Оценка кредитоспособности заемщиков в российской системе кредитования

Анализ деловой активности компании-заемщика производится на основе расчета коэффициента оборачиваемости готовой продукции и товаров, коэффициента оборачиваемости запасов сырья и коэффициента оборачиваемости дебиторской задолженности. Все эти коэффициенты рассчитываются по единой формуле (1.1):

ОБ=ОСТ•Д/С,

(1.1)

где ОБ – оборачиваемость соответствующего вида активов в днях; ОСТ – среднеарифметическая сумма данного актива за период; Д – сумма календарных дней в периоде; С – сумма выручки от реализации за период или затрат на производство и продажу.

Нормативными оценками данных показателей являются следующие значения:

• для коэффициента оборачиваемости запасов сырья и материалов промышленных предприятий: от 20 до 40 дней – хорошо, от 10 до 20 дней или от 40 до 60 дней – удовлетворительно, менее 10 или более 60 дней – неудовлетворительно;
• для коэффициента оборачиваемости готовой продукции и товаров промышленных предприятий: до 5 дней – отлично, от 5 до 15 дней – хорошо, от 15 до 30 дней – удовлетворительно, свыше 30 дней – неудовлетворительно;
• для коэффициента оборачиваемости готовой продукции и товаров (для прочих товаров): менее 30 дней – отлично, от 30 до 60 дней – хорошо, от 60 до 90 дней – удовлетворительно, свыше 90 дней – неудовлетворительно.

Для анализа дебиторской задолженности применяется коэффициент оборачиваемости дебиторской задолженности. Он рассчитывается по приведенной выше формуле, где в качестве ОСТ берется величина дебиторской задолженности со сроком погашения до года, а в качестве С – сумма выручки от реализации. Наилучшим можно признать значение коэффициента до 30 дней, хорошим – до 60 дней, удовлетворительным – до 90 дней, неудовлетворительным – свыше 90 дней. Критической для заемщика является ситуация, когда срок оборачиваемости дебиторской задолженности значительно больше срока оборачиваемости обязательств перед кредиторами.

Определение группы риска кредитного продукта. На основании изложенных выше показателей деятельности клиента кредитный инспектор, применяя комплексную рейтинговую систему и проводя анализ в соответствии с действующими методиками определения группы кредитного риска и кредитной политикой банка (т.е. путем начисления баллов по заранее принятым критериям), присваивает кредитному продукту определенную группу риска.

В итоге изучения клиента, проведенных с ним переговоров, анализа объекта кредитования и финансового состояния заемщика кредитный инспектор составляет письменное заключение о возможности или невозможности предоставления кредита. В этом заключении должны быть кратко изложены результаты проведенного комплексного анализа заявки, которые в своей совокупности дают основания сделать принципиальный вывод о целесообразности предоставления кредита. После составления заключения и расчета классности заемщика кредитный инспектор выносит окончательное решение вопроса на рассмотрение кредитного комитета. [26]

 

1.2 Модели анализа кредитоспособности  заемщиков

 

Современные практические подходы к методологии анализа кредитоспособности заемщиков в коммерческих банках основаны на комплексном применении финансовых и нефинансовых критериев.

Заслуживает внимания классификация методов и моделей оценки кредитоспособности заемщиков коммерческих банков, предложенная профессором Санкт-Петербургской государственной инженерно-экономической академии И. В. Вишняковым. Данный автор предлагает выделить следующие классы моделей оценки кредитоспособности заемщиков (см. рис. 1.1):

• классификационные, среди которых необходимо выделить модели балльной оценки кредита (рейтинговые методики) и модели прогнозирования банкротств (статистической оценки, основанной на MDA – Multiple Discriminate Analysis – множественном дискриминантном анализе);
• модели комплексного анализа (на основе «полуэмпирических» методологий: правило «6 С», CAMPARI, PARTS).

Модели оценки кредитоспособности заемщиков

Рисунок 1.1

Источник: [36]

Классификационные модели позволяют разбить заемщиков на группы (классы) и являются вспомогательным инструментом при определении возможности удовлетворения кредитной заявки.

Достаточно хорошо освещены в литературе две модели: балльной (рейтинговой) оценки и прогнозирования банкротств. Рейтинговые модели делят заемщиков на плохих и хороших, а модели прогнозирования пытаются дифференцировать фирмы-банкроты и устойчивые компании.

Рейтинговая оценка предприятия-заемщика рассчитывается на основе полученных значений финансовых коэффициентов и выражается в баллах. Баллы исчисляются путем умножения значения любого показателя на его вес в интегральном показателе (рейтинге). Общий вид рейтинговой оценки представлен формулой (1.2):

n К0=S Ai•Ki ,                                                                                                                                                                                                                  i=1

Отлично (1.2)

где К0 – интегральный показатель (рейтинг); Ai – удельный вес i-го показателя, S Ai = 1; Ki – значение i-го показателя; n – число показателей.

Если полученный заемщиком рейтинг ниже заранее установленного специалистами и экспертами банка значения, то такому заемщику в кредите будет отказано. Если же его оценка удовлетворяет установленным нормативам, то его кредитная заявка будет удовлетворена. При введении допустимых интервалов значений оценки можно одновременно определить соответствующие каждому интервалу процентную ставку и вид обеспечения.

Достоинством рейтинговой модели является ее простота: достаточно рассчитать финансовые коэффициенты и взвесить их, чтобы определить класс заемщика. Следует, однако, помнить, что в расчете рейтинга могут принимать участие только те значения, которые отвечают установленным нормативам. Например, несоответствие коэффициента текущей ликвидности значению «2 и более», а обеспеченности собственными средствами значению «0,1 и более» является основанием для признания предприятия банкротом независимо от значений других коэффициентов. [27]

Прогнозные модели используются для оценки качества потенциальных заемщиков и базируются на статистических методах, наиболее распространенным из которых является множественный дискриминантный анализ (МДА), известный также как «кластерный анализ». Общий вид дискриминантной функции представлен формулой (1.3):

n Z=а0+S аi•fi ,                                                                                                                                                                                                                                     i=1

Отлично (1.3)

где а0 и аi – некоторые параметры (коэффициенты регрессии); fi – факторы, характеризующие финансовое состояние заемщика (например, финансовые коэффициенты).

Коэффициенты регрессии рассчитываются в результате статистической обработки данных по выборке фирм, которые либо обанкротились, либо сумели выжить в течение некоторого периода.

Графически дискриминантная функция (индекс Z) представляет прямую линию, делящую (в зависимости от значений факторов финансового состояния) все компании на две группы: на тех, кому финансовые затруднения вплоть до банкротства в ближайшем будущем не грозят, и на тех, кому это грозит. Если Z-оценка некоторой компании находится ближе к показателю средней компании-банкрота, то при условии продолжающегося ухудшения ее положения она обанкротится. Если менеджеры компании и банк, осознав финансовые трудности, предпринимают шаги, чтобы предотвратить усугубление ситуации, то банкротства не произойдет, следовательно, Z-оценка является сигналом раннего предупреждения.

Для применения МДА необходима достаточно репрезентативная выборка предприятий, дифференцированных по отраслям, размерам. Трудность заключается в том, что внутри отрасли не всегда возможно найти достаточное количество обанкротившихся фирм, чтобы рассчитать коэффициенты регрессии. [7]

Наиболее известными моделями МДА являются модели Альтмана и Чессера.

В 1977 г. Альтманом был введен «Z-анализ» на основании формулы (1.4):

Z=1,2 X1+1,4 X2+0,6 X3+X4+3,3 X5 ,

(1.4)

где Xl – отношение собственных оборотных средств к сумме активов; Х2 – отношение нераспределенной прибыли к сумме активов; Х3 – отношение рыночной стоимости акций к заемному капиталу; Х4 – отношение объема продаж (выручки от реализации) к сумме активов; X5 – отношение брутто-прибыли (прибыли до вычета процентов и налогов) к сумме активов.

Отнесение предприятия к определенному классу надежности производится на основании следующих значений индекса Z:

Z ≤ 1,8 – вероятность банкротства очень высокая;

1,8 < Z ≤ 2,7 – вероятность банкротства высокая;

2,7 < Z ≤ 3,0 – вероятность банкротства низкая;

3,0 < Z – вероятность банкротства очень низкая.

Пятифакторная модель Альтмана, построенная на основе анализа состояния 66 фирм, позволяет дать достаточно точный прогноз банкротства на 2-3 года вперед. Факт банкротства на один год можно установить с точностью до 95%.

Модель Альтмана предсказывает случай наступления банкротства достаточно хорошо на два года вперед. Более поздние работы Альтмана и его коллег обновили и улучшили его первоначальное исследование. Новая модель способна предсказывать банкротства с высокой степенью точности на два года вперед и с меньшей, но все же приемлемой точностью (70%) на пять лет вперед.

Построение моделей, подобных уравнению Альтмана, для российских заемщиков пока проблематично, во-первых, из-за отсутствия статистики банкротств; во-вторых, из-за влияния на факт признания фирмы банкротом многих факторов, не поддающихся учету; в-третьих, из-за нестабильности нормативной базы банкротства российских предприятий. [14]

Модель надзора за ссудами Чессера прогнозирует случаи невыполнения клиентом условий договора о кредите. При этом под «невыполнением условий» подразумевается не только непогашение ссуды, но и любые другие отклонения, делающие ссуду менее выгодной для кредитора, чем было предусмотрено первоначально.

В модель Чессера входят следующие шесть параметров:

Х1 – отношение кассовой наличности и стоимости легко реализуемых ценных бумаг к сумме активов;

Х2 – отношение чистой суммы продаж (без учета НДС) к сумме кассовой наличности и стоимости легко реализуемых ценных бумаг;

Х3 – отношение брутто-дохода (прибыли до вычета процентов и налогов) к сумме активов;

X4 – отношение совокупной задолженности к сумме активов;

X5 – отношение основного капитала к чистым активам (или применяемому капиталу = акционерному капиталу и долгосрочным кредитам);

X6 – отношение оборотного капитала к нетто-продажам (чистой сумме продаж).

Оценочные показатели модели следующие (формула (1.5)):

Y=-2,0434-5,24 X1+0,0053 Х2-6,6507 Х3+4,4009 X4-0,0791 X5-0,1020 Х6

(1.5)

Переменная Y, которая представляет собой линейную комбинацию независимых переменных, используется в формуле (1.6) для оценки вероятности невыполнения условий договора, Z:

Z=1/(1+е–у)

(1.6)

Получаемая оценка Y может рассматриваться как показатель вероятности невыполнения условий кредитного договора. Чем больше значение Y, тем выше вероятность невыполнения договора для данного заемщика. В модели Чессера для оценки вероятности невыполнения договора используются следующие критерии:

• если Z ≥ 0,5, то заемщика следует отнести к группе, которая не выполнит условий договора;
• если Z < 0,5, то заемщика можно отнести к группе надежных.

Чессер использовал данные ряда банков по 37 «удовлетворительным» ссудам и 37 «неудовлетворительным», причем для расчета были взяты показатели балансов фирм-заемщиков за год до получения кредита. Подставив расчетные показатели модели и формулу «вероятности нарушения условий договора», Чессер правильно определил три из каждых четырех исследуемых случаев. [14]

Для классификации кредитов можно использовать также модель CART. CART расшифровывается как «классификационные и регрессионные деревья» (Classification and regression trees). Основными достоинствами этой модели являются возможность широкого применения, доступность для понимания и легкость вычислений, хотя при построении таких моделей применяются сложные статистические методы. Понять «классификационное дерево» нетрудно: компании-заемщики разделяются на «ветви» в зависимости от значений выбранных финансовых коэффициентов, каждая «ветвь» дерева, в свою очередь, разделяется на «ветви» в соответствии с другим коэффициентом. Точность классификации составляет около 90%, что совсем неплохо.