Проблемы оценки кредитоспособности клиентов коммерческих банков
Автор работы: Пользователь скрыл имя, 23 Сентября 2013 в 02:59, доклад
Краткое описание
Рассматриваются теоретико-методические и практические
вопросы оценки кредитоспособности юридических лиц коммерче-
скими банками. Особое внимание уделено методологическим ос-
новам понятия кредитоспособности юридических лиц, а также
возможности использования информационных баз данных кредит-
ных бюро для оценки кредитоспособности заѐмщика, анализу
уровней использования информационных технологий в банковской
сфере, методическим основам разработки методики оценки креди-
тоспособности клиентов банка, основанной на использовании ней-
ронных сетей.
Прикрепленные файлы: 1 файл
Министерство образования и науки Российской Федерации
Федеральное агентство по образованию РФ
Владивостокский государственный университет
экономики и сервиса
_________________________________________________________
В.С. ПРОСАЛОВА
ПРОБЛЕМЫ ОЦЕНКИ
КРЕДИТОСПОСОБНОСТИ КЛИЕНТОВ
КОММЕРЧЕСКИХ БАНКОВ
Монография
Владивосток
Издательство ВГУЭС
2008
2
ББК 65.290-2
П 82
Рецензенты: А.И. Фисенко, д-р экон. наук, профес-
сор (ВГУЭС);
М.Е. Кривелевич, канд. экон. наук, до-
цент (ДВГУ)
Просалова В.С.
П 82
ПРОБЛЕМЫ
ОЦЕНКИ
КРЕДИТОСПОСОБНОСТИ
КЛИЕНТОВ
КОММЕРЧЕСКИХ БАНКОВ: монография. – Владиво-
сток: Изд-во ВГУЭС, 2008. – 180 с.
Рассматриваются теоретико-методические и практические
вопросы оценки кредитоспособности юридических лиц коммерче-
скими банками. Особое внимание уделено методологическим ос-
новам понятия кредитоспособности юридических лиц, а также
возможности использования информационных баз данных кредит-
ных бюро для оценки кредитоспособности заѐмщика, анализу
уровней использования информационных технологий в банковской
сфере, методическим основам разработки методики оценки креди-
тоспособности клиентов банка, основанной на использовании ней-
ронных сетей.
Для студентов, аспирантов и преподавателей экономических
вузов, руководителей и специалистов коммерческих банков, а так-
же широкого круга читателей, интересующихся проблемами разви-
тия банковского сектора экономики Российской Федерации.
ББК 65.290-2
Печатается по решению РИСО ВГУЭС
©
Издательство Владивостокский
государственный университет
экономики и сервиса, 2008
3
Fisenko A.I., Doctor (Economics),
Professor (Vladivostok state university of eco-
nomic and service);
Krivelevich M.E, Candidates (Economics),
Docent (Far Eastern National University).
Prosalova V.S.
PROBLEMS OF THE ESTIMATION OF CREDIT
STATUS CLIENTS OF COMMERCIAL BANKS: mono-
graph. – Vladivostok: VSUES, 2008. – 180 p.
In this monograph are rated theoretical and practical questions of an es-
timation of credit status of legal persons are considered by commercial banks.
The special attention is given to methodological bases of concept of credit
status of legal persons, and also an opportunity of use of information data-
bases of credit bureaues for an estimation of credit status of the borrower, to
the analysis of levels of use of information technologies in bank sphere, to
methodical bases of development of a technique of an estimation of credit
status of clients of the bank, founded on use of neural networks.
For students, candidates and lectures in economic colleges, directors and
experts of commercial banks, for vast public interested in problems of devel-
opment of Russian banking sphere as well.
4
ПРЕДИСЛОВИЕ
Проблема совершенствования кредитного механизма являет-
ся одной из приоритетных как в России, так и за рубежом. Опре-
деление кредитоспособности заѐмщика – задача, ежедневно ре-
шаемая работниками кредитной организации, процедура прове-
дения которой имеет чѐтко регламентированную схему. В то же
время кредитоспособность заѐмщика является одним из наиболее
сложных вопросов в механизме возвратности кредита. Необхо-
димость изучения сущности кредитоспособности объясняется как
отсутствием единого мнения среди разных авторов по поводу оп-
ределения самого понятия, так и дальнейшим развитием банков-
ской инфраструктуры, которая, в свою очередь, оказывает влия-
ние на формирование и содержание данного термина.
Необратимый процесс развития сферы банковского обслужи-
вания и экономических отношений в целом вносит постоянные
коррективы в критерии оценки кредитоспособности, в результате
чего возникает необходимость постоянного контроля и внесения
изменений в процесс анализа кредитоспособности предприятия-
заѐмщика.
Проведѐнный анализ методик, применяемых отечественными
коммерческими банками, показал, что большинство из них явля-
ются заимствованными из зарубежных источников, однако ис-
пользуемые в данных методиках расчѐты оценки финансового
состояния неприменимы к российским предприятиям. Причѐм
применяемые в отечественных методиках оценки кредитоспособ-
ности предприятий нормативы не соответствуют реальному
уровню финансово-экономического развития предприятий того
или иного региона. Они были разработаны давно и не подверга-
лись корректировки. Согласно нормам Базельского комитета и
рекомендаций Банка России, оценка кредитоспособности пред-
приятия-заѐмщика должна учитывать специфику отрасли, в кото-
рой функционирует потенциальный кредитор. Несмотря на вес-
кие аргументы о необходимости применения отраслевых финан-
совых показателей при проведении оценки кредитоспособности,
а также рекомендации ведущих экономистов РФ о разделении
потенциальных заѐмщиков на отраслевые группы, в настоящее
5
время не существует научно обоснованной и целостной методи-
ки, соответствующей этим требованиям.
Отсутствие чѐтких критериев оценки качественных парамет-
ров отраслевой специфики не позволяет осуществлять контроль
соответствующими органами над коммерческими банками отно-
сительно выполнения данных рекомендаций. В связи с этим оте-
чественные кредитные организации либо не учитывают отрасле-
вую специфику заѐмщика, либо выделяют особенности результа-
тов отдельных показателей лишь торговых предприятий.
В настоящее время отечественными банками слабо применяют-
ся компьютерные технологии, основанные на использовании искус-
ственного интеллекта. За рубежом уже сформировался положитель-
ный опыт применения нейронных сетей кредитными организациями
(Bank of America, Chase Manhattan Bank of New York). В настоящее
время в США создаются научные центры, занимающиеся разработ-
кой новых технологий в области применения нейронных сетей для
оценки кредитоспособности заѐмщиков. Однако ни зарубежные, ни
отечественные коммерческие банки не применяют методик, осно-
ванных на использовании нейронных сетей, позволяющих опреде-
лить кредитный рейтинг заѐмщика, которые позволили бы сокра-
тить время рассмотрения кредитных заявок, а также существенно
повысить уровень оценки кредитоспособности заѐмщика. Вышеука-
занные моменты определили актуальность исследования.
Целью настоящей работы является изучение теоретических и
методических основ сущности процесса оценки кредитоспособ-
ности коммерческим банком юридических лиц и разработка со-
ответствующей методики оценки с использованием современного
математического аппарата. В соответствии с этой целью основ-
ными задачами работы стали:
– исследование экономической сущности кредитоспособности;
– оценка степени влияния региональных и отраслевых осо-
бенностей предприятий на результаты расчѐтов коэффициентов,
оценивающих уровень кредитоспособности заѐмщиков;
– разработка методического подхода к оценке кредитоспо-
собности юридических лиц, учитывающего региональную и от-
раслевую специфику предприятий;
– определение сущности и механизма использования искус-
ственных нейронных сетей применительно к сфере банковских
услуг;
6
– формулировка рекомендаций по внедрению нейросетевых
экспертных систем в процесс оценки кредитоспособности юри-
дических лиц коммерческими банками Приморского края;
– обоснование возможности использования нейронных сетей
и разработка модели присвоения кредитного рейтинга предпри-
ятию-заѐмщику.
Указанные цели и задачи позволили нам определить объект и
предмет исследования. Объектом исследования в предлагаемой
работе является кредитоспособность предприятий-заѐмщиков как
фактор минимизации финансовых потерь коммерческих банков.
В качестве предмета исследования определены методы оценки
коммерческими банками кредитоспособности юридических лиц в
условиях применения нейронных сетей.
Общетеоретической базой исследования сущности кредито-
способности, а также проблемы еѐ оценки явились работы зару-
бежных ученых: Э. Альтмана, Г. Андерсона, А. Арутуняна, У. Би-
вера, Н. Бунге, Д. Кейнса, Д. Колдвела, Р. Коттера, Б. Нидлза,
Э. Рида, Дж. Сингела, А. Смита, Г. Спрингейта, Д. Фулмера,
Дж. Шима и др.
Кроме того, автор использовал работы ведущих российских
экономистов, в которых были исследованы проблемы формулиров-
ки определения «кредитоспособность», в частности работы
Е.И. Ададурова, Г.М. Кирсюк, А.И. Ольшаного, О.И. Лаврушина,
Ю.В. Рожкова, М.О. Сахаровой, Г.М. Тарасовой, Е.Б. Ширинской.
Важную роль в разработке методики оценки кредитоспособно-
сти заѐмщиков сыграло изучение и критический анализ работ
А.В. Батунина, В.Н. Едроновой, Д.А. Ендовицкой, О.П. Зайцевой,
Г.Г. Кадыкова, Т.И. Овчинниковой, И.В. Пещанской, А.Н. Предте-
ченского, Р.С. Сайфулина, А.Ф. Черненко, Е.Б. Ширинской и т.д.
На позицию автора повлияли также труды дальневосточных
учѐных, занимающихся финансово-кредитными проблемами, та-
ких как В.Ф. Бадюков, Л.И. Вотинцева, В.А. Останин, В.В. Рудь-
ко-Силиванов, А.И. Фисенко.
В процессе подготовки работы также использовались стати-
стические данные предприятий Приморского края, сгруппиро-
ванных по отраслевой принадлежности, инструктивные и мето-
дические материалы Банка России, методические материалы оте-
чественных банков, в том числе Приморского края, собранные и
проанализированные лично автором.
7
Монография состоит из введения, трѐх глав, заключения,
приложений и библиографического списка.
Первая глава работы «Оценка кредитоспособности предпри-
ятия-заѐмщика как инструмента управления кредитным процес-
сом» посвящена исследованию теоретических основ понятия кре-
дитоспособности, деятельности информационных агентств, пре-
доставляющих информацию о заѐмщиках, а также возможности
использования нейросетевых технологий в банковской сфере.
Во второй главе «Анализ и совершенствование методик
оценки кредитоспособности заѐмщиков» представлен критиче-
ский анализ зарубежных и отечественных методик оценки креди-
тоспособности юридических лиц. Изложены методические осно-
вы разработки статистической методики оценки кредитоспособ-
ности юридических лиц, учитывающей региональную, а также
отраслевую специфику предприятий.
В третьей главе «Применение нейронных сетей в методике
оценки кредитоспособности заѐмщика» изложены методические
основы построения механизма присвоения кредитного рейтинга за-
ѐмщика, основанного на использовании искусственных нейронных
сетей и учитывающие отраслевые особенности предприятий.
В заключение автор хотел бы выразить свою благодарность
за помощь в подготовке представленной работы д-ру экон. наук,
профессору кафедры банковского дела Хабаровской государст-
венной академии экономики и права Ю.В. Рожкову и канд. экон.
наук, профессору кафедры финансов и налогов Владивостокского
государственного университета экономики и сервиса, чьи идеи и
профессиональная требовательность способствовали улучшению
содержания работы.
Автор не раз обращается к теме монографии, но каждый раз
он находит новые или недостаточно освященные в литературе
вопросы, и каждый раз он понимает, как трудно «объять необъ-
ятное». Поэтому автор будет благодарен всем за пожелания и не-
избежные замечания.
Автор
8
Глава 1. ОЦЕНКА КРЕДИТОСПОСОБНОСТИ
ПРЕДПРИЯТИЯ-ЗАЁМЩИКА
КАК ИНСТРУМЕНТА УПРАВЛЕНИЯ
КРЕДИТНЫМ ПРОЦЕССОМ
1.1. Понятие кредитоспособности предприятия, факторы,
определяющие кредитоспособность заѐмщика
На нынешнем этапе развития российской экономики выявле-
ние неблагоприятных тенденций развития предприятия-заѐм-
щика, прогнозирование банкротства коммерческими банками
приобретают первостепенное значение. Требования к надѐжности
банковской системы, предъявляемые со стороны различных регули-
рующих органов, постоянно возрастают, увеличиваются сроки кре-
дитования, растѐт доля проводимых операций, успех которых на-
прямую связан с экономическим положением заѐмщиков. Условия
жесткой конкурентной борьбы за потенциальных клиентов в бан-
ковской сфере вынуждают кредитные организации не просто увели-
чивать процентные ставки по кредитам с целью снижения прини-
маемого риска, а прибегать к более оптимальным методам, а именно
создавать надѐжные системы оценки кредитоспособности клиента.
Грамотно разработанная методика оценки кредитоспособности за-
ѐмщика позволяет существенно снизить предполагаемый риск, при-
нимаемый на себя кредитной организацией.
Проблема выбора показателей для оценки кредитоспособно-
сти заѐмщика выполнить свои обязательства была актуальна во
все периоды развития банковского дела и вошла в экономиче-
скую литературу как проблема определения кредитоспособности.
Понятие «кредитоспособность» как целостное определение стало
использоваться в литературе XVIII века такими известными учѐ-
ными как А. Смит, Д. Кейнс, Н. Бунге и В. Косинский.
Основой для зарождения кредитных операций как в отечест-
венной, так и в мировой истории являлось ростовщичество. В
данный период времени основными факторами кредитоспособно-
сти заѐмщика выступала его репутация, размер имения, предос-
тавляемого в залог, и количество крепостных крестьян.
9
Отличительные черты развития кредитных организаций в
России в XVIII – первой половине XIX века, а именно условия
полуфеодальной экономики с ограниченными возможностями
развития предпринимательства, привели к преобладанию госу-
дарственной собственности в банковской сфере. В результате
был утрачен какой-либо контроль за оценкой кредитоспособно-
сти заѐмщиков. Кредиты, как правило, выдавались приближѐн-
ным чиновникам и царедворцам. На кредитование как промыш-
ленности, так и сельского хозяйства денежных средств уже не
хватало. Как следствие, это привело к закрытию многих кредит-
ных организаций того времени. Таким образом, основной чертой
оценки кредитоспособности заѐмщика в России данной эпохи
являлась именно оценка самого заѐмщика – дворянина или по-
мещика, имеющего в собственности земельный надел и крестьян,
а также близость к правящим кругам государства.
В 60–80 гг. XIX века кроме государственного банка стали по-
являться коммерческие кредитные организации. Была организо-
вана выдача ссуд предприятиям, отрасли которых заслуживали
государственной поддержки. Активное развитие кредитной сфе-
ры в России, как следствие, приводит к созданию критериев
оценки кредитоспособности клиента. Для этого периода харак-
терно в качестве оценки кредитоспособности клиента рассматри-
вать его способность к получению дохода.
Свершившаяся в 1917 г. Октябрьская революция подвергла
реформированию банковскую систему страны. Распространение
государственной монополии на банковское дело, ограничение
товарно-денежных отношений привели к прекращению проведе-
ния кредитных операций и, как следствие, отсутствию каких-
либо систем оценки кредитоспособности заѐмщика.
Однако переход к новой экономической политике в 1921 г.
позволил снова вернуться к разработке и изучению системы кре-
дитоспособности. В эти годы наблюдается увеличение кредитных
операций, а также применение систем оценок кредитоспособно-
сти заѐмщика.
Под кредитоспособностью понимали: с точки зрения заѐм-
щика – способность к совершению кредитной сделки, т.е. воз-
можность своевременного возврата полученной ссуды; с позиций
банка – правильное определение размера допустимого кредита и
его обеспеченность. Большинство экономистов того времени при
10
рассмотрении вопроса о выдаче кредита главным считали воз-
можность получения заѐмщиком дохода. Так, И. Ададуров связы-
вал возможность кредитования конкретного предприятия «с его
высшей целесообразностью, устойчивостью и доходностью» [31.
С. 24]. На этом же делался акцент и в исследованиях 20-х годов
ХХ века.
В дальнейшем практически во всех документах при органи-
зации кредитных отношений указывалось, что право на получе-
ние ссуд имеют те организации, которые состоят на хозрасчѐте,
имеют самостоятельный баланс и собственные оборотные сред-
ства. В практике кредитования применялись такие понятия, как
«неликвидность баланса», «неплатѐжеспособность заѐмщика»,
однако подходы к их содержанию отличались в различные пе-
риоды.
Так, в 30-е годы ХХ века хозяйственный орган признавался
неплатѐжеспособным в случае неоплаты или оплаты не в срок
срочного обязательства по ссуде из-за отсутствия покрытия.
В советской экономической литературе 50–80-х годов прак-
тически отсутствовал термин «кредитоспособность». Такое по-
ложение объяснялось ограничением использования товарно-де-
нежных отношений в течение длительного времени, а также тем,
что для кредитных отношений, которые преимущественно развива-
лись в форме прямого банковского кредита, были характерны не
экономические, а административные методы управления, отличаю-
щиеся высокой степенью централизации права принятия оконча-
тельных решений. Это исключало необходимость оценки кредито-
способности заѐмщиков при решении вопросов и выдаче ссуд.
Ещѐ одним фактором отсутствия термина «кредитоспособ-
ность» в советской литературе является то, что кредитоспособ-
ность до недавнего времени считалась присущей только капита-
листической системе хозяйствования. Финансово-кредитный сло-
варь трактует еѐ как «наличие предпосылок для получения кре-
дита, способность возвратить его. Кредитоспособность заѐмщика
определяется показателями, характеризующими его аккуратность
при расчѐтах по ранее полученным кредитам, способность при
необходимости мобилизовать денежные средства из различных
источников» [99. С. 51].
В приведѐнном определении понятие кредитоспособности
связывается с предпосылками, необходимыми для получения
11
кредита, а его оценка не затрагивает финансовой устойчивости
клиента. На наш взгляд, такое поверхностное представление
сложного понятия не может служить его определением.
Проведение в 1991 г. в России как политических, так и эко-
номических реформ привело к созданию двухуровневой банков-
ской системы. Процесс кредитования заѐмщиков стал осуществ-
ляться коммерческими банками. Развитие кредитных отношений
не могло не затронуть такую сферу банковской деятельности, как
организацию кредитного процесса.
Выход российской банковской системы в сферу мировых
кредитных отношений показал потерю накопленной теоретиче-
ской и практической базы в области кредитования за годы суще-
ствования советской власти. Необходимо было срочно исправ-
лять это положение. В данном случае пришлось ориентироваться
как на зарубежный опыт, так и разрабатывать российские опре-
деления, а также методики осуществления кредитного процесса.
Это привело к возвращению актуальности изучения такого поня-
тия, как «кредитоспособность».
В западной экономической литературе понятие кредитоспо-
собности практически не выделяется, чаще употребляется термин
«кредитный анализ» или аналогичные ему понятия.
В современной российской экономической литературе также
нет единого мнения по вопросу содержания понятия «кредито-
способность». Например, авторы одной из методик финансового
анализа предприятия понимают под кредитоспособностью заѐм-
щика «его способность своевременно и полно рассчитаться по
всем своим обязательствам» [105. С. 35].
М.О. Сахарова полагает, что кредитоспособность банковских
клиентов представляет собой «такое финансово-хозяйственное
состояние предприятия или организации, которое даѐт уверен-
ность в эффективном использовании заѐмных средств, способно-
сти и готовности заѐмщика вернуть кредит в соответствии с ус-
ловиями кредитного договора» [85. С. 20]. Однако из данного оп-
ределения кредитоспособности неясно, что автор подразумевает
под эффективным использованием заѐмных средств. Если под
эффективностью использования заѐмных средств понимать полу-
чение дохода от кредитуемого мероприятия (а именно такова
цель деятельности хозорганов в условиях современных рыноч-
ных отношений), то банк не вправе предъявлять такие требования
12
к заѐмщику. Гарантией возврата кредита является рентабельность
деятельности заѐмщика в целом, а кредитуемое мероприятие мо-
жет быть только одним из звеньев его маркетинговой деятельно-
сти на рынке сбыта или рынке сырья и т.д. и не предусматривает
получение дохода в данном производственном цикле. Однако
вышеприведѐнные определения кредитоспособности не учиты-
вают такое условие кредитной сделки, как правоспособность за-
ѐмщика. Перемещение денежного капитала от кредитора к заѐм-
щику есть только юридическая сделка, в результате которой соб-
ственник денежного капитала не получает взамен ссуженных
средств соответствующего эквивалента, а только сохраняет право
собственности на ссуженную стоимость или обретает залоговое
право на ценности, являющиеся обеспечением по ссуде. И в слу-
чае невыполнения кредитной сделки кредитор вправе реализо-
вать свои права и получить удовлетворение экономических инте-
ресов. Но это возможно только в том случае, если кредитная
сделка была заключена с правоспособным юридическим лицом
(дееспособным физическим лицом). Таким образом, правоспо-
собность заѐмщика является важным элементом его кредитоспо-
собности.
Определение Е.Б. Ширинской, которая подразумевает под
кредитоспособностью наличие предпосылок для получения кре-
дита и способность возвратить его, является недостаточно пол-
ным и ѐмким по сравнению с понятием кредитоспособности,
сформулированным Г.М. Кирисюк: «Сущность категории «кре-
дитоспособность» представляет собой то реально сложившееся
правовое и хозяйственно-финансовое положение заѐмщика, ис-
ходя из оценки которого банк принимает решение о начале (раз-
витии) или прекращении кредитных отношений с заѐмщиком»
[50. С. 34]. Содержание этой категории включает наличие пред-
посылок для получения ссуд заѐмщиком и способность погасить
их в установленные кредитным договором сроки.
Опираясь на проведѐнный выше анализ определений понятия
«кредитоспособность», можно определить кредитоспособность
как уровень финансово-хозяйственного положения заѐмщика, его
правовое положение, на основании которого кредитный эксперт
делает вывод о финансовой устойчивости заѐмщика, возможно-
сти эффективного использования заѐмных средств и способности
вернуть их в соответствии с условиями кредитного договора. Но
13
в данном определении будет отсутствовать такой фактор, как
«кредитная история клиента», о необходимости наличия которого
настаивают как учѐные, так и практики. Кредитная история кли-
ента подразумевает очень большой спектр показателей, на кото-
рый кредитный инспектор при знакомстве с клиентом будет об-
ращать внимание.
Ещѐ одним фактором, который должен входить в понятие
«кредитоспособность», можно назвать прогнозную, перспектив-
ную платѐжеспособность заѐмщика. В данном случае мы говорим
о том, что оценка финансовой деятельности заѐмщика должна
носить прогнозный характер и охватывать предполагаемый пери-
од пользования кредитом. Именно включение такого необходи-
мого параметра, как «срочность», в определение, на наш взгляд,
придаѐт понятию «кредитоспособность» временную прогнозную
характеристику.
Таким образом, прогнозная характеристика кредитоспособ-
ности заѐмщика является основным еѐ отличием от платѐжеспо-
собности. Кредитоспособность заѐмщика прогнозирует его пла-
тѐжеспособность на ближайшую перспективу, а именно на пред-
полагаемый период пользования кредитом. Степень неплатѐже-
способности в прошлом является одним из формальных показа-
телей, на которые опираются при оценке кредитоспособности
клиента. Ещѐ одно существенное различие между платѐжеспо-
собностью и кредитоспособностью – это различие по источникам
погашения. Заѐмщик обычную свою задолженность (кроме ссуд-
ной) должен погасить, как правило, за счѐт выручки от реализа-
ции продукции, работ, услуг. Ссудная задолженность имеет ещѐ
три источника погашения: выручку от реализации имущества,
принятого банком в залог по ссуде; гарантию другого банка или
поручителя; страховые возмещения.
Некоторые авторы считают, что основное отличие между
кредитоспособностью и платѐжеспособностью – это объѐмы при-
знаков, закладываемых в данные понятия. Так, А.И. Ольшаный
считает, что «платѐжеспособность предприятия – это его воз-
можность и способность своевременно погасить все виды обяза-
тельств и задолженности, в то же время кредитоспособность ха-
рактеризуется лишь возможностью предприятия погасить кре-
дитную задолженность» [64. С. 51]. В результате можно сделать
вывод, что понятие «платѐжеспособность» шире понятия «креди-
14
тоспособность». Необходимо также выделить определение поня-
тия «кредитоспособность», сформулированное известным спе-
циалистом в области банковского дела О.И. Лаврушиным как бо-
лее точное в части характеристики способности возврата кредита
заѐмщиком. Но здесь следует отметить, что, как уже говорилось
ранее, с развитием сферы банковских отношений, как следствие,
происходит и «эволюция» терминов, используемых в данной об-
ласти.
Так, изучив более ранние работы (2000 г.) О.И. Лаврушина,
посвящѐнные банковскому делу, можно сделать вывод, что под
кредитоспособностью банковских клиентов он понимал способ-
ность заѐмщика своевременно и в полном объеме погасить за-
долженность по ссуде и рассчитаться по своим долговым обяза-
тельствам (основному долгу и процентам) [30. С. 222]. В послед-
них же работах, описывающих современную систему кредитова-
ния, О.И. Лаврушин определяет кредитоспособность заѐмщика
как способность к совершению сделки по представлению стоимо-
сти на условиях возвратности, срочности и платности, или, дру-
гими словами, способность к совершению кредитной сделки [31.
С. 256]. Отличие данного определения от предыдущего очевидно.
На наш взгляд, понятие «кредитоспособность» здесь раскрыто более
полно и охватывает не только само определение, но и сам процесс
совершения кредитной сделки. Попытаемся провести аналогию, а
также определить различия в представленных выше определениях
понятия «кредитоспособность» с помощью табл. 1.1.
Таблица 1.1
Сравнительная характеристика определений понятия
«кредитоспособность»
Автор определения
Основа понятия «креди-
тоспособность»
Факторы, определяющие
понятие «кредитоспособ-
ность»
1
2
3
И.Е. Ададуров и
другие экономисты
20-х годов ХХ века
Возможность получения
заѐмщиком дохода
Финансовая устойчивость
заѐмщика прогнозная;
кредитоспособность за-
ѐмщика
15
Окончание табл. 1.1
1
2
3
Финансово-кредит-
ный словарь
Наличие предпосылок
для получения кредита
Прогнозная кредитоспо-
собность заѐмщика
М.О. Сахарова
Финансово-хозяй-
ственное состояние
предприятия-заѐмщика
Финансовая устойчивость
заѐмщика;
прогнозная кредитоспо-
собность заемщика
Е.Б. Ширинская
Наличие предпосылок
для получения кредита
Финансовая устойчивость
заѐмщика;
прогнозная кредитоспо-
собность заѐмщика
Автор определения
Основа понятия «кре-
дитоспособность»
Факторы, определяющие
понятие «кредитоспособ-
ность»
Г.М. Кирисюк
Правовое и финансово-
хозяйственное положе-
ние заѐмщика
Финансовая устойчивость
заѐмщика;
прогнозная кредитоспо-
собность заѐмщика;
правоспособность заѐм-
щика
О.И. Лаврушин
(2001 г.)
Способность заѐмщика
погасить задолженность
Финансовая устойчивость
заѐмщика;
прогнозная кредитоспо-
собность заѐмщика
О.И. Лаврушин
(2005 г.)
Способность к совер-
шению сделки
Финансовая устойчивость
заѐмщика;
прогнозная кредитоспособ-
ность заѐмщика;
правоспособность заѐмщика
Наше отношение к сущности понятия «кредитоспособности»
следующее: данное определение должно включать такие факто-
ры, как финансовая устойчивость заѐмщика, прогнозная кредито-
способность, а также правоспособность и положительная кредит-
ная история заемщика.
Проанализировав определения понятия «кредитоспособ-
ность», сформулированные представленными авторами, мы вы-
явили, что определение, сформулированное О.И. Лаврушиным в
последней его работе, посвящѐнной системе кредитования, не
16
подвергается всем тем замечаниям, которые были выделены в
определениях, представленных другими авторами.
Следовательно, данное понятие кредитоспособности пред-
ставляется наиболее полным, учитывающим все необходимые
требования, предъявляемые к данному определению, и отражаю-
щим современное состояние сферы банковского кредитования и
лучше всего подходит для применения.
Отсюда следует, что понятие «кредитоспособность» как не-
отъемлемая часть процесса банковского кредитования претерпе-
вало все изменения, которые происходили в самой банковской
системе в России.
Экономисты трактовали данное понятие, основываясь на
процессах, происходящих в банковской системе в тот или иной
исторический отрезок времени, а также уровне развития банков-
ского обслуживания в этот момент. Попытаемся представить на-
шу интерпретацию того, как с точки зрения исторических момен-
тов влияла государственная политика на оценку кредитоспособ-
ности заѐмщика в России (прил. А).
Основной вывод, который можно сделать, изучив историю
вопроса определения кредитоспособности заѐмщика, тот, что на
протяжении всего времени развития банковского дела в России в
определѐнные периоды времени получение кредита предоставля-
лось на льготных условиях или вообще предоставлялось только в
случае наличия знакомств в окружении царя, государственных
чиновников, в настоящий период времени среди руководства
кредитной организации. Всѐ это приводило, в тот или иной пери-
од времени если не к кризису в кредитной системе страны, то по
крайне мере усложняло разработку единой оптимальной методи-
ки оценки кредитоспособности заѐмщика.
В конце 90-х годов двадцатого века, в связи с реформирова-
нием российской банковской системы появилась необходимость
в проведении профессиональной оценки кредитоспособности
предприятий-заѐмщиков, и, как следствие, появились различные
трактовки определения кредитоспособности, сформулированные
как экономистами теоретиками, так и практиками.
Проведѐнный анализ представленных выше определений по-
казал, что наиболее ѐмким, раскрывающим всю сущность такого
сложного понятия, как кредитоспособность, является определе-
ние, представленное О.И. Лаврушиным. Сформулированное им
17
определение кредитоспособности заѐмщика как нельзя лучше
отражает его роль в процессе организации кредитной сделки.
Хотелось бы отметить, что можно уточнить понятие креди-
тоспособности применительно к системе организации процесса
кредитования юридических лиц.
В нашем понимании кредитоспособность в данном случае –
это способность заѐмщика к совершению кредитной сделки на
условиях возвратности, срочности и платности, определѐнная на
основе удовлетворительной оценки его финансово-хозяйственной
деятельности и наличии положительной кредитной истории.
Как видно из определения, мы сохранили в нѐм все факторы,
определяющие понятие кредитоспособности и добавили описа-
ние результата оценки кредитоспособности заѐмщика, который
как раз и является наиболее важным в процессе решения о пре-
доставлении кредита банком.
Таким образом, сформулированное нами определение носит
более практический характер, но соответствует требованиям,
предъявляемым к классическому определению понятия «креди-
тоспособность».
Оценка способности заѐмщика расплатиться по кредитным
обязательствам предполагает всесторонний анализ его финансо-
вого состояния и общей экономической ситуации в регионе и от-
расли, в которой функционирует данное предприятие.
Готовность выполнить обязательства по кредиту не является
во многом только экономической характеристикой и зависит
также от репутации и порядочности заѐмщика.
Кредитоспособность заѐмщика зависит от многих факторов,
каждый из которых должен быть оценен и изучен.
На практике российские банки используют для оценки кредито-
способности заѐмщика практически всю доступную им информа-
цию по всем сферам их финансово-хозяйственной деятельности, что
подтверждается различными формами анкет или кредитных заявок,
применяемых в различных кредитных организациях.
Широкий комплексный подход к оценке кредитоспособности по-
тенциальных заѐмщиков характерен и для зарубежных банков, о чѐм
свидетельствуют широко известные критерии оценки заѐмщиков.
Практика показывает, что наиболее полно кредитоспособность
может быть определена на основе финансово-хозяйственных, пра-
вовых факторов заѐмщика и изучения его репутации (табл. 1.2).
18
Таблица 1.2
Факторы, определяющие кредитоспособность
предприятия-заѐмщика
Фактор
Содержание
Финансовое состояние на
момент получения кредита
Расчѐт финансовых коэффициентов, опреде-
ляющих ликвидность, платѐжеспособность и
т.д.
Экономические возможности
погашения кредита
Наличие реализуемых активов;
способность привлечь дополнительные сред-
ства (кредиты других банков, займы, выпуск
долговых ценных бумаг, эмиссия акций)
Юридические условия
Правоспособность;
дееспособность
Намерения заѐмщика возвра-
тить кредит
Репутация;
добросовестность
Обеспечение кредита
Залог;
гарантии, поручительства, страхование
Вероятность дефолта
Использование моделей прогнозирования
банкротств
Важной характеристикой заѐмщика является его правоспо-
собность, которая возникает одновременно с его дееспособно-
стью с момента регистрации юридического лица.
Законность регистрации организации, полномочия лиц, ве-
дущих переговоры о предоставлении кредита, а также соблюде-
ние установленных процедур принятия решения о заключении
кредитной сделки проверяются банком-кредитором.
Довольно проблематичной задачей для кредитной организа-
ции в связи с отсутствием каких-либо экономических показате-
лей, характеризующих данный фактор является оценка намере-
ний заѐмщика возвратить кредит. Но именно готовность заѐмщи-
ка возвратить кредит является одним из главных условий для
осуществления кредитной сделки.
Каждая кредитная заявка уникальна, и в каждой ситуации
наиболее важным для принятия положительного решения о пре-
доставлении кредита является тот или иной фактор.
19
Репутация заѐмщика, его кредитная история играют нема-
ловажное значение, однако в России есть немало случаев преднаме-
ренного невозврата крупных кредитов предприятиями, на протяже-
нии нескольких лет создавшими себе солидную репутацию.
Тем не менее грамотно составленный кредитный договор и
договоры, касающиеся обеспечения возврата, позволяют создать
ситуацию, когда заѐмщик вне его собственных намерений выну-
жден будет вернуть кредит.
Чрезвычайно важен анализ экономического окружения за-
ѐмщика, отраслевых и региональных факторов его деятельности.
На кредитоспособность влияют также судебные разбирательства,
в которых он участвует, наличие привилегированных отношений
с органами власти различных уровней, аффилированность с
крупными компаниями и другие подобные обстоятельства.
Вероятность дефолта потенциального заѐмщика также должна
оцениваться кредитной организацией. За рубежом, а также в России
существуют различные модели прогнозирования банкротств.
Подводя итог всему вышесказанному, можно отметить, что по-
нятие «кредитоспособность» является неотъемлемой частью самого
процесса банковского кредитования и функционирования кредит-
ной системы в целом. На основе проведенного анализа мы выявили
историю влияния государственной политики на оценку кредитоспо-
собности заемщика в России. Также уточнили понятие «кредито-
способность», применительно к системе организации процесса кре-
дитования юридических лиц. Кроме того, нами были выявлены фак-
торы, определяющие кредитоспособность потенциального клиента –
заемщика, которые играют непосредственную роль в оценке функ-
ционирования деятельности предприятия и позволяют определить
возможность осуществления кредитной сделки.
1.2. Использование информационных баз данных
кредитных бюро для оценки кредитоспособности
заѐмщика
Изучение мировой практики осуществления кредитного про-
цесса свидетельствует о существовании зависимости между ин-
формационной открытостью и эффективностью проведения кре-
дитных операций коммерческими банками. Отсутствие необхо-
димой информации о потенциальных заѐмщиках оказывает нега-
20
тивное влияние на процесс распределения кредитных ресурсов в
экономике. Кредитные организации, в связи с отсутствием доста-
точного количества информации о клиентах, с которыми предпо-
лагается заключение кредитного договора, не имеют возможно-
сти ранжировать заѐмщиков по уровню их платѐжеспособности.
Данное обстоятельство приводит к необходимости устанав-
ливать усредненные процентные ставки по осуществляемым кре-
дитным сделкам. Как следствие, коммерческие организации,
имеющие надѐжную репутацию, а также положительную кредит-
ную историю, рассматривают эти условия кредитования невы-
годными и предпочитают обращаться в случае необходимости
получения кредита не в коммерческие банки, а в другие анало-
гичные по своей функциональной деятельности организации. Как
следствие, на рынке кредитных услуг остаются клиенты, не обла-
дающие надѐжной репутацией, которые в свою очередь, распола-
гая информацией о невозможности коммерческих банков просле-
дить их кредитную историю, получают стимул для нерациональ-
ного использования заимствованных денежных средств, а также
возможной просрочки, а в отдельных случаях невозврата креди-
тов. Данная ситуация вынуждает кредитные организации повы-
шать процентные ставки, а также ужесточать условия кредитных
сделок с целью снижения собственных рисков по осуществляе-
мым сделкам. В результате возникает кризисная ситуация в раз-
витии сферы банковских услуг, причиной которой является толь-
ко отсутствие достаточной информации у коммерческих банков о
потенциальных клиентах.
Возникновение и развитие системных банковских кризисов
связано, как правило, с целым комплексов факторов макроэконо-
мического, структурного и институционального характера. В раз-
личных теориях предполагается свое видение причин и путей
преодоления кризисных явлений в банковском секторе. В по-
следние годы значительную популярность приобрела теория ин-
формационной асимметрии, наиболее известными представите-
лями которой являются Дж. Акерлоф [114], Дж. Стиглиц [118],
М. Спенс [122]. Основоположники этой школы связывают воз-
никновение банковских кризисов с асимметричными информаци-
онными потоками в экономике, недостаточной прозрачностью
корпоративного сектора и отсутствием или неэффективностью
институтов, призванных решать проблему информационной
21
асимметрии. К числу таких институтов относятся, в частности,
кредитные бюро, национальные, отраслевые или региональные
информационные центры.
Именно Дж. Акерлоф при проведении анализа рынков впер-
вые доказал, что наличие асимметричной информации между за-
ѐмщиками и кредиторами приводит к повышению процентных
ставок по кредитам на локальных кредитных рынках прежде все-
го в развивающихся странах и странах с переходной экономикой,
а также к росту системных банковских рисков.
Большинство исследователей отмечают, что в последние го-
ды произошло значительное увеличение информационной асим-
метрии в системе функционирования банковских услуг. Причи-
ной происходящего положения является финансовая глобализа-
ция, существенный рост которой не мог не повлиять и на сферу
деятельности кредитных организаций.
Проведѐнные специалистами Мирового банка исследования
показали, что среди важнейших факторов возникновения систем-
ных банковских кризисов как в развитых, так и в развивающихся
странах отмечалась недостаточная прозрачность экономики и от-
сутствие соответствующих институтов информационного обмена.
Информация из внешних независимых источников крайне
важна в связи с тем, что любая кредитная организация, даже имея
хорошие кадры собственных аналитиков, приходит к тому, что
рассматривает уровень кредитоспособности того или иного пред-
приятия со своей точки зрения. Это неизбежно, ибо за продолжи-
тельный период времени кредитные аналитики формируют опре-
делѐнную корпоративную точку зрения на любой процесс. Аль-
тернативная точка зрения необходима, чтобы анализировать ин-
формацию и в конечном итоге приходить к объективному заклю-
чению. В связи с этим любая кредитная организация должна
иметь не только собственную службу кредитных аналитиков, но
и использовать внешние источники информации.
Необходимость решения всех вышеотмеченных проблем яв-
ляется очевидной. Их решением может служить создание специа-
лизированных институтов, аккумулирующих информацию о фи-
нансовом состоянии и репутации экономических агентов, состоя-
нии отраслей экономики, регионов. В банковском секторе такими
институтами могут являться кредитные бюро, агентства, центра-
лизованные базы данных отчѐтности. От успешного развития ин-
22
ститутов внешних источников информации положительные эле-
менты получат все: кредитные организации, поскольку они будут
принимать более обоснованные решения, следовательно снижать
риски; Центральный банк РФ, так как повысится надѐжность
банковской системы; экономика в целом, поскольку повысится еѐ
прозрачность, а значит и привлекательность для инвесторов.
В настоящее время согласно мировой банковской практике
при оценке кредитоспособности заѐмщика учитывается не только
информация, полученная из внутренних источников, но и данные
отмеченных нами ранее специализированных институтов, или так
называемых внешних источников. К таким источникам следует
относить:
а) централизованную базу данных отчѐтности;
б) институт государственной регистрации кредитов;
в) кредитные агентства;
г) кредитные бюро.
Указанные выше информационные институты имеют свои
особенности: организационные; по виду оказываемых услуг; ис-
точникам получения информации и т.д. Изучив данные сущест-
вующих информационных баз данных, дадим сравнительную ха-
рактеристику информационных агентств (табл. 1.3).
Таблица 1.3
Сравнительная характеристика информационных агентств
Характери-
стика инфор-
мационного
агентства
Информационное агентство
ЦБДО
PCR
Кредитные
агентства
Кредитное
бюро
1
2
3
4
5
Собственник
информаци-
онного
агентства
Централь-
ные и ком-
мерческие
банки
Центральные
банки
Крупные
компании
Частные и
государст-
венные
компании
Источники
получения
информации
Кредиторы,
общедос-
тупные
(публич-
ные) ис-
точники
Кредиторы,
общедоступ-
ные (публич-
ные) источни-
ки
Предпри-
ятия-заѐм-
щики, обще-
доступные
(публичные)
источники
Кредитные
организа-
ции
23
Окончание табл. 1.3
1
2
3
4
5
Пользовате-
ли предос-
тавляемых
услуг
Централь-
ные банки,
коммерче-
ские банки,
предпри-
ятия
Центральные
банки, ком-
мерческие
банки, пред-
приятия
Коммерче-
ские банки и
частные
компании
Коммерче-
ские банки
Виды оказы-
ваемых услуг
Подборка
финансо-
вых отчѐ-
тов, анализ
финансо-
вых коэф-
фициентов,
консульта-
ционные
услуги
Предоставле-
ние кредитных
историй
Присвоение
кредитного
рейтинга
Предостав-
ление кре-
дитных
историй
Согласие
источников
информации
на использо-
вание их
данных
Согласие
не требует-
ся
Согласие не
требуется
Согласие не
требуется
Наличие
обязатель-
ного согла-
сия
Централизованные базы данных отчѐтности осуществляют дей-
ствия по сбору, обработке и анализу публикуемой бухгалтерской
отчѐтности предприятий, информация о которой может быть пред-
ставлена согласно устанавливаемым тарифам. Для осуществления
подобных мероприятий не требуется обладать определенным пра-
вовым статусом. В связи с этим зачастую в некоторых странах ком-
мерческие банки конкурируют с частными компаниями, занимаю-
щимися предоставлением информационных услуг.
В большинстве европейских стран центральные банки ведут
собственные базы данных по отчетности предприятий и органи-
заций. Исключением является Италия, где Центральный банк Ита-
лии и Ассоциация итальянских банков образовали совместное пред-
приятие в целях формирования ЦБДО. Независимые рейтинговые
агентства и торговые палаты также занимаются аналогичного рода
услугами, составляя конкуренцию центральным банкам.
24
Поступление информации в ЦБДО происходит из двух ис-
точников: предприятий, публикующих свою отчетность и органи-
заций, занимающихся сбором и предоставлением финансовой
информации.
Основными пользователями ЦБДО являются центральные
банки, которые на протяжении многих лет оценивают кредито-
способность заѐмщиков при учѐте векселей и проведении меро-
приятий по рефинансированию, а также анализу банковской дея-
тельности. Коммерческие банки используют информацию ЦБДО
при оценке кредитоспособности предприятия. Кредитный рей-
тинг, присвоенный центральным банком предприятию, является
ориентиром при проведении собственной оценки уровня платѐ-
жеспособности потенциального кредитора, рассчитываемого кре-
дитной организацией. Пользователями услуг, предоставляемых
ЦБДО, могут являться предприятия, которые получают возмож-
ность получить консультационные услуги по анализу финансо-
вых коэффициентов, а также рекомендаций по планированию хо-
зяйственной деятельности на основе проведенного анализа фи-
нансовой отчетности.
В России созданием и ведением централизованных баз дан-
ных отчѐтности занимается Банк России, который за последние
несколько лет накопил достаточное количество информации для
проведения мониторинга предприятий различных отраслей эко-
номики. В настоящее время ЦБДО используется только Банком
России, но по мере накопления объѐма информации, а также уве-
личения количества предприятий, предоставивших собственную
отчѐтность в целях еѐ дальнейшего использования, услуги ЦБДО
могут предоставляться коммерческим кредитным организациям.
Таким образом, с нашей точки зрения, в будущем ЦБДО может
стать достойным конкурентом на рынке информационных услуг
как источник предоставления сведений для оценки кредитоспо-
собности заѐмщика.
Следующим возможным внешним источником получения
информации о потенциальном кредиторе коммерческого банка
является институт государственной регистрации кредитов – Pub-
lic credit registers (PCR). Первоначально данная организация соз-
давалась для регистрации сделок ипотечного кредитования и за-
кладных под недвижимость. Однако в настоящее время данный
институт выполняет в ряде стран функции кредитного бюро.
25
В базу данных этих институтов информация о кредитных
сделках направляется кредиторами (как правило, банками) в обя-
зательном порядке, специальных соглашений с заѐмщиками не
требуется. Информация, аккумулированная в базах данных PCR,
является стандартизированной и содержит в основном данные о
кредите, а не о самом заѐмщике. PCR в большинстве стран
управляется центральными банками. Исключение составляют
Чили, Коста-Рика и Перу, где они действуют под руководством
органов банковского надзора, а также Финляндия, где управление
передано частной компании. Доступ к информации предоставля-
ется только уполномоченным сотрудникам центрального банка и
предоставляющим отчѐты финансовым институтам.
В большинстве стран направляемые в институт государст-
венной регистрации отчѐты банков содержат информацию об
общей величине кредитного риска (кредиты, внебалансовые тре-
бования), невозвращенных кредитах, просроченных ссудах, про-
центной ставке по кредитам, обеспечении. В Испании, помимо
этих данных, учитываются региональный и валютный риски по
кредитной сделке, в Португалии – неиспользованные кредитные
ресурсы, в Чили – уровень риска, вид займа.
Объѐмы информации, накопленные за многие годы функцио-
нирования PCR, являются довольно значительными. Так, в Бель-
гии содержится информация по 400 тыс. фирм, Германии –
1200 тыс., Испании – 4600 тыс., Италии – 2200 тыс., Чили –
2200 тыс. [103. С. 2–3].
Основной отличительной чертой как ЦБДО, так и PCR явля-
ется осуществление их деятельности специальными подразделе-
ниями центральных банков, т.е. в большинстве случаев данные
информационные системы являются собственностью централь-
ных банков различных государств. С одной стороны, данное об-
стоятельство имеет некоторые положительные моменты. Акку-
мулируемая ими информация является наиболее обширной в свя-
зи с тем, что центральные банки имеют филиальную сеть по всей
стране, а также максимально достоверной в связи с тем, что в
большинстве случаев она получена из официальных источников,
стандартного образца. Негативными моментами является то, что
зачастую ЦБДО, а также PCR используют информацию исключи-
тельно для внутренних целей. Лишь в последние годы информа-
ционные центры стали оказывать консультационные услуги, а
26
также услуги по предоставлению информации на коммерческой
основе.
Следующим возможным внешним источником получения
информации коммерческим банком о потенциальном клиенте яв-
ляется рейтинговое агентство или так называемое кредитное
агентство. Большинство рейтинговых агентств являются дочер-
ними предприятиями крупных компаний. Деятельность рейтин-
говых агентств стала наиболее популярной и необходимой, а
также приобрела новый экономический смысл в связи с требова-
ниями Базельского комитета в области достаточности капитала.
Кредитный рейтинг предприятия-заѐмщика присваивается в ре-
зультате финансово-экономического анализа, проводимого агент-
ством. В данном случае оценивается общая кредитоспособность
предприятия, его способность и намерение своевременно и пол-
ностью отвечать по своим долговым обязательствам.
В связи с тем, что оценка кредитоспособности предприятия-
заѐмщика сводится к аналогичной процедуре расчѐтов, произво-
димой отделом по оценке кредитоспособности коммерческого
банка, возможны некоторые ошибки при присвоении рейтинга
агентствами. С нашей точки зрения, кредитным агентствам необ-
ходимо самым тщательным образом следить за минимизацией
количества ошибок, ибо успех их деятельности напрямую зави-
сит от качества предоставляемых ими услуг.
Одним из основных фактов, свидетельствующим о высокой
репутации кредитного агентства, является публичное признание
собственных ошибок: публикация частотных таблиц для каждой
рейтинговой категории, включая самые надѐжные. Также на ре-
путацию кредитного агентства влияет наличие зависимости от
коммерческих и государственных структур.
В России деятельность мировых кредитных агентств не прак-
тикуется. Это связано с тем, что отечественные кредитные орга-
низации не требуют обязательного наличия присвоенного кре-
дитного рейтинга, а в получении же кредита на мировом банков-
ском рынке заинтересованы лишь крупные предприятия, количе-
ство которых единицы. Увеличение доли иностранных коммерче-
ских банков в российском банковском секторе, а также тесное
сотрудничество отечественных предприятий с мировым эконо-
мическим сообществом и внедрение международных принципов
ведения бухгалтерского учѐта должно послужить началом для
27
функционирования мировых кредитных агентств на отечествен-
ном рынке информационных услуг.
Изменить положение также призвано Базельское соглашение.
Соглашение Базельского комитета, именуемого «Базель II», уста-
навливает стандартизированный подход, который предполагает
измерение кредитного риска с помощью внешних рейтингов, а
также определяет критерии, которым должны соответствовать
рейтинговые агентства, для того, чтобы их рейтинги могли быть
использованы для оценки рисков. Цель нового соглашения – это
учѐт индивидуальных рисков конкретных кредитных организа-
ций. Предполагается, что крупнейшие российские банки, рабо-
тающие с крупнейшими заѐмщиками, имеющими рейтинги меж-
дународных рейтинговых агентств, должны иметь право на при-
менение, по крайней мере, комплексного стандартизированного
подхода, то есть на оценку кредитных рисков с учѐтом рейтингов
заѐмщиков.
Присвоение рейтинга по инициативе агентства – явление не
распространѐнное. Причины заключаются в неадекватности цены
подписки, приемлемой для коммерческого банка, и себестоимо-
сти сбора информации. Данный фактор является существенным
препятствием для использования услуг рейтинговых агентств при
оценке кредитоспособности клиентов, поскольку в этом случае
снижение кредитного риска и соответственно возможных потерь
по предоставляемым ссудам не перекрывает тех расходов, кото-
рые несѐт кредитная организация при рассмотрении кредитной
заявки.
Последним из рассмотренных нами информационных инсти-
тутов, применяемых как за рубежом, так и в России является кре-
дитное бюро.
Кредитные бюро являются информационными посредниками
между банками и предприятиями-заѐмщиками. Данные организа-
ции принадлежат либо кредиторам, либо являются самостоятель-
ными организациями и получают прибыль за предоставление ус-
луг. Коммерческие банки предоставляют информацию о своих
заемщиках в кредитные бюро, полученные данные сопоставля-
ются с информацией, полученной из других источников (суды,
государственные регистрационные органы, налоговые органы и
т.д.), на основе сформированных баз данных составляется карто-
тека на каждого заѐмщика. Кредиторы, за определѐнную плату,
28
могут получать отчѐты о своих потенциальных клиентах из кре-
дитных бюро для присвоения внутреннего рейтинга заѐмщику.
Таким образом, деятельность кредитного бюро основана на
принципе взаимного обмена, который устанавливается в согла-
шении, заключаемом между бюро и кредиторами.
Кредитные бюро предоставляют разного рода отчѐты о кре-
дитных операциях в зависимости от наличия информации о по-
тенциальном заѐмщике, вида предоставляемого кредита и, что
наиболее важно, от степени детализации, необходимой кредито-
ру. Самый простой отчѐт содержит информацию о прошлых не-
возвратах и просроченных ссудах – так называемые «черные»
или «негативные» данные. Самые детальные отчѐты – «белые»
или «позитивные» содержат весь комплекс информации об акти-
вах и пассивах ссудополучателя, гарантиях, структуре задолжен-
ности по срокам и времени погашения, его занятости и т.д. Наи-
более известные кредитные бюро (например Dun&Bradstreet) со-
ставляют кредитные рейтинги заѐмщиков, основываясь на их ха-
рактеристиках и кредитной истории, а также используют данные
для составления статистических моделей, способствующих про-
движению финансовых инструментов, определению стоимости
кредита, установлению и регулированию кредитных лимитов.
Использование информационных услуг кредитных бюро в
мировой банковской практике свидетельствует о достигнутых
положительных результатах при оценке кредитоспособности
клиентов.
Во-первых, кредитные бюро повышают уровень сведений
банков о потенциальных заѐмщиках и дают возможность более
точного прогнозирования возвратности ссуд. Это позволяет кре-
диторам эффективно определять направление и цену ссуды,
уменьшая риск возникновения неблагоприятного выбора.
Во-вторых, кредитные бюро позволяют уменьшить плату за
поиск информации, которую взимали бы банки со своих клиен-
тов. Это ведѐт к выравниванию информационного поля внутри
кредитного рынка и заставляет кредиторов устанавливать конку-
рентные цены на кредитные ресурсы. Более низкие процентные
ставки увеличивают чистый доход заѐмщиков и стимулируют их
деятельность.
В-третьих, кредитные бюро формируют своего рода дисцип-
линирующий механизм для заѐмщиков. Руководители предпри-
29
ятий понимают, что в случае невыполнения обязательств их ре-
путация в глазах потенциальных кредиторов «рухнет». В резуль-
тате, они либо лишаются возможности когда-либо получить за-
ѐмные средства, либо делают возможность получения кредита
намного дороже. Этот механизм также повышает стимул заѐм-
щика к возвращению кредита, уменьшая риск недобросовестного
поведения.
Появление и развитие кредитных бюро было объективно свя-
зано с процессами консолидации в секторе финансового посред-
ничества. Небольшие финансовые институты, концентрирую-
щиеся исключительно на локальных кредитных рынках, посте-
пенно поглощаются крупными национальными и международ-
ными финансовыми конгломератами. Процессы объединения
приводят зачастую к потере специфического знания о заѐмщике.
В силу этого создаѐтся потребность в создании крупных баз дан-
ных, которые за минимальный промежуток времени обеспечива-
ли бы информацией, необходимой для принятия решений о выда-
че кредита. Одновременно с процессом объединения и укрупне-
ния финансовых институтов происходит развитие информацион-
ных технологий, которые в настоящий момент позволяют креди-
тору оперативно получить интересующую его информацию.
Наше отношение к сущности деятельности кредитного бюро
следующее: с одной стороны, являясь аккумуляторами кредит-
ных историй заѐмщиков, они являются своего рода помощниками
кредитных экспертов при определении уровня кредитоспособно-
сти потенциальных клиентов; с другой стороны, кредитные бюро
путѐм изменения стоимости на свои услуги, а также в результате
государственного регулирования законодательных актов об ис-
пользовании внешних источников информации коммерческими
банками могут оказывать также и негативное влияние на разви-
тие кредитного процесса в стране.
Анализируя информацию о деятельности, осуществляемой
как международными, так и отечественными кредитными бюро,
можно выделить несколько функций, присущих данным инфор-
мационным институтам: открытие, ведение и закрытие кредит-
ных историй, обработка, хранение и уничтожение данных в
рамках кредитных историй; предоставление информации, со-
держащейся в кредитных историях, заинтересованным кредито-
рам субъектов кредитных историй.
30
Мировой финансовый рынок свидетельствует о наличии раз-
нообразных форм организации кредитного бюро. В большинстве
стран кредитные бюро являются частными предприятиями, ос-
новной целью функционирования которых является получение
прибыли от предоставления услуг. В тоже время наряду с част-
ными бюро в одной и той же стране могут осуществлять свою
деятельность и кредитные бюро, созданные торговыми палатами
и ассоциациями как некоммерческие организации.
В Японии и большинстве европейских стран, как правило,
кредитные бюро создаются в форме частных компаний, принад-
лежащих консорциуму кредиторов [136]. На территории Велико-
британии действуют два кредитных бюро абсолютно самостоятель-
ные и независимые от заимодателей. В Финляндии и Бельгии кре-
дитные бюро управляются или лицензируются правительственными
агентствами. Действующее в Германии кредитное бюро представля-
ет собой объединение восьми региональных в правовом и экономи-
ческом отношении самостоятельных товариществ – Товарищество
защиты по делам общего обеспечения кредитов (SCHUFA). Их соб-
ственниками и одновременно партнѐрами являются коммерческие
банки, сберегательные кассы, кооперативные банки, фирмы, пред-
лагающие кредитные карты и т.д. [135].
В приложении Б приведены данные о частных кредитных
бюро, основанные на информации, полученной Центром иссле-
дований в области экономики и финансов от крупнейших пред-
ставителей этого вида бизнеса в различных странах мира.
В настоящее время в России наблюдается кризис в процессе ор-
ганизации кредитных займов. По данным Банка России, только в
Иркутской области за 11 месяцев 2004 г. объѐм кредитов, выданных
финансово-кредитными организациями, вырос на 42,7%, а объѐм
просроченной задолженности – на 91,8%, т.е. наблюдается тенден-
ция опережающего роста просроченных ссуд по сравнению с рос-
том выданных коммерческими банками [39]. Аналогичная ситуация
на рынке кредитных операций наблюдается по всей России.
С целью скорейшего изменения данного положения 30 де-
кабря 2004 г. был принят ФЗ № 218-ФЗ «О кредитных историях»,
который регламентирует порядок формирования, хранения и ис-
пользования кредитных историй. Также в законе регулируется
деятельность бюро кредитных историй (БКИ) (особенности соз-
дания, ликвидации, реорганизации и т.д.).
31
Несмотря на имеющуюся критику в средствах массовой ин-
формации, на наш взгляд, принятие закона можно оценивать как
очередной этап развития российской кредитной системы в соот-
ветствии с уровнем функционирования мирового рынка банков-
ских услуг.
Отношение российских банков к кредитным историям не
всегда является положительным. Крупные коммерческие банки,
обладающие сравнительно дешѐвыми ресурсами, кредитуют под
низкие процентные ставки предприятия, способные заложить ли-
квидные материальные активы по стоимости, значительно пре-
вышающей сумму кредита. В этом случае кредитная история та-
кого предприятия банков практически не интересует.
Небольшие кредитные организации, как правило, кредитуют
аффилированные структуры, обеспечение ссуды для которых яв-
ляется формальностью. Кредитные истории таких заѐмщиков не
оказывают влияния на процесс выдачи кредитов.
Остаѐтся ряд средних коммерческих банков, клиентскую базу
которых в большинстве случаев составляют предприятия, работа-
ющие эффективно, но не владеющие значительными материаль-
ными активами, достаточными для полного обеспечения их по-
требностей в заѐмных средствах. В этом случае кредитная исто-
рия заѐмщика имеет для банков большое значение, и чем полнее
и достовернее данные о заѐмщике в его кредитной истории, тем
больше оснований у него получить кредит.
С нашей точки зрения, это означает, что если учесть значи-
тельный вес средних коммерческих банков в российском банков-
ском секторе и их клиентов в экономике в целом и если исходить
из того, что Правительство и Банк России будут продолжать
строить рыночную банковскую систему, то функционирование
кредитных бюро является весьма важной потребностью.
Заместитель председателя банковского комитета ГД РФ
П. Медведев оценивает шансы на успех деятельности кредитных
бюро довольно скептически. Он считает, что для успешного
функционирования проекта банку необходимо собрать как мини-
мум 70% информации о рынке потребительского кредитования.
Опыт показывает, что до сих пор коммерческим банкам и бан-
ковским холдингам, пытавшимся самостоятельно создавать кре-
дитные бюро, удавалось аккумулировать у себя не более 1% не-
обходимой информации. Поэтому, по мнению П. Медведева, без
32
поддержки государства создать в России подобную структуру
практически невозможно [137].
Однако хочется отметить, что в России уже существуют не-
сколько бюро кредитных историй. И это не означает, что каждое
из них функционирует отдельно от других участников рынка ин-
формационных услуг. Между уже созданными кредитными бюро
осуществляется активный обмен информацией. В том числе про-
исходит активное сотрудничество бюро кредитных условий с
кредитным бюро Сбербанка, обладающим обширной базой кре-
дитных историй.
На данный момент практически все крупные отечественные
кредитные организации вошли в учредители кредитных бюро.
Так, Международный московский банк, Райффайзенгбанк, Бал-
тийский банк, банк «Возрождение» и Международный промыш-
ленный банк сообщили о своем намерении сотрудничать с БКИ
«ЭкспирианИнтерфакс». В свою очередь, Внештрогбанк, Газ-
промбанк, Альфа-Банк, банк «Зенит» и банк «Петрокоммерц»
являются участниками ОАО «Национальное бюро кредитных ис-
торий». Учредителями ЗАО «Бюро кредитных историй «Инфок-
редит» выступили Сбербанк, Национальный резервный банк,
группа компаний «Русагро» и Межрегиональный инвестицион-
ный банк. Участниками ОАО «Национальное кредитное бюро»
являются Торгово-промышленная палата, Госкомстат и междуна-
родное кредитное агентство Dun&Bradstreet [135].
Заместитель начальника управления регулирования деятельно-
сти профессиональных участников и инфраструктурных организа-
ций Федеральной службы по финансовым рынкам (ФСФР) А. Вол-
ков считает, что кредитные бюро заработают эффективно только
через три года. Его мнение основывается на том, что розничный
портфель банков показывает двукратный рост, таким образом, мак-
симально через три года вся совокупность баз данных российских
кредитных бюро достигнет этой величины. Вместе с тем представи-
тель ФСФР предположил, что уже через год можно будет говорить о
частичной эффективности работы этой системы [137].
Наше отношение к данному вопросу таково, что если успех
от создания и использования кредитных бюро является очевид-
ным и неоспоримым, а о данном факте говорят отечественные
эксперты, кроме того, существует положительный зарубежный
опыт, поэтому столь непродолжительный период времени не яв-
33
ляется существенной причиной, чтобы отказываться от использова-
ния данного информационного источника коммерческими банками.
Хочется отметить, что бюро кредитных историй не может
полностью исключать риск, возникающий в процессе кредитования
коммерческими банками. Система оценки кредитного риска являет-
ся многоуровневой процедурой и анализ информации, поступающей
из отчѐтов кредитного бюро, – это только один из уровней сложного
комплексного анализа деятельности потенциального заѐмщика.
Многие региональные банки рассматривают создание мест-
ных кредитных бюро как механизм по предотвращению конку-
ренции со стороны московских и иностранных кредитных орга-
низаций. Именно региональные коммерческие банки предпочи-
тают работать только с местными БКИ. Этот факт объясняется
тем, что в силу своих небольших финансовых ресурсов регио-
нальные кредитные организации не в состоянии кредитовать
крупные предприятия, расположенные в центральной части Рос-
сии, также у них достаточно клиентов, чтобы отказаться от кре-
дитования компаний из других регионов. В связи с этим они не
нуждаются в информации кредитных историй компаний, функ-
ционирующих по всей России.
Актуальным, на наш взгляд, представляется вопрос создания
Бюро кредитных историй в Приморском крае. Однако руководи-
тели местных кредитных организаций не торопятся с созданием
такого информационного ресурса. Данное обстоятельство мы
можем объяснить несколькими причинами: во-первых, отдалѐн-
ность региона от центра России, что объясняет замедленность в
принятии новых решений, данный фактор еще можно назвать ме-
стным консерватизмом; во-вторых, естественное нежелание ком-
мерческих банков платить кредитным бюро за обслуживание по
выдаче интересующей их информации. Все эти факторы являют-
ся препятствием на пути создания кредитных бюро.
Вместе с тем уже приморские кредитные кооперативы заинтере-
совались идеей о создании в крае кредитных бюро для использова-
ния их информации. С нашей точки зрения, коммерческим банкам
можно было бы объединиться с кредитными кооперативами в обра-
зовании совместной информационной базы данных. Данный союз
помог бы не только значительно увеличить базу данных, но и повли-
ял бы на стоимость оказываемых услуг в сторону их уменьшения.
34
В то же время, как описывалось нами выше, крупнейшие
банки создали собственные бюро, в результате больше половины
объѐма информации может сосредоточиться в них. Данное об-
стоятельство приведѐт к тому, что накопление и обмен информа-
ции будет идти медленнее, чем предполагалось при внедрении
системы БКИ.
Ещѐ одна из актуальных проблем, связанной с началом рабо-
ты БКИ, как мы уже упоминали ранее, – денежный вопрос: на-
сколько дорого обходятся коммерческим банкам услуги по пре-
доставлению кредитных историй. В случае если стоимость услуг,
оказываемых БКИ, значительно превышает возможные потери по
кредитам, смысл создания данного информационного института
отсутствует. До 1 апреля 2006 г. был сохранѐн бесплатный режим
взаимного обмена информацией. В конце марта большинство
крупных бюро кредитных историй (БКИ) опубликовали тарифы
на свои услуги. Оказалось, что разрыв в ценах на информацию о
заѐмщиках может составлять сотни процентов. Участники зарож-
дающегося рынка объясняют это различными задачами БКИ. В
реестре Федеральной службы по финансовым рынкам (ФСФР)
состоят 13 бюро кредитных историй (БКИ). Два из них собрали
по 2–3 млн кредитных историй, еще два – около 1 млн [136]. При
этом большинство БКИ уже определили тарифы, по которым они
намерены продавать сведения о заѐмщиках своим клиентам (бан-
кам, сотовым операторам, торговым компаниям и т.д.). Оказа-
лось, что цены на эту информацию будут значительно отличать-
ся. Бюро по-разному подходят к ценообразованию.
В Национальном бюро кредитных историй (НБКИ), созданном
при участии Ассоциации российских банков и бюро Global
Payments, принадлежащем Хоум кредит энд Финанс банку, тарифы
определяются в зависимости от количества отчѐтов, которые ежеме-
сячно покупает клиент, а также от того, предоставляет ли он в обмен
информацию о своих заѐмщиках. При схожести подходов эти орга-
низации установили разные цены на свою информацию. В НБКИ
стоимость одного отчѐта составит от $0,4 до $24,9, а в Global
Payments – $0,4– 9. Правда, сотрудничество с Global Payments пре-
дусматривает ежемесячную абонентскую плату 15 тыс. руб.
Эксперты считают, что по мере развития рынка цены станут
выравниваться. В настоящий момент рынок предоставления ин-
формационных услуг не работает, но по мере наполнения бюро
35
информацией цены на кредитные истории в различных БКИ бу-
дут идентичны. Также эксперты полагают, что услуги БКИ ста-
нут дешеветь по мере того, как они станут наполняться информа-
цией. Ожидается, что уже к концу 2006 года количество кредит-
ных историй превысит 10 млн ед. [136]. Это составляет 20–30%
потенциальных заемщиков и является значительным объемом
аккумулированной информации для первого года работы БКИ.
Однако есть мнения, что стоимость кредитных историй не будет
сильно снижаться. Данное мнение основывается на изучении опыта
функционирования БКИ в США, где бюро работают уже давно, а
стоимость истории по-прежнему высока ($7–9). Это объясняется
тем, что деятельность кредитных бюро в большинстве случаев ос-
новывается не на потребностях экономики, а предназначена лишь
для извлечения выгоды из организованного бизнеса.
На наш взгляд, установление столь высоких цен за обслужива-
ние коммерческих банков кредитными бюро, можно сказать, под-
рывает кредитную деятельность российских коммерческих банков.
По закону они обязаны предоставлять информацию хотя бы в одно
бюро кредитных историй. В то же время, высокие цены за обслужи-
вание обязательно отразятся на увеличении расходов по оценке кре-
дитоспособности потенциальных заѐмщиков, что приведѐт к увели-
чению процентных ставок по обслуживанию кредитов.
Как нам кажется, установление тарифов по обслуживанию
коммерческих банков БКИ можно отнести к ряду вопросов, кото-
рые должны решаться на государственном уровне. Здесь необхо-
димо грамотно оценить как расходы, которые несѐт кредитное
бюро за хранение и обработку информации, так и сумму, на ко-
торую возможно увеличить себестоимость по оценке уровня кре-
дитоспособности клиентов коммерческими банками.
Представители Центробанка сделали заявление, что система
накопления кредитных историй и предоставления отчѐтов начала
функционировать на всех этапах: кредитные организации пере-
дают информацию, составляющую кредитные истории, в бюро,
которые, в свою очередь, передают информацию в центральный
каталог кредитных историй, созданный Банком России.
Обеспечена техническая возможность обращения субъектов
и пользователей кредитной истории в автоматизированную сис-
тему «Центральный каталог кредитных историй» (ЦККИ). В ча-
стности, эту информацию можно получить из ЦККИ, обратив-
36
шись с использованием кода субъекта кредитной истории через
Интернет-сайт Банка России.
Запрос направляется посредством заполнения формы на Ин-
тернет-сайте Банка России с указанием адреса электронной поч-
ты, на который будет направлен ответ из ЦККИ. При этом ответ
направляется только по электронной почте.
Ещѐ один вопрос, возникающий при изучении закона «О
кредитных историях», это обязательное согласие заѐмщика на
предоставление его кредитной истории в БКИ. С одной стороны,
законодательство гарантирует сохранение банковской тайны и
тем самым стимулирует развитие доверия кредиторов как к кре-
дитным организациям, так и к органам власти. Однако существу-
ет опасность, что некоторые клиенты откажутся передавать кре-
дитные истории с целью их дальнейшего использования. Данное
обстоятельство, с нашей точки зрения, вызвано особенностями
экономического состояния нашей экономики, когда нет гарантии,
что информация, предоставленная официальным учреждениям,
не окажется доступной для широкого круга пользователей, т.е. в
продаже на «чѐрном рынке». Хотя сами клиенты должны пони-
мать, что отказ от передачи информации, если заѐмщик неизвес-
тен банку, может послужить настораживающим знаком. Также
наличие официального согласия заѐмщиков на использование их
кредитной истории является возможностью для кредитных орга-
низаций избежать необходимости сотрудничества с БКИ. В дан-
ном случае кредитные организации просто не будут предлагать
или настаивать на согласии клиентов об использовании их кре-
дитных историй. Наше отношение к данному вопросу таково:
предоставление конфиденциальной информации как физически-
ми, так и юридическими лицами происходит ежедневно при
взаимоотношениях с различными государственными и частными
учреждениями (налоговыми инспекциями, органами государст-
венной статистики, коммерческими банками при получении кре-
дита и т.д.); в связи с этим разговор о нежелании предоставлять
личную информацию в БКИ в связи с опасностью еѐ разглашения
не представляется нам столь обоснованным.
Проведѐнный нами анализ свидетельствует о целесообразности
ведения кредитных историй заѐмщиков на базе БКИ. Однако здесь
возникает проблема использования информации, заложенной в кре-
дитную историю. Данная информация по канонам математической
статистики является ограниченной, ибо трудно предположить, что-
бы предприятия брали кредиты сотни или хотя бы несколько десят-
37
ков раз. С математической точки зрения проблема заключается в
оценке ожидаемых кредитных рисков в условиях ограниченной ста-
тистической информации, т.е. в условиях малых выборок. Получе-
ние достоверных оценок ожидаемых кредитных рисков в указанных
условиях возможно с помощью специальных методов теории веро-
ятностей и математической статистики [39].
Следует отметить, что в российских условиях получение ка-
чественной информации о заѐмщиках осложняется имеющей ме-
сто недостоверной и непрозрачной бухгалтерской отчѐтностью,
сложившейся практикой всеобщего уклонения от налогов и т.д.
В результате появление в России такого института, как бюро
кредитных историй, основываясь на существующем мировом
опыте, является перспективным, положительным фактором, по-
зволяющим снизить кредитные риски коммерческих банков.
Проведение необходимых корректировок в законе «О кредитных
историях» позволит устранить отмеченные ранее недостатки, а
также повысить престиж российского рынка кредитных услуг
среди международных кредитных организаций.
Таким образом, в нашем понимании деятельность кредитных
бюро может стать одним из государственных рычагов по регули-
рованию кредитной деятельности в стране. Данный механизм
может происходить путѐм воздействия как через законодатель-
ные акты, регулирующие деятельность кредитных бюро; так и
через уполномоченный законодательный орган, который осуще-
ствляет контроль и надзор за деятельностью БКИ.
В заключение хотелось бы отметить, что использование ин-
формационных баз данных для оценки кредитоспособности за-
ѐмщика позволяет практически исключить так называемую
асимметричность информации и значительно снизить стоимость
и сроки получения достоверной информации о клиенте. Кроме
того, появляется возможность создания цивилизованной конку-
рентной среды, в которой добросовестные заѐмщики имеют сущест-
венные преимущества перед недобросовестными. Устанавливать
равноправное информационное положение кредитора и заѐмщика,
когда не только заѐмщик имеет право выбирать кредитора, но и кре-
дитор имеет возможность выбирать заѐмщика с теми или иными
качествами, основываясь на информации, полученной из кредитных
рейтингов или из базы данных кредитных историй.
38
1.3. Понятие нейронных сетей и возможность
их применения при оценке кредитоспособности
заѐмщика
В условиях межбанковской конкуренции особое значение
приобретает необходимость тщательного исследования кредит-
ной организацией возможностей совершенствования внутренних
бизнес-процессов на рынке кредитных услуг. Острая конкурен-
ция между банками вызывает необходимость не только поиска
оптимальных стратегий развития на финансовом рынке, но и со-
вершенствования информационных технологий. Решающим фак-
тором в конкурентной среде банков является успешное внедрение
компьютерных технологий, которые могут приблизить их к са-
мым передовым достижениям мировой банковской практики.
В следующем разделе нашего исследования мы рассмотрим
ещѐ несколько различных видов методов оценки кредитоспособно-
сти потенциальных заѐмщиков. В данном подразделе при рассмот-
рении различных методик оценки кредитоспособности заѐмщиков
необходимо использовать двухуровневую классификацию, осно-
ванную на использовании способов применения различных вариан-
тов вычисления кредитного рейтинга заѐмщика (рис. 1.1).
Методы оценки кредитоспособности заемщика
Экспертные методы
оценки
Автоматизированные
системы оценки
Статисти-
ческие
методы
Методы
линейного
програм-
мирования
Генетические
алгоритмы,
нейронные
сети
Нечѐткие
множества
Уровень 1
Уровень 2
Рис. 1.1. Классификация методов оценки
кредитоспособности заѐмщика
39
Методы первого уровня классификации включают эксперт-
ные оценки, которые наиболее часто основаны на субъективном
мнении, а также методы, использующие в своей основе автомати-
зированные системы оценки.
Методы второго уровня, представляют собой математические
средства поддержки принятия решений, которые включают:
а) статистические методы, основанные на дискриминантном
анализе, например методы линейной регрессии, методы логисти-
ческой регрессии;
б) методы линейного программирования. Результатом при-
менения методов линейного программирования также является
линейная модель оценки кредитоспособности заѐмщика, которая
не позволяет абсолютно точно классифицировать заѐмщика, в
связи с чем задача формулируется таким образом, чтобы вероят-
ность ошибки была сведена к минимуму;
в) генетические алгоритмы и нейронные сети. Применение
генетических алгоритмов основано на аналогии с биологическим
процессом естественного отбора. В результате получается мо-
дель, дающая наиболее точную классификацию;
г) нечѐткие множества. Нечѐтко-множественные модели
строят функциональное соответствие между нечѐткими лингвис-
тическими понятиями и специальными функциями, выражающи-
ми степень принадлежности значений измеряемых параметров
упомянутым нечѐтким описаниям.
В нашем исследовании мы подробно остановимся на понятии
нейронных сетей и возможности их применения при оценке креди-
тоспособности заѐмщиков.
Нейронная сеть – это громадный, распределѐнный парал-
лельный процессор, состоящий из элементарных единиц обра-
ботки информации, накапливающих экспериментальные знания и
предоставляющих их для последующей обработки [36. С. 34].
Нейронная сеть сходна с мозгом с двух точек зрения:
знания поступают в нейронную сеть из окружающей среды
и используются в процессе обучения;
для накопления знаний применяются связи между нейро-
нами, называемые синаптическими весами.
Процедура, предназначенная для процесса обучения, называ-
ется алгоритмом обучения. Эта процедура выстраивает в опреде-
40
лѐнном порядке синаптические веса нейронной сети для обеспе-
чения необходимой структуры взаимосвязей нейронов.
Изменение синаптических весов представляет собой тради-
ционный метод настройки нейронных сетей. В литературе ней-
ронные сети часто называют нейрокомпьютерами, сетями связей,
параллельными распределѐнными процессорами и т.д.
Является очевидным, что свою силу нейронные сети черпа-
ют, во-первых, из распараллеливания обработки информации и,
во-вторых, из способности самообучаться, т.е. создавать обобще-
ния. Под термином обобщение понимается способность получать
обоснованный результат на основании данных, которые не встре-
чались в процессе обучения. Эти свойства позволяют нейронным
сетям решать сложные (масштабные) задачи, которые на сего-
дняшний день считаются трудноразрешимыми. Однако на прак-
тике при автономной работе нейронные сети не могут обеспечить
готовые решения. Их необходимо интегрировать в сложные сис-
темы. В частности, комплексную задачу можно разбить на после-
довательность относительно простых, часть из которых может
решаться нейронными сетями.
Попытаемся выделить полезные свойства систем, которые
обеспечивает использование нейронных сетей, а также основные
преимущества использования нейронных сетей:
А) Нелинейность. Искусственные нейроны могут быть ли-
нейными и нелинейными. Более того, эта нелинейность рас-
пределена по сети. Нелинейность является чрезвычайно важ-
ным свойством, особенно если сам физический механизм, от-
вечающий за формирование входного сигнала, тоже является
нелинейным.
Б) Отображение входной информации в выходную. Одной из
популярных парадигм обучения является обучение с учителем.
Это подразумевает изменение синаптических весов на основе на-
бора маркированных учебных примеров. Каждый пример состоит
из входного сигнала и соответствующего ему желаемого отклика.
Из этого множества случайным образом выбирается пример, а
нейронная сеть модифицирует синаптические веса для миними-
зации расхождений желаемого выходного сигнала и формируе-
мого сетью согласно выбранному статистическому критерию.
Таким образом, нейронная сеть обучается на примерах, составляя
таблицу соответствий вход-выход для конкретной задачи.
41
В) Адаптивность. Нейронные сети обладают способностью
адаптировать свои синаптические веса к изменениям окружаю-
щей среды. В частности, нейронные сети, обученные действовать
в определѐнной среде, могут быть легко переучены для работы в
условиях незначительных колебаний параметров среды. Более
того, для работы в нестационарной среде могут быть созданы
нейронные сети, изменяющие синаптические веса в реальном
времени.
Г) Очевидность ответа. В контексте задачи классификации
образов можно разработать нейронную сеть, собирающую ин-
формацию не только для определения конкретного класса, но и
для увеличения достоверности принимаемого решения. Впослед-
ствии эта информация может использоваться для исключения
сомнительных решений, что повысит продуктивность нейронной
сети.
Д) Контекстная информация. Каждый нейрон сети потенци-
ально может быть подвержен влиянию всех остальных ее нейро-
нов. Как следствие, существование нейронной сети непосредст-
венно связано с контекстной информацией.
Е) Отказоустойчивость. Нейронные сети, облаченные в форму
электроники, потенциально отказоустойчивы. Это значит, что при
неблагоприятных условиях их производительность падает незна-
чительно. Таким образом, при незначительном повреждении ней-
ронной сети, существенных «сбоев» в работе не произойдѐт.
Ж) Масштабируемость. Параллельная структура нейронных
сетей потенциально ускоряет решение некоторых задач.
З) Единообразие анализа и проектирования. Нейронные сети
являются универсальным механизмом обработки информации.
Это означает, что одно и то же проектное решение нейронной
сети может использоваться во многих предметных областях.
И) Аналогия с нейробиологией. Строение нейронных сетей
определяется аналогией с человеческим мозгом, который являет-
ся живым доказательством того, что отказоустойчивые парал-
лельные вычисления не только физически реализуемы, но и яв-
ляются быстрым и мощным инструментом решения задач.
На наш взгляд, нейронные сети представляют собой новую и
весьма перспективную вычислительную технологию, дающую
новые подходы к исследованию динамических задач в финансо-
вой области. Первоначально нейронные сети открыли новые воз-
42
можности в области распознавания образов, затем к этому приба-
вились статистические и основанные на методах искусственного
интеллекта средства поддержки принятия решений и решения
задач в сфере финансов. Попытаемся дать авторскую характери-
стику понятия нейронных сетей применительно к процессу орга-
низации банковского кредитования. В нашем понимании нейрон-
ная сеть – это кибернетический процесс обработки информации о
заѐмщике, основанный на методе предварительного обучения, а
также накапливающий вновь приобретѐнные знания с целью по-
следующего определения уровня кредитоспособности клиента.
Данное определение отличается от традиционного, предлагаемо-
го специалистами в области информационных технологий. В
данном случае мы не ставили перед собой задачи раскрывать
технологический процесс функционирования нейронной сети.
Сформулированное нами определение нацелено на то, чтобы по-
казать сущность процесса нейронной сети при использовании еѐ
в процессе определения уровня кредитоспособности.
Проведя обобщѐнный анализ публикаций в зарубежной прес-
се, посвящѐнных решению проблем из области управления фи-
нансами, мы выявили небывалый взлѐт интереса к использова-
нию нейронных сетей в банковской деятельности. Общие темпы
роста можно сравнить лишь с распространением персональных
компьютеров в конце 80-х годов, причѐм инициаторами бурного
роста применений нейронных сетей, как правило, являются са-
мые крупные и солидные кредитные организации, для которых
это не только вопрос престижа – использование самой перспек-
тивной и наукоѐмкой информационной технологии, но и возмож-
ность разнообразить свои традиционные возможности в самых
различных областях финансовой деятельности. Безусловно, во
все времена объектом повышенного интереса и предметом мно-
гочисленных исследований банков являлись такие области, как
прогнозирование финансовых событий, автоматизация оценки
кредитоспособности клиента, экспертная оценка эффективности
инвестиций в тот или иной проект и многое другое. В настоящее
время распространение нейросетевых гибридных экспертных
систем достигло такого уровня, что по отдельным, самым удач-
ным, нейросетевым экспертным системам банки начинают засек-
речивать информацию и крайне неохотно распространяют полу-
чаемые при этом научные результаты.
43
Популярность нейронных сетей, на наш взгляд, объяснима с
той точки зрения, что они более эффективно решают те задачи,
которые всегда вызывали интерес банков, но успешное решение
которых сдерживалось недостаточно эффективным использова-
нием информационных и вычислительных ресурсов. Финансовые
традиционные экспертные системы, по существу, основаны на
«инерционном анализе», т.е. используют довольно прямолиней-
ные статистические модели. Нейронные же сети по своей основе
нелинейны, не требуют глубокого понимания связей между ис-
ходными данными и результатами и обещают большие преиму-
щества перед традиционными методами. Многочисленные экспе-
рименты показывают, что адаптивные сети на коротком проме-
жутке времени всегда лучше предсказывают, чем стандартные
«линейные» модели.
В настоящее время многие зарубежные исследовательские
центры и кредитные организации проводят работы по исследова-
нию и применению нейросетевой технологии для решения задач
прогнозирования финансового состояния потенциальных клиен-
тов-заѐмщиков и вероятности их банкротства.
С нашей точки зрения, характерным примером успешного
применения нейронных вычислений в банковской сфере является
управление кредитными рисками. Как известно, до выдачи кре-
дита банки проводят сложные статистические расчѐты по финан-
совой надѐжности заѐмщика, чтобы оценить вероятность собст-
венных убытков от несвоевременного возврата финансовых
средств. Такие расчѐты обычно базируются на оценке кредитной
истории, динамике развития компании, стабильности еѐ основ-
ных финансовых показателей и многих других факторов. Некото-
рые крупные банки США (Bank of America, Chase Manhattan Bank
of New York) уже опробовали метод нейронных вычислений и
пришли к выводу, что та же задача по уже проделанным расчѐтам
подобного рода решается быстрее и точнее. Например, в одном
из случаев оценки 100 тыс. банковских счетов новая система, по-
строенная на базе нейронных вычислений, определила свыше
90% потенциальных неплательщиков [128].
Способность к моделированию нелинейных процессов, рабо-
те с зашумлѐнными данными и адаптивность дают возможность
применения нейронных сетей для решения широкого класса фи-
нансовых задач. В последние несколько лет в России на основе
44
нейронных сетей было разработано много программных систем
для применения в таких вопросах, как операции на товарном
рынке, оценка вероятности банкротства банка, оценка кредито-
способности предприятий и т.д.
Программные продукты нейронных сетей охватывают самые
разнообразные области вычислительных процессов: распознава-
ние образов, обработка зашумлѐнных данных, дополнение обра-
зов, ассоциативный поиск, классификация, оптимизация, прогноз,
диагностика, обработка сигналов, абстрагирование, управление
процессами, сегментация данных, сжатие информации и т.д.
Несмотря на то, что финансовый рынок в России ещѐ не ста-
билизирован, рассуждая с математической точки зрения, всѐ-таки
можно заметить появление фирм, нуждающихся в использовании
статистических методов, отличных от традиционных, а также по-
явление на рынке программных продуктов и вычислительной
техники нейропакетов для эмуляции нейронных сетей на компь-
ютерах серии IBM и даже специализированных нейроплат на базе
заказных нейрочипов. В частности, в России уже успешно функ-
ционирует один из первых мощных нейрокомпьютеров для фи-
нансового применения – CNAPS PC/128 на базе 4-х нейроБИС
фирмы Alaptive Solutions. По данным фирмы «Тора-центр», в
число организаций, использующих нейронные сети для решения
своих задач, уже вошли Центробанк, МЧС, МНС, более 30 банков
и более 60 финансовых компаний. Некоторые из этих организа-
ций уже опубликовали результаты своей деятельности в области
использования нейрокомпьютинга [137].
Применение нейросетевых технологий кредитными органи-
зациями Приморского края в настоящее время не распростране-
но. С нашей точки зрения, данное обстоятельство связано с рядом
объективных причин: во-первых, отсутствием среди банковских
служащих грамотных специалистов, имеющих достаточный уро-
вень знаний в области нейронных сетей; во-вторых, незнание ру-
ководства коммерческих банков о преимуществах применения
программных продуктов нейронных сетей в процессе оценки
кредитоспособности заѐмщиков. На наш взгляд, решение данных
проблем представляется довольно простым: местные университе-
ты выпускают достаточное количество специалистов, обладаю-
щих теоретическими и практическими знаниями в вопросах ней-
ронных сетей. Коммерческим банкам необходимо только устано-
45
вить договорные отношения с учебными заведениями о дополни-
тельной специализации данных выпускников в области коммер-
ческого кредитования. Что касается заинтересованности руково-
дства кредитных организаций в применении нейронных сетей, то,
на наш взгляд, это – временные трудности. В настоящее время в
центральных регионах страны применение нейросетевых пакетов
приобретает всѐ большую популярность, следовательно, через
небольшой промежуток времени заинтересованность в примене-
нии данных технологических разработок возникнет и в нашем
крае.
В области теории нейронных сетей российская научная шко-
ла, которая развивается уже в течение 30 лет, имеет определѐн-
ный приоритет по сравнению с зарубежными исследованиями.
Теория нейронных сетей – алгоритмический базис нейрокомпью-
теров.
Общая методика синтеза многослойных нейронных сетей
была разработана сотрудниками Научного центра нейрокомпью-
теров ещѐ в конце 60-х годов и постоянно развивалась в течение
30 лет. В результате в России сформировалось направление в об-
ласти теории нейронных сетей, которое по ряду параметров пре-
восходит уровень зарубежных работ. Например, были разработа-
ны методы адаптивной настройки нейронных сетей с произволь-
ным видом нейрона и произвольным числом слоев, с различными
видами связей между слоями, с различными видами критериев
оптимизации, с различными ограничениями на весовые коэффи-
циенты нейронных сетей.
Реализованные в известных зарубежных нейропакетах ней-
росетевые парадигмы имеют, по крайней мере, два серьѐзных не-
достатка:
а) они реализуют нейросетевой алгоритм, не адекватный
выбранной задаче;
б) достигают локального эффекта на первом этапе использо-
вания без возможности улучшения для повышения качества ре-
шения задачи.
Нейросетевое предсказание банкротств основано на стати-
стической обработке конкретных примеров банкротств. В такой
постановке задача нейросети – самой стать экспертом, опреде-
ляющим финансовую стабильность корпорации, основываясь ис-
ключительно на объективной информации – показателях финан-
46
совой отчѐтности. Обычно от нейросети требуется оценить веро-
ятность банкротства через определѐнный промежуток времени
(например через год или через два года) по доступной на данный
момент финансовой отчѐтности. В качестве входов используют
финансовые индикаторы – отношения балансовых статей, наибо-
лее полно отражающие определѐнные стороны финансового по-
ложения фирмы. Изучив опыт сравнительного анализа прогноза
банкротств различными методиками, мы выявили:
а) нейросетевое моделирование обеспечивает наилучшую
точность предвидения банкротств: порядка 90%, по сравнению с
80–85% точностью для других статистических методик (дискри-
минантный анализ, логистический анализ и т.д.);
б) при желании можно повысить «подозрительность» нейросе-
ти, обеспечив точность выявления банкротов вплоть до 99% – за счѐт
снижения требований к ошибкам второго рода (классификации нор-
мальной фирмы как банкрота). Это достигается путѐм увеличения
веса ошибки первого рода (классификации банкрота как нор-
мальной фирмы). В зависимости от конкретной практической за-
дачи «подозрительность» сети можно произвольно регулировать;
в) банкротство можно уверенно предсказывать за несколько
лет до его фактического наступления, причѐм точность предска-
зания за два года практически не отличается от точности пред-
сказания за год. Таким образом, неявные сигналы неблагополу-
чия присутствуют в финансовой отчѐтности фирмы задолго до еѐ
краха.
Полезность обучения сети на примерах как финансово ус-
тойчивых, так и обанкротившихся фирм состоит также в том, что
такая сеть вырабатывает дискриминантную функцию – числен-
ный показатель финансового здоровья фирмы, меру еѐ устойчи-
вости. Однако устойчивость не является единственно возможным
критерием оценки деятельности фирмы. Важно, кроме того, не
только состояние фирмы на настоящий момент, но и характери-
стики существующих тенденций. Здесь значимым может оказать-
ся другой набор факторов, дающий другую оценочную функцию.
Так, высокая доходность может обеспечить повышение надѐжно-
сти в будущем. Между тем, неясно каким образом можно обучать
нейросеть на «будущий успех» при отсутствии такого же чѐткого
критерия успеха, каким является банкротство для неудачи.
47
На наш взгляд, эти объективные трудности можно преодо-
леть, если принять во внимание деятельность конкурирующих
предприятий. И именно в сопоставлении с этим сообществом
можно говорить о сильных и слабых сторонах еѐ деятельности.
Данное обстоятельство определяет возможность комплексной
оценки финансового состояния фирмы путѐм систематического
сравнения еѐ показателей с показателями остальных участников
данного рынка. Такой подход не требует знания готовых расчѐ-
тов, т.к. основан на обучении без учителя (сети Кохонена).
Сравнительный анализ финансового состояния фирм, в отли-
чие от рейтингования, предполагает введение не одной, а не-
скольких оценочных координат. Это позволяет лучше использо-
вать имеющуюся информацию, более точно позиционировать
фирму среди остальных. С другой стороны, для обозримости ре-
зультатов сравнительного анализа, количество параметров срав-
нения должно быть по возможности минимальным. В узком
смысле «обозримость» требует введения не более двух коорди-
нат – чтобы относительная позиция фирмы могла быть представ-
лена точкой на двумерной карте, а различные финансовые пока-
затели могли быть визуализированы в виде двумерных поверхно-
стей.
С математической точки зрения эта задача сводится к опти-
мальному сжатию информации о финансовом состоянии фирмы,
т.е. отображении информации минимальным числом параметров
при заданном уровне огрубления или минимизации потерь ин-
формации при заданном числе обобщенных координат. Для целей
визуализации выгодно ограничиться двухпараметрическим пред-
ставлением. Это уже является значительным преимуществом по
сравнению с однопараметрическим рейтингом.
Следующим из возможных методов применения нейронных
сетей является решение задачи классификации. Задача классифика-
ции представляет собой задачу отнесения образца к одному из не-
скольких попарно не пересекающихся множеств. Примером таких
задач может быть, например, задача определения кредитоспособно-
сти клиента банка, задача определения жизнеспособных и склонных
к банкротству фирм и т.д. Данный метод также является одним из
важнейших в области применения нейронных сетей.
При решении задач классификации необходимо отнести
имеющиеся статические единицы (характеристики ситуации на
48
рынке, информация о клиенте) к определѐнным классам. Воз-
можны несколько способов представления данных. Наиболее
распространѐнным является способ, при котором статистическая
единица представляется вектором. Компоненты этого вектора
представляют собой различные характеристики единицы, кото-
рые влияют на принятие решения о том, к какому классу можно
отнести данное предприятие. Таким образом, на основании неко-
торой информации о примере необходимо определить, к какому
классу его можно отнести. Классификатор относит объект к од-
ному из классов в соответствии с определѐнным разбиением
N-мерного пространства, которое называется пространством вхо-
дов, и размерность этого пространства является количеством
компонент вектора.
Прежде всего нужно определить уровень сложности систе-
мы. В реальных задачах часто возникает ситуация, когда количе-
ство образцов ограничено, что осложняет определение сложности
задачи. Можно выделить три основных уровня сложности. Пер-
вый (самый простой) – когда классы можно разделить прямыми
линиями (или гиперплоскостями, если пространство входов име-
ет размерность больше двух) – так называемая линейная разде-
лимость. Во втором случае классы невозможно разделить линия-
ми (плоскостями), но их можно отделить с помощью более слож-
ного деления – нелинейная разделимость. В третьем случае клас-
сы пересекаются и можно говорить только о вероятностной раз-
делимости.
В идеальном варианте после предварительной обработки мы
должны получить линейно разделимую задачу, так как после это-
го значительно упрощается построение классификатора. К сожа-
лению, при решении реальных задач мы имеем ограниченное ко-
личество образцов, на основании которых и производится по-
строение классификатора. При этом мы не можем провести та-
кую предобработку данных, при которой будет достигнута ли-
нейная разделимость образцов.
Однако при применении нейронных сетей в практических за-
дачах возникает ряд проблем. Во-первых, заранее не известно,
какой сложности (размера) может потребоваться сеть для доста-
точно точной реализации отображения. Эта сложность может
оказаться чрезмерно высокой, что потребует сложной архитекту-
ры сетей. Так, М. Минский и И. Пайперт в своей работе «Персеп-
49
троны» доказали, что простейшие однослойные нейронные сети
способны решать только линейно-разделимые задачи [61]. Это
ограничение преодолимо при использовании многослойных ней-
ронных сетей. В общем виде можно сказать, что в сети с одним
скрытым слоем вектор, соответствующий входному образцу,
преобразуется скрытым слоем в некоторое новое пространство,
которое может иметь другую размерность, а затем гиперплоско-
сти, соответствующие нейронам выходного слоя, разделяют его
на классы. Таким образом, сеть распознает не только характери-
стики исходных данных, но и «характеристики характеристик»,
сформированные скрытым слоем.
Для построения классификатора необходимо определить, ка-
кие параметры влияют на принятие решения о том, к какому
классу принадлежит образец. При этом могут возникнуть две
проблемы. Во-первых, если количество параметров мало, то мо-
жет возникнуть ситуация, при которой один и тот же набор ис-
ходных данных соответствует примерам, находящимся в разных
классах. Тогда невозможно обучить нейронную сеть, и система
не будет корректно работать (невозможно найти минимум, кото-
рый соответствует такому набору исходных данных). Исходные
данные обязательно должны быть непротиворечивы. Для реше-
ния этой проблемы, на наш взгляд, необходимо увеличить раз-
мерность пространства признаков (количество компонент вход-
ного вектора, соответствующего образцу). Но при увеличении
размерности пространства признаков может возникнуть ситуа-
ция, когда число примеров может стать недостаточным для обу-
чения сети, и она вместо обобщения просто запомнит примеры из
обучающей выборки и не сможет корректно функционировать.
Таким образом, при определении признаков необходимо найти
компромисс с их количеством.
Далее необходимо определить способ представления вход-
ных данных для нейронной сети, т.е. определить способ норми-
рования. Нормировка необходима, поскольку нейронные сети
работают с данными, представленными числами в диапазоне
0…1, а исходные данные могут иметь произвольный диапазон
или вообще быть нечисловыми данными. При этом возможны
различные способы, начиная от простого линейного преобразо-
вания в требуемый диапазон и заканчивая многомерным анали-
50
зом параметров и нелинейной нормировкой в зависимости от
влияния параметров друг на друга.
Задача классификации при наличии двух классов может быть
решена на сети с одним нейроном в выходном слое, который мо-
жет принимать одно из двух значений 0 или 1, в зависимости от
того, к какому классу принадлежит образец. При наличии не-
скольких классов возникает проблема, связанная с представлени-
ем этих данных для выхода сети.
Наиболее простым способом представления выходных дан-
ных в таком случае является вектор, компоненты которого соот-
ветствуют различным номерам классов. При этом i-я компонента
вектора соответствует i-му классу. Все остальные компоненты
при этом устанавливаются в 0. Тогда, например, второму классу
будет соответствовать 1 на 2 выходе сети и 0 на остальных. При
интерпретации результата обычно считается, что номер класса
определяется номером выхода сети, на котором появилось мак-
симальное значение. Например, если в сети с тремя выходами мы
имеем вектор выходных значений (0,2; 0,6; 0,4), то мы видим, что
максимальное значение имеет вторая компонента вектора, значит
класс, к которому относится этот пример, – 2-й. При таком спо-
собе кодирования иногда вводится также понятие уверенности
сети в том, что пример относится к этому классу.
Наиболее простой способ определения уверенности заключа-
ется в определении разности между максимальным значением
выхода и значением другого выхода, которое является ближай-
шим к максимальному. Например, для рассмотренного выше
примера уверенность сети в том, что пример относится ко второ-
му классу, определится как разность между второй и третьей
компонентой вектора и будет равна 0,6 – 0,4 = 0,2. Соответствен-
но, чем выше уверенность, тем больше вероятность того, что сеть
дала правильный ответ. Этот метод кодирования является самым
простым, но не всегда самым оптимальным способом представ-
ления данных.
Известны и другие способы. Например, выходной вектор
представляет собой номер кластера, записанный в двоичной фор-
ме. Тогда при наличии 8-ми классов нам потребуется вектор из 3-
х элементов, и, скажем, 3-му классу будет соответствовать вектор
(0; 1; 1). Но при этом в случае получения неверного значения на
одном из выходов мы можем получить неверную классификацию
51
(неверный номер кластера), поэтому имеет смысл увеличить рас-
стояние между двумя кластерами за счѐт использования кодиро-
вания выхода по коду Хемминга, который повысит надѐжность
классификации.
Другой подход состоит в разбиении задачи с k классами на
k*(k-1)/2 подзадач с двумя классами (2 на 2 кодирование) каждая.
Под подзадачей в данном случае понимается то, что сеть опреде-
ляет наличие одной из компонент вектора. То есть исходный век-
тор разбивается на группы по два компонента в каждой таким
образом, чтобы в них вошли все возможные комбинации компо-
нент выходного вектора. Число этих групп можно определить как
количество неупорядоченных выборок по два из исходных ком-
понент.
Пример распределения для задачи с четырьмя классами, в ко-
торой существует 6 выходов (подзадач) представлен в табл. 1.4.
Таблица 1.4
Пример распределения для задачи с четырьмя классами
Номер подзадачи (выхода)
Компоненты выхода
1
1–2
2
1–3
3
1–4
4
2–3
5
2–4
6
3–4
Единица (1) на выходе говорит о наличии одной из компо-
нент. Тогда мы можем перейти к номеру класса по результату
расчѐта сетью следующим образом: определяем, какие комбина-
ции получили единичное (точнее близкое к единице) значение
выхода (т.е. какие подзадачи у нас активировались), и считаем,
что номер класса будет тот, который вошел в наибольшее коли-
чество активированных подзадач (табл. 1.5).
Это кодирование во многих задачах дает лучший результат,
чем классический способ кодирования.
52
Таблица 1.5
Определение номера класса для задачи с четырьмя классами
Номер класса
Активизированные выходы
1
1, 2, 3
2
1, 4, 5
3
2, 4, 6
4
3, 5, 6
Правильный выбор объѐма сети имеет большое значение. По-
строить небольшую и качественную модель часто бывает просто
невозможно, а большая модель будет просто запоминать примеры
из обучающей выборки и не производить аппроксимацию, что, есте-
ственно, приведѐт к некорректной работе классификатора. Сущест-
вуют два основных подхода к построению сети – конструктивный и
деструктивный. При первом из них вначале берѐтся сеть минималь-
ного размера, и постепенно увеличивают еѐ до достижения требуе-
мой точности. При этом на каждом шаге еѐ заново обучают.
Также существует так называемый метод каскадной корреля-
ции, при котором после окончания эпохи происходит корректировка
архитектуры сети с целью минимизации ошибки. При деструктив-
ном подходе вначале берѐтся сеть завышенного объѐма, и затем из
неѐ удаляются узлы и связи, мало влияющие на решение. При этом
необходимо применять следующее правило: число примеров в обу-
чающем множестве должно быть больше числа настраиваемых ве-
сов. Иначе вместо обобщения сеть просто запомнит данные и утра-
тит способность к классификации – результат будет неопределѐн
для примеров, которые не вошли в обучающую выборку.
При выборе архитектуры сети обычно опробуется несколько
конфигураций с различным количеством элементов. При этом
основным показателем является объѐм обучающего множества и
обобщающая способность сети. Обычно используется алгоритм
обучения Back Propagation (обратного распространения) с под-
тверждающим множеством.
Алгоритм построения классификатора на основе нейронных
сетей включает в себя:
1. Работа с данными.
1.1. Составить базу данных из примеров, характерных для
данной задачи.
53
1.2. Разбить всю совокупность данных на два множества:
обучающее и тестовое (возможно разбиение на 3 множества: обу-
чающее, тестовое и подтверждающее).
2. Предварительная обработка.
2.1. Выбрать систему признаков, характерных для данной за-
дачи, и преобразовать данные соответствующим образом для по-
дачи на вход сети (нормировка, стандартизация и т.д.). В резуль-
тате желательно получить линейно отделяемое пространство
множества образцов.
2.2. Выбрать систему кодирования выходных значений (клас-
сическое кодирование, 2 на 2 кодирование и т.д.).
3. Конструирование, обучение и оценка качества сети.
3.1. Выбрать топологию сети: количество слоев, число ней-
ронов в слоях и т.д.
3.2. Выбрать функцию активации нейронов (например «сиг-
моида»).
3.3. Выбрать алгоритм обучения сети.
3.4. Оценить качество работы сети на основе подтверждающего
множества или по другому критерию, оптимизировать архитектуру
(уменьшение весов, прореживание пространства признаков).
3.5. Остановиться на варианте сети, который обеспечивает
наилучшую способность к обобщению и оценить качество рабо-
ты по тестовому множеству.
4. Использование и диагностика.
4.1. Выяснить степень влияния различных факторов на при-
нимаемое решение (эвристический подход).
4.2. Убедиться, что сеть дает требуемую точность классифи-
кации (число неправильно распознанных примеров мало).
4.3. При необходимости вернуться на этап 2, изменив способ
представления образцов или изменив базу данных.
4.4. Практически использовать сеть для решения задачи.
Для того чтобы построить качественный классификатор, необ-
ходимо иметь качественные данные. Никакой из методов построе-
ния классификаторов, основанный на нейронных сетях, или стати-
стический, никогда не даст классификатор нужного качества, если
имеющийся набор примеров не будет достаточно полным и пред-
ставительным для той задачи, с которой придѐтся работать системе.
Поставленная задача оценки кредитоспособности заѐмщика с
использованием нейронных сетей зачастую решается с применени-
54
ем многослойного персептрона, состоящего, к примеру, из трѐх сло-
ѐв: входного, скрытого и выходного. На входной слой подаѐтся век-
тор входных параметров, определяемый через известные банку фи-
нансово-экономические характеристики заѐмщика; число нейронов
в скрытом слое подбирается разработчиком вначале интуитивно (по
крайне мере в два раза больше размера входного вектора); количе-
ство нейронов выходного слоя определяется числом классов, на ко-
торые требуется разбить совокупность данных.
Для обучения нейронной сети необходимо иметь достаточно
высокую выборку примеров кредитной истории, из которой фор-
мируются обучающая и тестовая серии. Большей частью таких
данных в распоряжении у разработчика нет, поэтому следует
воспользоваться методом статистического моделирования для
увеличения количества данных. Размерность входного вектора
влияет на архитектуру искусственной нейронной сети, усложняя
еѐ при увеличении числа компонентов, вследствие чего следует
провести предобработку данных с целью снижения составляю-
щих этого вектора. Обученная, например, на два класса, нейрон-
ная сеть будет относить нового потенциального клиента банка к
разрядам «кредитоспособных» или «некредитоспособных» заѐм-
щиков. Сотрудникам банка для принятия такого решения нужно
на вход сети предъявить вектор исходных данных, характери-
зующих финансовое состояние клиента. Сеть, ориентируясь на
значение выхода и установленный порог принятия решения, от-
несѐт нового клиента к одному из классов.
С помощью этой же сети могут быть определены риски «пе-
репутывания» классов, т.е. решена задача риск-менеджмента при
предоставлении кредита банком. Для этого необходимо иметь
базу данных (реальных или «разыгранных») кредитоспособных и
некредитоспособных клиентов. Доля неправильно расклассифи-
цированных клиентов даст количественную оценку риска.
Задача кластеризации объектов возникает при необходимо-
сти разделить объекты на ряд групп (кластеров). При этом бан-
ковский работник не обладает достаточными сведениями об объ-
ектах, чтобы сформировать требуемый выходной вектор. В такой
ситуации можно воспользоваться самообучающимися сетями Ко-
хонена. В данном случае нейронная сеть сама, ориентируясь на
структуру подаваемых входных векторов, будет относить оче-
редной, предъявляемый на вход объект к определѐнному классу.
55
Разработчик сети в этом случае должен определить число
нейронов на входном и выходном слоях (сеть Кохонена состоит
только из двух слоев), скорость обучения и критерий остановки.
Количество нейронов входного слоя, как и в предыдущих зада-
чах, устанавливается равным размерности вектора признаков
объекта. В выходном слое число нейронов определяется количе-
ством классов, на которые предполагается разделить анализируе-
мую совокупность объектов. Скорость обучения обычно выбира-
ется из диапазона 0,5–1, а еѐ уменьшение за время обучения до
нуля определяет критерий остановки. Например, при выработан-
ной начальной скорости обучения, равной 0,5, и шаге изменения
скорости, составляющем 0,05, потребуется всего 10 эпох для
формирования нейрона-победителя в выходном слое.
Победивший среди всех нейронов выходного слоя (тот ней-
рон, у которого весовой вектор наиболее близок к входному век-
тору объекта) определяет, в сущности, метку класса, к которому
принадлежит предъявленный объект. Затем на вход сети поступа-
ет вектор признаков следующего объекта, и сеть определяет его
принадлежность: если данный объект имеет аналогичные призна-
ки предыдущего объекта, то сеть относит его к тому же классу; в
противном случае – указывает метку другого кластера.
Одним из свойств сети Кохонена является возможность сжа-
тия информации, поскольку в один нейрон-победитель могут
входить несколько объектов. Вследствие этого типичной задачей,
решаемой с помощью сети Кохонена, является разбиение совокуп-
ности предприятий, фирм на ряд классов с целью составления их
рейтинга для оценки кредитоспособности коммерческим банком.
Одним из примеров преимущества использования нейронных
сетей также является их способность генерировать нелинейную
модель процесса на основе результатов адаптивного обучения
(настройки) сети. При этом попытка проинтерпретировать про-
цесс работы сети, а не результат, как правило, весьма затруднена.
При обучении сети на еѐ вход подаѐтся множество векторов, выра-
жающих количественные характеристики некоторого процесса или
объекта и для каждого вектора формируется указание учителя, то
есть некоторый идеальный отклик сети. После обучения сеть спо-
собна генерировать некоторый отклик, идеальный с еѐ точки зрения,
на основе неизвестных ей ранее входных данных той же природы,
что и обучающее множество. При этом природа входных и выход-
56
ных данных может быть различной, причѐм в качестве входных
данных могут поступать сразу несколько наборов векторов с раз-
личной информацией. Например, если на вход сети при обучении
подавать информацию о фирме, аналогичную данным для много-
критериального дискриминантного анализа.
В качестве указаний учителя следует выбрать две группы
фирм, одна из которых будет представлять обанкротившиеся
фирмы, а другая нет, взять их показатели для формирования обу-
чающего множества и обучить сеть давать ответ «банкрот» или
«не банкрот». После этого можно оценивать любое предприятие,
предъявлять его показатели сети и сеть будет оценивать предпри-
ятие как «банкрот» или «небанкрот». Может быть предприятие
ещѐ не обанкротилось, но давать кредиты такому предприятию
опасно. Вероятность правильного ответа может достигать 80–
97 процентов. Следует подчеркнуть следующую особенность при-
менения нейросетевых экспертных систем. Исходной информацией
для них служит система зависимостей между переменными, при
этом фиксируется только факт зависимости одних переменных от
других, а не ее вид. Это свойство позволяет без особых затруднений
адаптировать экспертные системы на базе нейронных сетей к изме-
няющимся средам, исключая дорогую настройку.
В качестве нового эффективного средства для решения задач
оценки кредитоспособности предприятий нейронные сети позволя-
ют решать многие профессиональные проблемы кредитных органи-
заций. Нет необходимости законодательно вынуждать коммерче-
ские банки применять нейронные сети или пытаться доказать их
неэффективность путѐм выделения присущих им особенностей и
недостатков – применение нейронных сетей является неизбежным
следствием развития вычислительной математики, информацион-
ных технологий и современной элементной базы.
Таким образом, мы рассмотрели возможность применения ней-
ронных сетей в процессе оценки кредитоспособности предприятий
коммерческими банками. Сформулировали авторское определение
понятия нейронной сети с точки зрения возможности еѐ применения
в кредитных организациях. Также оценили возможность внедрения
искусственных нейронных сетей в систему оценки кредитоспособ-
ности заѐмщиков кредитными организациями Приморского края.
57
Глава 2. АНАЛИЗ МЕТОДИК ОЦЕНКИ
КРЕДИТОСПОСОБНОСТИ ЗАЁМЩИКОВ
И ПУТИ ИХ СОВЕРШЕНСТВОВАНИЯ
2.1. Мировой опыт определения кредитоспособности
заѐмщиков и возможности использования
его российскими банками
Мировая практика, основанная на многолетнем опыте работы
в условиях меняющейся конъюнктуры и конкурентного соперни-
чества кредитных организаций, выработала методики, направ-
ленные на проведение взвешенной кредитной политики, приме-
нение эффективных систем оценки кредитоспособности заѐмщи-
ка и позволяющих в значительной мере минимизировать риск по
ссудным операциям.
В настоящее время в мире не существует единой стандарти-
зированной системы оценки кредитоспособности. Банки исполь-
зуют различные системы анализа кредитоспособности заѐмщика.
Причинами такого многообразия являются:
а) различная степень доверия к количественным (т.е. под-
дающимся измерению) и качественным (т.е. поддающимся изме-
рению с большим трудом, с высокой степенью допустимости)
способам оценки факторов кредитоспособности;
б) особенности индивидуальной культуры кредитования
(кредитной культуры) и исторически сложившейся практики
оценки кредитоспособности;
в) использование определѐнного набора инструментов мини-
мизации кредитного риска, сопровождающееся пристальным
вниманием к отдельным инструментам;
г) многообразие факторов, оказывающих влияние на уровень
кредитоспособности, которое приводит к тому, что банки уделя-
ют им различное внимание при присвоении кредитного рейтинга;
д) результат оценки кредитоспособности заѐмщика, прини-
мающий различные формы, – некоторые банки останавливаются
на простом расчѐте финансовых коэффициентов, другие – при-
сваивают кредитные рейтинги и рассчитывают уровень кредит-
ного риска.
58
Практика показывает, что любая методика, опирающаяся на
расчѐт только количественных показателей, не в состоянии рас-
крыть механизм поддержания стабильного развития предприятия,
основанный на управленческих решениях, на неформальных,
внеинституциональных взаимоотношениях. Наряду с количест-
венными показателями необходимо использовать и качественные
измерители, что даѐт возможность дать углублѐнное понимание
проблемы экономической устойчивости развития предприятия.
В практике зарубежных коммерческих банков применяются
различные методы оценки кредитоспособности заѐмщиков. Пред-
ставим авторскую классификацию методов оценки кредитоспо-
собности заѐмщиков зарубежными банками (рис. 2.1).
По виду применяемого
расчѐтного объекта
По способу моделирования
уровня кредитоспособности
Методы оценки кредитоспособности
предприятия-заѐмщика
системы
коэффициентов
денежные потоки
обобщѐнные методики
модели
прогнозирования
банкротства
модели, основанные на
статистических методах
оценки
модели ограниченной
экспертной оценки
модели непосредственно
экспертной оценки
Рис. 2.1. Методы оценки кредитоспособности заѐмщиков
зарубежными коммерческими банками
В большинстве случаев методы, обозначенные нами в клас-
сификации как «по виду применяемого объекта», используются в
совокупности, т.к. применение их по отдельности не даѐт полной
картины финансово-хозяйственной деятельности предприятия-
заѐмщика и не может с достаточной достоверностью предсказать
вероятность его банкротства.
59
Различия методов оценки кредитоспособности предприятий-
заѐмщиков по способу моделирования уровня кредитоспособно-
сти обусловлены приоритетностью использования количествен-
ных (расчѐт финансовых коэффициентов) и качественных (лич-
ные мнения банковских специалистов) способов анализа. Данная
классификация также является достаточно условной в связи с од-
новременным применением нескольких методов. Так, зачастую
качественные факторы, оцениваемые исходя из личного мнения
банковских работников, такие как кредитная история, географи-
ческое положение, получали балльную оценку и применялись как
количественные характеристики.
Статистические модели оценки кредитоспособности пред-
ставляют собой процесс присвоения кредитного рейтинга на ос-
нове количественного и статистического анализа. Данные модели
основаны на расчѐте кредитного рейтинга по определѐнной фор-
муле, включающей как количественные, так и качественные фак-
торы, которые были стандартизированы и приведены к количест-
венному значению. Эти системы оценки применяются в основ-
ном для расчѐта кредитоспособности малых и средних предпри-
ятий, и лишь небольшое количество зарубежных банков исполь-
зуют только данную систему оценки.
Модели ограниченной экспертной оценки основаны на при-
менении статистических методов с последующей корректировкой
на основании неких качественных параметров. Например, балль-
ное значение рейтинга может быть скорректировано на несколько
баллов в зависимости от мнения кредитного эксперта. Около 20
процентов банков используют данную модель при анализе круп-
ных предприятий [121. С. 9].
Модели непосредственно экспертной оценки являются более
распространенными, их используют около 50% зарубежных бан-
ков для оценки кредитоспособности как крупных, так и средних
заѐмщиков [там же]. При данном виде оценки определить влия-
ние того или иного фактора на величину кредитного рейтинга
практически невозможно. Экономисты рассчитывают финансо-
вые коэффициенты, но значения интерпретируются индивиду-
ально по каждому заѐмщику. Тем не менее, в некоторых случаях
на начальном этапе оценки используются статистические модели,
которые задают направление и границы дальнейшего анализа.
60
Вернѐмся к рассмотрению способов оценки кредитоспособ-
ности заѐмщиков. Использование финансовых коэффициентов с
целью качественной оценки состояния компании имеет долгую
историю. Однако обобщѐнность коэффициентов ставит их эф-
фективность под сомнение. Многие книги по бухгалтерскому
учѐту акцентируют внимание на том факте, что коэффициенты не
могут быть сопоставимы для различных отраслей [35; 66; 91].
Финансовые коэффициенты таким образом могут быть оценены
лишь в совокупности с дополнительной информацией, касающейся
отраслевой принадлежности фирмы и рынка, на котором она рабо-
тает: различия в производственных циклах и скорости оборота ка-
питала, степени конкуренции, непостоянство доходов и затрат и за-
висимость бизнеса от бизнес-цикла – важные факторы.
Кроме того, измерение финансовых коэффициентов отлича-
ется от рассмотрения реальных характеристик; его следует рас-
сматривать больше как приближѐнные оценки. Как замечено
Morris (1989): уникальная экономическая ситуация может скла-
дываться во многие вариации коэффициентов, а каждый случай
этой вариации описывать множество основополагающих эконо-
мических положений (рис. 2.2) [117]. Бизнес-аналитик ставит за-
дачу дать субъективную оценку фирмы и использует набор ко-
эффициентов во взаимодействии. В идеале анализ использует
комбинацию внешних ресурсов информации таким образом, что
можно дать чѐткую оценку фирмы.
Уникальная
экономическая
ситуация
Различные наборы
коэффициентов
Определѐнный
набор
коэффициентов
Экономические
ситуации
Рис. 2.2. Неопределѐнность системы коэффициентов
согласно Morris
61
В практике западных стран существует множество различ-
ных систем финансовых коэффициентов. Наиболее часто исполь-
зуется система коэффициентов, разработанная американским
учѐным Э. Ридом [66], которая включает в себя четыре группы
коэффициентов, определяющие различные характеристики кре-
дитоспособности предприятия: ликвидность, оборачиваемость,
привлечение средств и прибыльность. Данная система позволяет
прогнозировать своевременность совершения будущих платежей,
ликвидность и реальность оборотных активов, а также оценить
общее финансовое состояние предприятия и его устойчивость.
Представленная система дает возможность определить границы
снижения суммы прибыли, в которой обеспечивается погашение
ряда фиксированных платежей.
Аналогичной по составу финансовых коэффициентов являет-
ся система, предложенная группой американских учѐных [87].
Они включают в систему следующие группы показателей:
а) коэффициенты, характеризующие ликвидность;
б) коэффициенты, характеризующие производство (хозяйст-
венную деятельность);
в) коэффициенты, характеризующие кредитную зависимость;
г) коэффициенты, характеризующие прибыльность;
д) коэффициенты, основанные на рыночных критериях.
Существенным отличием данной системы финансовых ко-
эффициентов от предыдущей, на наш взгляд, является наличие
коэффициентов, основанных на рыночных критериях, т.е. отра-
жающих рыночную стоимость акций анализируемых предпри-
ятий-заѐмщиков. Однако вопрос применения коэффициентов,
основанных на рыночных критериях, в российской экономике
является сомнительным, в связи с отсутствием широкой практики
размещения акций предприятий на бирже. Существенным недос-
татком данных систем является отсутствие в ней показателей
долгосрочной платѐжеспособности.
Попытаемся дать авторскую сравнительную характеристику
двух представленных систем финансовых коэффициентов
(рис. 2.3).
62
Ф
и
н
а
н
с
о
в
ы
е
к
о
э
ф
ф
и
ц
и
е
н
т
ы
ы
Коэффициент покрытия, коэффициент ликвидности
Чистый оборотный капитал, коэффициент текущей ликвид-
ности, коэффициент срочной ликвидности
Оборачиваемость всех активов, оборачиваемость
основного капитала, оборачиваемость дебитор-
ских счетов, оборачиваемость запасов
Оборот дебиторской задолженности, средний
период погашения дебиторской задолженности,
оборачиваемость запасов, средний срок пребы-
вания в запасах, общая оборачиваемость активов
Отношение к активам, отношение задолжен-
ности к собственному капиталу, степень по-
крытия финансовых платежей
Уровень кредитной зависимости, кратность
процентных доходов, отношение заемных
средств к собственному капиталу
Операционная норма доходности, норма прибыли на
объем продаж, норма прибыли на активы, норма при-
были на обыкновенную акцию
Чистая валовая прибыль, коэффициент прибыльности,
доход на общую сумму активов, доход на обыкновен-
ную акцию
Доходы на акцию, отношение цены акции к доходам,
балансовая стоимость обыкновенной акции
Кредитная
зависимость
Привлечение
средств
Производ-
ство
Оборачи-
ваемость
Л
и
к
ви
д
н
о
с
ть
Рыно
ч
н
а
я
с
то
и
м
о
с
ть
Пр
и
был
ь
н
о
с
ть
–
система
финансовых
коэффициентов Э. Рида
– система финансовых коэффициен-
тов группы американских учѐных
Рис. 2.3. Сравнительная характеристика систем финансовых
коэффициентов, оценивающих кредитоспособность предприятия
Вопрос количества используемых для анализа коэффициен-
тов кредитной организацией является достаточно актуальным. С
одной стороны, чем больше коэффициентов используется в рас-
63
чѐтах, тем более подробным будет анализ, с другой стороны, при
росте числа показателей, которые должны быть отслежены, зада-
чи анализа усложняются. В зарубежной практике значения коэф-
фициентов по конкретному предприятию рекомендуется сравни-
вать с ее же более ранними показателями и со средними показа-
телями по отрасли, к которой данное предприятие относится. В
связи с этим в теории зарубежной кредитной системы было вве-
дено понятие «отраслевой риск», которое определяет допусти-
мый диапазон изменения коэффициентов финансового состояния,
связанного со степенью изменчивости в деятельности предпри-
ятия. Для этого, например в США, составляются сборники, со-
держащие балансовые показатели и рассчитанные промышлен-
ным классификатором.
Основным недостатком применения системы финансовых
коэффициентов, как нам представляется, является сложность со-
ставления окончательного заключения о финансово-хозяйствен-
ном состоянии предприятия-заѐмщика, а также возможности пре-
доставления кредита. С этой целью финансовые показатели сво-
дятся к единому синтезированному показателю – рейтингу, вы-
раженному в баллах. Для него определяются границы интервала
колебания, при которых заключение договора кредитования яв-
ляется целесообразным. Кредитный рейтинг предприятий опре-
деляется путѐм умножения классности каждого коэффициента на
его долю в общем рейтинге.
Как правило, только система финансовых коэффициентов
для оценки кредитоспособности предприятия кредитной органи-
зацией не применяется. Обычно она включена в какую-либо мо-
дель или комплексную систему оценки кредитоспособности
предприятия-заемщика.
Рассмотрим следующий метод оценки кредитоспособности
предприятия – анализ денежных потоков. Данный метод приме-
няется в зарубежных кредитных организациях довольно часто.
Анализ денежного потока позволяет сделать вывод о недостатках
в управлении предприятием.
Для решения вопроса о целесообразности выдачи и размере
ссуды на относительно длительный срок анализ денежного пото-
ка осуществляется на основе фактических данных за истекшие
периоды и прогнозных данных на планируемый период.
64
С нашей точки зрения, анализ денежного потока даѐт воз-
можность уточнить кредитоспособность клиента, а также пока-
зывает предельные размеры новых ссуд, чем существенно допол-
няет заключение о кредитоспособности, сделанное на основе фи-
нансовых коэффициентов. Анализ кредитоспособности на основе
данных о денежных потоках за определѐнный период более объ-
ективно характеризует возможности погашения ссуд, так как
кредитоспособность заѐмщика оценивается в перспективе.
В США составление формы отчѐтности, отражающей движение
денежных средств, является обязательной и необходимой для каж-
дого периода, за который предоставляется отчѐт о прибылях и
убытках. Так, комиссия по ценным бумагам и биржам США требует
предоставления отчѐта о прибылях и убытках за три последних года
с поквартальной разбивкой; отчѐт о движении денежных средств
предоставляется с такой же периодичностью. Отечественные кре-
дитные организации могут использовать накопленный в этой облас-
ти мировой опыт. Основной документ, которым руководствуются
зарубежные организации при составлении отчѐта о движении де-
нежных средств, – Инструкция Комитета по международным стан-
дартам финансовой отчѐтности (КМСФО) № 95 «Отчѐт о движении
денежных средств» (Statement of cash flows). Российские издания в
последнее время уделяют большое значение термину «денежный
поток» (cash flows), опираясь во многом на западную литературу.
На основе имеющейся формы отчѐтности рассчитывается ве-
личина денежного потока. Если клиент имел устойчивое превы-
шение притока над оттоком денежных средств, то это свидетель-
ствует о его финансовой устойчивости и кредитоспособности.
Колебание величины общего денежного потока, кратковременное
превышение оттока над притоком средств говорит о более низ-
ком классе кредитоспособности клиента. Наконец, систематиче-
ское превышение оттока над притоком средств характеризует
клиента как некредитоспособного.
Однако такой метод анализа кредитоспособности на основе
рассчитанного денежного потока, как мы считаем, не совсем пра-
вомерен. Величина денежного потока не может однозначно вы-
ступать ограничением по объѐмам кредитования в связи с воз-
действием на неѐ причин, не зависящих от качества функциони-
рования предприятия, а также не оказывающих влияние на уро-
вень финансового развития предприятия. Данными факторами
65
являются: неодинаковые производственные циклы предприятий
различных отраслей; условия инфляции вынуждают минимизи-
ровать остатки денежных средств на счетах предприятий, что не
свидетельствует о низком классе кредитоспособности. Следует
отметить, что размещение предприятием свободных денежных
средств в высоколиквидные активы, такие как государственные
ценные бумаги, напротив, повышают уровень кредитоспособно-
сти организации. В данном случае кредитная организация полу-
чает возможность быстрой реализации ценных бумаг, которые
могут выступать как средство платежа в счѐт погашения кредита,
или кредитных процентов. В результате, в странах с высокораз-
витым рынком ценных бумаг применение метода анализа денеж-
ного потока для оценки кредитоспособности потенциального
предприятия-заѐмщика следует осуществлять с учѐтом возмож-
ного наличия ценных бумаг (особенно следует учитывать госу-
дарственные ценные бумаги), оценивая их как высоколиквидные,
быстрореализуемые денежные средства.
Таким образом, представляется возможным использование
метода оценки кредитоспособности на основе анализа денежных
средств, также как и в случае применения финансовых коэффи-
циентов, только в качестве одного из вспомогательных элементов
в структуре общей методики.
Один из достаточно распространенных способов оценки кре-
дитоспособности предприятий-заѐмщиков в иностранных кре-
дитных организациях – это применение «обобщѐнной методики».
Согласно авторскому определению обобщѐнная методика – это
методика, основанная на непосредственной экспертной оценке
предприятия-заемщика и включающая в себя как количествен-
ные, так и качественные показатели. Большинство российских
методик оценки кредитоспособности предприятий были заимст-
вованы именно из зарубежных «обобщѐнных методик». Наиболее
популярными среди кредитных организаций США являются так
называемые правила шесть «Си» (прил. В). Присвоение рейтинга
происходит с использованием метода непосредственной эксперт-
ной оценки. Немаловажное значение имеет сложившаяся в дан-
ном банке кредитная культура. Присвоенные рейтинги пересмат-
риваются на регулярной основе.
Данная методика является классическим примером «обоб-
щѐнной методики». По такому же принципу построены француз-
66
ская и австралийская методики. Как видно из приложения В,
«обобщѐнная методика» включает в себя как анализ финансовых
коэффициентов, так и анализ денежных потоков.
Основная трудность, которая возникает при составлении
данных методик, а также влияет на качество оценки кредитоспо-
собности заѐмщика, – это субъективизм, который возникает при
определении весов, оценивающих качественные коэффициенты.
Необходимость устранения данного недостатка не вызывает со-
мнения, однако способа решения этой проблемы на сегодняшний
день не существует.
Применение данных методик в условиях российской эконо-
мики, на наш взгляд, также является довольно проблематичным в
связи с тем, что для осуществления проверки кредитоспособно-
сти клиента согласно «обобщѐнным методикам» требуется доста-
точно большое количество разнообразных данных, начиная от
характеристики качества управления и заканчивая содержанием
аудиторского заключения. Средние, а тем более мелкие россий-
ские предприятия не могут предоставить такое количество ин-
формации за отсутствием последней. В результате небольшие, но
успешно функционирующие предприятия не имеют возможности
получить кредит, они осуществляют заѐм денежных средств на
так называемом «чѐрном рынке».
Последним из рассматриваемых нами методов оценки креди-
тоспособности предприятий-заѐмщиков является применение мо-
делей прогнозирования банкротства. Прежде чем переходить не-
посредственно к описанию моделей прогнозирования банкротст-
ва предприятий, необходимо чѐтко определить, что именно мы
собираемся предсказывать. Общепринятым является мнение, что
банкротство и кризис на предприятии – понятия синонимичные;
банкротство, собственно, и рассматривается как крайнее прояв-
ление кризиса. В действительности же дело обстоит иначе –
предприятие подвержено различным видам кризисов (экономиче-
ским, финансовым, управленческим) и банкротство – лишь один
из них. Во всем мире под банкротством принято понимать фи-
нансовый кризис, то есть неспособность фирмы выполнять свои
текущие обязательства. Помимо этого фирма может испытывать
экономический кризис (ситуация, когда материальные ресурсы
компании используются неэффективно) и кризис управления (не-
эффективное использование человеческих ресурсов, что часто
67
означает также низкую компетентность руководства и, следова-
тельно, неадекватность управленческих решений требованиям ок-
ружающей среды). Соответственно, различные методики предсказа-
ния банкротства, как принято называть их в отечественной практи-
ке, на самом деле предсказывают различные виды кризисов. Именно
поэтому оценки, получаемые при их помощи, нередко столь сильно
различаются. Видимо, все эти методики вернее было бы назвать
кризис-прогнозными (К-прогнозными). Другое дело, что любой из
обозначенных видов кризисов может привести к ликвидации пред-
приятия. В этой связи, понимая механизм банкротства как юридиче-
ское признание такой ликвидации, данные методики условно можно
назвать методиками предсказания банкротства. Представляется, од-
нако, что ни одна из них не может претендовать на использование в
качестве универсальной именно по причине «специализации» на
каком-либо одном виде кризиса. Поэтому кажется целесообразным
отслеживание динамики изменения результирующих показателей
по нескольким из них. Выбор конкретных методик должен дикто-
ваться особенностями отрасли, в которой работает предприятие.
Более того, даже сами методики могут и должны подвергаться кор-
ректировке с учѐтом специфики отраслей.
Исследования банкротства основываются на экономической
теории, либо на теории управления бизнесом. Однако многие по-
пытки точно определить модель прогнозирования банкротства, ос-
нованные на причинной детализации основных экономических фак-
торов, не были совсем успешными. Сложности взаимодействия тео-
ретических и эмпирических аспектов могут происходить в связи с
разнообразием проявлений банкротства. В исследовании необходи-
мо не только определить факторы, которые приводят к неэффектив-
ности деятельности фирмы, но также для фирм, которые обанкроти-
лись, необходимо объяснить, почему они стали банкротами.
Существует большое число зарубежных моделей оценки ве-
роятности банкротства предприятий. В основе этих моделей ле-
жат различные показатели. Это и данные о котируемых рыноч-
ных инструментах, и данные бухгалтерской отчѐтности компа-
ний, и информация об особенностях структуры, внутренних и
внешних связях предприятия, денежных и материальных потоках.
Вероятность банкротства любой компании зависит в первую
очередь от эффективности еѐ производственной и финансово-
хозяйственной деятельности. Для внутренней оценки эффектив-
68
ности управляющий может использовать помимо бухгалтерской
также и управленческую отчѐтность, дополнительную информа-
цию о перспективах развития предприятия, планируемых сдел-
ках, поступлениях, приобретениях. Для аналитика, лишенного
доступа к такой информации, источниками знаний о положении
дел в оцениваемой компании являются, прежде всего, публикуе-
мая бухгалтерская отчѐтность и рыночные данные по котируе-
мым ценным бумагам.
Предсказание банкротства как самостоятельная проблема
возникла в развитых капиталистических странах (в первую оче-
редь в США) сразу после окончания второй мировой войны.
Этому способствовал рост числа банкротств в связи с резким со-
кращением военных заказов, неравномерность развития фирм,
процветание одних и разорение других. Естественно, возникла
проблема возможности априорного определения условий, веду-
щих фирму к банкротству.
Известны два основных подхода к предсказанию банкротства.
Первый подход базируется на финансовых данных и включа-
ет оперирование некоторыми коэффициентами: приобретающим
всѐ большую известность Z-коэффициентом Альтмана (США),
коэффициентом Таффлера (Великобритания) и другими, а также
умение «читать баланс».
Второй подход исходит из данных по обанкротившимся ком-
паниям и сравнивает их с соответствующими данными исследуе-
мой компании. Попытаемся выделить основные недостатки, воз-
никающие при прогнозировании банкротства с помощью первого
подхода. Во-первых, компании, испытывающие трудности, вся-
чески задерживают публикацию своих отчѐтов, и, таким образом,
конкретные данные могут годами оставаться недоступными. Во-
вторых, даже если данные и сообщаются, они могут оказаться
«творчески обработанными». Для компаний в подобных обстоя-
тельствах характерно стремление откорректировать свою дея-
тельность, иногда доводящее до фальсификации. Требуется осо-
бое умение, присущее даже не всем опытным исследователям,
чтобы выделить массивы подправленных данных и оценить сте-
пень завуалированности. Третья трудность заключается в том,
что некоторые соотношения, выведенные по данным деятельно-
сти компании, могут свидетельствовать о неплатѐжеспособности,
в то время как другие – давать основания для заключения о ста-
69
бильности или даже некотором улучшении. В таких условиях
трудно судить о реальном состоянии дел.
Второй подход основан на сравнении признаков уже обан-
кротившихся компаний с таковыми же признаками компании,
вероятность наступления банкротства которой мы предполагаем
определить. За последние 50 лет опубликовано множество спи-
сков обанкротившихся компаний. Некоторые из них содержат их
описание по десяткам показателей. К сожалению, большинство
списков не упорядочивают эти данные по степени важности. Как
и при первом подходе, в данном случае компании, у которых воз-
никают различные финансовые затруднения, могут «улучшить»
свою отчѐтность перед отправкой еѐ в официальные органы. В
этом случае адекватная оценка финансовых трудностей компании
представляется невозможной. Попыткой компенсировать эти не-
достатки является метод балльной оценки (А-счѐт Аргенти).
Аргенти предположил, что причиной банкротства компании
является плохое руководство, неэффективная система учѐта и
неспособность компании приспосабливаться к новым условиям
рынка. В основу данного метода положен не только анализ сло-
жившихся на предприятии финансовых коэффициентов, но и
множество других факторов (прил. Г). В отличие от описанных
«количественных» подходов к предсказанию банкротства в каче-
стве самостоятельного можно выделить данный метод как «каче-
ственный» подход, основанный на изучении отдельных характе-
ристик, присущих бизнесу, развивающемуся по направлению к
банкротству. Если для исследуемого предприятия характерно на-
личие таких характеристик, можно дать экспертное заключение о
неблагоприятных тенденциях развития. Существенным недостат-
ком представленного метода, на наш взгляд, является высокая
доля субъективизма, допущенная Аргенти при присвоении бал-
лов, применяемых в модели. Присвоение баллов в данной мето-
дике происходит исходя из личностной оценки автором сущест-
венности влияния тех или иных показателей на итоговое значе-
ние, характеризующее степень подверженности банкротству
предприятия. Достаточно большое число исследователей пред-
принимали попытки предсказания банкротства предприятий на
основании количественных значений финансовых коэффициен-
тов. В 1966 г. Уильям Бивер опубликовал работу, в которой срав-
нил финансовые коэффициенты обанкротившихся фирм с показа-
70
телями деятельности компаний, сохранивших конкурентоспособ-
ность. Он проанализировал за пятилетний период 20 коэффициентов
по группе компаний, половина из которых обанкротилась [116]. Ис-
следование Бивера показало наличие достаточно существенных раз-
личий в значениях финансовых коэффициентов двух групп фирм. У
обанкротившихся фирм были более низкая рентабельность активов
и рентабельность продаж, более высокий удельный вес дебиторской
задолженности, более низкие значения коэффициентов текущей и
абсолютной ликвидности, но более высокий уровень задолженно-
сти. Таким образом, сравнение финансовых коэффициентов анали-
зируемого предприятия с показателями успешно работающих ком-
паний, а также анализ динамики финансовых коэффициентов дают
ценную информацию о рыночном риске предприятия.
Рассмотрим систему показателей У. Бивера для оценки фи-
нансового состояния предприятия (табл. 2.1).
Таблица 2.1
Система показателей У. Бивера
Показатель
Формула расчѐта по данным
финансовой отчѐтности
Г
р
у
п
па
1
:
«
Бл
а
г
о
п
о-
лу
ч
ны
е
к
о
м
п
а
нии»
Г
р
у
пп
а
2
:
«
З
а
5
л
е
т
до
ба
нк
р
о
т
с
тва
»
Г
р
у
пп
а
3
:
«
З
а
1
г
о
д до
ба
нк
р
о
т
с
тва
»
Коэффициент
Бивера
капитал
заёмный
я
амортизаци
прибыль
чистая
0,4–0,45 0,17
–0,15
Коэффициент
текущей лик-
видности
тва
обязательс
ные
краткосроч
активы
оборотные
≤ 3,2
< 2
≤ 1
Экономическая
рентабельность
%
100
активы
прибыль
чистая
6–8
4
–22
Финансовый
леверидж
%
100
пассивы
капитал
заёмный
≤ 37
≤ 50
≤ 80
Преимуществом представленной системы показателей явля-
ется отсутствие привязки коэффициентов к весовым значениям,
71
что даѐт возможность получить более точный результат, осно-
ванный на анализе реально функционирующих предприятий. Од-
нако система оценки Бивера была произведена на основе данных
финансовой отчѐтности американских предприятий, полученных
ещѐ в 60-х годах, и следовательно для еѐ применения необходим
сбор и анализ статистических данных той страны и региона, в
которой она будет применена.
В то же время отсутствие весовых коэффициентов не позволяет
с максимальной точностью отнести оценку финансового состояния
компании к той или иной группе. Выходом из создавшегося поло-
жения мог бы являться единый обобщѐнный показатель, который
бы являлся итогом оценки кредитоспособности предприятия.
Существенным недостатком системы показателей Бивера яв-
ляется и отсутствие учѐта специфики предприятий (например
структуры капитала в различных отраслях) и экономической си-
туации в стране.
Следующим этапом в развитии применения финансовых ко-
эффициентов для прогнозирования банкротства предприятий
стали попытки сконструировать обобщѐнный показатель (инди-
катор), который можно было бы использовать в предсказании
вероятности банкротства.
В табл. 2.2 обобщены наиболее известные зарубежные рабо-
ты по предсказанию неплатѐжеспособности с помощью многопе-
ременных статистических методов, применяемые модели и их
точность предсказания за год до банкротства предприятий [117].
Таблица 2.2
Наиболее известные зарубежные модели
предсказания банкротства
Модели
Метод
Точность за год до
краха, %
1
2
3
Altman (1968)
DAN
95
Deakin (1972)
DAN
97
Altman – Lorris (1976)
DAN
90
Korobow – Sturh – Martin (1976)
REG
90
72
Окончание табл. 2.2
1
2
3
Altman – Halderman – Narayanan (1977)
DAN
93
Springate (1978)
DAN
93
Springate – Botheras (1979)
DAN
88
Dambolena – Khoury (1980)
DAN
96
Zmijewski (1984)
Probit
76
Zmijewski (1984)
Probit
97
Altman – Izan (1984)
DAN
92
Fulmer (1984)
DAN
98
Barth – Brumbaugh –Sauerhaft – Wang
(1985)
Logit
87
Frydman – Altman –Kao (1985)
REK
94
Pantelona – Platt (1987)
DAN
95
Pantelona – Platt (1987)
Logit
96
Legault (CA-Score) (1987)
DAN
83
Platt – Platt (1990)
Logit
90
Altman – Hartzell – Peck (1995)
DAN
92
Moody’s RiskscoreTM (HERRITY, 1999)
–
79
DAN = дискриминантный анализ
REG = регрессионная модель
REK = рекурсивное деление
Probit = стандартное нормальное отклонение
Logit = логистическая регрессия
Можно заметить, что наиболее популярным является дис-
криминантный анализ. Начиная с середины 80-х годов ХХ века,
применим также метод логистической регрессии – Logit. Появле-
ние данных методов в предсказании краха обусловлено тем, что в
процессе их применения появилась возможность дать ответы на
вопросы, перед которыми традиционные методики были бес-
сильны, а именно:
– Какие финансовые коэффициенты наиболее важны в про-
цессе определения вероятности банкротства?
73
– В каких пропорциях нужно принимать во внимание данные
коэффициенты?
– Каким методом можно выявить данные коэффициенты и их
соотношения друг с другом?
Авторы моделей, перечисленных в табл. 2.2, дали различные
ответы. В этом нет ничего удивительного, поскольку исследова-
ния проводились в разное время, в различной рыночной обста-
новке, на различных выборках предприятий и различными спосо-
бами. В практике зарубежных финансовых организаций для
оценки вероятности банкротства наиболее часто используется
индекс кредитоспособности Э. Альтмана, который представляет
собой пятифакторную модель, успешно действующих и обанкро-
тившихся предприятий США. Однако его можно использовать
лишь в отношении крупных компаний, котирующих свои акции
на биржах. Именно для таких компаний можно получить объек-
тивную рыночную оценку собственного капитала, поэтому в рос-
сийской практике в основном применяется модифицированная
четырехфакторная модель для компаний, акции которых не коти-
ровались на бирже. Некоторые банки также используют модель
Альтмана как метод расчѐта индекса кредитоспособности.
R = 8,38Х
1
+ Х
2
+ 0,054Х
3
+ 0,63Х
4
,
(2.1)
где Х
1
– доля чистого оборотного капитала в активах;
Х
2
– отношение накопленной прибыли к активам;
Х
3
– рентабельность активов;
Х
4
– балансовая стоимость акций.
С нашей точки зрения, не стоит всецело полагаться на дан-
ные, полученные исходя из расчѐтов модели Альтмана, т.к. она,
также как и система Бивера, основана на анализе статистических
данных американских компаний. При внимательном изучении мо-
дели также видно, что представленный в формуле (2.1) коэффици-
ент составлен некорректно: Х
1
связан с кризисом управления, Х
4
ха-
рактеризует наступление финансового кризиса, в то время как ос-
тальные – экономического. С точки зрения системного подхода
данный показатель не имеет права на существование.
Также недостатком этой модели является то, что согласно
формуле (2.1) у предприятий с рентабельностью выше некоторой
границы вероятность становления банкротства равна нулю. В
российских условиях рентабельность отдельного предприятия в
значительной мере подвергается опасности внешних колебаний.
74
По-видимому, эта формула в российских условиях должна иметь
менее высокие параметры при различных показателях рентабель-
ности.
Преимуществом методов, подобных модели Альтмана, на
наш взгляд, является высокая вероятность, с которой предсказы-
вается банкротство, приблизительно за два года до фактического
объявления конкурса, недостатком – уменьшение статистической
надѐжности результатов при составлении прогнозов относитель-
но отдалѐнного будущего.
Построение моделей, подобных уравнению Альтмана, для
российских кредитных организаций является проблематичным
как из-за отсутствия статистики банкротств, так и из-за влияния
на факт признания предприятия банкротом многих факторов, не
поддающихся учѐту.
Альтман предлагал использовать его модель как дополнение
к «скорее качественному и интуитивному» подходу инспекторов
кредитных отделов банков, отмечая, что его модель не даѐт
балльной оценки кредита и не способна заменить оценки, кото-
рые предлагают служащие банка. Модель и получаемые через неѐ
Z-оценки могут послужить ценным инструментом определения
общей кредитоспособности клиентов и сигналом раннего преду-
преждения о возможности плохого финансового состояния.
Системы диагностики банкротства предприятий Бивера и
Альтмана существенно отличаются друг от друга. Данное обстоя-
тельство заключается в целом ряде причин: различные статисти-
ческие базы, на которых были основаны сами системы, различ-
ные виды рассчитываемых коэффициентов. Коэффициент Альт-
мана определяет вероятность возникновения банкротства пред-
приятия в течение двух лет, показатели Бивера прогнозируют ве-
роятность наступления банкротства в течение пяти лет.
Помимо моделей Альмана и Бивера существуют и более-
менее успешно применяются и другие модели прогнозирования
банкротства. Рассмотрим более подробно две из перечисленных в
табл. 2.2 таких моделей. Это модели Фулмера и Спрингейта. Они
были выбраны по следующим причинам. Во-первых, в той стра-
не, где эти модели были разработаны, они проявили весьма высо-
кую степень надѐжности. Во-вторых, обе модели готовились на
основе данных малых и средних предприятий. А именно такие
предприятия составляют основу бизнеса в России. В-третьих, мо-
75
дели используют исключительно данные баланса, а также отчѐта
о прибылях и убытках.
Краткое описание модели Фулмера. Модель была создана на
основании обработки данных шестидесяти предприятий – 30 по-
терпевших крах и 30 нормально работавших – со средним годо-
вым балансом в 455 тысяч американских долларов. Изначальный
вариант модели содержал 40 коэффициентов, окончательный ис-
пользует всего девять [118].
Общий вид модели:
075
,3
894
,0
083
,1
575
,0
335
,2
12
,0
27
,1
073
,0
212
,0
528
,5
9
8
7
6
5
4
3
2
1
Х
Х
Х
Х
Х
Х
Х
Х
Х
Н
(2.2)
где:
Баланс
лет
прошлых
прибыль
лённая
Нераспреде
X
1
,
Баланс
реализации
от
нетто
Выручка
X
)
(
2
,
капитал
й
Собственны
жения
налогообло
до
Прибыль
X
3
,
.
.
4
долгоср
краткоср
тва
Обязательс
поток
Денежный
X
,
Баланс
тва
обязательс
ые
Долгосрочн
X
5
,
Баланс
тва
обязательс
ные
Краткосроч
X
6
,
активы
ыые
Материальн
X
log
7
,
тва
Обязательс
капитал
Оборотный
X
8
,
1
log
9
уплате
к
Проценты
жения
налогообло
до
Прибыль
X
.
Если H < 0, банкротство предприятия неизбежно. Точность
прогнозов, сделанных с помощью данной модели на год вперѐд, –
98%, на два года – 81%.
76
Модель Спрингейта была построена Спрингейтом в универ-
ситете Симона Фрейзера в 1978 году с помощью пошагового дис-
криминантного анализа методом, который разработал Альтман в
1968 году.
В процессе создания модели из 19 – считавшихся лучшими –
финансовых коэффициентов в окончательном варианте осталось
только четыре [122]. Общий вид модели:
Z = 1,03X
1
+ 3,07X
2
+ 0,66X
3
+ 0,4X
4
,
(2.3)
где:
Баланс
капитал
Оборотный
X
1
,
Баланс
уплате
к
проценты
жения
налогообло
до
Прибыль
X
2
,
тва
обязательс
ные
краткосроч
жения
налогообло
до
Прибыль
X
3
,
Баланс
реализации
от
нетто
Выручка
X
)
(
4
.
Если Z < 0,862, предприятие получает оценку «крах». При
создании модели Спрингейт использовал данные 40 предприятий
и достиг 92,5 процентной точности предсказания неплатѐжеспо-
собности на год вперѐд. Позднее Бодерас, используя модель
Спрингейта на данных 50 предприятий со средним балансом в
2,5 миллиона долларов достиг 88-процентной точности предска-
зания.
Эти модели, как и любые другие, следует использовать лишь
как вспомогательные средства анализа деятельности предпри-
ятий. Полностью полагаться на их результаты неразумно и опас-
но. Применять их следует только после проверки и коррекции в
среде будущего применения.
Попытаемся привести примеры возможного использования
представленных выше моделей:
а) обработка данных потенциальных заѐмщиков с целью оп-
ределения риска неплатѐжеспособности;
б) определение условий кредита;
в) покупка или продажа предприятия;
г) «сигнал тревоги» для менеджмента предприятия;
77
д) проверка принятых решений в симулировании экономиче-
ских ситуаций;
е) создание динамичной картины платѐжеспособности пред-
приятия (анализ трендов), используя данные предыдущих отчѐт-
ных периодов.
Данные модели, с целью апробации в зарубежных странах,
были применены для анализа финансового состояния предпри-
ятий венгерским учѐным А.Б. Арутюняном [28]. Можно заметить,
что при применении моделей в условиях «отличных» от амери-
канской экономики степень вероятности предсказания банкрот-
ства значительно снижается (табл. 2.3).
Таблица 2.3
Точность предсказания моделей Фулмера и Спрингейта
за год до банкротства предприятий
Модель
Вероятность пред-
сказания банкротст-
ва предприятий
Вероятность
предсказания ста-
бильной работы
предприятий
Среднее зна-
чение веро-
ятности
предсказания
Фулмера
66%
66%
66%
Спрингейта
79%
40%
60%
Модель Фулмера учитывает больше факторов, поэтому и при
применении ее в зарубежной экономике работает стабильней.
Кроме того, модель учитывает и размер фирм, что, наверное,
справедливо как в Америке, так и в любой другой стране с ры-
ночной экономикой. Модель с одинаковой надѐжностью опреде-
ляет как банкротов, так и работающие фирмы. Результаты модели
Спрингейта очень несимметричны. Модель явно «сдвинута» в
сторону краха, почти две трети нормально работающих фирм оп-
ределено неправильно.
Надѐжность моделей оказалась намного ниже, чем в среде их
разработки. Причин несколько:
– значения переменных в оригинальных моделях давались в
американских и канадских долларах, в результате изменения кур-
са валют возникают незначительные погрешности;
– условия экономики в зарубежных странах сильно отличаются
от экономических условий Соединѐнных Штатов или Канады.
78
Повысить уровень надѐжности моделей можно изменением
множителей методом итерации (подбора). Введением константы
в модель Спрингейта можно компенсировать еѐ несимметрич-
ность.
Применение данных моделей в российских условиях без про-
верки на опытных данных не представляется возможным. Приме-
ром тому служит проведѐнный анализ применения моделей в ус-
ловиях венгерской экономики.
А.Б. Арутюняну удалось увеличить надѐжность модели Фул-
мера до 75% – с помощью дискриминантного анализа, и до 77% –
с помощью логистической регрессии. Но ещѐ более важно, что в
улучшенных моделях часть переменных была отброшена, а знак
переменной X
6
(пропорция краткосрочных обязательств в балан-
се) поменялся с плюса на минус, то есть влияние данного финан-
сового коэффициента на оценку платѐжеспособности венгерских
сельскохозяйственных предприятий противоположно его дейст-
вию в условиях американской экономики. Не исключено подоб-
ное различие в истолковании значений финансовых коэффициен-
тов в условиях российской экономики. Исходя из этого наиболее
правильным, но трудоѐмким является создание собственной мо-
дели, адаптированной к российским условиям.
Мы рассмотрели наиболее часто используемые зарубежные
модели прогнозирования банкротства, применяемые для оценки
кредитоспособности предприятий-заемщиков. В представленном
материале не анализировались громоздкие в своих вычислениях
logit и probit модели (табл. 2.2), а также аналогичные по объѐмам
производимых расчѐтов модели. Данное обстоятельство объясня-
ется как ограниченностью объѐма написания работы, так и непо-
пулярностью использования сложных математических расчѐтов
среди зарубежных и отечественных кредитных организаций. Не-
достатками моделей прогнозирования банкротства предприятий
являются переоценка роли количественных факторов, произволь-
ность выбора системы базовых количественных показателей, вы-
сокая чувствительность к искажению исходных данных, что осо-
бенно характерно при применении данных моделей в российских
условиях, сравнительная громоздкость.
Таким образом, мы рассмотрели зарубежные методики
оценки кредитоспособности предприятий коммерческими бан-
ками. Кроме того, была представлена авторская классификация
79
данных методов. Выявлены основные преимущества и недос-
татки зарубежных методик оценки кредитоспособности, а также
возможности их применения отечественными кредитными орга-
низациями.
Как показал проведѐнный нами анализ зарубежных методик
определения кредитоспособности заѐмщика, большинство кре-
дитных организаций переходят от использования метода, осно-
ванного на наборе показателей, к интегральному понятию рей-
тинга. Основной показатель, используемый зарубежными ком-
мерческими банками для оценки кредитоспособности заѐмщи-
ка, – кредитный рейтинг. Использование рассмотренных методик
в «чистом» виде в отечественных условиях осложняется объек-
тивными межстрановыми различиями в деятельности заѐмщиков.
Проведение комплекса мероприятий, направленных на исправле-
ние недостатков рассмотренных методик, позволит повысить
точность и эффективность расчѐтов.
2.2. Анализ российских методик оценки
кредитоспособности предприятий
Происходящая в последние годы в нашей стране макроэко-
номическая стабилизация, последовательное снижение процент-
ных ставок, укрепление банковской системы, усиление инвести-
ционной активности российских предприятий способствуют рос-
ту объѐмов кредитования реального сектора экономики. В усло-
виях функционирования коммерческих банков, привлечения ими
новых потенциальных предприятий-заѐмщиков, вывода на рынок
современных кредитных продуктов точная оценка кредитоспо-
собности клиентов начинает оказывать большое влияние на дея-
тельность кредитной организации, поскольку кредитование, при-
нося большинству коммерческих банков основную долю дохо-
дов, в то же время подвержено значительному риску, а именно –
риску невозврата выданных денежных средств или вероятному
банкротству заѐмщика.
Центральную роль в регулировании кредитных отношений
играет оценка кредитоспособности заѐмщика на этапе выдачи
кредита, поскольку акцентирование внимания аналитика в боль-
шей степени на стадии начальных взаимоотношений банка с за-
ѐмщиком, чем на стадии сопровождения кредита, значительно
80
облегчает решение задачи обеспечения его эффективного функ-
ционирования, способствуя в конечном счѐте реализации важ-
нейшего принципа кредита – возвратности.
Оценке кредитоспособности заѐмщика в системе управления
кредитным риском отечественные и западные банки отводят раз-
ные роли. Как показал анализ эволюции банковского дела в Рос-
сии, в некоторые исторические этапы критерии кредитоспособ-
ности сильно формализуются существованием «кредитования по
знакомству». Современный период не является исключением.
Кредитование заѐмщиков западными коммерческими банка-
ми не подвержено столь сильно субъективным тенденциям, ха-
рактерным для нашей страны. Целесообразность заключения
кредитной сделки определяется множеством факторов, ключевым
из которых является кредитоспособность заѐмщика. Именно по-
казатели кредитоспособности реально оценивают возникающий
уровень кредитного риска. Такие глубокие различия культур кре-
дитования обуславливают основное различие в показателях кре-
дитоспособности, используемых в отечественной банковской
практике.
Постепенное реформирование отечественной банковской
системы согласно методике Базельского комитета привело к не-
обходимости создания внутренних систем оценки кредитоспо-
собности предприятий-заѐмщиков. С этой целью в марте 2004 г.
Банком России было принято Положение № 254-П «О порядке
формирования кредитными организациями резервов на возмож-
ные потери по ссудам, по ссудной и приравненной к ней задол-
женности». Согласно этому положению в целях определения
размера расчѐтного резерва в связи с действием факторов кре-
дитного риска ссуды классифицируются на основе профессио-
нального суждения специалистов кредитной организации соглас-
но внутренней инструкции банка. Данные внутренние инструк-
ции кредитных организаций должны содержать детально разра-
ботанную и строго регламентированную методику оценки креди-
тоспособности потенциального клиента.
В связи с принятием Положения № 254-П у отечественных
кредитных организаций возникла необходимость в срочной раз-
работке собственных методик оценки кредитоспособности пред-
приятий-заѐмщиков. Как следствие, одним из единственных вы-
ходов в сложившейся ситуации являлось изучение и применение
81
зарубежных методик оценки кредитоспособности клиентов. За-
частую работники коммерческих банков «слепо» копировали за-
рубежный опыт, в результате чего в большинстве случаев требо-
вания, предъявляемые к заѐмщикам, не были адаптированы к ус-
ловиям российской экономки и финансовые результаты многих
отечественных предприятий оценивались как неудовлетвори-
тельные. Эти обстоятельства приводили к необходимости либо
подделки финансовой отчѐтности, либо, как уже отмечалось ра-
нее, выдачи кредитов «по знакомству».
В практике отечественных коммерческих банков применяют-
ся различные методы оценки кредитоспособности заѐмщиков
аналогичные методам, применяемым зарубежными кредитными
организациями. Все методики содержат:
а) общую организационно-экономическую характеристику
заѐмщика;
б) характеристику заѐмщика как клиента банка, в т.ч. кредит-
ную историю;
в) анализ состояния имущества;
г) анализ эффективности хозяйственной деятельности заѐм-
щика;
д) оценку финансового положения заѐмщика;
е) оценку платѐжеспособности.
По виду применяемого расчѐтного объекта, а также по спо-
собу моделирования уровня кредитоспособности российские ме-
тодики подразделяются также, как и зарубежные (рис. 2.2).
Метод оценки кредитоспособности заѐмщика на основе сис-
темы финансовых коэффициентов, а также анализа денежного
потока наиболее целостно и подробно представлен в методике
Банка России. Согласно данной методике кредитная организация
рассчитывает следующие показатели:
– коэффициент текущей ликвидности, минимально возмож-
ное значение показателя – 2;
– коэффициент обеспеченности собственными средствами,
минимально возможное значение данного показателя – 0,1;
– стоимость чистых активов заѐмщика не должна быть мень-
ше величины уставного капитала предприятия.
Дополнительные требования Банка России включают в себя
анализ прогноза денежного потока заѐмщика, планирование объ-
ѐма продаж и прибыли, а также анализ бизнес-плана и технико-
82
экономическое обоснование кредита. Также желательно ознаком-
ление с кредитной историей заѐмщика. Кредитный рейтинг не
присваивается. Основным критерием кредитоспособности высту-
пает финансовое состояние заѐмщика.
Результатом анализа становится помещение предприятия в
одну из пяти предложенных групп: очень хорошее, хоро-
шее/среднее, среднее, плохое/среднее, плохое финансовое со-
стояние.
Существенным недостатком предложенной методики, на наш
взгляд, является отсутствие чѐтких критериев классификации
факторов деятельности предприятий, отсутствие системы весов
показателей и критериальных границ значений финансовых ко-
эффициентов.
В настоящее время каждая кредитная организация самостоя-
тельно определяет набор анализируемых финансовых коэффици-
ентов, а также границы рекомендуемых нормативов. Основная
проблема, которая возникает в данном случае – это выбор опти-
мального количества финансовых коэффициентов, а также опре-
деление границ нормативов, согласно которым предприятие счи-
тается кредитоспособным, зачастую их диапазон не соответству-
ет действительному финансовому состоянию предприятий отрас-
лей экономки данного хозяйствующего субъекта, т.к. в основном
используются либо нормативы, применяемые зарубежными кре-
дитными организациями, либо рекомендованные Банком России
как единые для всех субъектов РФ.
В последние годы в России достаточно много переводной ли-
тературы, где также приводятся многочисленные методики рас-
чѐта финансовых коэффициентов и их нормативные значения. Но
часто принятые в мире стандарты оценки финансового состояния
далеко не всегда применимы к российским предприятиям. Спе-
цифика есть в любой стране. Так, Япония отличается нестандарт-
ными значениями коэффициента независимости (0,2 против 0,5–
0,6 в других странах) [70]. В России нормальными считаются не-
большие убытки по результатам деятельности предприятии, де-
биторская задолженность расценивается очень низко в связи с
массовыми неплатежами предприятий. В периоды высокой ин-
фляции кредиторы положительно оценивали наличие в балансе
заѐмщика больших материальных запасов.
83
Сама финансовая отчѐтность, являющаяся информационной
основой для анализа кредитоспособности, имеет ряд недостатков:
она характеризует ситуацию, сложившуюся на определѐнный
момент, но не показывает, за счѐт каких факторов получены со-
ответствующие результаты.
Несмотря на указанные слабые стороны и отсутствие единого
подхода к оценке одних и тех же показателей, финансовые коэф-
фициенты остаются важным инструментом анализа кредитоспо-
собности по целому ряду причин. Анализ финансовой отчѐтности
прост в техническом плане по сравнению с анализом других ха-
рактеристик заѐмщика, а информация, на основании которой он
производится, стандартизирована в виде общепринятых форм
отчѐтности и, как правило, еѐ достоверность подтверждена нало-
говыми органами. Кроме того, системы финансовых коэффици-
ентов освещаются в литературе и известны экономистам практи-
чески любого профиля. Именно указанные причины обусловли-
вают широкое применение систем финансовых коэффициентов в
практике банков для диагностики кредитоспособности заѐмщика.
Если рассматривать анализ кредитоспособности заѐмщика на
основе движения денежных средств, который в том числе ис-
пользуется в представленной выше методике, то он по своему
содержанию не отличается от анализа, проводимого зарубежны-
ми кредитными организациями. Основой для получения инфор-
мации является форма бухгалтерской отчѐтности № 4 «Отчѐт о
движении денежных средств», которая основана на прямом мето-
де расчѐта денежного потока. Тем не менее, с нашей точки зре-
ния, кредитной организации необходимо изменить форму данного
отчѐта в целях получения более удобного источника информации.
Во-первых, данная форма является годовой, т.е. в обязательном по-
рядке представляется только с годовым отчѐтом. Во-вторых, в фор-
ме № 4 присутствуют справочные цифры по расчѐтам в наличной
форме, т.е. данную часть отчѐта можно пропустить. В-третьих, не-
обходимо исключить проблему двойного счѐта при расчѐте таких
операций, как снятие (зачисление) денежных средств на счѐт, внут-
ренние расчѐты при переводе с одного расчѐтного счета на другой.
В-четвѐртых, данная форма не учитывает движение денежных
средств, выраженных в иностранной валюте.
Примером обобщѐнной методики, разработанной для россий-
ских кредитных организаций, может служить методика, предложен-
84
ная Ассоциацией российских банков [43]. Основой для еѐ разработ-
ки служила уже рассмотренная ранее методика «шесть Си».
Методика ассоциации российских банков, предполагает де-
тальный анализ финансовой отчѐтности, а также общего эконо-
мического состояния потенциального заѐмщика по нескольким
направлениям (табл. 2.4).
Таблица 2.4
Методика оценки кредитоспособности заемщика
ассоциации российских банков
Направление аналитиче-
ского исследования
Содержание
Солидность
Ответственность и компетентность руководства,
своевременность расчѐтов по ранее полученным
кредитам
Способность
Производство и реализация продукции, поддер-
жание еѐ конкурентоспособности
Доходность
Предпочтительность вложения данного заѐмщика
Реальность
Достижение результатов проекта
Обоснованность
Запрашиваемой суммы кредита
Возвратность
За счѐт реализации материальных ценностей за-
ѐмщика, если его проект не исполнится
Обеспеченность
Кредита юридическими правами заѐмщика на
предлагаемые в залог активы
Оценка «доходности», «реальности», «обоснованности» и
«возвратности» производится на основе анализа сгруппирован-
ных статей баланса по направлениям: прибыльность, ликвид-
ность, оборачиваемость основных и оборотных активов, обеспе-
ченность. Следовательно, кредитный анализ производится на ос-
нове соответствующих групп финансовых показателей. Из каж-
дой группы выбирается по одному показателю, наиболее харак-
терному для анализируемого предприятия. Критериальные зна-
чения показателей не приводятся.
Как можно заметить, данная методика во многом «уступает»
американской модели «шесть Си». Во-первых, она является
слишком обобщѐнной, в ней не проводится как экономического
85
детального анализа, так и финансового состояния потенциального
клиента, как в американской модели. Во-вторых, отсутствует анализ
сегмента рынка, в котором функционирует данное предприятие, не
предусмотрено осуществление контроля за дальнейшей деятельно-
стью компании с целью своевременного получения «тревожного
сигнала» о каких-либо негативных тенденциях в еѐ работе.
В настоящее время большинство российских кредитных ор-
ганизаций с целью применения обобщѐнных методик используют
уже апробированные зарубежные методики, в ряде случаев кор-
ректируя их с учѐтом специфики российской экономики.
Большинство разработок российских учѐных в области моде-
лирования предсказания банкротства предприятий основаны на
попытках адаптировать модель Z-счѐт Альтмана к российским
условиям.
Р.С. Сайфуллин и Г.Г. Кадыков предложили использовать
для оценки финансового состояния предприятий рейтинговое
число:
R = 2К
0
+ 0,1К
тл
+ 0,08К
и
+ 0,45К
м
+ К
пр
,
(2.4)
где К
0
– коэффициент обеспеченности собственными средствами;
К
тл
– коэффициент текущей ликвидности;
К
и
– коэффициент оборачиваемости активов;
К
м
– коммерческая маржа (рентабельность реализации про-
дукции);
К
пр
– рентабельность собственного капитала.
При полном соответствии финансовых коэффициентов их ми-
нимальным нормативным уровням рейтинговое число будет равно
единице, и организация имеет удовлетворительное состояние эко-
номики. Финансовое состояние предприятий с рейтинговым числом
менее единицы характеризуется как неудовлетворительное.
Основным недостатком данной методики, на наш взгляд, яв-
ляется то, что она учитывает состояние показателей лишь на мо-
мент анализа, а изменения динамики показателей во времени не
рассматриваются.
Аналогичной является шестифакторная математическая мо-
дель О.П. Зайцевой, где предлагается использовать следующие
частные коэффициенты:
К
уп
– коэффициент убыточности предприятия, характери-
зующийся отношением чистого убытка к собственному капиталу;
К
з
– соотношение кредиторской и дебиторской задолженности;
86
К
с
– показатель соотношения краткосрочных обязательств и
наиболее ликвидных активов, этот коэффициент является обрат-
ной величиной показателя абсолютной ликвидности;
К
ур
– коэффициент убыточности реализации продукции, ха-
рактеризующийся отношением чистого убытка к объѐму реализа-
ции этой продукции;
К
фр
– соотношение заѐмного и собственного капитала;
К
заг
– коэффициент загрузки активов как величина, обратная
коэффициенту оборачиваемости активов.
Комплексный коэффициент банкротства рассчитывается по
формуле со следующими весовыми значениями:
К
компл
= 0,25К
уп
+ 0,1К
з
+ 0,2К
с
+ 0,25К
ур
+ 0,1К
фр
+ 0,1К
заг
.
(2.5)
Весовые значения частных показателей для коммерческих
организаций были определены экспертным путѐм, а фактический
комплексный коэффициент банкротства следует сопоставить с
нормативным, рассчитанным на основе рекомендуемых мини-
мальных значений частных показателей:
К
уп
= 0; К
з
= 1; К
с
= 7; К
ур
= 0; К
фр
= 0,7;
К
заг
=
значение
К
заг
в предыдущем периоде
.
Если фактический комплексный коэффициент больше нор-
мативного, то вероятность банкротства велика, а если меньше –
то вероятность банкротства мала.
Определение весовых коэффициентов в модели О.П. Зайце-
вой, с нашей точки зрения, является не совсем обоснованным, т.к.
весовые коэффициенты в этой модели были определены без учѐта
поправки на относительную величину значений частных коэффи-
циентов. Так, нормативное значение показателя соотношения
срочных обязательств и наиболее ликвидных активов равно семи,
а нормативные значения коэффициента убыточности предпри-
ятия и коэффициента убыточности реализации продукции равны
нулю.
В связи с этим даже небольшие изменения первого из выше-
названных показателей приводят к колебаниям итогового значе-
ния в десятки раз более сильным, чем изменение вышеназванных
коэффициентов, хотя, по замыслу автора этой модели, они, на-
оборот, должны были иметь большее весовое значение по срав-
нению с соотношением срочных обязательств и наиболее лик-
видных активов (табл. 2.5).
87
Таблица 2.5
Изменение итогового показателя в математической модели
О.П. Зайцевой при изменении отдельных индикаторов
этой модели
Изменение отдельных индикаторов модели
Изменение итогового
показателя
Изменение рентабельности и собственного
капитала с 5% до 10%
0,25 × 0,1–0,25 × 0,05=0,0125
Изменение рентабельности реализации
продукции с 5% до 10%
0,25× 0,1–0,25×0,05=0,0125
Изменение коэффициента абсолютной лик-
видности с 0,05 до 0,01
(1/0,05) × 0,2–(1/0,1) × 0,2=2
Кроме того, в комплексном коэффициенте, при расчѐте пока-
зателя соотношения краткосрочных и наиболее ликвидных акти-
вов, возникает перевес данного коэффициента при отсутствии у
предприятия достаточной суммы денежных средств. Данная про-
блема может заключаться не столько в отсутствии у предприятия
высоколиквидных активов, а следовательно, отражать его неус-
тойчивое финансовое положение, сколько в нежелании руково-
дства компании перед налоговыми органами отражать в отчѐтно-
сти денежные средства.
В результате значение комплексного коэффициента значи-
тельно выше значения нормативного коэффициента, что должно
свидетельствовать о высокой вероятности банкротства предпри-
ятия, однако в связи с указанными выше недостатками данной
модели данное заключение может оказаться ошибочным.
Также, на наш взгляд, является нецелесообразным использо-
вание в данной модели показателей, которые являются обратны-
ми величинами (или величинами с обратным знаком) таких хо-
рошо известных коэффициентов, как рентабельность собственно-
го капитала, рентабельность реализации продукции, коэффици-
ент абсолютной ликвидности и коэффициент оборачиваемости
активов.
В модели, разработанной Р.С. Сайфуллиным и Г.Г. Кадыко-
вым, небольшое изменение коэффициента обеспеченности собст-
88
венными средствами с 0,1 до 0,2 приводит к изменению итогово-
го показателя («рейтингового числа») на:
ΔR
1
= (0,2–0,1) × 2 = 0,2
пункта.
К такому же результату приводит и значительное изменение ко-
эффициента текущей ликвидности от нуля (от полной неликвидно-
сти) до двух, что характеризует высоколиквидные предприятия:
ΔR
2
= (2–0) × 0,1 = 0,2
пункта.
Поэтому и в этой модели, и у О.П. Зайцевой значения весо-
вых коэффициентов являются недостаточно обоснованными. Это
связано с неверным способом расчѐта этих коэффициентов в обо-
их случаях:
а) в модели О.П. Зайцевой за величину весов принята уста-
новленная экспертным путѐм важность каждого показателя, рав-
ная от 0,1 до 0,25, но не были учтены различия в величине изме-
нений индикаторов (табл. 2.5);
б) в модели Р.С. Сайфуллина и Г.Г. Кадыкова веса рассчита-
ны по формуле:
К
i
= 0,2/I
min
,
где I
min
– минимальное рекомендуемое значение данного индика-
тора. Поэтому все веса зависят лишь от относительной величины
минимально рекомендованных значений индикаторов, что также
малообоснованно.
В приведѐнных выше методиках используются показатели, от-
личающиеся высокой положительной или отрицательной корреля-
цией или функциональной зависимостью между собой. Это приво-
дит к ненужному усложнению этих методик, не увеличивая точно-
сти прогнозирования. Например, существует функциональная взаи-
мосвязь между четырьмя показателями из модели О.П. Зайцевой:
коэффициентами убыточности предприятия и убыточности реали-
зации продукции, отношением заѐмного и собственного капитала и
коэффициентом загрузки активов. Согласно известной формуле
Дюпона, рентабельность собственного капитала равна произведе-
нию рентабельности реализации продукции, оборачиваемости акти-
вов и отношения активов к собственному капиталу.
Собственный
капитал
Активы
Оборачиваемость
капитала
Рентабельность
реализации
продукции
Рентабельность
реализации
капитала
(2.6)
89
Коэффициенты убыточности предприятия (К
уп
) и убыточно-
сти реализации продукции (К
ур
) – это то же самое, что рентабель-
ность собственного капитала и рентабельность реализации про-
дукции, но с обратным знаком. Коэффициент загрузки активов
(К
заг
) – это обратная величина показателя оборачиваемости акти-
вов, а отношение заѐмного (ЗК) и собственного капитала (К
фр
)
функционально взаимосвязано с отношением активов к собст-
венному капиталу (СК):
1
СК
активов
СК
СК
пассивов
СК
ЗК
К
ФР
(2.7)
Подставляя коэффициенты из модели О.П. Зайцевой в фор-
мулу Дюпона, получим:
1
1
ФР
ЗАГ
УР
УП
К
К
К
К
.
(2.8)
Таким образом, показатель убыточности предприятия К
уп
функционально зависит от трѐх других показателей, а это значит,
что эти три показателя (или же сам показатель убыточности)
можно исключить из модели, так как они не повышают точности
прогнозирования. В модели, предложенной Р.С. Сайфуллиным и
Г.Г. Кадыковым, также существует функциональная взаимосвязь
между рентабельностью собственного капитала, рентабельно-
стью реализации продукции и оборачиваемостью активов.
Все перечисленные выше модели не учитывали отраслевой
специфики предприятий, что являлось существенным недостат-
ком и снижало вероятность определения банкротства предпри-
ятий.
Так, учѐными Казанского государственного технологическо-
го университета была разработана корректировка методик пред-
сказания банкротства с учѐтом специфики отраслей. Они предла-
гают деление всех предприятий по классам кредитоспособности.
Расчѐт класса кредитоспособности связан с классификацией обо-
ротных активов по степени их ликвидности.
Особенности формирования оборотных средств в нашей
стране не позволяют прямо использовать критериальные уровни
коэффициентов платѐжеспособности (ликвидности и финансовой
устойчивости), применяемых в мировой практике. Поэтому соз-
дание шкалы критериальных уровней может опираться лишь на
средние величины соответствующих коэффициентов, рассчитан-
90
ных на основе фактических данных однородных предприятий
(одной отрасли).
Распределение предприятий по классам кредитоспособности
происходит на следующих основаниях:
а) к первому классу кредитоспособности относятся фирмы,
имеющие хорошее финансовое состояние (финансовые показате-
ли выше среднеотраслевых, с минимальным риском невозврата
кредита);
б) ко второму – предприятия с удовлетворительным финан-
совым состоянием (с показателями на уровне ниже среднеотрас-
левых, с нормальным риском невозврата кредита);
в) к третьему классу – компании с неудовлетворительным
финансовым состоянием, имеющие показатели на уровне ниже
среднеотраслевых, с повышенным риском непогашения кредита.
Поскольку, с одной стороны, для предприятий разных отрас-
лей применяются различные показатели ликвидности, а с другой
стороны, специфика отраслей предполагает использование для
каждой из них своих критериальных уровней даже по одинако-
вым показателям, учѐными Казанского государственного техно-
логического университета были рассчитаны критериальные зна-
чения для каждой из таких отраслей, как:
а) промышленность (машиностроение);
б) торговля (оптовая и розничная);
в) строительство и проектные организации;
г) наука (научное обслуживание).
В случае диверсификации деятельности предприятие отнесено
к той группе, деятельность в которой занимает наибольший удель-
ный вес. Значения критериальных показателей для различных от-
раслей представлены в прил. Д.
Учѐные Казанского государственного технологического уни-
верситета предприняли попытку диагностики банкротства пред-
приятий с учѐтом специфики российской экономики, скорректи-
ровав методику в зависимости от вида отрасли, но возникает во-
прос: в связи с чем в процессе расчѐта итогового результата учи-
тывается коэффициент Альтмана, который, как уже отмечалось
ранее, основан на статистических данных финансовой отчѐтности
зарубежных компаний. В результате чего вероятность определе-
ния банкротства предприятия, которая должна была возрасти в
связи с учетом отраслевой специфики, существенно снижается.
91
Существенной ошибкой данной модели представляется и отсут-
ствие знака модуля у коэффициента соотношения заѐмных и соб-
ственных средств.
Учеными Иркутской государственной экономической акаде-
мии предложена своя четырехфакторная модель прогноза риска
банкротства (модель R), которая имеет следующий вид:
R = 8,38 × К
1
+ К
2
+0,054 × К
3
+0,63× К
4
(2.9)
где К
1
– оборотный капитал/актив;
К
2
– чистая прибыль/собственный капитал;
К
3
– выручка от реализации/актив;
К
4
– чистая прибыль/интегральные затраты.
Вероятность банкротства предприятия в соответствии со зна-
чением модели R определена в табл. 2.6.
Таблица 2.6
Вероятность банкротства предприятия в соответствии
со значением модели R
Значение R
Вероятность банкротства, (%)
Меньше 0
Максимальная (90–100)
0–0,18
Высокая (60–80)
0,18–0,32
Средняя (35–50)
0,32–0,42
Низкая (15–20)
Больше 0,42
Минимальная (до 10)
Очевидным достоинствам R-счѐта Иркутской государствен-
ной экономической академии является то, что механизм еѐ разра-
ботки и все основные этапы расчѐтов достаточно подробно опи-
саны в источнике, но по результатам практического его примене-
ния существует информация о том, что значение R во многих
случаях не коррелирует с результатами, полученными при помо-
щи других методов и моделей. Например, при расчѐте по модели
R-счѐта получаются значения, говорящие о наилучшем состоянии
анализируемого предприятия, а все прочие методики дают далеко
не столь утешительный результат. Как видно из формулы (9),
очень незначительное, с практической точки зрения, изменение
объѐма собственных оборотных средств кардинально изменяет
92
значимость фондоотдачи и, собственно, выручки от реализации.
В результате эта методика годится для прогнозирования кризис-
ной ситуации, когда уже заметны очевидные еѐ признаки, а не
заранее, еще до появления таковых.
Существенным недостатком всех рассмотренных моделей, на
наш взгляд, является то, что они оценивают состояние предпри-
ятий на основе финансовой отчѐтности текущего периода, не
учитывая динамики развития предприятия, а также не составляя
динамических прогнозов на будущее. Составление точного про-
гноза следует проводить на основе данных за достаточно боль-
шой период времени. Необходимо просчитывать ситуации: как
могут измениться результаты деятельности предприятия в случае
изменения финансовых показателей в сторону уменьшения или
увеличения. Введение в формулы прогнозных коэффициентов и
расчѐтов позволит именно предсказывать будущее развитие
предприятий, а не оценивать их состояние на данный момент
времени.
При всем многообразии рассмотренных выше моделей бан-
кротства не существует такой модели которая бы однозначно
предсказывала наступление неплатѐжеспособности предприятия
через какой-то определѐнный срок. Причиной данного недос-
татка является «искусственность» индикаторов банкротства.
Рассмотрим модели, предложенные А.В. Батуниным, конст-
рукция которых лишена искусственности и которые дают оценку
наступления срока банкротства, если в финансовой политике
предприятия не произойдѐт никаких изменений [33].
Предлагаемые модели представляют собой «средний воз-
раст» задолженности предприятия (общей, текущей, внешней),
собственного капитала и операционной прибыли. Из сравнения
этих величин и делаются выводы о вероятности банкротства
предприятия.
Покажем детально, как строятся вышеназванные величины.
Сначала выбираем для анализа деятельности предприятия кон-
кретный отрезок времени в прошлом, например 5 лет от настоя-
щего времени. Далее выбираем частоту выборки, например еже-
квартально. Тогда в нашем случае, имеем для анализа 20 (5×4)
чисел. Пронумеруем их по порядку, начиная с самого дальнего по
времени и завершая самым ближним, например, за последний
отчѐтный квартал.
93
Далее обозначим общую задолженность предприятия как Z
0
,
текущую задолженность – как Z
t
, а внешнюю задолженность –
как Z
v
. Тогда средний возраст задолженности Т
z
(с соответствую-
щим верхним индексом для общей, текущей и внешней задол-
женности, соответственно) запишется следующим образом:
N
n
tot
n
Z
Z
nZ
T
1
,
N
n
n
tot
Z
Z
1
(2.10)
Аналогично строятся средние возрасты собственного капита-
ла (К) и операционной прибыли (Е) предприятия:
N
n
tot
n
K
K
nK
T
1
,
N
n
n
tot
K
K
1
(2.11)
N
n
tot
n
e
E
nE
T
1
,
N
n
n
tot
E
E
1
(2.12)
Следующий шаг поcле вычисления T
z
, T
k
и Т
е
– это сравнение
их по величине. Очевидно, что все они будут меньше N – полного
отрезка времени в прошлом, взятом для анализа. Если средний
возраст близок к N, то это будет свидетельствовать о возрастании
соответствующей величины от прошлых значений к настоящему
моменту времени. Если же средний возраст близок к нулю, то это
говорит о «затухании» соответствующей величины к настоящему
моменту времени.
Рассмотрим конкретный пример. Пусть у нас есть для анали-
за по 5 значений собственного капитала К и общей задолженно-
сти Z
0
предприятия (взятые из годовых балансов за последние
5 лет):
Годы, начиная с самого дальнего
К
Z
0
n = 1
117
48
n = 2
124
119
n = 3
189
178
n = 4
255
247
n = 5
560
496
Из формул (2.10) и (2.11) получаем соответственно: Т
к
= 3,82
года и Т
z
= 3,94 года, то есть Т
к
< T
z
. Следовательно, темпы роста
94
задолженности предприятия выше, чем темп роста собственного
капитала, хотя всегда, как видно из таблицы, сохраняется соот-
ношение К>Z
0
, то есть коэффициент платѐжеспособности пред-
приятия всегда остаѐтся больше 1. Однако индикатор сигнализи-
рует, что согласно данным показателей темпов роста общая за-
долженность вскоре превысит собственный капитал предприятия,
что грозит ему банкротством.
Точно таким же образом вычисляются средние возрасты те-
кущей и внешней задолженности предприятия и сравниваются со
средним возрастом собственного капитала Т
к
. Общее правило та-
ково: средний возраст собственного капитала должен быть боль-
ше среднего возраста задолженностей.
Предложенные выше индикаторы – «средний возраст» за-
долженностей и собственного капитала – относятся к числу ин-
дикаторов ранней диагностики банкротства. Данные индикаторы
улавливают негативную тенденцию – превышение темпов роста
задолженности над темпами роста собственного капитала пред-
приятия. Чем больше развитие в средних возрастах собственного
капитала и задолженностей, тем больше разнятся их темпы роста
(убывания).
Положительная величина разницы Т
к
и T
z
говорит о пример-
ном «запасе прочности» предприятия по времени, т.е. какой при-
мерно срок при неизменности финансовой деятельности пред-
приятия можно не беспокоиться о наступлении банкротства. На-
оборот, если разница Т
к
и T
z
отрицательна, то еѐ величина гово-
рит о том, какое время назад был утерян контроль над ростом за-
долженности предприятия.
Исследованные выше модели должны применяться вместе с
вычислением коэффициентов платѐжеспособности предприятия,
которые будут служить в данном контексте индикаторами «не-
медленного» реагирования.
Как видно из проведѐнных выше вычислений, А.В. Батунину
удалось учесть недостатки разработанных ранее моделей, но
главное, что он рассчитывает именно прогнозные величины фи-
нансовой работы предприятий, а не существующее хозяйственное
положение. Развитие данной модели в комплексную систему про-
гнозирования вероятности банкротства предприятия позволит
точно определять возможные сроки банкротства, а также давать
95
рекомендации по проведению тех или иных мер для улучшения
финансового состояния.
В предыдущем изложении нами отмечалось, что основным
показателем кредитоспособности заѐмщика на современном эта-
пе развития банковского дела является кредитный рейтинг. Рей-
тинг представляет собой некое буквенное или количественное
выражение способности заѐмщика к совершению кредитной
сделки. Высокое значение рейтинга свидетельствует о высоком
классе кредитоспособности, низкое – о низком. Однако отечест-
венная банковская практика останавливается на данном этапе,
заканчивая тем самым процесс оценки. Но присвоение кредитно-
го рейтинга не может и не должно быть единственной целью ана-
лиза кредитоспособности. Важно установить зависимость между
значением кредитного рейтинга и величиной кредитного риска.
В отечественной практике интерпретация рейтинга с точки
зрения уровня кредитного риска происходит субъективно: рей-
тингу класса А, например, соответствует низкий уровень кредит-
ного риска; рейтингу класса В – средний, а рейтингу класса С –
высокий. Так, типичным конечным выводом кредитных специа-
листов об уровне кредитоспособности заѐмщика можно считать
фразу: «заѐмщику присвоен кредитный рейтинг 3-го класса, уро-
вень кредитного риска по операциям с данным заѐмщиком счита-
ется средним».
К сожалению, есть все основания полагать, что аналогичная
картина наблюдается у большей части отечественных банков.
В результате можно наблюдать существенное различие в
расчѐтах кредитного рейтинга, рассчитываемого отечественными
и зарубежными кредитными организациями. Расчѐт кредитного
рейтинга иностранными специалистами основан на более слож-
ных математико-статистических расчѐтах, конечный результат
таких расчѐтов показывает не просто возможность выдачи креди-
та предприятию (т.е. его рейтинг), а вероятность дефолта потен-
циального клиента, изменение его кредитного рейтинга.
В отечественной литературе, а также внутренних докумен-
тах кредитных организаций, практически отсутствует информа-
ция о порядке расчѐтов вероятности дефолта, что свидетельст-
вует об отсутствии возможности адекватно оценить кредитный
риск, возникающий при проведении соответствующих операций
96
банком, а также об отставании российского банковского дела от
западного.
Проведѐнный нами анализ отечественных методик оценки
кредитоспособности предприятий коммерческими банками пока-
зал, что большинство из них основано на зарубежном опыте про-
гнозирования банкротств. Также мы выявили основные недостат-
ки и преимущества применяемых методик.
Вывод, который можно сформулировать по окончании про-
ведѐнного анализа – это необходимость разработки отечествен-
ной методики, основанной на анализе отраслевых коэффициен-
тов, а также содержащий в своей основе статистическую базу
российских предприятий. Основной причиной, послужившей в
необходимости как можно скорейшего решения данной пробле-
мы, это принятие Положения «О порядке формирования кредит-
ными организациями резервов на возможные потери по ссудам,
по ссудной и приравненной к ней задолженности», а также пере-
ход отечественной кредитной системы на международные стан-
дарты, требующие учета отраслевой специфики при определении
уровня кредитоспособности предприятий.
2.3. Разработка методики оценки краткосрочной
кредитоспособности заѐмщика для предприятий
Приморского края
Проведѐнный в предыдущем подразделе сравнительный ана-
лиз отечественных методик оценки кредитоспособности пред-
приятий коммерческими банками показал, что переход на меж-
дународные стандарты деятельности кредитных организаций,
согласно методике Базельского комитета, вызвал множество про-
блем в работе кредитных экспертов. Введение требований по
применению собственных методик коммерческими банками вы-
явило несовершенство российского кредитного рынка, так как в
результате работники кредитных организаций столкнулись с про-
блемой отсутствия оптимальных отечественных методик, спо-
собных наиболее точно провести оценку уровня кредитоспособ-
ности потенциального заѐмщика. Как следствие, большинство
используемых методик коммерческими банками являются ана-
логичными, а также заимствованы из зарубежных источников.
Однако в большинстве случаев данные расчѐты оценки финансо-
97
вого состояния не применимы к российским предприятиям. Это
обстоятельство объясняется спецификой экономики той или иной
страны (табл. 2.7) [43]. Например, в Японии очень низкие значе-
ния рентабельности капитала по сравнению с другими странами;
в Англии у предприятий более короткий период оборачиваемости
запасов и т.д.
Таблица 2.7
Значения финансовых показателей в развитых странах
Показатели
США
Англия
Европей-
ские стра-
ны
Япо-
ния
Коэффициент текущей ликвидно-
сти
1,3
1,2
1,2
1,15
Коэффициенты срочной ликвид-
ности
0,8
0,8
1,0
0,85
Коэффициент оборачиваемости
активов
1,3
1,5
1,0
1,0
Период оборачиваемости запа-
сов, дн.
60
38
58
70
Отношение продаж к активам
1,3
1,5
1,0
1,0
Рентабельность собственного
капитала (%)
18,0
17,0
14,0
10,0
Доля дебиторской задолженности
в активах (%)
42,0
42,0
66,0
60,0
В России существуют многочисленные официальные мето-
дики финансового состояния предприятия, разработанные Мин-
фином, Минэкономики, ФСФО (Федеральной службой по финан-
совому оздоровлению и банкротству), территориальными орга-
нами государственного управления, которые предполагают рас-
чѐт широкого набора финансовых коэффициентов, а также нор-
мативные показатели рассчитываемых величин. Зачастую кре-
дитные организации применяют данные нормативы в собствен-
ных методиках оценки кредитоспособности предприятий.
Однако они не учитывают того фактора, что используемые
ими нормативы были разработаны уже давно и не подвергались
98
корректировке. Динамично меняющаяся экономическая ситуация
в нашей стране способствует тому, что и финансовые показатели
функционирующих в том или ином регионе предприятий также
подвержены изменениям. Следующий фактор – это отсутствие
региональной специфики применяемых нормативов. Так же, как
и в рассмотренном нами выше примере «страновой специфики»
результатов финансовых коэффициентов, очевидным является
тот факт, что финансовые параметры деятельности предприятия,
функционирующего в центральной части России, и в каком-либо
удалѐнном регионе будут несопоставимы.
Согласно нормам Базельского комитета оценка кредитоспо-
собности предприятия-заѐмщика должна содержать всю важную
информацию о его деятельности, т.е. необходимо учитывать осо-
бенности отрасли, в которой функционирует потенциальный кре-
дитор. Идею обязательного учѐта отраслевой специфики при
проведении анализа финансового состояния предприятия под-
держивает и Банк России. Отсутствие в нашей стране чѐтких кри-
териев оценки качественных параметров отраслевой специфики
не позволяет осуществлять контроль соответствующими органа-
ми над коммерческими банками относительно выполнения дан-
ных рекомендаций. В связи с этим зачастую отечественные кре-
дитные организации либо не учитывают отраслевую специфику
заѐмщика, либо выделяют особенности результатов отдельных
показателей торговых предприятий. Данное обстоятельство спра-
ведливо подвергается критике многими отечественными эконо-
мистами, так Е. Ананькина отмечает: «рейтинг заѐмщика во мно-
гом зависит от отраслевого контекста: благоприятные тенденции
в развитии отрасли могут повысить рейтинг, но даже при самых
лучших финансовых показателях участник нестабильной отрасли
не может получить высокий рейтинг» [24].
Проводимый на протяжении тридцати лет западными рей-
тинговыми агентствами анализ показал, что вероятность наступ-
ления дефолта зависит от отрасли, в которой функционирует
предприятие. Так, промышленные предприятия подвержены
меньшему кредитному риску по сравнению с предприятиями тор-
говли, вероятность дефолта которых имеет один из самых высо-
ких показателей. Это ещѐ раз свидетельствует о необходимости
обязательного учѐта отраслевой специфики предприятия при
оценке его кредитоспособности.
99
Однако, как уже отмечалось ранее, применение отраслевого
анализа финансового состояния кредитора проводится не всеми
зарубежными кредитными организациями, а в России он практи-
чески не применяется.
Несмотря на достаточно аргументированные обоснования о
необходимости применения отраслевых финансовых показателей
при проведении оценки кредитоспособности, а также рекоменда-
ции ведущих экономистов нашей страны о разделении потенци-
альных заѐмщиков на группы согласно отрасли, в которой они
функционируют, в настоящее время не существует грамотно
обоснованной и достаточно целостно разработанной методики,
соответствующей выдвигаемым требованиям.
Отмеченная нами выше попытка диагностики банкротства
предприятий с учѐтом специфики российской экономики, а также
в зависимости от вида отраслевой принадлежности учѐными Ка-
занского государственного технологического университета имеет
ряд существенных недостатков и не учитывает реального финан-
сового состояния российских предприятий. Следовательно, она
не применима отечественными кредитными организациями.
С целью доказательства необходимости проведения отрасле-
вого анализа финансовых коэффициентов, при проведении оцен-
ки кредитоспособности предприятий нами была изучена финан-
совая отчѐтность предприятий Приморского края.
В расчѐтах была использована финансовая отчѐтность пред-
приятий отраслей наиболее распространѐнных в данном регионе,
для большей точности расчѐтов рассмотрено около двухсот пред-
приятий каждой отрасли.
Исходные данные были представлены Приморским краевым
комитетом государственной статистики. В табл. 2.8 представлены
средние значения коэффициентов, полученные на основе финан-
совой отчѐтности предприятий за трѐхлетний период их деятель-
ности, необходимые для проведения финансового анализа. Как
можно заметить, наблюдается существенный разброс значений
финансовых коэффициентов в зависимости от вида отрасли, в
которой функционирует рассматриваемое предприятие.
100
Таблица 2.8
Значения средних отраслевых финансовых показателей в Приморском крае
Коэффициент
Отрасль
Стр
о
и
тел
ьс
т
во
Р
е
м
о
нт
с
у
до
в
Ле
г
к
а
я
пр
о
-
мы
ш
ле
н
но
с
ть
Пищ
е
в
а
я
пр
о
-
мы
ш
ле
н
но
с
ть
Ры
б
на
я
пр
о
-
мы
ш
ле
н
но
с
ть
Опт
о
в
а
я
то
р
го
в
ля
Ро
з
ни
ч
на
я
то
р
-
го
в
ля
Т
р
а
н
с
по
р
т
1
2
3
4
5
6
7
8
9
Соотношение дебиторской и кредиторской
задолженности (%)
118
108
122
109
117
238
78
476
Соотношение заѐмных и собственных
средств (%)
621
102
55
1732
62
4978
1117
183
Коэф-т абсолютной ликвидности
1,11
0,63
0,39
0,1
0,11
1,44
0,41
2,42
Коэф-т текущей ликвидности
2,93
2,04
3,11
1,66
1,27
3,2
2,87
8,56
Рентабельность основной деятельности (%)
5
7
10
10
5
4
8
24
101
Окончание табл. 2.8
1
2
3
4
5
6
7
8
9
Рентабельность активов (%)
–8
21
–54
13
–1
44
–10
–27
Коэф-т оборачиваемости дебиторской за-
долженности, дн.
69,16
101,4
22,12
32,49
78,24
78,4
7,32
209,08
Коэф-т оборачиваемости кредиторской за-
долженности, дн.
125,88
136,5
69,49
2 330,0
166,03
85,3
51,3
467,11
Норма валовой прибыли (%)
7,5
9
12
16
4
13
22
21
Норма чистой прибыли (%)
–2
2
3
148
–10
88
2
11
Коэф-т процентного покрытия
61,84
21,19
82,66
226,92
125,87
542,1
17,4
3 028,3
Коэф-т отношения продаж к основным
средствам
63,89
72,83
37,75
16,5
54,45
23,44
6,32
25
102
К примеру, значение показателя рентабельности основной дея-
тельности варьируется от –4 до 24%, рентабельности активов – от –
54 до 44%. Необходимо отметить также существенные различия
полученных результатов показателей предприятий, относящихся к
одной сфере деятельности: оптовая и розничная торговля.
Но специфика производства – различные производственные
циклы, скорости оборачиваемости активов и т.д. накладывают
отпечаток и на результаты расчѐтов финансовых показателей.
В результате можно говорить о невозможности применения
единых требований к результатам значений финансовых показа-
телей различных отраслей.
Безусловно, существуют отраслевые различия в скорости обо-
рота капитала, структуре активов и издержек предприятий, которые
оказывают влияние на условия, заключаемого кредитного договора,
а также на уровень риска как кредитора, так и заѐмщика.
Большинство кредитных организаций выделяют только от-
раслевые различия предприятий торговли, не подразделяя их на
оптовые и розничные. Например, Сбербанк, ОАО СКБ Приморья
«Примсоцбанк» применяют разные критерии оценки коэффици-
ента соотношения собственных и заѐмных средств — для органи-
заций торговли допускается большая степень участия заѐмных
средств, чем для других отраслей, однако учѐт производственных
особенностей других отраслей не находит своѐ отражение в соот-
ветствующих методиках оценки кредитоспособности предпри-
ятий.
Степень различия фактических отраслевых значений не толь-
ко торговых предприятий, но и других сфер деятельности пред-
ставлена в вышерассмотренной таблице.
Конкретный набор финансовых показателей и их норматив-
ных значений, применяемых для оценки кредитоспособности за-
ѐмщика, определяется самими банками, но в большинстве случа-
ев значения применяемых нормативов основываются на рекомен-
дациях, указанных в приложении к постановлению Правительст-
ва РФ № 498 «О некоторых мерах по реализации законодательст-
ва о несостоятельности (банкротстве) предприятий».
Результаты сравнения отраслевых показателей финансовых
коэффициентов предприятий Приморского края и рекомендуе-
мых к применению нормативов в России и зарубежных странах
представлены в табл. 2.9.
103
Таблица 2.9
Сравнение расчѐтных отраслевых финансовых показателей с рекомендуемыми нормативами
в России и зарубежных странах
Коэффициент
Но
р
м
а
ти
в
но
е
з
на
ч
е
ни
е
дл
я
з
а
р
у
бе
ж-
ны
х
с
тр
а
н
Р
е
к
о
м
е
нд
у
е
м
ы
й но
р
м
а
тив
в
Р
Ф
Отрасль
Стр
о
и
т
ел
ь
с
тво
Р
е
м
о
нт
с
у
до
в
Лѐгк
а
я
пр
о
м
ы
ш
л
е
нн
о
с
ть
Пи
щ
е
в
а
я
пр
о
м
ы
ш
л
е
нн
о
с
ть
Р
ы
бн
а
я
пр
о
м
ы
ш
л
е
н
но
с
ть
Опт
о
в
а
я
то
р
г
о
в
л
я
Ро
з
ни
ч
на
я
то
р
г
о
в
л
я
Тр
а
н
с
по
р
т
Соотношение заѐмных и собственных
средств (%)
≈100
<70
621
102
55
1 732
62
4 978
1117
183
Коэф-т абсолютной ликвидности
0,1 –0,2
≥0,2
1,1
0,6
0,4
0,1
0,1
1,4
0,41
2,4
Коэф-т текущей ликвидности
1,0 –2,0
≥2
2,9
2,0
3,1
1,6
1,2
3,2
2,8
8,5
104
Объяснение данного обстоятельства заключается в «страно-
вой» специфике финансовых показателей, существование кото-
рой отмечалось ранее. Однако следует отметить, что полученные
значения также не соответствуют и российским нормативам, ре-
комендуемыми для применения кредитными организациями.
Конечно, в данном случае следует говорить не о недостаточ-
ном уровне кредитоспособности анализируемых предприятий, а о
несостоятельности установленных нормативов. Отобранные для
анализа предприятия зарекомендовали себя как прибыльные, ста-
бильно функционирующие достаточно долгий промежуток вре-
мени. Если кредитные организации Приморского края при анали-
зе кредитоспособности всех предприятий данных отраслей оце-
нят их финансовое положение как «плохое», то в результате бан-
ковские организации останутся без заѐмщиков, что приведѐт к
прекращению кредитной деятельности в данном регионе, и пред-
приятия не смогут в достаточной степени развивать свою хозяй-
ственную деятельность без предоставляемых кредитов.
Безусловно, большинство банков используют собственные
разработанные нормативы, однако они так же основаны на
значениях финансовых коэффициентов рассчитанных и реко-
мендованных к использованию Правительством РФ, частично
значения финансовых коэффициентов заимствуются из зару-
бежных методик, неприменимость которых в отечественных
условиях отмечалась выше.
Следует отметить, что несоответствие большинства нормативов
финансовой отчѐтности предприятий анализируемой отрасли реко-
мендуемым нормативным значениям, конечно же, должно служить
сигналом о высокой степени вероятности неплатѐжеспособности
организаций, занимающихся данным видом деятельности. К таким
отраслям чаще всего относят предприятия, занимающиеся сезонны-
ми видами деятельности (сельское хозяйство и т.д.), продажей вы-
сокотехнологичного оборудования, продукция которых требует по-
стоянного технического обновления, предприятия, занимающиеся
игорным бизнесом и т.д. В данном случае рекомендуется при со-
ставлении методики проведения оценки кредитоспособности заем-
щика указать наиболее рискованные виды отраслей и присвоить им
соответственно более низкий кредитный рейтинг.
Необходимо упомянуть и о местных филиалах банков, кото-
рые используют методики, разрабатываемые для оценки финан-
105
сово-хозяйственной деятельности предприятий, расположенных в
центральной части России, месте нахождения головного офиса в
связи с тем, что методики оценки кредитоспособности заѐмщиков
разрабатываются экономистами, работающими в головном банке
и, следовательно, составляющими нормативные требования фи-
нансовых коэффициентов на основе отчѐтности предприятий,
функционирующих либо в месте расположения центрального
офиса, либо на основе средних российских показателей.
Однако в данном случае не учитываются особенности эконо-
мической деятельности предприятий, функционирующих именно
в месте расположения филиала кредитной организации, а это
приводит к необъективной оценке финансового состояния потен-
циальных заѐмщиков. В целях доказательства необходимости
учѐта региональной отраслевой специфики при оценке кредито-
способности предприятия проведѐм сравнительный анализ отрас-
левых финансовых показателей предприятий, расположенных во
всех регионах России и предприятий Приморского края за 2004 г.
В целях обеспечения наибольшей точности проводимых расчѐтов
отраслевые финансовые показатели российских предприятий по-
лучены из обзорных таблиц аналитического агентства iRations, в
расчѐтах которых использовалась финансовая отчѐтность при-
близительно 3000 предприятий каждой отрасли.
Сравнительный анализ показывает существенные различия
между изучаемыми финансовыми коэффициентами (табл. 2.10).
Так, коэффициент рентабельности активов предприятий, зани-
мающихся оптовой торговлей, в среднем по России составляет
13%, а предприятий Приморского края – 52%, значения коэффи-
циента текущей ликвидности в розничной торговли 1,11 и 4,71
соответственно.
Аналогичные существенные различия финансовых коэффици-
ентов приморских и российских предприятий наблюдаются во всех
отраслях. Следовательно, проведѐнный анализ доказывает зависи-
мость значений финансовых коэффициентов от региона, в котором
функционирует анализируемое предприятие, а также необходи-
мость учѐта отраслевой региональной специфики рассчитываемых
показателей в методиках оценки кредитоспособности предпри-
ятий.
106
Таблица 2.10
Сравнение расчѐтных финансовых коэффициентов Приморского края
со средне российскими за 2004 г.
Коэффициенты
Отрасли
Стр
о
и
тел
ь
с
тво
в
с
р
.
по
Р
о
с
с
ии
Стр
о
ител
ь
с
тво
(Пр
им
.
к
р
а
й)
Пищ
е
в
а
я
п
р
о
мы
ш-
ле
н
но
с
ть
(в
с
р
.
по
Ро
с
с
ии
)
Пищ
е
в
а
я
пр
о
-
мы
ш
ле
н
но
с
ть
(Пр
им
.
к
р
а
й)
О
п
т
о
в
а
я
то
р
го
в
л
я
(в
с
р
.
по
Р
о
с
с
ии
)
О
п
то
в
а
я
то
р
г
о
в
л
я
(Пр
им
.
к
р
а
й)
Ро
з
ни
ч
на
я
то
р
г
о
в
л
я
(в
с
р
.
по
Р
Ф
)
Ро
з
ни
ч
на
я
то
р
г
о
в
л
я
(Пр
им
.
к
р
а
й)
Коэф-т абсолютной ликвидности
0,17
0,65
0,2
0,1
0,26
0,29
0,21
0,93
Коэф-т текущей ликвидности
1,09
2,62
1,17
2,11
1,07
2,18
1,11
4,71
Рентабельность собственных средств (%)
5,8
0,1
8,1
6
7,9
2
5,75
7
Рентабельность активов (%)
3,78
-24
7
17
13,3
52
8,86
-37
Коэф-т оборачиваемости дебиторской задол-
женности, дн.
146
76,6
63
35,03
59
53,2
33
7,46
Коэф-т оборачиваемости кредиторской задол-
женности, дн.
160
150,7
62
50,44
69
62,3
59
46,9
107
Полученные нами в результате производимых расчѐтов фи-
нансовые показатели предприятий различных отраслей Примор-
ского края могут применяться не только местными кредитными
организациями для оценки кредитоспособности предприятий-
заѐмщиков. Расчѐт системы финансовых коэффициентов необхо-
дим и самим предприятиям для оценки финансовой деятельности
в целях своевременного мониторинга текущей деятельности. В
данном случае полученные значения коэффициентов могут слу-
жить в качестве ориентира уровня развития деятельности анали-
зируемого предприятия по отношению к организациям, функцио-
нирующим в аналогичной отрасли.
Необходимость использования сравнительного анализа фи-
нансовых показателей предприятий Приморского края может
возникнуть и перед физическими лицами, которые намереваются
организовать собственное предприятие. В данном случае у них
появилась возможность на основе произведѐнных расчѐтов объ-
ективно оценить специфику различных отраслей и выбрать
именно ту финансовую стратегию ведения бизнеса, которая будет
наиболее подходить для данного вида деятельности.
Доказав необходимость разработки методики оценки креди-
тоспособности предприятий с учѐтом их региональной, а также
отраслевой специфики, перейдѐм непосредственно к самой кон-
цепции формирования данной методики.
На первом этапе необходимо выбрать группу коэффициен-
тов, на основании расчѐтов которых оцениваются уровни креди-
тоспособности потенциальных заѐмщиков коммерческих банков.
Система выбранных показателей должна соответствовать оп-
ределѐнным критериям: во-первых, коэффициенты должны наи-
более полно отражать финансовое состояние клиента; во-вторых,
они должны как можно меньше дублировать друг друга; в-
третьих, количество рассчитываемых коэффициентов не должно
быть слишком большим, иначе процесс вычисления получится
слишком долгим и громоздким и, как следствие, наиболее за-
тратным.
При расчѐте данной методики были выбраны следующие ко-
эффициенты, которые наиболее полно соответствовали выдви-
гаемым нами требованиям:
а) коэффициент абсолютной ликвидности (К
ал
);
б) коэффициент текущей ликвидности (К
тл
);
108
в) коэффициент рентабельности основной деятельности
(К
род
);
г) коэффициент оборачиваемости дебиторской задолженно-
сти (К
одз
);
д) коэффициент оборачиваемости кредиторской задолженно-
сти (К
окз
);
е) коэффициент процентного покрытия (К
пп
).
Затем нами был произведѐн расчѐт финансовых коэффициен-
тов, используемых в разработанной методике оценки кредито-
способности предприятий-заѐмщиков, для предприятий различ-
ных отраслей Приморского края за 2002–2004 гг.
В данном случае не был использован довольно часто приме-
няемый в различных методиках оценки кредитоспособности ко-
эффициент соотношения заѐмных и собственных средств. При-
менение данного коэффициента не представляется обязательным,
так как наличие значительного количества собственных средств у
предприятия не всегда может означать эффективность их исполь-
зования в производственном процессе, а также возможность бы-
строй и выгодной реализации с целью расчѐта по кредитным пла-
тежам. Например, торговые организации довольно часто функ-
ционируют, особенно на начальном этапе деятельности, за счет
заѐмных средств. Кроме того, особенностью данного вида дея-
тельности является отсутствие большого объѐма основных
средств, что объясняется спецификой деятельности. Примеров
различных отраслевых специфик множество, в связи с этим ос-
новной задачей в выборе коэффициентов было учесть все отрас-
левые особенности и составить оптимальный набор финансовых
показателей.
С целью доказательства отсутствия дублирования друг друга
финансовых коэффициентов, используемых в разработанной на-
ми методике, был применѐн статистический анализ. Он позволил
удостовериться, что выбранные в данной методике показатели
всесторонне характеризуют финансовое состояние предприятия.
Для проведения статистического анализа была использована
информационная база уже выбранных нами финансовых отчѐтно-
стей предприятий различных отраслей Приморского края. С це-
лью исключения влияния отдельных нетипичных величин коэф-
фициентов на результирующие значения использовались соот-
ветственно 10%-й и 90%-й процентили распределения. В резуль-
109
тате статистическая совокупность составила 870 предприятий.
Затем была определена корреляционная связь между выбранны-
ми нами коэффициентами. Показатель тесноты связи определяет-
ся коэффициентом корреляции (2.13). Этот показатель представ-
ляет собой стандартизированный коэффициент регрессии, т.е.
коэффициент, выраженный не в абсолютных единицах измерения
признаков, а в долях среднего квадратического отклонения ре-
зультативного признака:
r
xy
=
n
i
n
i
i
i
n
i
i
i
y
y
x
x
y
y
x
x
1
1
1
2
2
)
(
)
(
)
)(
(
(2.13)
Далее была составлена группировка финансовых коэффици-
ентов с использованием шкалы Чеддока (табл. 2.11).
Таблица 2.11
Коэффициенты корреляции финансовых показателей,
отобранных в результате теоретического анализа
Кал
Ктл
Крод
Кодз
Кокз
Кпп
Кал
1
-
-
-
-
-
Ктл
0,89
1
-
-
-
-
Крод
0,51
0,62
1
-
-
-
Кодз
0,6
0,57
0,4
1
-
-
Кокз
0,4
0,37
0,26
0,26
1
-
Кпп
0,27
0,39
0,22
0,61
0,73
1
Согласно имеющейся шкале определения тесноты связей
Чеддока (табл. 2.12) качественная оценка выбранных нами пока-
зателей свидетельствует об отсутствии тесных связей между вы-
бранными нами показателями. Исключением является наличие
высокого уровня связи между двумя парами коэффициентов аб-
солютной и текущей ликвидности, а также между коэффициен-
тами процентного покрытия и оборачиваемости кредиторской
задолженности.
110
Однако в связи с тем, что больше высокой силы связи дан-
ных коэффициентов с другими финансовыми показателями не
выявлено, мы не будем исключать их из нашей методики. Таким
образом, мы доказали правильность выбора финансовых коэффи-
циентов, используемых в разработанной методике оценки уровня
кредитоспособности предприятия-заѐмщика.
Таблица 2.12
Шкала Чеддока
Количественная мера тесноты
связи
Качественная характеристика силы связи
0,1–0,3
Слабая
0,3–0,5
Умеренная
0,5–0,7
Средняя
0,7–0,9
Высокая
0,9–0,99
Весьма высокая
На втором этапе разработки методики был определен вес
каждого показателя. В большинстве случаев удельные веса рас-
считываемых финансовых коэффициентов определяются экс-
пертным путѐм, т.е. на основе личных предпочтений кредитных
экспертов. К сожалению, применение расчѐтных алгоритмов для
определения весов невозможно. В данном случае мы воспользо-
вались сравнительным анализом весов, занимаемыми финансо-
выми показателями в методиках оценки кредитоспособности
нескольких коммерческих банков (табл. 2.13). Применение рас-
чѐта средневзвешенных показателей для установления веса фи-
нансовых показателей недопустимо в связи с несопоставимо-
стью используемых при анализе методик, включающих различ-
ное количество коэффициентов.
В связи с этим, основываясь на значениях удельных весов
финансовых показателей, установленных экспертным путем ра-
ботниками коммерческих банков, было определено минимальное
значение веса коэффициента в методике на уровне 0,1, соответст-
вующее последнему месту финансового показателя (табл. 2.14).
111
Таблица 2.13
Определение места финансовых показателей в методике оценки кредитоспособности заѐмщика
Наименование показателя
Вес показателя в методике
Суммарный вес
показателя
Среднее значение
веса показателя
Место показателя
в методике
Банк
А
Банк
Б
Банк
В
Банк
Г
Коэффициент абсолютной
ликвидности (К
ал
)
0,08
-
0,05
0,04
0,17
0,04
5
Коэффициент текущей
ликвидности (К
тл
)
0,46
0,08
0,11
0,38
1,03
0,26
1
Коэффициент рентабель-
ности основной деятель-
ности (К
род
)
0,15
0,15
0,13
0,11
0,54
0,14
2
Коэффициент оборачи-
ваемости дебиторской
задолженности (К
одз
)
-
0,06
0,06
0,08
0,2
0,05
4
Коэффициент оборачи-
ваемости кредиторской
задолженности (К
окз
)
-
0,03
0,06
0,06
0,15
0,04
5
Коэффициент процентного
покрытия (К
пп
)
0,05
0,2
0,1
0,02
0,37
0,09
3
112
Таблица 2.14
Определение удельного веса финансовых показателей в методике оценки
кредитоспособности заемщика
Наименование показателя
Место показателя
в методике
Вес показателя
в методике
Коэффициент абсолютной ликвидности (К
ал
)
5
0,1
Коэффициент текущей ликвидности (К
тл
)
1
0,26
Коэффициент рентабельности основной деятельности (К
род)
2
0,22
Коэффициент оборачиваемости дебиторской задолженности (К
одз
)
4
0,14
Коэффициент оборачиваемости кредиторской задолженности (К
окз
)
5
0,1
Коэффициент процентного покрытия (К
пп
)
3
0,18
113
Затем, выбрав в качестве шага 0,04, были определены веса
остальных коэффициентов, при этом сумма весов показателей,
как известно, должна равняться единице (табл. 2.14).
На основе рассчитанных значений коэффициентов для каж-
дого из них были установлены критериальные значения (мини-
мально допустимое, среднеотраслевое, максимальное).
При расчѐте минимального и максимального значений в це-
лях избежания влияния отдельных нетипичных величин коэффи-
циентов на результирующие значения использовались соответст-
венно 10%-й и 90%-й процентили распределения.
Среднеотраслевые значения рассчитывались на основе ме-
дианы, которая разделяет массив значений финансового коэффи-
циента, упорядоченный по возрастанию на две равные группы.
Данный подход является наиболее целесообразным, чем исполь-
зование среднеарифметического значения, так как среднеотрас-
левое значение коэффициента должно определять середину диа-
пазона, в котором он изменяется. Среднее арифметическое может
быть значительно смещено в сторону худших или лучших пока-
зателей, что будет преднамеренно завышать либо занижать балл,
присваиваемый фактическому значению коэффициента.
Порядок распределения категорий финансовых показателей в
результате произведѐнных расчѐтных вычислений представлен в
табл. 2.15.
Таблица 2.15
Распределение категорий финансовых показателей
Значение ко-
эффициента
Минимальное
(либо менее)
От мини-
мума до
медианы
Медиана
От медианы до
максимального
Максимальный
(либо более)
Присваиваемая
категория
(для коэффи-
циентов Кодз и
Кокз)
4
1
3
2
-
2
3
1
4
Установление числа рейтинговых групп для оценки риска
кредитора основывается на требованиях, предъявляемых Поло-
жением Банка России № 254-П. Однако в третьем консультаци-
114
онном документе Базеля II, а также в итоговом варианте согла-
шений минимальное количество рейтинговых групп для рабо-
тающих ссуд определено не менее 7 [121].
Для неработающих ссуд предусмотрена одна группа. В на-
стоящее время основным нормативным документом, которым
должны руководствоваться при процессе организации выдачи
ссуд кредитные организации является Положение № 254-П, сле-
довательно, количество рейтинговых групп определяется соглас-
но данным требованиям (финансовое состояние заѐмщика оцени-
вается как «хорошее», «среднее» или «плохое»).
Однако нам представляется, что применение только трѐх
рейтинговых групп не позволит наиболее точно охарактеризовать
уровень кредитоспособности предприятия.
В данной методике были обозначены 4 рейтинговые группы для
внутреннего использования кредитными экспертами кредитной ор-
ганизации (финансовое положение заѐмщика может быть оценено
как хорошее; лучше, чем среднее; не лучше, чем среднее; плохое).
В дальнейшем, при корректировке полученной балльной
оценки, произведѐнной в связи с анализом внешних факторов,
влияющих на оценку кредитоспособности заѐмщика (характери-
стика кредитной истории, уровень отраслевого риска и т.д.), дан-
ная четырѐхуровневая оценка может быть «свернута» и преобра-
зована для целей Положения Банка России № 254-П.
Результаты расчѐтов финансовых показателей предприятий
Приморского края для определения категории, к которой они от-
носятся в зависимости от отраслевой принадлежности, представ-
лены в табл. 2.16.
Таблица 2.16
Определение категории финансовых показателей
в зависимости от их фактических значений
Коэффициент
Категории
1
2
3
4
5
Предприятия оптовой торговли
Абсолютная ликвидность
>0,5
0,5 – 0,2
0,1 – 0,0
<0,0
Текущая ликвидность
>3,3
3,3 – 1,1
1,0 – 0,1
<0,1
115
Продолжение табл. 2.16
1
2
3
4
5
Рентабельность основной
деятельности
>0,2
0,2 – 0,1
≈0,0
<0,0
Оборачиваемость дебитор-
ской задолженности (дн.)
<5,0
5,0 – 25,6
25,7 – 70,8
>70,8
Оборачиваемость кредитор-
ской задолженности (дн.)
<2,2
2,2 – 45,4
45,5 – 111,9
>111,9
Коэффициент покрытия
>135,0
135,0 – 81,0
80,9 – 52,7
<52,7
Предприятия розничной торговли
Абсолютная ликвидность
>0,7
0,7 -0,2
0,1 – 0,0
<0,0
Текущая ликвидность
>3,3
3,3 – 1,2
1,1 – 0,3
<0,3
Рентабельность основной
деятельности
>1,1
1,1 – 0,5
0,4 – 0,0
<0,0
Оборачиваемость дебитор-
ской задолженности (дн.)
<2,9
2,9 – 12,9
13,0 – 19,1
>19,1
Оборачиваемость кредитор-
ской задолженности (дн.)
<15,8
15,8 – 30,8
30,9 – 61,1
>61,1
Коэффициент покрытия
>14,0
14,0 – 9,0
8,9 – 0,0
<0,0
Строительные организации
Абсолютная ликвидность
>1,4
1,4 – 0,2
0,1 – 0,0
<0,0
Текущая ликвидность
>2,9
2,9 – 1,1
1,0 – 0,1
<0,1
Рентабельность основной
деятельности
>0,5
0,5 – 0,1
≈0,0
<0,0
Оборачиваемость дебитор-
ской задолженности (дн)
<21,0
21,0 – 30,7
30,8 – 45,5
>45,5
Оборачиваемость кредитор-
ской задолженности (дн)
<59,3
59,3 – 78,2
78,3 – 103,6
>103,6
Коэффициент покрытия
>8,4
8,4 – 7,7
7,6 – 6,3
<6,3
Транспортные предприятия
Абсолютная ликвидность
>1,3
1,3 – 0,7
0,6 – 0,0
<0,0
Текущая ликвидность
>3,4
3,4 – 1,3
1,2 – 0,2
<0,2
116
Продолжение табл. 2.16
1
2
3
4
5
Рентабельность основной
деятельности
>0,6
0,6 – 0,2
0,1 – 0,0
<0,0
Оборачиваемость дебитор-
ской задолженности (дн.)
<101,2
101,2 – 110,2 110,3 – 138,4 >138,4
Оборачиваемость кредитор-
ской задолженности (дн.)
<195,1
195,1 – 251,5
251,6 – 316,7 >316,7
Коэффициент покрытия
>12,5
12,5 – 7,9
7,8 – 6,7
<6,7
Судоремонтные предприятия
Абсолютная ликвидность
>1,5
1,5 – 0,9
0,8 – 0,0
<0,0
Текущая ликвидность
>2,6
2,6 – 1,2
1,1 – 0,3
<0,3
Рентабельность основной
деятельности
>1,1
1,1 – 0,2
0,1 – 0,0
<0,0
Оборачиваемость дебитор-
ской задолженности (дн.)
<6,7
6,7 – 43,2
43,4 – 91,6
>91,6
Оборачиваемость кредитор-
ской задолженности (дн.)
<26,1
26,1 – 56,6
56,7 – 100,7
>100,7
Коэффициент покрытия
>64,1
64,1 – 60,4
60,3 – 53,7
<53,7
Предприятия лёгкой промышленности
Абсолютная ликвидность
>1,0
1,0 – 0,5
0,4 – 0,0
<0,0
Текущая ликвидность
>2,9
2,9 – 1,0
0,9 – 0,2
<0,2
Рентабельность основной
деятельности
>1,7
1,7 – 0,3
0,2 – 0,0
<0,0
Оборачиваемость дебитор-
ской задолженности (дн.)
<33,8
33,8 – 68,8
68,9 – 94,9
>94,9
Оборачиваемость кредитор-
ской задолженности (дн.)
<13,2
13,2 – 56,3
56,4 – 86,3
>86,3
Коэффициент покрытия
>82,7
82,7 – 47,4
47,3 – 22,1
<22,1
Предприятия пищевой промышленности
Абсолютная ликвидность
>0,5
0,5 – 0,4
0,3 – 0,0
<0,0
Текущая ликвидность
>2,7
2,7 – 1,2
1,1 – 0,3
<0,3
117
Окончание табл. 2.16
1
2
3
4
5
Рентабельность основной
деятельности
>1,1
1,1 – 0,3
0,2 – 0,0
<0,0
Оборачиваемость дебитор-
ской задолженности (дн.)
<7,0
7,0 – 18,9
19,0 – 27,1
>27,1
Оборачиваемость кредитор-
ской задолженности (дн.)
<15,2
15,2 – 50,1
50,2 – 97,0
>97,0
Коэффициент покрытия
>12,8
12,8 – 8,5
8,4 – 3,6
<3,6
Предприятия рыбной промышленности
Абсолютная ликвидность
>0,3
0,3 – 0,2
0,1 – 0,0
<0,0
Текущая ликвидность
>1,9
1,9 – 0,7
0,6 – 0,0
<0,0
Рентабельность основной
деятельности
>0,7
0,7 – 0,1
≈0,0
<0,0
Оборачиваемость дебитор-
ской задолженности (дн.)
<13,3
13,3 – 38,3
38,4 – 66,7
>66,7
Оборачиваемость кредитор-
ской задолженности (дн.)
<49,6
49,6 – 138,3
138,4 – 221,8 >221,8
Коэффициент покрытия
>5,4
5,4 – 4,0
3,9 – 2,6
<2,6
Итак, для оценки финансового состояния ссудозаѐмщика бы-
ла создана группа оценочных коэффициентов, максимально неза-
висимых друг от друга, и расчѐтным путѐм, используя статисти-
ческую выборку, были определены рекомендуемые критериаль-
ные значения, позволяющие относить предприятия к тому или
иному классу ссудозаѐмщиков с учѐтом их отраслевой специфики
и региональных особенностей функционирования предприятий.
При оценке кредитоспособности предприятия, обратившегося в
коммерческий банк за получением кредита, кредитный эксперт
будет производить сравнительный анализ рассчитанных финан-
совых коэффициентов не с абстрактными нормативами, получен-
ными из зарубежных или устаревших российских методик, а с
показателями организаций, функционирующих в аналогичных
отраслях Приморского края.
Возможным недостатком данного подхода является предпо-
ложение о монотонной зависимости оценки c четырѐхуровневы-
118
ми категориями от значения финансового коэффициента. В част-
ности высокая рентабельность всегда будет улучшать рейтинг.
Однако она может быть следствием принятия повышенных рис-
ков и проведения чрезвычайно агрессивной политики на рынке,
либо отражения отдельного конкурентного преимущества заѐм-
щика, которое может не сохраниться в долгосрочной перспективе.
Минимизация данных недостатков достигается на этапе индивиду-
ального анализа заѐмщика путѐм разработки аналитического балан-
са и отчѐта о прибылях и убытках, предусматривающих проведение
корректировок статей, исходя из экономического содержания и
расшифровок. Одновременно в экспертной оценке заѐмщика могут
быть учтены факторы, не находящие должного отражения в финан-
совой оценке. Это – динамика финансового состояния заѐмщика, в
том числе с учѐтом сезонности, и прочие факторы, оказывающие
влияние на его финансовую устойчивость.
Следующим этапом разработки нашей методики являлось
определение формулы расчѐтов рейтинговой оценки кредитоспо-
собности клиента. Для этого была использована следующая фор-
мула (2.14):
P
i
n
i
i
W
S
1
,
(2.14)
где S – суммарная оценка финансовых показателей;
W
i
– удельный вес i-го показателя;
P
i
– категория i-го показателя;
n – число показателей (в используемой нами модели это чис-
ло равно 6).
Подставив формулу (2.14) в разрабатываемую нами методику,
получили формулу (2.15) расчѐта итоговой рейтинговой оценки.
S = 0,1×К
ал
+ 0,26×К
тл
+0,22×К
род
+0,14×К
одз
+0,1×К
окз
+0,18×К
пп
,
(2.15)
где Z
ал
– категория коэффициента абсолютной ликвидности;
Z
тл
– категория коэффициента текущей ликвидности;
Z
род
– категория коэффициента рентабельности основной дея-
тельности;
Z
одз
– категория коэффициента оборачиваемости дебиторской
задолженности;
Z
окз
– категория коэффициента оборачиваемости кредитор-
ской задолженности;
Z
пп
– категория коэффициента процентного покрытия.
119
Используя данные табл. 2.12, установили минимальные и
максимальные значения показателей для различных отраслей, а
также минимальное и максимальное количество баллов, которое
может быть присвоено анализируемому предприятию для харак-
теристики его финансового состояния в зависимости от получен-
ной рейтинговой оценки (табл. 2.17).
Таблица 2.17
Классификационные группы предварительного
финансового состояния предприятия-заѐмщика
Итоговая рейтин-
говая оценка S
Оценка финансовой отчетности
заемщика
Баллы
1 – 1,26
Структура финансовой отчѐтности
хорошая
100
1,27 – 2,26
Структура финансовой отчѐтности
лучше, чем средняя
75
2,27 – 3,26
Структура финансовой отчѐтности
хуже, чем средняя
25
3,27 – 4
Структура финансовой отчѐтности
плохая
0
Таким образом, была проведена оценка финансовой отчѐтно-
сти заѐмщика, на основании которой ей была присвоена соответ-
ствующая категория. Кроме того, при присвоении категории фи-
нансовой отчѐтности, анализируемому предприятию присваива-
ется балльная оценка. Данная оценка необходима для проведения
дальнейших расчетов по определению уровня кредитоспособно-
сти потенциального заѐмщика.
Разработанная и предлагаемая нами методика является толь-
ко частью общей методики оценки кредитоспособности заѐмщи-
ка. После проведения предложенных в представленной части
расчѐтов необходимо провести дальнейшую оценку предприятия.
Кредитному эксперту следует оценить качественные параметры,
характеризующие финансовое состояние предприятия. К качест-
венным характеристикам предприятия-заѐмщика необходимо от-
нести анализ дебиторов, характеристику кредитной истории, уро-
вень отраслевого кредитного риска, сроки и схемы погашения
предполагаемой ссуды и т.д. Каждой качественной характеристи-
120
ке присваивается соответствующий балл. Сумма баллов, полу-
ченных после проведѐнного дополнительного анализа качествен-
ных характеристик предприятия, суммируется с баллами, полу-
ченными согласно анализу финансовой отчѐтности заѐмщика. В
результате, получив окончательную балльную оценку заѐмщика,
можно получить итоговый результат, характеризующий уровень
его кредитоспособности, и принять решение о возможности пре-
доставления кредита, а также создании сумм резервов по выда-
ваемому кредиту.
При проведении заключительного этапа определения финан-
сового состояния потенциального заѐмщика можно перейти к
трехуровневой критериальной системе, требуемой Положением
Банка России № 254-П.
Качественные характеристики деятельности организаций, как
правило, не поддаются формализации в форме каких-либо обос-
нованных математических и статистических моделей, в связи с
этим оцениваются на основе личностных мнений кредитных экс-
пертов. В связи с этим количество качественных характеристик
заѐмщика, необходимых для проведения оценки уровня кредито-
способности, а также их состав и балльная оценка могут опреде-
ляться индивидуально каждой кредитной организацией самостоя-
тельно.
Основным результатом проводимых в данной работе иссле-
дований, а также вычислений является разработка методики
оценки кредитоспособности заѐмщика с учѐтом его региональной
принадлежности и отраслевой специфики, основанной на расчѐ-
тах реальных значений финансовой отчѐтности предприятий
Приморского края. Данная методика позволит наиболее адекват-
но определять финансовое состояние потенциального заѐмщика,
что приведет к снижению кредитных рисков коммерческих бан-
ков
.
121
Глава 3. ПРИМЕНЕНИЕ НЕЙРОННЫХ
СЕТЕЙ В МЕТОДИКЕ ОЦЕНКИ
КРЕДИТОСПОСОБНОСТИ ЗАЁМЩИКА
3.1. Статистические методы построения кредитных
рейтингов на основе экспертных оценок и нейронных
сетей
Проведение сравнительного анализа мировой и отечествен-
ной практики осуществления кредитного процесса свидетельст-
вует о необходимости проведения дальнейших разработок в об-
ласти методических рекомендаций по определению оценки кре-
дитоспособности потенциального заѐмщика. В настоящее время
наблюдается отсутствие качественных методик оценки финансо-
вого положения заѐмщика, имеющих в основе своих расчѐтов
достаточную статистическую базу, а также грамотно произведѐн-
ные математические вычисления. Данное обстоятельство оказы-
вает негативное влияние на процесс распределения кредитных
ресурсов в экономике и, кроме того, приводит к тому, что кре-
дитные организации не имеют возможности ранжировать заѐм-
щиков по уровню их платѐжеспособности для целей эффективно-
го управления кредитными рисками.
Общепринятым показателем кредитоспособности заѐмщика
на современном этапе развития банковского дела является кре-
дитный рейтинг. Рейтинг представляет собой некое буквенное
или количественное выражение способности заѐмщика к совер-
шению кредитной сделки. Высокое значение рейтинга свидетель-
ствует о высоком классе кредитоспособности, низкое — о низ-
ком. В отечественной практике интерпретация рейтинга с точки
зрения уровня кредитного риска происходит субъективно. В
большинстве случаев она основана не на анализе финансовых
коэффициентов, рассчитанных с помощью статистической базы,
полученной из отчѐтности российских предприятий, а на основе
субъективных оценок экспертов. Расчѐт кредитного рейтинга
иностранными специалистами основан на более сложных мате-
матико-статистических расчѐтах. В результате можно наблюдать
существенное различие в расчѐтах кредитного рейтинга, рассчи-
122
тываемого отечественными и зарубежными кредитными органи-
зациями.
Таким образом, перед кредитными экспертами банковских
организаций возникает необходимость создания системы кредит-
ных рейтингов, разработанных с помощью математико-статис-
тических расчѐтов и основанных на анализе финансовой отчѐтно-
сти предприятий, расположенных в том регионе, в котором осу-
ществляют свою деятельность потенциальные заѐмщики. Учѐт
особенностей экономической деятельности предприятий, функ-
ционирующих именно в месте расположения филиала кредитной
организации, является фактором объективной оценки финансово-
го состояния потенциальных заемщиков.
Использование финансовой отчѐтности предприятий
Приморского края как основы для построения
кредитного рейтинга
Уровень экономического развития той или иной страны
складывается исходя из оценки финансового состояния еѐ хозяй-
ствующих субъектов. В свою очередь на благосостояние облас-
тей и регионов влияют такие факторы, как географическое поло-
жение, наличие и уровень функционирования стратегически не-
обходимого производства и многие другие.
Приморский край расположен на берегу Японского моря, а
также имеет общую государственную границу с рядом азиатских
государств. Особенности географического положения Примор-
ского края определили актуальность развития таких отраслей, как
ремонт судов, рыбная промышленность, транспорт, торговля,
строительство и т.д. Именно предприятия данных отраслей явля-
ются наиболее развивающимися, а также составляют наиболь-
шую долю среди региональных хозяйствующих экономических
субъектов, а следовательно, являются наиболее частыми потен-
циальными заѐмщиками кредитных организаций.
Данное обстоятельство послужило причиной выбора отрас-
левой принадлежности предприятий в качестве основы статисти-
ческой базы для проведения наших дальнейших расчѐтов. Пере-
чень выбранных нами отраслей, а также количество анализируе-
мых в них предприятий Приморского края представлены
в табл. 3.1.
123
Таблица 3.1
Количественная характеристика анализируемых
статистических объектов, используемых
при проведении расчѐтов
Отрасль
Количество анализируемых предприятий
Строительство
224
Ремонт судов
81
Лѐгкая промышленность
73
Пищевая промышленность
120
Рыбная промышленность
151
Оптовая торговля
115
Розничная торговля
112
Транспорт
216
Выбор большого количества анализируемых предприятий
основан на необходимости получения наиболее представитель-
ных результатов. Исходные данные были представлены Примор-
ским краевым комитетом государственной статистики.
На основе финансовой отчѐтности предприятий за трѐхлет-
ний период их деятельности были рассчитаны значения коэффи-
циентов, наиболее часто используемые для построения кредит-
ных рейтингов коммерческими банками. Перечень коэффициен-
тов, а также их экономический смысл представлены в табл. 3.2.
Таблица 3.2
Характеристика коэффициентов, используемых
для проведения расчетов
Обозна-
чение
Название коэффициента
Экономический смысл
1
2
3
К
1
Соотношение дебитор-
ской и кредиторской за-
долженности (%)
Характеризует возможность покры-
тия долгов предприятия за счет пога-
шения дебиторской задолженности
К
2
Соотношение заемных и
собственных средств (%)
Характеризует обеспеченность заем-
ных средств собственными средства-
ми, т.е. гарантию возврата долга
124
Окончание табл. 3.2
1
2
3
К
3
Доля собственных обо-
ротных средств ко всем
оборотным активам
Определяет степень обеспеченно-
сти организации собственными
оборотными средствами
К
4
Коэффициент абсолют-
ной ликвидности
Отражает возможность предприятия
погасить краткосрочную задолжен-
ность своими легкореализуемыми
средствами
К
5
Коэффициент текущей
ликвидности (покрытия)
Характеризует способность клиен-
та исполнить текущие обязательст-
ва за счет текущих активов
К
6
Рентабельность продук-
ции
Эффективность затрат, произве-
денных предприятием на производ-
ство продукции
К
7
Рентабельность основной
деятельности (%)
Эффективность затрат, произве-
денных предприятием на производ-
ство и реализацию продукции
К
8
Рентабельность активов
(%)
Характеризует степень эффективно-
сти использования имущества орга-
низации, профессиональную квали-
фикацию менеджмента предприятия
К
9
Коэффициент оборачи-
ваемости дебиторской
задолженности, дн.
Показывает, в течение какого коли-
чества дней может быть получена
дебиторская задолженность
К
10
Коэффициент оборачи-
ваемости кредиторской
задолженности, дн.
Показывает, насколько быстро осу-
ществляется потребительский цикл
взаиморасчетов с поставщиками
К
11
Норма валовой прибыли
(%)
Отражает общую прибыльность ком-
пании до учѐта операционных и вне-
реализационных доходов и расходов,
т.е. рентабельность производства
К
12
Норма чистой прибыли
(%)
Показатель, характеризующий рен-
табельность реализации продукции
К
13
Коэффициент процентно-
го покрытия
Характеризует способность клиен-
та рассчитаться по кредитам банков
за счет потока от его основной дея-
тельности
К
14
Коэффициент отношения
продаж к основным сред-
ствам
Характеризует эффективность ис-
пользования основных средств
компанией
125
Анализ совокупности представленных выше коэффициентов
обеспечивает получение наиболее полной финансовой оценки
потенциального предприятия-заѐмщика с целью решения вопроса
о выдаче ему кредита коммерческим банком. В данном случае
нами были выбраны коэффициенты, используемые в финансовом
менеджменте, которые характеризуют именно уровень кредито-
способности предприятия, т.е. оценивают эффективность функ-
ционирования организации и способность еѐ своевременно вы-
плачивать кредитные проценты, а также полностью погасить
свои долги.
Упорядочение заѐмщиков по их кредитному имиджу:
кредитные предпочтения экспертов
Кредитный рейтинг является обобщенным количественным
показателем, который позволяет кредитной организации в едино-
образной форме измерить кредитоспособность потенциальных
заѐмщиков и оценить степень риска, связанного с выданным кре-
дитом. Предполагается, что кредитный рейтинг должен отражать
существенные стороны коммерческой деятельности предприятия,
эффективность использования им финансовых ресурсов, уровень
менеджмента на предприятии и добросовестность его поведения
как заѐмщика.
Информацию, охватываемую кредитным рейтингом, можно
разделить на два основных вида данных:
а) показатели производственно-хозяйственной деятельности
предприятия, его положение на рынке и ситуация в отрасли;
б) индивидуальные особенности заѐмщика (кредитная история,
уровень организации менеджмента на предприятии) и конкретного
кредитного договора (соотношение денежных потоков заѐмщика и
размера кредита, сроки и схема погашения кредита) и т.д.
Формирование кредитных рейтингов является чрезвычайно
сложной задачей, которую невозможно полностью формализо-
вать для построения точного решения. Такие особенности имид-
жа предприятия, как уровень организации менеджмента, вообще
могут быть оценены только субъективно, в виде мнений экспер-
тов. Для учѐта кредитной истории необходимо располагать этой
историей. В условиях сегодняшней России представительной ста-
тистической информации о кредитных историях предприятий-
заѐмщиков банки не имеют, и на создание базы данных таких
126
кредитных историй потребуется, по меньшей мере, несколько
лет.
Поэтому на сегодняшний день единственным подходом к по-
строению объективных, обоснованных показателей кредитоспо-
собности предприятий является статистический анализ показате-
лей их финансово-хозяйственной деятельности.
В литературе достаточно хорошо известны факторные моде-
ли, оценивающие риск неплатѐжеспособности предприятия или
прогнозирующие возможность ухудшения его финансового со-
стояния, например, Z-оценка Э. Альтмана, система показателей
У. Бивера, модель надзора за ссудами Р. Чессера или модель оценки
риска банкротства фирмы, применявшаяся Банком Франции [49]. В
этих моделях обычно вычисляется линейная комбинация финансо-
вых показателей (коэффициентов
i
K
), характеризующих состояние
предприятия-заѐмщика, с некоторыми весами
i
w .
Затем полученное взвешенное значение коэффициентов
N
N
K
w
K
w
K
w
...
2
2
1
1
используется в качестве критерия для приня-
тия решения.
Например, в модели Альтмана строится показатель Z, учи-
тывающий пять финансовых коэффициентов
5,
4,
3,
2,
1
, i
K
i
(со-
ответственно – отношение чистых оборотных фондов к общим
активам, отношение резервов к общим активам, отношение ва-
ловой прибыли к общим активам, отношение собственного ка-
питала к общей задолженности, отношение оборотов к общим
активам) [49. С. 7]:
5
4
3
2
1
0,
1
6,
0
3,
3
4,
1
2,
1
K
K
K
K
K
Z
.
В зависимости от полученного значения Z предприятию при-
писывается та или иная вероятность банкротства (от очень высо-
кой до очень низкой).
Подобные модели можно адаптировать и для применения к
оценке кредитоспособности российских предприятий, но при
этом необходимо провести специальные статистические исследо-
вания, чтобы найти обоснованные значения весовых коэффици-
ентов
i
w
(выполнить идентификацию моделей), поскольку зна-
чения, построенные на основе статистики других стран, очевидно
не будут правильными в отношении российских предприятий.
Естественно также, что оценивание этих коэффициентов следует
127
делать с учѐтом региональной и отраслевой специфики предпри-
ятий и рынков.
Необходимые статистические данные о финансовых показа-
телях деятельности предприятий сегодня имеются, но статистики
реального возврата кредитов, неплатѐжеспособности и т.д. по-
прежнему нет, поэтому нет и возможностей для идентификации
факторных моделей. Учитывая, что объективные статистические
модели измерения кредитоспособности предприятий чрезвычай-
но необходимы уже сегодня, а не через несколько лет, в данной
работе мы предлагаем новый подход, основанный на идее экс-
пертной кредитной упорядоченности предприятий и анализе ре-
альной статистической базы данных о результатах их хозяйст-
венной деятельности.
Рассмотрим некоторую группу предприятий
n
,...,
,
2
1
,
являющихся потенциальными кандидатами на получение креди-
тов; для каждого из предприятий известны финансовые коэффи-
циенты
N
i
K
i
,...,
2,
1
,
. Для построения количественной модели
оценки кредитоспособности эти предприятия расставляются в
порядке качества (уровня) их кредитного имиджа. Для этого каж-
дому предприятию
k
присваивается уникальный номер I(k) та-
ким образом, что I(
m
) > I(
k
), если предприятие
m
является
более предпочтительным в качестве заѐмщика, чем предприятие
k
. С помощью такого индекса кредитного имиджа все предпри-
ятия могут быть однозначно расставлены в таком порядке, чтобы
их индексы I(k) росли, скажем, слева направо.
Для упрощения дальнейшего изложения предположим, что
предприятия рассматриваемой группы перенумерованы так, что
номер каждого предприятия соответствует его месту в упорядо-
ченной последовательности индексов,
)
(
...
)
(
)
(
2
1
n
I
I
I
.
(3.1)
Построение упорядоченной последовательности индексов
(3.1) должно производиться экспертами на основе их профессио-
нальных суждений о сравнительной эффективности хозяйствен-
ной деятельности анализируемых предприятий.
Следует заметить, что упорядочение предприятий по степени
их «кредитной предпочтительности» в виде (3.1) является намного
более простой задачей, чем распределение заѐмщиков и ссуд по ка-
128
тегориям качества типа «стандартные, нестандартные, сомнитель-
ные, проблемные», как того требует Положение № 254-П. Действи-
тельно, учесть все показатели хозяйственной деятельности, уровень
менеджмента, экономический цикл отрасли и выразить всѐ это в
виде количественного соотношения (формулы) для вычисления ка-
тегории – задача чрезвычайно сложная и не имеющая сколько-
нибудь однозначного решения. В то же время, расставить предпри-
ятия в порядке их субъективно понимаемого «кредитного имиджа»,
например на основе попарных сравнений, вполне под силу кредит-
ному специалисту средней квалификации. Желательно делать это
упорядочение именно с помощью группы экспертов, действующих
независимо. Тогда будет получен статистический ансамбль кредит-
ных последовательностей, что придаст получаемым далее оценкам
дополнительный вероятностный смысл и повысит их достоверность.
Рассматриваемая нами задача может быть сформулирована
следующим образом: на основе статистической информации о
группе предприятий
n
,...,
,
2
1
, каждое из которых представле-
но набором коэффициентов
N
i
K
i
,...,
2,
1
,
, построить такую
функцию
)
,...
,.
(
2
1
N
K
K
K
r
r
, чтобы вычисленные с еѐ помощью
кредитные рейтинги предприятий
)
,...
,.
(
)
(
2
1
N
K
K
K
r
r
в мак-
симальной степени соответствовали экспертной последователь-
ности индексов (3.1).
Предварительный анализ статистических данных
Для удобства статистического анализа финансовые коэффи-
циенты в данном исследовании были преобразованы к стандарт-
ному нормированному виду. С этой целью по выбранной группе
предприятий определялись медианное
i
med
, минимальное
i
min
и максимальное
i
max
значения каждого из коэффициентов
14
,...,
2,
1
, i
K
i
. Затем вычислялось нормированное значение пока-
зателя
i
i
i
i
i
med
K
x
min
max
.
Таким образом, по каждому предприятию
k
сопоставлялся
вектор нормированных коэффициентов (признаков, в терминоло-
129
гии теории распознавания образов),
)
,...,
,
(
2
1
kN
k
k
k
x
x
x
X
(N = 14). Все предприятия, представленные векторами
n
X
X
X
,...,
,
2
1
, оказываются некоторым образом распределены в
N-мерном пространстве признаков
N
R
.
Достоинство подобной нормировки состоит в том, что медиа-
на является более устойчивым показателем положения вероятно-
стного распределения, чем обычно используемое среднее арифме-
тическое. Линейное преобразование такого вида не меняет харак-
тер статистического распределения, оно лишь приводит его к
стандартному диапазону единичного размаха, а это удобно для по-
строения статистических оценок различных функциональных за-
висимостей. Что касается исходных коэффициентов
i
K , то диапа-
зоны их изменения могут отличаться в сотни раз, а это существен-
но усложняет анализ и поиск закономерностей.
Изучение статистических наблюдений выявило ряд законо-
мерностей в поведении финансовых показателей предприятий.
Плотности распределения почти всех показателей имеют явно
выраженный характер монотонно убывающих функций; на
рис. 3.1 в качестве типичного примера показана гистограмма от-
ношения дебиторской и кредиторской задолженности (202 строи-
тельных предприятия, 2004 г.).
Рис. 3.1. Гистограмма отношения дебиторской и кредиторской
задолженности для предприятий строительной отрасли в 2004 г.
130
Лишь у некоторых показателей наблюдался явно выражен-
ный максимум (мода) плотности распределения, как у показанной
на рис. 3.2 гистограммы коэффициента абсолютной ликвидности
по той же группе предприятий.
Рис. 3.2. Гистограмма коэффициента абсолютной ликвидности
для предприятий строительной отрасли в 2004 г.
Значения таких коэффициентов, как рентабельность продук-
ции, рентабельность основной деятельности, рентабельность ак-
тивов, норма валовой прибыли, норма чистой прибыли, коэффи-
циент отношения продаж к основным средствам могут быть от-
рицательными в связи с тем, что при их расчѐте используются
строки из финансовой отчѐтности, отражающие прибыль пред-
приятий (валовую, чистую и т.д.). В случае, если предприятие
несѐт убытки, то соответственно и значения данных коэффициен-
тов будут отрицательными.
Значение коэффициента «доля собственных оборотных
средств ко всем оборотным активам» будет отрицательным в том
случае, если предприятие не обладает достаточным количеством
собственных оборотных средств. В данном случае предприятие
не имеет возможности обеспечить сумму кредиторской и деби-
торской задолженности собственными оборотными средствами.
Значение коэффициента «соотношение заѐмных и собствен-
ных средств» может быть отрицательным в случае превышения
убытков предприятия над собственным капиталом.
131
Таким образом, можно отметить, что при оценке кредитоспо-
собности предприятий кредитный эксперт, получая отрицатель-
ные значения перечисленных выше коэффициентов, может отно-
сить данные предприятия в категорию некредитоспособных.
Статистических зависимостей между различными коэффици-
ентами не наблюдалось, практически во всех случаях вычислен-
ные коэффициенты корреляции были близки к 0. На рис. 3.3 в
качестве примера показана диаграмма рассеяния нормированных
коэффициента абсолютной ликвидности (вертикальная ось) и ко-
эффициента оборачиваемости дебиторской задолженности (гори-
зонтальная ось) по 197 транспортным предприятиям, 2004 г.
Рис. 3.3. Диаграмма рассеяния нормированных коэффициентов
абсолютной ликвидности и оборачиваемости дебиторской
задолженности для транспортных предприятий в 2004 году
Подобный характер вероятностных распределений говорит о
сложности применения объективных критериев для измерения
кредитоспособности предприятий. Статистические методы ана-
лиза многомерных наблюдений эффективно выявляют законо-
мерности в тех ситуациях, когда наблюдаемые объекты (пред-
приятия) образуют в пространстве признаков изолированные
компактные группы (классы), которые можно в этом случае отде-
лить друг от друга поверхностями (решающими правилами).
132
Здесь же мы имеем совокупность объектов, довольно аморфным
образом распредѐленную в пространстве
N
R
, так что ориентиры
для установления явных различий между ними найти трудно.
Нейронные сети в моделях кредитных рейтингов
Нейронные сети широко применяются для анализа много-
мерных наблюдений в условиях, когда природа оцениваемых
функциональных зависимостей и статистическая структура дан-
ных заранее неизвестны и могут существенно меняться со време-
нем. Поэтому естественным является их применение для по-
строения моделей оценивания кредитных рейтингов.
В данном случае мы определим математическую формули-
ровку задачи и построение алгоритмов оценивания кредитных
рейтингов с помощью нейронных сетей.
Чтобы привести рассматриваемую задачу к решению на ос-
нове нейронных сетей, запишем функцию
)
(r
в виде
)
(
)
,...
,.
(
)
(
2
1
X
r
x
x
x
r
r
N
, где X – вектор нормированных
коэффициентов (вектор признаков), представляющий данное
предприятие. Предположим, что функция
)
(X
r
может вычис-
ляться некоторой нейронной сетью
, имеющей матрицу весо-
вых коэффициентов W, то есть
)
,
(
)
(
W
X
X
r
.
(3.2)
Как известно, нейронные сети являются универсальными вы-
числителями, поэтому среди них можно подобрать сеть такой
структуры, которая сможет вычислить функцию
)
(X
r
любой
степени сложности.
Для этого на основе набора векторов признаков данной груп-
пы предприятий
n
X
X
X
,...,
,
2
1
и их упорядоченной последова-
тельности кредитных предпочтений (2.1) необходимо найти мат-
рицу весов
W
, при которой функция (2.2) наилучшим образом
соответствовала бы распределению индексов в последовательно-
сти (3.1). Иначе говоря, функция (3.2) при найденной матрице
W
должна достаточно хорошо аппроксимировать наблюдаемую в
эксперименте последовательность значений (3.1). В теории ней-
ронных сетей методы поиска требуемых весовых матриц
W
но-
сят название алгоритмов обучения нейронных сетей.
133
Рассмотрим несколько перспективных подходов к построе-
нию алгоритмов обучения, решающих задачу оценивания функ-
ции
)
(X
r
. При этом выбор структуры нейронной сети будет оп-
ределяться конкретной формулировкой задачи аппроксимации
статистических наблюдений
)
(
),...,
(
),
(
2
2
1
1
n
n
X
X
X
X
<div style="position:absolute;top:12
Информация о работе Проблемы оценки кредитоспособности клиентов коммерческих банков