EnglishНа русском

Ефективна економіка № 10, 2013

УДК 336.7

 

К. К. Писанець,

аспірант, кафедра економічної кібернетики, Київський національний університет імені Тараса Шевченка, м. Київ

 

ПРОБЛЕМА ВИБОРУ МОДЕЛІ КРЕДИТНОГО СКОРИНГУ ДЛЯ ОЦІНКИ КРЕДИТНОГО РИЗИКУ ПОЗИЧАЛЬНИКА У СПОЖИВЧОМУ СЕГМЕНТІ

 

K. K. Pysanets,

postgraduate, economic cybernetics department, Taras Shevchenko National University of Kyiv

 

CREDIT SCORING MODEL SELECTION PROBLEM FOR CREDIT RISK ASSESSMENT OF BORROWER IN CONSUMER SEGMENT

 

На сьогодні відома велика кількість моделей кредитного скорингу для оцінки кредитного ризику у споживчому сегменті. У статті пропонується рішення проблеми вибору підходу розробки скорингової моделі, що зумовлена різницею між функціональними вимогами та наявними ресурсами кредитора. Запропоновано підхід до вибору скорингової моделі, заснований на статистичній точності класифікації та економічній точності моделі.

 

There is a great number of known credit scoring models for credit risk assessment in consumer segment. In the article, we propose problem solving of development approach selection for scoring modeling, which depends on functional requirements and lender available resources. We suggest approach for scoring model selection based on statistical classification accuracy and economic precision of the model.

 

Ключові слова: кредитний ризик, скорингова модель, споживче кредитування, ризик-менеджмент, кредитний цикл.

 

Keywords: credit risk, scoring model, consumer lending, risk-management, credit cycle.

 

 

Постановка проблеми.

На сьогодні у банківських системах країн СНД, а також у портфелях банків східної Європи знаходиться значна частина простроченої заборгованості, що сформувалася у період з 2009 по 2010 рік внаслідок недосконалості інструментів оцінки кредитного ризику на аплікаційному етапі кредитного циклу. Зробивши висновки, на сьогодні більшість банків вже мають скорингові моделі оцінки кредитного ризику позичальників та працюють над їх постійним вдосконаленням.

Серед загальних наукових напрямів дослідження, що стосуються скорингу як методу оцінки можна виділити включення макроекономічних факторів ризику, стрес-тестування, скоринг прибутку («профіт скоринг») та побудову динамічного скорингу. При проведенні досліджень за наведеними напрямами було розроблено велику кількість скорингових моделей використовуючи відомі та новітні економіко-математичні методи.

Проблемою для банків та інших кредитних установ є розробка скорингової моделі яка найбільше задовільнить потребу їх бізнес-процесів.

 

Аналіз останніх досліджень і публікацій.

Проблеми кредитного скорингу широко представлені у науковій літературі, і на сьогодні представлені дослідниками з багатьох країн світу. Серед найбільш значимих варто зазначити праці вчених А. Камінського [2; 3], В. Вітлінського [1], Є. Солодженцева, Р. Андерсона [6], Дж. Белотті, Т. Крука [8; 9], Т. Ліна [10], Н. Сіддікі [14], О. Криклій [5], О. Кириченко [4]. Зазначені автори пропонують вирішення таких проблем як розробка скорингових систем, впровадженні їх до бізнес-процесів кредитних установ, вибір методів оцінки кредитного ризику, включення часового параметру до моделей кредитного скорингу тощо.

Камінський у роботі [2] представив аплікаційну та колекторську скорингові моделі, а також у своїй праці [3] запропонував структуру кредитного ризик-менеджменту на основі скорингових моделей. Нарейн [12] одним з перших використав аналіз виживання для реалізації моделі кредитного скорингу. Белотті та Крук [8] реалізували модель пропорційного ризику Кокса з залежними від часу змінними для оцінки ймовірності дефолту за кредитними картками. У іншій праці [9] вони представляють непропорційну модель кредитного скорингу, що дозволяє оцінити час дефолту за кредитними картками. Також у праці пропонується підхід до реалізації стрес-тестування. Сара Міллер у праці [11] представляє модель аплікаційного динамічного скорингу.

У кожній із наведених робіт автори порівнювали скорингові моделі з роботами попередників та у більшості випадків підтверджували переваги на базі точності класифікації. Проте, недостатньо уваги було приділено оцінці точності, вираженої у економічних показниках, що особливо актуально для моделей динамічного скорингу, чому буде присвячена дана стаття.

 

Постановка завдання.

Ціль даної статті полягає у розробці підходу, що дозволить здійснювати порівняння множини скорингових моделей між собою з метою вибору найбільш підходящої для індивідуальної кредитної установи.

 

Виклад основного матеріалу дослідження.

На сьогодні відома велика кількість скорингових моделей. Для класифікації кредитного скорингу за видами доцільно розглянути наступні ознаки: сферу застосування, тип інформації, що використовується для розробки скорингу та спосіб побудови.

За сферою застосування опишемо використання різних видів кредитного скорингу на кожному окремому етапі кредитного циклу, дослідимо особливості побудови та використання кожного виду для прийняття рішень у кредитному ризик-менеджменті. Під кредитним циклом ми розуміємо часовий проміжок часу від моменту прийняття рішення про видачу кредиту (що відбувається в момент підписання кредитором та позичальником кредитного договору) до моменту списання, або закриття кредитного рахунку. Такий підхід було обрано, оскільки протягом вказаного часу існує ризик неповернення позики. Під час маркетингових досліджень (до видачі кредиту), та після закриття чи передачі усіх прав вимог третій стороні, позичальник вже не несе жодних зобов’язань перед кредитором, відповідно зникає ризик дефолту. Варто зазначити, що поняття циклічності виходить з того, що кошти, отримані від повернення позичкового капіталу знову відправляються на фінансування нових кредитів.

Кредитний цикл та види кредитного скорингу, що застосовуються на кожному етапі проілюстровано на рисунку 1.

 

Рис. 1.  Кредитний цикл

 

Умовно кредитний цикл можна поділити на чотири основні етапи: видача кредиту, обслуговування, стягнення простроченого кредиту та закриття рахунку, списання або «продаж». Інколи ще розглядають додатковий етап «маркетингове дослідження», що полягає у попередній оцінці ринкової ніші та вибору сегменту потенційних позичальників. Розглянемо детально кожен основний етап.

Етап видачі кредиту передбачає оцінку кредитоспроможності позичальника та прийняття рішення про видачу йому кредиту. Тобто, на даному етапі виникає ризик несприятливого відбору, частину якого складає ризик шахрайства, породжений позичальниками, які навмисно подали неправдиву інформацію. На етапі обслуговування відбувається моніторинг та прогнозування ризику зміни поведінки позичальників, оцінка їх морального ризику. На цьому етапі приймаються рішення про включення додаткових сервісів, таких як нагадування або переведення кредитної справи до колекторського відділу. Етап стягнення проходять не всі позичальники, а лише ті, що мають заборгованість. Загальноприйнятою є практика віднесення до таких позичальників тих, що мають прострочені платежі більш як на 90 днів. Рішення на даному етапі стосуються оптимізації інструментів роботи з позичальником чи рішень передачі договорів на роботу зі стягнення зовнішнім спеціалізованим компаніям. Етап «закриття, списання, продаж» передбачає погашення, списання, або передачу кредитного ризику іншим суб’єктам. Закриття означає те, що кредит був повністю погашеним, і позичальник виконав свої зобов’язання. Списання чи продаж означає те, що ризик неповного погашення відбувся і призводить до збитків кредитора. Отже, на останньому етапі приймається рішення про списання або продаж кредиту, якщо його не було погашено на попередніх етапах, або про закриття, якщо зобов’язання за кредитним договором було повністю виконано.

Розглянемо види скорингових систем для прийняття рішень для портфеля позичальників на кожному з етапів кредитного циклу. На етапі видачі використовуєтсья аплікаційний скоринг та скоринг шахрайства, на етапі обслуговування кредиту – поведінковий скоринг, і на етапі стягнення простроченої заборгованості – колекторський скоринг. Узагальнений вигляд скорингу як системи прийняття рішень для усіх наведених видів наведено на рисунку 2.

Скорингова система складається з вхідного потоку, скорингової моделі та вихідного потоку. Ключовим елементом скорингової системи є скорингова модель. Це економіко-математична модель, найчастіше реалізована у програмному пакеті, або у програмному коді як окрема програма, прив’язана до бази даних, що кожному позичальнику ставить у відповідність число (скоринговий бал), якому відповідає ймовірність настання кредитної події.

За типом інформації, що використовується для розробки скорингу виділяють аплікаційний, поведінковий та скоринг бюро кредитних історій.

 

Рис. 2.  Скорингова система

 

За способом побудови усі скорингові системи поділяються на статичні та динамічні. Для кожного типу існує значна кількість методів оцінки кредитного ризику. Серед відомих методів варто назвати байєсівський класифікатор, лінійний метод (на базі лінійної регресії), лінійний ймовірнісний підхід (на базі лінійної регресії), логістичний метод (на базі логістичної регресії), мережевий підхід (на базі дерев рішень), нейронний (на базі нейронних мереж), кластерний (на базі методів кластерного аналізу), генетичний (на базі генетичних алгоритмів).

В основі моделей динамічного скорингу, у яких вектор скорингових балів визначає ймовірність дефолту на весь термін видачі кредиту у кожен період часу із заданою частотою, використовуються наступні методи: лінійний (на базі лінійної регресії з панельними даними), підхід Каплана-Мейєра (на базі аналізу виживання), метод моделювання пропорційного ризику Кокса (на базі аналізу виживання), метод моделювання  із залежними від часу коефіцієнтами («покрокова модель») [13].

Таким чином на сьогодні є відомим широкий спектр моделей з різними методами оцінки, що можна покласти в основу скорингових систем. Проте яким чином здійснити вибір найкращої з них? У праці Р. Андерсона [6, c.103] складність моделі рівнем розвитку технологій, орієнтацією на «набір правил» або автоматизацію та обсягів. Проте, у наведеному джерелі не розглядаються динамічні системи, а також не досліджується підхід на основі точності класифікації.

Оскільки на сьогодні навіть найскладнішу модель можна реалізувати за допомогою програмного коду, наприклад, Visual Basic у MS Office, то більш актуальними при виборі моделі є фактори точності моделі, зокрема статистична оцінка точності класифікації та показники економічної точності.

Серед відомих показників, що дозволяють оцінити результативність скорингової моделі: Коефіцієнт Джині, Коефіцієнт Колмогорова-Смірнова, помилки першого та другого роду, характеристики точності, помилки класифікації, чутливості та специфічності. Більшість з них добре описані у роботі Н. Сіддікі [14].

Серед показників економічної точності ми пропонуємо точність оцінки доходів, точність оцінки грошового потоку та точність оцінки дохідності.

На базі наведених показників пропонується розрахувати два індикатори: інтегральний показник статистичної точності класифікації та показник економічної точності оцінки. Використовуючи дані два показники управлінці можуть керуючись досвідом обирати тип моделі.

Інтегральний показник статистичної точності класифікації:

 

 

 – стандартизований Коефіцієнт Джині

– стандартизований коефіцієнт Колмогорова-Смірнова

 

 

 – стандартизований коефіцієнт, що характеризує співвідношення помилок першого  та другого  роду, зважений на коефіцієнти втрат від відповідних помилок  та .

Показник економічної точності оцінки:

 – стандартизована величина, рівна одиниці мінус відносне відхилення , розрахованого на інтервалі 2 років з однаковою ставкою дисконтування за весь період .

Використавши 18 000 кредитів українських банків нами було реалізовано запропонований підхід. Побудовано 5 моделей кредитного скорингу та оцінено інтегральні показники статистичної та економічної точності, проілюстровані на рисунку 3.

 

Рис. 3.  Матриця «точності» скорингової моделі

 

З рисунку видно, що «покрокова модель» та модель Кокса є більш точними економічно, проте програють у статистичній точності класифікації. Якщо менеджер схильний до економічної похибки та опирається на статистичні помилки, то варто обрати логістичну регресію. Якщо ж управлінець орієнтується в першу чергу на економічний ефект, то буде обрано покроковий метод.

 

Висновки.

На сьогодні при розробці моделі кредитного скорингу для оцінки кредитного ризику позичальників у споживчому сегменті необхідно вибрати один з десятків підходів. Запропоновано на основі двох інтегральних показників: статистичної точності та економічної точності визначати підхід до розробки скорингових моделей. Перший показник є сумою стандартизованих коефіцієнтів Джині та Колмогорова-Смірнова за різницею стандартизований коефіцієнт, що характеризує співвідношення помилок першого та другого роду. Другий показник – стандартизована величина, рівна одиниці мінус відносне відхилення чистої приведеної вартості кредитного портфеля.

 

Література.

1. Вітлінський В. В. Кредитний ризик комерційного банку [Текст]: навч. посіб. / В.В. Вітлінський, О. В. Пернарівський. Я. С. Наконечний, Г. І. Великоіваненко. – К. : Т-во «Знання», КОО, 2000. – 251 с.

2. Камінський А.Б., Писанець К.К. Cкорингові технології в кредитному ризик-менеджменті // Бізнес-інформ. – 2012. – № 4. – С. 197-201.

3. Камінський А.Б., Писанець К.К. Структура та інструментарій ризик-менеджменту у споживчому кредитуванні // Теоретичні та прикладні питання економіки. Збірник наукових праць. Випуск 27, том 2 (за заг. ред. проф. Єханурова Ю.І., Шегди А.В.) – К.: Виданвичо-поліграфічний центр «Київський університет», 2012. – С. 169-175.

4. Кириченко О., Патєрікіна Л. Аплікаційний кредитний скоринг, його побудова та застосування комерційними банками України // Банківська справа. – 2009. – № 2. – С. 23-30.

5. Криклій, О.А. Управління кредитним ризиком банку: монографія / О.А. Криклій, Н.Г. Маслак. – Суми: ДВНЗ "УАБС НБУ", 2008. – 86 с.

6. Anderson, R. A., 2007. The Credit Scoring Toolkit: Theory and Practice for Retail Credit Risk Management, Oxford UniversityPress: UK. 790.

7. Baesens B., Van Gestel T., Stepanova M., Van den Poel D., Vanthienen J. (2005). Neural network survival analysis for personal loan data. Journal of the Operational Research Society 56, 1089-1098.

8. Bellotti T., Crook J. (2009) Credit scoring with macroeconomic variables using survival analysis. Journal of the Operational Research Society, vol. 60, 1699-1707

9. Bellotti T. and Crook J. Forecasting and stress testing credit card default using dynamic models, International Journal of Forecasting, vol. 29, Issue 4, 2013, pp. 563–574

10. Thomas. L.C. (2000) A survey of credit and behavioural scoring: forecasting financial risk of lending to consumers. International Journal of Forecasting, vol. 16, 149–172.

11. Miller S. Risk Factors for Consumer Loan Default: A Censored Quantile Regression Analysis. Working Paper. [Electronic resource]. – Access mode: www.economics.illinois. edu/ docs/seminars/Risk_Factors _for_Consumer_Loan_Default.Pdf.

12. Narain B. (1992). Survival analysis and the credit granting decision. In: Thomas LC, Crook JN, and Edelman DB (eds). Credit Scoring and Credit Control. Oxford University Press: pp.109-121.

13. Pysanets K. Survival concept for credit scoring models // Инновационные и информационные технологии в развитии национальной экономики: теория и практика: Монография / Под ред. Т.С. Клебановой, В.П. Невежина, Е.И. Шохина. – М.: Научные технологии, 2013. – С. 298-305.

14. Siddiqi N., 2006. Credit risk scorecards: developing and implementing intelligent credit scoring. USA. 196.

 

 

References.

1. Vіtlіns'kij, V.V. Pernarіvs'kij, O.V. Nakonechnij, J.S. and Velikoіvanenko, G.І. (2000), Kreditnij rizik komercіjnogo banku [Credit risk of commercial bank], Znannja, Kyiv, Ukraine.

2. Kamіns'kij A.B. and Pisanec' K.K. (2012), “Scoring technologies in credit risk-management”, Bіznes-іnform, vol. 4, pp. 197-201.

3. Kamіns'kij A.B. and Pisanec' K.K. (2012), “Structure and instruments of risk-management in consumer lending”, Kyivs'kij unіversitet, vol. 27, no. 2, pp. 169-175.

4. Kirichenko O. and Paterіkіna L. (2009), “Application credit scoring, its development and application by Ukrainian commercial banks”, Bankіvs'ka sprava, vol. 2, pp. 23-30.

5. Kriklіj O.A. and Maslak N.G. (2008), Upravlіnnja kreditnim rizikom banku [Management of bank credit risk], UABS NBU, Sumy, Ukraine.

6. Anderson, R. (2007), The Credit Scoring Toolkit: Theory and Practice for Retail Credit Risk Management, Pan Books, Oxford, UK.

7. Baesens, B. Van Gestel, T. Stepanova, M. and Van den Poel, D. (2005), “Neural network survival analysis for personal loan data”, Journal of the Operational Research Society, vol. 56, pp. 1089-1098.

8. Bellotti, T. and Crook, J. (2009), “Credit scoring with macroeconomic variables using survival analysis”, Journal of the Operational Research Society, vol. 60, pp. 1699-1707.

9. Bellotti, T. and Crook J. (2013), “Forecasting and stress testing credit card default using dynamic models”, International Journal of Forecasting, vol. 29, no. 4, pp. 563–574.

10. Thomas, L. (2000), “A survey of credit and behavioural scoring: forecasting financial risk of lending to consumers”, International Journal of Forecasting, vol. 16, pp. 149–172.

11. Miller, S. Working Paper (2012), “Risk Factors for Consumer Loan Default: A Censored Quantile Regression Analysis”, available at: www.economics.illinois.edu/docs/seminars/ Risk_Factors_for_Consumer_Loan_Default.Pdf (Accessed 20 October 2013).

12. Narain, B. (1992), “Survival analysis and the credit granting decision”, Credit Scoring and Credit Control, pp.109-121.

13. Pysanets, K. (2013), “Survival concept for credit scoring models”, Innovacionnye i informacionnye tehnologii v razvitii nacional'noj jekonomiki: teorija i praktika, pp. 298-305.

14. Siddiqi, N. (2006). Credit risk scorecards: developing and implementing intelligent credit scoring, Cary, North Carolina, USA.

Стаття надійшла до редакції 19.10.2013 р.