуя заемщиков с высоким значением скоринга, банк уменьшает вероятность невозврата кредитов. Тем самым уменьшаются потери и увеличивается прибыль от кредитной деятельности без снижения стандартов кредитования.

Как устроен скоринг? Что внутри?

Для создания систем скоринга необходимо несколько ингредиентов. Их рассмотрение начнем с анализа моделей скоринга, используемых для оценки кредитоспособности предприятий, поскольку именно для предприятий уже разработаны модели скоринга, структура которых описана в научной периодике. Наиболее известной из таких моделей является модель Э. Альтмана, первый вариант которой был разработан в 1968 г. на основе статистических данных менее чем 70 американских компаний, половина из которых обанкротилась. Эта модель предназначена для оценки кредитоспособности крупных публичных компаний базовых отраслей американской экономики. Модель Альтмана не может быть использована для оценки кредитоспособности, например, предприятий малого бизнеса. Поэтому в 1984 г. исследователем Д. Фулмером была создана специальная модель оценки кредитоспособности малых предприятий с годовым оборотом около $0,5–1 млн. Третья из рассматриваемых нами моделей создана всемирно известной фирмой Fair Isaaс — признанным лидером в разработке моделей скоринга для кредитования физических лиц. Это одна из наименее публичных моделей, о внутреннем устройстве которой известно немного. Может ли что?то объединять модели скоринга для столь различных объектов: крупных предприятий, предприятий малого бизнеса и физических лиц? Оказывается — да, может! Этим объединяющим моментом для всех трех типов моделей является равенство:

где Z — значение оценки скоринга (скоринговый балл);
a_k — весовые коэффициенты, характеризующие значимость факторов риска;
X_k — факторы риска, определяющие кредитоспособность заемщика.

Эта формула предназначена для расчета значения кредитного скоринга, или численного значения, характеризующего качество кредитоспособности заемщика. Именно такая (или аналогичная) формула является «ядром» практически любой системы скоринга. В частности, в модели Альтмана она принимает вид:

где коэффициенты модели принимают значения 1,2; 1,4; 3,3; 0,6; 0,999 и являются весами, определяющими значимость факторов риска; символы A, B, C и т.д. — факторы риска. Например, А — отношение оборотного капитала к совокупным активам; В — отношение нераспределенной прибыли прошлых лет к совокупным активам; С — отношение прибыли до уплаты процентов и налогов к совокупным активам; D — отношение рыночной капитализации к полной балансовой стоимости долговых обязательств; Е — отношение объема реализации к совокупным активам.

В модели Фулмера аналогичная формула для оценки кредитоспособности приобретает следующий вид:

Z = 6,075 + 5,528V1 + 0,212V2 + 0,073V3 + 1,270V4 + 0,120V5 + 2,335V6 + 0,575V7 + 1,083V8 + 0,849V9,

где V1 — отношение нераспределенной прибыли прошлых лет к совокупным активам;
V2 — отношение объема реализации к совокупным активам;
V3 — отношение прибыли до уплаты налогов к совокупным активам;
V4 — отношение денежного потока к полной задолженности;
V5 — отношение долга к совокупным активам;
V6 — отношение текущих пассивов к совокупным активам;
V7 — логарифм материальных активов;
V8 — отношение оборотного капитала к полной задолженности;
V9 — логарифм отношения прибыли до уплаты процентов и налогов к выплаченным процентам.

Две описанные модели скоринга, как и множество других моделей, объединяет общее свойство — их многомерность, которая может быть проиллюстрирована в простейшем случае для двух факторов риска геометрической «интерпретацией» (рис. 3), где факторы риска кредитоспособности — это некие переменные X1 и X2 (их конкретный смысл в данном случае не важен).

Рисунок 3. Геометрическая интерпретация скоринга кредитоспособности.

Заемщики двух классов представлены на рисунке овалами разных цветов: одни, например «плохие», — серым овалом, тогда как другие («хорошие») — черным. Отличить «плохих» заемщиков от «хороших» ни по одному фактору риска в отдельности не представляется возможным (из-за значительного пересечения функций распределения факторов риска — колоколообразных кривых). На рис. 3 колоколообразные кривые по осям факторов риска образуются за счет проецирования на эти факторы риска групп «хороших» и «плохих» заемщиков. Данные проекции — функции плотности вероятности — описывают частоту встречаемости используемых для скоринга свойств заемщика в классифицируемых группах. Бльшая область пересечения этих кривых по любому из факторов риска говорит о невозможности отличить «плохих» заемщиков от «хороших». Заемщики разных классов очень похожи друг на друга, если оценивать их по первому и по второму факторам риска. Модель скоринга «ищет», используя статистику ранее обработанных кредитов, такой «угол зрения» на данные в пространстве факторов риска (в нашем случае оно двумерно, а в общем случае — многомерно), чтобы рассматриваемые под этим «углом» объекты разных классов были максимально не похожи друг на друга. На рис. 3 этот «угол зрения» обозначен пунктирной прямой, проходящей между серым и черным овалами и разделяющей их. Перпендикуляр к этой прямой и является осью скоринга, проецирование на которую образов «плохих» и «хороших» заемщиков дает возможность отличить их друг от друга. Точка пересечения данных прямых дает пороговое значение скоринга (уровень отсечения) — Z*. Функции плотности заемщиков разных классов при проецировании на ось скоринга Z становятся отличными друг от друга. Откуда в модели появляются численные значения коэффициентов, взвешивающих входящие в нее факторы риска? Эти коэффициенты — результат процедуры обучения, когда для настройки модели ей предъявляются имеющиеся статистические данные о выданных кредитах и результативности этого процесса («плохие» и «хорошие» заемщики) и она итеративно «подбирает» коэффициенты таким образом, чтобы точность распознавания «плохих» и «хороших» заемщиков была максимальной. На рис. 3 это подбор угла наклона прямой, рассекающей серый и черный овалы, и точки пересечения этой прямой с осью ординат.

Для определения коэффициентов модели необходимо, чтобы статистическая выборка была разбита по тем группам заемщиков (в простейшем случае их две — «плохие» и «хорошие»), которые должна распознавать скоринговая модель. Эта проблема обозначается термином «кредитное кладбище». Более того, к данным, используемым для подбора коэффициентов, предъявляются довольно жесткие требования: чтобы эти коэффициенты «чувствовали» «плохих» заемщиков, тех должно быть достаточно много (а у многих наших банков количество «плохих» заемщиков невелико, поскольку они только пытаются учиться кредитовать предприятия МСБ). Цифры, характеризующие отношение «плохих» заемщиков к «хорошим», типичны для многих банков: от 1 к 100 до 10–15 к 100 (по нашему опыту, порядок величин не сильно варьируется). Конечно, в результате кризиса 2008 г. число «плохих» заемщиков выросло до такой степени, что многие банки были близки к краху, но… проблемы с базами статистических данных по-прежнему существуют даже у таких банков, так как их падение было обусловлено большой концентрацией предприятий конкретных отраслей в их кредитных портфелях. К таким отраслям, превалировавшим в портфелях банков, относились строительство и торговля. Говорить о возможности реализации процедуры статистического обучения, даже при таких «кредитных кладбищах», пока нельзя. Помимо количественного соотношения в обучающей статистике «плохих» и «хороших» кредитов, важным фактором является общее количество примеров для каждой отрасли. А формирование портфелей из столь различающихся экономически отраслей, как торговля и строительство, приводит к тому, что мы пытаемся описать одной моделью различные объекты. Строительство характеризуется значительным объемом основных средств и достаточно медленным оборотом капитала, тогда как торговля — малым объемом основных средств и высоким оборотом капитала. Отметим, что чем подробнее описание заемщика (к чему, естественно, стремится любой кредитор, используя большее число признаков), тем большее количество как «хороших», так и «плохих» примеров должно содержать используемое «кредитное кладбище». Таким образом, для создания скоринга, использующего процедуру обучения «с учителем» (сюда относятся обе обсуждаемые нами модели), нужно, чтобы набралось достаточное число заемщиков, нанесших урон банку. Есть обходной путь, требующий использования экспертных знаний. Однако выбирая его, следует понимать, как можно оценить состав требуемых для скоринга признаков, значимость того или иного признака кредитоспособности и как объединять мнения множества экспертов по этому поводу, поскольку полагаться при выдаче кредитов на мнение одного человека опасно. Именно поэтому при формализации экспертных знаний мы все равно попадаем на «дорогу», ведущую нас к статистическому скорингу.

В завершение данного раздела обратим внимание на то, что алгоритмы, выбранные нами для обучения модели скоринга, относятся к классу статистических моделей: для построения моделей необходимы обучающая выборка и процедура статистического обучения. Это означает, что у модуля скоринга должно существовать как минимум два режима функционирования. Первый, при наличии данных, режим для обучения модели: нахождения таких коэффициентов модели, которые наилучшим образом позволят отклассифицировать выборку статистических данных. Второй режим — собственно эксплуатация построенной модели, в этом режиме модель обеспечивает реализацию классификации входного потока заемщиков на предустановленные в режиме обучения классы. Для реализации первого режима — обучения модели скоринга — необходимо выполнить несколько предварительных условий. Во-первых, статистические данные должны быть предварительно подготовлены специальным образом: выборка данных должна быть разделена на две части — обучающую и тестовую. В обучающей выборке необходимо собрать данные о потенциальных заемщиках в избыточном объеме. В нее следует включить переменные, которые потенциально могут оказаться полезными для решения вопроса о кредитоспособности заемщиков, а уж выбор конкретных переменных для включения в скоринговую модель осуществляется в процессе обучения и без участия человека. Во-вторых, пользователь (банковский специалист) должен иметь возможность выбирать из нескольких типов моделей скоринга (мы говорим о двух наиболее распространенных алгоритмах: логистической регрессии и деревьях решений). Все сказанное проиллюстрировано на рис. 4.

Рисунок 4. Режимы функционирования модуля скоринга.

В левой части рисунка приводится блок-схема функционирования модуля скоринга в режиме обучения, а в правой — в режиме эксплуатации. Первый из описываемых режимов функционирования данного модуля обеспечивает отбор из избыточного набора признаков того подмножества, которое обеспечивает требуемый уровень классификации, то есть именно в этом режиме и строится математическая модель скоринга (например, определяются коэффициенты логистической регрессии). Но для построения модели скоринга необходимо как-то обеспечить остановку процедуры обучения, для чего используется специальная модель, которая рассчитывает так называемую ROC-кривую и показатель качества модели скоринга — AUC. После того как в процессе статистического обучения будет достигнут требуемый уровень качества модели, процедура статистического обучения завершается и модель переходит в режим эксплуатации. На рис. 5 представлена ROC-кривая, полученная при внедрении системы скоринга в одном из российских банков, входящих в топ-100. По вертикальной оси на графике откладывается процент «плохих» заемщиков, которых вылавливает модель из общего количества заемщиков с недостаточным кредитным качеством. По горизонтальной оси откладывается доля заемщиков из общего потока заемщиков — потенциальных клиентов, которым будет отказано в получении кредитных средств. Биссектриса прямого угла, идущая слева направо на рисунке, показывает скоринговую модель, которая для принятия решения «бросает монетку» (случайный классификатор). Понятно, что чем лучше скоринговая модель, тем «круче» должна проходить ROC-кривая.

В идеальной модели она должна совпадать с прямым углом (левым верхним). Это означает, что модель распознает всех «плохих» заемщиков в обучающей выборке, но при этом никому необоснованно не отказывает в кредите, а этого быть не может. Как видно из иллюстративного примера, характеризующего скоринг в почти идеальной ситуации, всегда существует некое пересечение образов «хороших» и «плохих» заемщиков. Поэтому в реальности кривая должна лежать в промежуточном положении (между биссектрисой и левым верхним углом). Качество модели, ROC-кривая для которой приведена на рис. 5, было весьма высоким, показатель AUC для нее равнялся 0,85.

Рисунок 5. ROC-кривая для оценки качества скоринговой модели.

Проблемы получения модели скоринга для кредитования МСБ

Как уже говорилось выше, введение скоринга в банковский менеджмент становится весьма актуальным из-за роста как потребительского, так и коммерческого кредитования. Обозначим проблемы, с которыми придется столкнуться на этом пути банковскому сообществу.

Попытка применить модель Альтмана для Газпрома, Роснефти или ЛУКОЙЛа, по крайней мере с формальной точки зрения, не встретит никаких трудностей. Есть данные официальной отчетности, есть весовые коэффициенты, а значит, можно вычислить оценку кредитоспособности заемщика. Но что делать, если надо оценить не упомянутые крупнейшие компании, а «свечной заводик отца Федора», акции которого не котируются не то что на NYSE, но даже на ММВБ (напомним, что мы рассматриваем оценку кредитоспособности предприятий МСБ). Даже беглого взгляда на соответствующую формулу достаточно, чтобы увидеть, что из пяти объясняющих переменных в случае «свечного заводика» в формуле остаются только четыре переменные. Оценка скоринга (значение Z в формуле) уменьшится (хотя, строго говоря, это произойдет только в том случае, если на место D поставить 0), что на самом деле не соответствует рассматриваемому случаю). Как отмечалось, значение скоринга для конкретного заемщика сравнивается с пороговой величиной:

Z > Z^* — «хорошие» заемщики;

Z < Z^* — «плохие» заемщики.

Однако, если нельзя учесть некоторые переменные (если акции предприятия не котируются на бирже, то переменная D отсутствует в описании кредитного качества), ломается сам «измерительный инструмент», представленный моделью (численная оценка без учета фактора D, например, всегда будет смещена в область худших оценок скоринга). В реальности ситуация еще сложнее: не принимая во внимание переменную D, мы изменяем, не желая того, геометрию пространства факторов риска и, как следствие, весовые коэффициенты и по другим факторам риска заемщика. Меняется сама модель: критическое значение скоринговой оценки (порог отсечения), с которым сравнивается оценка каждого заемщика, становится другим. Следовательно, в наших условиях сам выбор объясняющих переменных для оценки скоринга российских фирм является весьма нетривиальной задачей. Э. Альтман построил свою модель на данных всего 60 компаний, в ней отражена вполне конкретная отраслевая специфика бизнеса (базовые отрасли американской экономики), она никак не учитывает риски, связанные с бизнес-циклами в России, и риски, свойственные компаниям с другой отраслевой принадлежностью. Поэтому можно констатировать следующее: использование такого рода модели путем ее механического переноса в наши условия становится мощнейшим фактором риска кредитной оценки — тем, что в риск-менеджменте называется модельным риском. Очень яркий пример рисков, связанных с применением моделей статистического скоринга, приводится в одной из работ, посвященных изучению эффективности скоринговых моделей1. В ней говорится, что набор переменных, формирующих оценку скоринга, может изменяться с течением времени и что «граница» между анализируемыми группами может быть не линейной (как показано на рис. 3), а иметь существенно более сложную форму, которая не сможет быть описана простейшей формулой типа модели Альтмана. Авторы этой статьи исследовали несколько математических подходов для построения скоринга, где в качестве факторов риска использовался 31 финансовый коэффициент, характеризующий различные стороны финансового состояния компании. Ими проанализировано 11 моделей скоринга, разработанных в период с 1931-го до 1996 г., для построения которых применялись три математических подхода: дискриминантный анализ, логит-модель и генетические алгоритмы. Авторы статьи показали два основных момента. Первый связан с фактом изменения состава факторов риска в модели скоринга: он изменяется в зависимости от времени — чем раньше до будущего банкротства его надо «увидеть» скорингу, тем большее количество переменных в модели надо учесть. Второй связан с тем, что граница между классами заемщиков нелинейна: точность оценок, получаемых с помощью скоринга, основанного на генетических алгоритмах (они генерируют нелинейную границу), существенно выше, чем у моделей, основанных на дискриминантном анализе (он генерирует линейную границу). Правда, первый подход требует в среднем в три раза больше переменных, чем второй.

Рассмотрение проблемы управления кредитными рисками не будет полным, если мы не затронем проблем и возможных путей их решения при проектировании системы управления кредитными рисками не только физических, но и юридических лиц. Мы это сделаем на примере оценки кредитоспособности предприятий малого и среднего бизнеса. Цель данного раздела статьи — показать, что предложенный состав и архитектура сохраняются при переходе от кредитования физических лиц к кредитованию предприятий малого и среднего бизнеса. Доказательство этого факта позволит говорить о том, что предлагаемый нами состав модулей системы управления кредитными рисками и его функциональная архитектура являются универсальными.

Очевидно, что первой проблемой, с которой мы столкнемся при переходе к измерению кредитного риска малых и средних предприятий, является тот факт, что для этого типа заемщиков не накоплен достаточный фактический материал. Для сохранения универсальности предложенной нами функциональной архитектуры и состава модулей, формирующих систему управления транзакционной частью кредитного риска, мы предлагаем несколько расширить логическую модель скоринга для предприятий МСБ. Предлагаемое расширение представлено блок-схемой на рис. 6.

Рисунок 6. Логическая структура модели скоринга для оценки кредитоспособности предприятий МСБ

Суть изменений логической структуры скоринговой модели сводится к тому, что традиционный для решения этой задачи состав алгоритмов (деревья решений, логистическая регрессия и т.д.) расширяется, и в модель мы предлагаем включить алгоритмы SD-моделирования. Причины, по которым мы предлагаем такое решение, следующие:

• в отсутствие статистических данных традиционный набор алгоритмов оказывается просто бесполезным по причине невозможности реализовать обучение модели;
• для принятия решений о кредитовании в случае предприятий малого и среднего бизнеса на кредитоспособность заемщика оказывает влияние существенно больший спектр переменных, чем для физических лиц;
• широко известен факт, что бухгалтерская отчетность предприятий российской экономики часто очень слабо отражает реальное положение дел в бизнесе в силу того, что она очень сильно искажается в связи с налоговой «оптимизацией»;
• скоринговая модель должна отражать отраслевую специфику предприятий МСБ.

В частности, в контексте второго утверждения можно говорить о необходимости учета в скоринговой модели для МСБ не только финансовой информации. Очень важно, в силу масштабных эффектов, оценивать экономическое окружение скорингуемых предприятий. Важно учесть в моделях скоринга такие переменные внешней среды, как спрос и предложение. При их вариациях могут претерпевать резкие изменения и денежный поток предприятия и все его финансовые показатели, на которых обычно строятся скоринговые модели для юридических лиц. Кроме того, на состоянии предприятий, опять-таки в силу их малого масштаба, могут сказываться и особенности управления. Поэтому крайне важно иметь возможность учитывать качество управления предприятием. И если оценить в числовой форме состояние спроса и предложения в отрасли, к которой принадлежит предприятие, не составляет труда, то оценить качество управления предприятием является нетривиальной задачей. Для этого необходимо, чтобы модель могла потреблять экспертную информацию. Включение в логическую структуру скоринговой модели для предприятий МСБ блока SD-моделирования позволяет адекватно учесть все вышеперечисленные требования. Для реализации любой SD-модели, как известно, в качестве первого шага необходимо составить когнитивную карту. Когнитивная карта представляет собой диаграмму причинных влияний в виде направленного графа. Узлы этого графа представляют собой переменные, которые включаются аналитиком в описание кредитоспособности предприятия, а ребра — причинные влияния переменных друг на друга. На рис. 7 представлена когнитивная карта гипотетического предприятия лесной индустрии, которое занимается заготовкой и переработкой леса.

Такое изменение в логической структуре скоринговой модели обеспечивает не только решение четырех проблем, перечисленных нами ранее, но и возможность динамической оценки кредитоспособности предприятий МСБ. Использование в модели скоринга SD-модели позволяет сгенерировать недостающие для построения статистического скоринга данные. За счет прямого учета объема, сроков и типа займов (рис. 7) модель позволяет сгенерировать «кредитное кладбище», определив состояние дефолта как невозможность погасить текущую задолженность в течение, скажем, трех месяцев. Варьируя входные показатели модели, такие как спрос, предложение, качество менеджмента, параметры кредита, мы в процессе SD-моделирования получаем различные траектории для денежного потока предприятия, а значит, и разные условия выпадения заемщика в дефолт (при разных сочетаниях входных параметров модели мы имеем и разные финансовые показатели). Имея таким образом сгенерированное искусственное «кредитное кладбище», мы можем стандартным способом применить на указанной статистике традиционные алгоритмы скоринга в виде той же логистической регрессии. Но, кроме того, мы получаем существенный выигрыш от изменения логической структуры модели за счет того, что такая модель позволяет не только решить проблему отсутствия статистических данных, что важно для режима обучения, но и существенно расширяет функциональность скоринга в режиме эксплуатации скоринговой модели.

Поясним, что нового дает расширение логической структуры для последнего режима. Во-первых, мы можем генерировать сколь угодно большие выборки данных, что обеспечивает точность моделей статистического обучения, которые позволят учесть отраслевую специфичность бизнеса кредитуемых предприятий МСБ. В силу отсутствия ограничений на объем генерируемых искусственных данных по дефолтам предприятий МСБ (каких в реальной жизни в требуемом количестве никогда не бывает) мы учитываем в структуре когнитивной карты отраслевую специфичность: предприятия торговли характеризуются быстрым оборотом капитала и низкими основными фондами, в то время как производственные предприятия характеризуются большими значениями основных фондов и медленной скоростью оборота. За счет использования в когнитивной карте экспертной информации мы можем моделировать влияние на денежные потоки качества управления, а при использовании макроэкономической статистики — влияние вариации спроса и предложения на объемы продаж оцениваемого предприятия. И, наконец, мы можем моделировать денежные потоки предприятия в динамике за счет именно SD-моделей в структуре скоринга, что позволит нам более рационально формировать график платежей. Кроме того, динамичность получаемых оценок позволит нам естественным образом в рамках одной и той же модели реализовать не только аппликативный, но и поведенческий скоринг, если в течение периода обслуживания кредита у оцениваемого предприятия вдруг возникнут проблемы с погашением его задолженности. Такая структура скоринговой модели позволит нам в момент возникновения проблем эффективно оценить перспективы погашения возникшей задолженности и принять в отношении такого заемщика более обоснованные управленческие решения.

Рисунок 7. Когнитивная карта, описывающая финансовое состояние предприятия в лесной промышленности.

Вместо заключения: что еще нужно для «спокойной» жизни в кредитном бизнесе?

В силу того что кредитный риск устроен иерархически (имеет три уровня — от транзакционного до аллокационного), для управления кредитными рисками нам понадобится еще два комплекса моделей. Первый будет служить целям управления портфельным кредитным риском, а предназначение второго состоит в поддержке управленческих решений в части аллокации кредитного капитала по регионам присутствия банка и по продаваемым продуктам. Кроме того, даже на транзакционном уровне для управления кредитными рисками заемщиков недостаточно просто классифицировать входной поток заемщиков на «хороших» и «плохих». Необходим еще целый ряд функций, без использования которых применение скоринга не будет давать удовлетворительных результатов. Эти две темы будут рассмотрены нами позже.

Версия для печати