Кредитный скоринг и экспертная оценка кредитоспособности заемщика. Что такое кредитный скоринг Скоринговая бальная оценка кредитоспособности

Рассмотрим модели банкротства предприятия, и более детально методы оценки платежеспособности предприятия.

Что такое скоринговая модель оценки предприятия?

Скоринговый подход к оценке платежеспособности предприятия заключается в анализе статистики по предприятиям по их исполнению обязательств перед кредиторами, информация о которых содержится в бюро кредитных историй. Поэтому скоринговые модели иногда в литературе называют кредитные скоринговые модели (credit- score ) или кредитные оценочные модели. Таким образом, можно сказать, что кредитные скоринговые модели – статистические модели оценки платежеспособности предприятия.

История скорингового подхода к оценке

Ранее скоринговые модели разрабатывались исключительно для оценки кредитоспособности физических лиц в целях выдачи кредитов банками. Данный подход был впервые предложен Д. Дюраном в 1941 году для классификации клиентов банков по двум классам: кредитоспособные и некредитоспособные. Для определения класса рассчитывались показатели, позволяющие сделать вывод о его риске банкротства. Баллы для скоринговых моделей рассчитываются с помощью инструмента логистической регрессии. На ее основе, к слову, также строятся logit-модели оценки риска банкротства физических лиц и предприятий.

Задача скорингового подхода оценки платежеспособности предприятия

Задача скоринговой модели оценки платежеспособности предприятия заключается в классификации его по степени финансового риска. Скоринговый подход схож с рейтинговым подходом оценки предприятия, так как в нем также присутствует рейтинг (класс) у предприятия, помимо этого присутствуют балльная оценка и присвоение рейтинга финансовым показателям.

Отличие заключается в том, что в результате присваивается рейтинг и предприятие относится к классу платежеспособности, т.е. производится помимо оценки еще и классификация. Также в результате скоринга получается рейтинг у предприятия и рейтинг у финансовых коэффициентов, описывающих предприятие.

Скоринговые модели оценки платежеспособности предприятия

Рассмотрим отечественные скоринговые модели оценки платежеспособности предприятия. Проанализируем две отечественные скоринговые модели Донцовой-Никифоровой и Савицкой. Данные модели предназначены для оценки риска банкротства отечественных предприятий. Итак, начнем.

Скоринговая модель Донцовой-Никифоровой (1999 г.)

Донцова Л.В.

Экономисты Донцова Л.В. и Никифорова Н.А. предлагают скоринговую модель оценки платежеспособности предприятия, которая позволяет отнести предприятие к одному из шести классов платежеспособности, на основании оценки шести финансовых коэффициентов.

Показатель	1 класс (балл)	2 класс (балл)	3 класс (балл)	4 класс (балл)	5 класс (балл)	6 класс (балл)
Коэффициент абсолютной ликвидности	0.25 и больше (20)	0.216	0.15(12)	0.1(8)	0.05(4)	Меньше 0.05(0)
Коэффициент быстрой ликвидности	1 и больше(18)	0.9(15)	0.8 (12)	0.7(9)	0.6(6)	Меньше 0.5(0)
	2 и больше(16.5)	1.7(120	1.4(7.5)	1.1(3)	1(1.5)	Меньше 1(0)
	0.6 и больше(17)	0.54(12)	0.43(7.4)	0.41(1.8)	0.4(1)	Меньше 0.4(0)
Коэффициент обеспеченности собственными оборотными средствами	0.5 и больше(15)	0.4(12)	0.3(9)	0.2(6)	0.1(3)	Меньше 0.1(0)
Коэффициент обеспеченности запасов	1 и больше(15)	0.9(12)	0.8(9)	0.7(6)	0.6(3)	Меньше 0.6(0)
Минимальное значение границы в баллах	100	64	50	28	18	–
1 класс>100 баллов	Предприятие имеет хороший запас финансовой прочности
2 класс>64 баллов	Предприятие имеет незначительную вероятность погашения долгов, в целом риск есть
3 класс>50 баллов	Проблемное предприятие
4 класс>28 баллов	Предприятие имеет высокий риск банкротства
5 класс>18 баллов	Предприятие имеет очень высокий риск банкротства, меры по оздоровлению, скорее всего, не помогут
6 класс<18 баллов	Предприятие финансово несостоятельно

Примечание:

В модели оценки основной упор делается на коэффициенты ликвидности (, коэффициент быстрой ликвидности, коэффициент абсолютной ликвидности), а также на коэффициенты оборачиваемости (коэффициент обеспеченности собственными оборотными средствами, коэффициент обеспеченности запасов).

Коэффициенты	Формула	Расчет
Коэффициент абсолютной ликвидности	(Денежные средства + Краткосрочные финансовые вложения) / Краткосрочные обязательства	стр.1250 / (стр.1510+стр1520)
Коэффициент быстрой ликвидности	(Оборотные активы – Запасы) / Краткосрочные обязательства	(стр.1250+стр.1240) / (стр.1510+ стр.1520)
Коэффициент текущей ликвидности
Коэффициент финансовой независимости	Собственный капитал / Активы	стр.1300 / стр.1600
Коэффициент обеспеченности собственными оборотными средствами	(Собственный капитал – Внеоборотные активы) / Оборотные активы	(стр.1300-стр.1100) / стр.1200
Коэффициент обеспеченности запасов	Коэффициент оборачиваемости запасов = Выручка от продаж / Средняя величина запасов	стр.2110 / (стр.1210 нп.+стр.1210 кп.)0.5*

н.п. и к.п. – значение строки баланса на начало периода и конец периода соответственно.

Скоринговая модель Савицкой (2007 г.)

Савицкая Г.В.

Профессор Г.В. Савицкая предлагает свою скоринговую кредитную модель оценки финансового состояния предприятия. Отличие заключается в том, что в модели классификация предприятия происодит по пяти классам и для этого используются три финансовых коэффициента.

Показатель	1 класс	2 класс	3 класс	4 класс	5 класс
Рентабельность совокупного капитала, %	30 и выше(50 баллов)	29.9-20(49.9-35 баллов)	19.9-10(34.9-20 баллов)	9.9-1(19.9-5 баллов)	Меньше 1(0 баллов)
Коэффициент текущей ликвидности	2 и больше(30 баллов)	1.99-1.7(29.9-20 баллов)	1.69-1.4(19.9-10 баллов)	1.39-1.1(9.9-1)	1 и ниже(0 баллов)
	0.7 и больше(20 баллов)	0.69-0.45(19.9-10 баллов)	0.44-0.3(9.9-5 баллов)	0.29-0.2(4.9-1 баллов)	Меньше 0.2(0 баллов)
Границы классов	100 баллов	99-65	64-35	34-6	0 баллов
1 класс>100 баллов	Предприятие с хорошей финансовой прочностью
2 класс65-99 баллов	Предприятие имеет небольшой риск невозврата долгов
3 класс35-64 баллов	Проблемное предприятие
4 класс6-34 баллов	Предприятие имеет высокий риск банкротства. Кредиторы рискую потерять вложенные средства
5 класс0 баллов	Предприятие несостоятельно

Примечание:

Два из трех финансовых коэффициента определяют платежеспособность предприятия, где коэффициент текущей ликвидности определяет краткосрочную ликвидность, а коэффициент финансовой независимости – долгосрочную ликвидность предприятия.

Коэффициент финансовой независимости = коэффициент автономии.

Расчет финансовых коэффициентов в скоринговой модели

Коэффициенты	Формула	Расчет
Рентабельность совокупного капитала	Прибыль до налогообложения / Пассивы	стр.2300 / стр.1700
Коэффициент текущей ликвидности	Оборотные активы / Краткосрочные обязательства	стр.1200 / (стр.1510+стр.1520)
Коэффициент финансовой независимости	Собственный капитал / Активы	стр.1300 / стр.1600

Резюме

Подведем итоги разбора кредитных скоринговых моделей оценки платежеспособности предприятия. Один из неоспоримых плюсов заключается в том, что данные модели были разработаны для отечественных предприятий. Одна из трудностей оценки по таким моделям заключается в большой громоздкости расчетов и зачастую непонятности в использовании балльной оценки финансовых коэффициентов. Использование их хорошо сочетать с другими методиками оценки финансового состояния.

Спасибо за внимание! Удачи!

Система оценки клиентов, в основе которой заложены статистические методы. Как правило, это компьютерная программа, куда вводятся данные потенциального заемщика . В ответ выдается результат – стоит ли предоставлять ему кредит . Название скоринг происходит от английского слова score, то есть «счет».

Существуют четыре вида скоринга:

application-scoring (дословный перевод с английского - «скоринг заявки, обращения») - оценка кредитоспособности заемщиков при выделении кредита. Это самый распространенный и известный клиентам вид скоринга. В его основе лежат первичный сбор анкетных данных заемщика, их обработка компьютером и вывод результата: предоставлять заем или нет;
collection-scoring – система скоринга на стадии работы с невозвращенными займами. Определяет приоритетные действия сотрудников банка для возврата «плохих» кредитов. Фактически программа позволяет предпринять ряд шагов по работе с невозвращенными долгами, например от первичного предупреждения до передачи дела коллекторскому агентству. Считается, что в процессе такой обработки порядка 40% клиентов ссылаются на забывчивость и возвращают кредит;
behavioral-scoring , «скоринг поведения» - оценка наиболее вероятных финансовых действий заемщика. Такая система дает возможность прогнозировать изменение платежеспособности заемщика, корректировать установленные для него лимиты. Основой анализа могут служить действия клиента за определенный период, например операции по кредитной карте ;
fraud-scoring – статистическая оценка вероятности мошеннических действий со стороны потенциального заемщика. Такой скоринг, как правило, используется совместно с другими видами исследования клиентов. При этом считается, что до 10% невозвратов по кредитам связаны в России с откровенным мошенничеством и этот показатель растет.

Многие скоринговые системы не только обрабатывают введенные данные, но и способны к самообучению: они учитывают модель поведения уже принятых на обслуживание клиентов, чтобы корректировать свою оценку будущих заемщиков.

На рынке программного обеспечения для банков существуют готовые решения. Самые известные западные программы - SAS Credit Scoring, EGAR Scoring, Transact SM (Experian-Scorex), K4Loans (KXEN), Clementine (SPSS). Среди российских разработчиков выделяются Basegroup Labs, «Диасофт», известна украинская компания "Бизнес Нейро-Системы". В то же время многие банки разрабатывает свои собственные системы.

Скоринговые системы позволяют снизить издержки и минимизировать операционный риск за счет автоматизации принятия решения, сокращают время обработки заявок на предоставление кредита, дают возможность банкам проводить свою кредитную политику централизованно, обеспечивают дополнительную защиту финансовых организаций от мошенничества. В то же время скоринг имеет и ряд недостатков: часто решение системы основано на анализе данных, предоставленных исключительно самим заемщиком. Кроме того, скоринговые системы необходимо постоянно дорабатывать и поддерживать, т. к. они учитывают только прошлый опыт и реагируют на изменения социально-экономической ситуации с запозданием.

При выдаче кредитов банки стремятся получить максимальную прибыль и гарантировать возврат переданных заемщику средств. Для того чтобы снизить риск просрочек, финансовые организации тщательно анализируют всех претендентов и одобряют только заявки, обязательства по которым будут выполняться с большой вероятностью.

Оценка кредитоспособности заемщика – физического лица часто осуществляется с помощью (от английского scoring – «подсчет очков»). Скоринговая модель анализирует факторы, влияющие на риск невозврата займа, и выдает рекомендации по одобрению заявки или отказу. При оформлении кредита заемщику в первую очередь предлагается заполнить анкету. Именно на основе этих данных выставляется оценка. За каждый параметр клиент получает определенное количество баллов, действуют повышающие и понижающие коэффициенты. Итоговый результат раньше подсчитывали вручную банковские сотрудники, сегодня это делается автоматически в специальных программах.

Где применяется скоринг

Скоринговая модель широко используется в области микрофинансирования и экспресс-кредитования, где рассмотрение данных потенциального заемщика и принятие решения занимают менее 1 часа. Для проверки кредитоспособности в специальную программу вносят информацию из заполненной заявки. Система автоматически сравнивает указанные потенциальным заемщиком данные со статистикой. Так, если в базе есть сведения о том, что люди аналогичного возраста или профессии нередко не возвращают кредит, то решение по заявке может быть отрицательным. В таких случаях банк или микрофинансовая организация обычно отказывает потенциальному заемщику без объяснения причин.

Преимущества скоринговой системы ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ

Быстрота принятия решений. Если анализом платежеспособности заемщика занимается сотрудник банка, это потребует много времени. Специалисту необходимо самостоятельно проверить каждый параметр, вручную внести все полученные результаты и сделать вывод. С помощью современных скоринговых систем оценки кредитоспособности данные обрабатываются быстро, а значит, и решение принимается оперативно.

Объективность. Даже опытный и квалифицированный специалист может допустить ошибку в подсчетах или сформировать предвзятое мнение из-за личного отношения к клиенту. Скоринг-балл – гораздо более объективный показатель кредитоспособности, потому что он высчитывается в автоматическом режиме. Сотрудник банка не может повлиять на работу алгоритма.

Финансовая выгодность. Использование скоринговой модели оценки кредитоспособности позволяет значительно уменьшить долю невозврата. Это не только увеличивает прибыль банка, но и дает ему возможность предлагать более выгодные тарифы для клиентов. Уровень невозврата прямо влияет на процент по кредитам, поэтому добросовестные плательщики также заинтересованы в его снижении.

От чего зависят результаты скоринга

Итоговая оценка при использовании любой скоринговой модели складывается из целого ряда показателей. В первую очередь проверяются паспортные данные заемщика, информация о месте проживания и другие контактные данные. Это предварительный этап, на котором отсеиваются претенденты с недействительными документами. Затем происходит анализ других факторов.

Личная информация о клиенте. Скоринг-оценка учитывает семейное положение заемщика и наличие у него несовершеннолетних детей. Также принимается во внимание продолжительность стажа на последнем месте работы.
Платежеспособность претендента. Один из самых значимых факторов, влияющих на скоринг-балл. Чтобы получить одобрение, важно доказать наличие не только достаточных для погашения займа средств, но и регулярных выплат. Для оценки финансового положения и кредитоспособности в большинстве случаев (особенно при выдаче крупных кредитов) требуется предоставить документы с места работы: справку 2-НДФЛ или по форме банка. Иногда учитываются также расходы претендента (на содержание иждивенцев, коммунальные услуги и т. д.).
Кредитная история. При скоринговой оценке кредитоспособности клиентов обязательно проводится проверка задолженностей и просрочек по ранее взятым ссудам. Банк может при наличии согласия получить данные по претенденту из бюро кредитных историй (БКИ), в которых отражается вся необходимая информация. Также системой принимается во внимание наличие или отсутствие регулярных выплат по действующим займам. В БКИ фиксируется история заявок, сделанных претендентом: наличие большого процента отказов от других финансовых организаций может снизить оценку.

Транзакционное поведение. Если заемщик является зарплатным клиентом или имеет депозит в банке, скоринг-балл при определении кредитоспособности может быть повышен. При этом учитывается размер накоплений на счете и их динамика.

Все данные скоринговая система проверяет по отдельности и сравнивает их между собой, чтобы выявить возможные противоречия. Подтверждением достоверности указанных сведений является наличие связи между доходами и расходами потенциального заемщика, местом работы и адресом проживания и т. д.

Анализ данных скоринга

На основе полученного результата система выносит решение:

одобрение – оценка высокая, заявка может передаваться на следующий уровень;
отказ – претендент набрал слишком низкий балл, поэтому рассмотрение запроса прекращается;
требуется дополнительный анализ – у системы недостаточно данных для выставления адекватной оценки. В этом случае специалист банка самостоятельно изучает анкету заявителя и уточняет информацию. Для подтверждения спорных аспектов у претендента могут затребовать дополнительные документы. После ручного рассмотрения по заявке принимается окончательное решение.

Как получить высокий скоринг-балл

Исключить просрочки по займам. Чтобы увеличить шансы на хорошую оценку и одобрение заявки, нужно иметь чистую кредитную историю. Это значит, что у претендента не должно быть просрочек по другим займам или непогашенных долгов. Поэтому даже при возникновении финансовых трудностей важно следить за своей кредитной историей. Лучше вовремя предоставить банку документальное подтверждение временной неплатежеспособности и разработать схему реструктуризации долга или отсрочки. Это позволит закрыть текущий кредит и повысить вероятность одобрения нового.

Открыть банковский вклад. В большинстве банков можно получить дополнительные скоринг-баллы при наличии счета, поэтому лучше заранее завести депозит.

Указать в заявке только реальные сведения. На оценку также влияет аккуратность в заполнении анкеты. Информация должна быть объективной и правдивой: сомнения в достоверности сведений могут стать причиной для отказа в кредите.

Обратить внимание на актуальность контактов в анкете. Чтобы повысить скоринговую оценку кредитоспособности, необходимо указывать в анкете только реальные контактные данные. Сотрудник банка должен иметь возможность дозвониться до всех абонентов, телефоны которых вписал потенциальный заемщик. Если связаться с ними не удастся, указанные данные могут признать недостоверными. Это один из поводов отказать в кредитовании.

Если скоринговая оценка оказалась слишком низкой и заявка была отклонена, это может свидетельствовать о том, что модель и алгоритм конкретного банка не подходят заемщику. Финансовые организации часто используют собственные системы, в которых учитывается разный набор факторов.

Что делать при отказе

При низком скоринг-балле система обычно просто отклоняет заявку, при этом клиенту не сообщается о причинах такого решения. Сотрудники банка часто рекомендуют повторить обращение через несколько месяцев. В качестве альтернативы можно попробовать подать заявку в другую финансовую организацию. Однако делать это следует с осторожностью: все отказы фиксируются в кредитной истории, а если их слишком много, оценка снижается. Чтобы еще до обращения в банк узнать о наличии и количестве отклоненных заявок, можно отправить запрос в БКИ.

Скоринговая модель не дает объективных и релевантных результатов, если клиент обращается за займом в первый раз. Для таких случаев некоторые банки используют только ручную обработку заявок специалистами. При этом фактически таким клиентам часто предлагают менее выгодные условия, повышенные процентные ставки и уменьшенную сумму ссуды. Так банк снижает убытки от возможного невозврата. Однако если погасить первый заем вовремя и без просрочек, это отразится в кредитной истории, поэтому уже в следующий раз можно будет рассчитывать на более высокую оценку.

Чтобы воспользоваться услугами НБКИ по разработке и/или использованию методик скоринговой системы, заполните форму заявки на сайте.

Дубовицкий В. С.
аналитик крупного российского банка
(г. Москва)
Управление корпоративными финансами
05 (65) 2014

В данной статье описано исследование по разработке скоринговой модели для оценки кредитоспособности крупных торговых предприятий, позволяющей на основе значений отдельных показателей судить о состоятельности заемщика, оценивается ее эффективность. Наиболее объемными блоками в разработке скоринговой модели являются выбор системы оценочных показателей и определение весовых коэффициентов для этих показателей, что будет подробно освещено в данной статье

ВВЕДЕНИЕ

Одно из ключевых направлений бизнеса в банковской сфере - кредитование. Именно кредиты являются основой банковских активов, обеспечивая банку процентный доход. В последнее время в нашей стране происходит бурное развитие банковской сферы, прежде всего кредитных отношений банков с населением, предпринимателями и крупным бизнесом. Кредиты подразумевают не только процентные доходы, но и кредитные риски, связанные с несостоятельностью заемщика и потерей ссуды. Оценка величины кредитного риска является ключевым направлением анализа при принятии решения о кредитовании того или иного заемщика, и от нее во многом зависит благосостояние финансового учреждения.

В наши дни банки используют различные методы анализа, оценивая уровень возможных потерь и вероятность дефолта заемщика. Исходя из этого анализа заемщику присуждается рейтинг качества - «хороший», «средний» или «плохой», согласно Положению ЦБ РФ №254-п «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» от 26 марта 2004 г.

Центральный банк выступает главным регулятором кредитной системы и дает рекомендации по оценке кредитоспособности заемщиков. В соответствии с ними банки выстраивают свои модели оценки - их многообразие и изобретательность их авторов поражают. Такие модели включают комплексную оценку финансового состояния заемщика как главного показателя будущей платежеспособности. Однако все модели нацелены на кредитный рейтинг заемщика, описывающий уровень риска финансовых потерь. Согласно общепринятой классификации, хороший уровень кредитоспособности соответствует хорошему финансовому состоянию компании и низкому риску возможных потерь, средний - среднему финансовому состоянию и средним рискам, плохой - высокой вероятности дефолта заемщика. По хорошему состоянию, вероятнее всего, будет вынесено положительное решение о выдаче ссуды, среднее потребует дополнительных исследований, а плохому заемщику будет отказано.

Оценка кредитного риска в банках всегда занимала весомое положение. Так, согласно исследованиям Bailey и Gately , существующие методы оценки непрестанно совершенствуются, время от времени появляются новейшие методики, такие как оценка при помощи нейронных сетей, что вызвано высоким спросом со стороны кредитных организаций на оптимизацию и улучшение прогнозной способности инструментов для оценки вероятности дефолта потенциальных заемщиков.

Итак, оценка кредитоспособности является ключевой задачей при выдаче кредита. Цель данной работы - создание собственной скоринговой модели для оценки кредитного качества юридических лиц. Она будет разработана для крупных предприятий розничной торговли и позволит оперативно принимать решение о целесообразности финансирования различных заемщиков.

Вначале будет произведен краткий сравнительный анализ существующих подходов к оценке кредитоспособности. На его основании будут приведены аргументы в пользу разработки скоринговой модели, затем будет непосредственно разработана скоринговая модель с использованием различных теоретических методов. Одни из главных задач при разработке - определение сбалансированной системы оценочных показателей с учетом выбранной отрасли и определение весовых коэффициентов для этих показателей.

Далее будет проведено статистическое исследование на основе выборки из 41 торгового предприятия (для 16-ти из них был зафиксирован дефолт) с целью сопоставить результаты по весам показателей с результатами, полученными первоначально. По итогам сравнения будет дано заключение о корректности составленной скоринговой модели. В заключение данной статьи будет представлена оценка эффективности разработанной модели, определена прогнозная способность разработанной модели и сделан вывод о ее состоятельности.

РАЗЛИЧНЫЕ ПОДХОДЫ К ОЦЕНКЕ КРЕДИТОСПОСОБНОСТИ

Все существующие модели оценки кредитоспособности заемщиков можно представить в виде следующей классификации (рис. 1).

Итак, многообразие подходов к анализу кредитоспособности можно систематизировать, разделив все методы на три больших блока:

количественные модели;
прогнозные модели;
качественные модели.

Количественные модели используют соответствующие показатели и позволяют присвоить заемщику на их основе определенный рейтинг, прогнозные опираются на статистику прошлых лет и нацелены на моделирование дальнейшего развития событий и вероятности дефолта заемщика, а качественные модели используют систему разносторонних качественных показателей.

Для определения наиболее эффективного подхода к оценке кредитоспособности сопоставим описанные методы оценки. В табл. 1 приведены сравнительные характеристики рассмотренных ранее моделей оценки кредитов.

Таблица 1. Сводная таблица моделей оценки кредитоспособности

Наименование модели	Достоинства модели	Недостатки модели
Метод коэффициентов	Позволяет комплексно оценить финансовое состояние заемщика	Не учитывает качественные показатели, статистику прошлых лет. Неавтоматизированная система требует постоянной интерпретации значений отдельных показателей
Рейтинговые модели	Позволяют автоматизировать оценку методом коэффициентов путем вычисления интегрального показателя. Отличаются удобством и простотой использования	Учитывают только финансовые показатели, не используют статистику прошлых лет. Требуют перестройки для различных типов компаний
Скоринговые модели	Позволяют получить оценку кредитоспособности в балльном эквиваленте и отнести заемщика к одной из трех групп. Просты и удобны в использовании, помогают оценивать нефинансовые качественные показатели. При оценке весовых коэффициентов статистическими методами позволяют учесть данные по уже выданным кредитам, являются экономически обоснованными	Не универсальны, требуют перестройки под определенные типы компаний. Требуют большого объема данных для исследования весовых коэффициентов
Модели Cash Flow	Позволяют оценить будущие денежные потоки компании и сопоставить их с долговой нагрузкой	Не учитывают рыночную конъюнктуру и качественные показатели компании-заемщика. Могут давать несовместимые с реальностью результаты
Модели дискриминантного анализа	Позволяют определить вероятность дефолта компании-заемщика на основе статистики за прошлые годы
Модели регрессионного анализа	Позволяют определить вероятность дефолта компании-заемщика на основе статистики прошлых лет. При использовании модели на корректных данных можно получить результаты высокой степени достоверности	Сугубо эмпирические, результаты сильно зависят от обучающей выборки и при исследовании модели на других данных зачастую не соответствуют реальности. Требуют большого объема данных для исследования весовых коэффициентов
Модели качественного анализа	Позволяют провести комплексный анализ компании	Отсутствие математических методов, приводящее к субъективной оценке отдельных показателей и к ошибкам, связанным с человеческим фактором. Не учитывают статистику прошлых лет. Нет четких регламентов оценки кредитоспособности для качественных блоков анализа

Опираясь на приведенный сравнительный анализ, можно сделать вывод, что скоринговая модель находится на вершине эволюции количественных Наименование модели Достоинства модели Недостатки модели

Метод коэффициентов Позволяет комплексно оценить финансовое состояние заемщика Не учитывает качественные показатели, статистику прошлых лет. Неавтоматизированная система требует постоянной интерпретации значений отдельных показателей

Рейтинговые модели Позволяют автоматизировать оценку методом коэффициентов путем вычисления интегрального показателя. Отличаются удобством и простотой использования Учитывают только финансовые показатели, не используют статистику прошлых лет. Требуют перестройки для различных типов компаний

Скоринговые модели Позволяют получить оценку кредитоспособности в балльном эквиваленте и отнести заемщика к одной из трех групп. Просты и удобны в использовании, помогают оценивать нефинансовые качественные показатели. При оценке весовых коэффициентов статистическими методами позволяют учесть данные по уже выданным кредитам, являются экономически обоснованными Не универсальны, требуют перестройки под определенные типы компаний. Требуют большого объема данных для исследования весовых коэффициентов

Модели Cash Flow Позволяют оценить будущие денежные потоки компании и сопоставить их с долговой нагрузкой Не учитывают рыночную конъюнктуру и качественные показатели компании-заемщика. Могут давать несовместимые с реальностью результаты

Модели дискриминантного анализа Позволяют определить вероятность дефолта компании-заемщика на основе статистики за прошлые годы Сугубо эмпирические, результаты сильно зависят от обучающей выборки и при исследовании модели на других данных зачастую не соответствуют реальности. Требуют большого объема данных для исследования весовых коэффициентов

Модели регрессионного анализа Позволяют определить вероятность дефолта компании-заемщика на основе статистики прошлых лет. При использовании модели на корректных данных можно получить результаты высокой степени достоверности Сугубо эмпирические, результаты сильно зависят от обучающей выборки и при исследовании модели на других данных зачастую не соответствуют реальности. Требуют большого объема данных для исследования весовых коэффициентов

Модели качественного анализа Позволяют провести комплексный анализ компании Отсутствие математических методов, приводящее к субъективной оценке отдельных показателей и к ошибкам, связанным с человеческим фактором. Не учитывают статистику прошлых лет. Нет четких регламентов оценки кредитоспособности для качественных блоков анализа разное количество баллов. Значения коэффициентов в дальнейшем будут разбиты на диапазоны. Для каждого диапазона (столбец «Диапазон коэффициента» в табл. 2) будет установлена процентная доля (25%, 50%, 75% или 100%) от весового коэффициента в табл. 2. Весовой коэффициент в данном случае является максимальным баллом. В дальнейшем речь пойдет именно о поиске весовых коэффициентов. Таким образом, разбивка коэффициентов на диапазоны является условной (основана на логических соображениях исходя из значений данных показателей для различных компаний отрасли; интервалы взяты таким образом, чтобы во второй интервал после максимального попало порядка 60% ведущих компаний отрасли («Магнит», «Дикси», Х5 Retail Group, «ОК», «Л"Этуаль»), выбранных для определения среднерыночных коэффициентов и ориентиров). Чем выше долговая нагрузка, тем выше вероятность дефолта и тем меньшее количество баллов должен получить показатель. Эмпирические же методы сконцентрированы на поиске весовых коэффициентов и будут представлены двумя подходами - аналитическим (метод Т. Саати) и статистическим (регрессионное исследование) (максимальное количество баллов в данном случае совпадает с весовым коэффициентом). Сами же весовые коэффициенты будут определены позже.

Финансовые показатели скоринговой модели представлены в табл. 2.

Таблица 2. Финансовые показатели скоринговой модели

Группа показателей	Показатель	Диапазон коэффициента
Ликвидность		> 0,75	1
		0,5-0,75	0,75
		0,25-0,5	0,25
		0-0,25	0
Платежеспособность		0-1	1
		1-1,5	0,75
		1,5-2	0,5
		2-2,5	0,25
		> 2,5	0
		< 1,5	1
		1,5-2	0,5
		> 2	0
	Коэффициент покрытия процентов, EBIT/Interest	> 1,5	1
		1,3-1,5	0,75
		1-13	0,5
		< 1	0
Деловая активность	Рентабельность продаж, ROS	> 0,025	1
		0,02-0,025	0,75
		0,015-0,02	0,5
		< 0,015	0
	Убыток компании за три последние отчетных периода	Нет	1
		За один отчетный период	0,5
			0

Допустимые значения коэффициентов определялись на основе средних значений для пяти ведущих торговых предприятий России на основе отчетности МСФО за три года: «Магнит», Х5 Retail Group, «Дикси», «ОК», «М.Видео». Мы рассмотрели важнейшие финансовые показатели для определения финансового состояния заемщика. Однако большое влияние на кредитоспособность компании оказывают также факторы, провоцирующие возникновение рисков в бизнес-процессах заемщика. Прежде всего необходимо учесть качество менеджмента. Это весьма трудный показатель для количественного анализа, т.к. проблематично объективно оценить уровень управления компанией.

Постараемся перейти от качественной к количественной оценке и зададим максимальную оценку этого показателя при выполнении следующих условий:

имеется четкая стратегия развития компании на ближайшие годы;
неизменен состав топ-менеджмента (генеральный директор и главный бухгалтер занимают должности более двух лет), т.к. о наличии сильной команды менеджеров говорит в числе прочего и ее постоянство;
профессиональные компетенции соответствуют высоким требованиям (наличие профильного высшего образования у генерального директора и главного бухгалтера, опыт работы - более пяти лет).

Следующий важный фактор, который будет включен в скоринговую модель, - это срок функционирования компании. Кроме того, необходимо ввести стоп-фактор: при сроке ведения бизнеса меньше одного года данная модель будет неприменима ввиду отсутствия отчетности и возможности понять бизнес компании.

Еще один необходимый показатель - положительная кредитная история. Это один из важнейших нефинансовых показателей, характеризующий, по сути, качество обслуживания будущей ссуды. Было бы необоснованно рассчитывать на своевременный возврат кредитных средств от предприятия, имеющего просрочки другим кредиторам. Представим рассмотренные нефинансовые показатели и распределение баллов по ним в табл. 3.

Таблица 3. Нефинансовые показатели скоринговой модели

Группа	Показатели показателей		Доля от максимального количества баллов для диапазона
Бизнесс-процессы	Качество менеджмента		1
			0,5
			0
		> 5 лет	1
		3-5 лет	0,75
		1-3 года	0,25
		< 1 года	Стоп-фактор
			1
			0,5
			0
		Наличие систематической просрочки по кредитам и займам за последний финансовый год; существенный объем просрочки по кредиторской задолженности (> 25%)	Стоп-фактор

Мы составили систему оценочных показателей, которая, по нашему мнению, должна комплексно и разносторонне оценивать качество заемщика и его способность выполнять свои обязательства. Следующая часть работы при создании любой скоринговой модели наиболее трудоемкая - это определение веса различных оценочных показателей. Оттого, насколько объективно мы оценим важность тех или иных факторов, зависит прогнозная ценность нашей модели. В данной статье будет проведен анализ весов на основе нескольких методов для исключения возможных ошибок.

Весовые коэффициенты вначале будут определены с помощью аналитических процедур, а затем сопоставлены с результатами регрессионного анализа.

АНАЛИТИЧЕСКАЯ ОЦЕНКА ВЕСОВЫХ КОЭФФИЦИЕНТОВ МОДЕЛИ

В качестве инструмента оценки возьмем методику, подробно описанную в книге ТЛ. Саати «Математические модели конфликтных ситуаций» [б]. Данный метод позволяет уйти от многообразия факторов и сравнить на предмет значимости в конкретный момент времени только два из них, в конечном счете определив значимость влияния каждого из факторов на какой-либо общий показатель. Методика основана на составлении матриц парных сравнений, которые строятся для факторов, влияющих на какой-либо общий показатель. Такие матрицы могут быть построены, например, для показателя платежеспособности в разрезе факторов, представленных коэффициентами финансового рычага, долговой нагрузки и покрытия процентов. Задача состоит в том, чтобы построить такие матрицы для всех групп факторов, влияющих на какие-либо общие показатели. В итоге будут созданы две матрицы для табл. 2 - для групп показателей «Платежеспособность» и «Деловая активность», одна матрица для табл. 3 - для показателей бизнес-процессов, а также две матрицы для агрегированных уровней - одна матрица для группы финансовых показателей, состоящей из групп показателей «Ликвидность», «Платежеспособность» и «Деловая активность», и одна для двух агрегированных блоков - финансовых и нефинансовых показателей в целом.

Итого пять попарных матриц сравнения, каждая из которых даст свой коэффициент для входящего в нее показателя. Таким образом, чтобы получить весовой коэффициент для показателя на нижней ступени иерархии, например для коэффициента покрытия процентов, необходимо умножить весовой коэффициент финансовых показателей на весовой коэффициент показателей платежеспособности внутри финансовых показателей и на коэффициент показателя покрытия процентов внутри финансовых показателей.

В заголовках самих матриц для групп показателей в вертикальных и горизонтальных столбцах помещаются наименования факторов. Затем матрицы заполняются значениями, представляющими собой трансформацию субъективных предпочтений одного фактора другому в эмпирический вид согласно методике, представленной в табл. 4 (с использованием данных рис. 2).

Таблица 4. Метод Т. Саати. Классификация предпочтений (на основе рис.2)

В основном применяются нечетные числа, однако при затруднении в выборе можно воспользоваться четными как средним уровнем между двумя нечетными. Пример такой матрицы для четырех факторов показан на рис. 2. Соответственно, когда мы сравниваем один и тот же фактор, элемент принимает значение 1, поэтому такие матрицы являются единичными. Нетрудно заметить, что они также обратно симметричны, что позволяет нам заполнить такую матрицу только для значений, лежащих либо выше, либо ниже главной диагонали.

Учитывая, что матрицы попарных сравнений являются обратно симметричными, следует произвести сравнение только в одну сторону и внести соответствующие значения в матрицу над главной диагональю, а значения под главной диагональю будут обратными.

После получения пяти таких матриц производится расчет весовых коэффициентов: будет измерен вес каждого значения в матрицах относительно общей суммы в столбце, а затем из этих значений в каждой строчке будет взято среднее арифметическое по этим значениям. Среднеарифметические значения и будут представлять собой весовые коэффициенты. Пример матрицы для группы показателей платежеспособности представлен на рис. 3.

Произведя описанные расчеты, получим удельный вес каждого показателя. Для удобства дальнейших расчетов определим максимально возможный балл как произведение удельного веса показателя на 50 1 с последующим округлением до целого числа (табл. 5,6).

1 Данная операция произведена исключительно для удобства, число 50 позволяет минимальному коэффициенту перейти к целочисленному значению (в данном случае значению 2). Поскольку все коэффициенты умножаются на одно и то же число, мы не искажаем результатов аналитического подхода. - Прим. авт.

ОПРЕДЕЛЕНИЕ ЗНАЧИМОСТИ ПОКАЗАТЕЛЕЙ С ПОМОЩЬЮ РЕГРЕССИОННОГО АНАЛИЗА

Для проведения статистического исследования мы использовали данные по 41 крупной компании из сектора розничной торговли. Эти компании выпускали корпоративные облигации, и по 16 облигациям был зафиксирован дефолт. По каждой компании были рассчитаны восемь выбранных показателей скоринговой модели на основе годовой отчетности в год выпуска корпоративных облигаций. Выборка представлена в Приложении 1. В нем задан объясняемый показатель у- вероятность дефолта, принимающий значение 1, если компания не исполнила свои обязательства. Выделенные три показателя справа были заданы дамми-переменными (могут принимать только значения 0 или 1) ввиду их качественной природы. Они принимают значения 1, если за последние три года у компании чистая прибыль > О (Nl > 0), стабильный и качественный руководящий состав (manager) и положительная кредитная история (histor). Финансовые показатели (первые пять показателей) рассчитывались на основе годовой отчетности по стандартам МСФО в год выпуска дефолтных облигаций.

В качестве модели для исследования выберем построение линейной многофакторной регрессии:

p = w 0 + w 1 x 1 + w 2 x 2 + ... + w n x n ,

где р - зависимая переменная, описывающая вероятность дефолта;
w - весовые коэффициенты; х - показатели.

Итак, введем исходные данные в Excel и воспользуемся функцией Data analysis - Regression. При анализе исходных данных по восьми показателям скоринговой модели без корректировок получаем результат, представленный в Приложении 2. Adjusted R^2 равняется 0,55 - невысокое, но приемлемое значение, говорящее о практической значимости построенной регрессии. Можно выдвинуть предположение о причине невысокой значимости наличия выбросов в данных, например, отсутствие значений для некоторых компаний по показателю EBIT / Interest ввиду отсутствия долговой нагрузки (упрощенно в целях исследования в таком случае принималось значение коэффициента, равное 0) или отрицательное значение показателя Debt / EBITDA ввиду отрицательного денежного потока. В данном случае некорректно воспринимается влияние отрицательного показателя, т.к., по логике исследования, чем выше Debt / EBITDA, тем выше вероятность дефолта; отрицательный показатель, в свою очередь, не является показателем низкой долговой нагрузки. Также на прогнозную способность влияют компании с ярко выраженными экстремальными значениями отдельных показателей. Так, у компании «Банана-Мама» собственный капитал составляет 10 000 руб., что приводит к искажению соответствующих показателей - финансовый рычаг равен 181 957 (при среднеотраслевых значениях в диапазоне 0,7-1,5).

Таблица 5. Финансовые показатели с учетом веса

Показатель	Вес в системе показателей	Максимальный балл	Диапазон коэффициента
			>1	5
Коэффициент текущей ликвидности	0,1072	5	> 1	5
			0,75-0,1	4
			0,5-0,75	1
			0-0,5	0
Коэффициент текущей ликвидности	0,1581	8	< 1	8
			1-1,5	6
			1,5-2	4
			2-2,5	2
			> 2,5	0
Коэффициент долговой нагрузки, Net Debt / EBITDA	0,1581	8	< 1.5	8
			1,5-2	4
			> 2	0
	0,0790	4	> 1,5	4
			1,3-1,5	3
			1-1,3	2
			< 1	0
Рентабельность продаж, ROS	0,1256	6	> 0,025	6
			0,02-0,025	5
			0,015-0,02	3
			< 0,015	0
	0,0418	2	Нет	2
			За один отчетный период	1
			За два отчетных периода и более	0
Итого	0,6698	33	-	68

Исключим следующие шесть компаний из исследования: супермаркет «Город», «Интертрейд», М.Видео» (2013 г.), «Связной», «Банана-Мама», «Провиант». Также отметим невозможность одновременного использования показателей ROS и отсутствия убытков (Nl > 0) ввиду их высокой корреляции. Дело в том, что при наличии убытков у компании рентабельность продаж автоматически принимает отрицательное значение.

Таблица 6. Нефинансовые показатели с учетом веса

Показатель	Вес в системе показателей	Максимальный балл	Диапазон коэффициента / методика оценки	Количество баллов для диапазона с учетом веса
Качество менеджмента	0,099	5	Выполнение всех описанных условий	5
			Невыполнение одного из условий	2,5
			Невыполнение более чем одного условия	0
Срок функционирования компании	0,0528	3	> 5 лет	3
			3-5 лет	2
			1-3 года	1
			< 1 года	Стоп-фактор
Положительная кредитная история	0,1782	9	Отсутствие просрочек по кредитам и займам, просроченной кредиторской задолженности	9
			Наличие информации о реструктуризации задолженности; незначимые просрочки по кредиторской задолженности (до 10%)	4,5
			Единичный случай просрочки по займам и кредитам с последующим погашением; значимые просрочки по кредиторской задолженности (10-25% от общего объема задолженности)	0
			Наличие систематической просрочки по кредитам и займам за последний финансовый год; существенный объем просрочки по кредиторской задолженности (>25%)	Стоп-фактор
Итого		17

Опираясь на данные рассуждения, удалим показатель Nl > 0 из нашей модели. Для новой семифакторной регрессии на обновленной выборке из 35 компаний получим следующий результат (Приложение 3). Мы видим, что значимы шесть из семи исследуемых показателей. Знаки при коэффициентах верно отражают предположения, высказанные выше: чем выше рентабельность продаж и качество менеджмента, тем ниже вероятность дефолта (у = 1), и наоборот: чем выше долговая нагрузка, тем выше вероятность дефолта. На первый взгляд знак неправилен только у коэффициента текущей ликвидности. Однако большие значения ликвидности так же плохи, как и малые, - они говорят о низкой эффективности бизнеса и недополученной прибыли. Компании с большими коэффициентами ликвидности склонны к недополучению прибыли, низкой рентабельности и доходности бизнеса, что делает их менее привлекательными в глазах потенциальных инвесторов, а следовательно, и более уязвимыми к изменениям финансовых условий. Наиболее значимыми являются коэффициенты D (или Debt - объем процентного долга) / EBITDA, положительная кредитная история и финансовый рычаг; коэффициент покрытия процентов незначим.

Выше при моделировании коэффициентов по методу Т. Саати мы также предполагали, что наиболее значимыми показателями окажутся коэффициенты при долговой нагрузке и финансовом рычаге. Сравнительный анализ итоговых значимостей коэффициентов приведен в табл. 7.

Таблица 7. Сравнительный анализ значимости коэффициентов

Показатель на основе экспертных оценок по методу Т. Саати	Коэффициент	Показатель на основе регрессионного анализа	P-value
Положительная кредитная история	0,1782	Коэффициент долговой нагрузки, Net Debt / EBITDA	0,014
Коэффициент финансового рычага	0,1581	Положительная кредитная история	0,020
Коэффициент долговой нагрузки, Net Debt /EBITDA	0,1581	Коэффициент финансового рычага	0,022
Рентабельность продаж, ROS	0,1256	Качество менеджмента	0,037
Коэффициент текущей ликвидности	0,1072	Рентабельность продаж, ROS	0,039
Качество менеджмента	0,099	Коэффициент текущей ликвидности	0,047
Коэффициент покрытия процентов, EBIT / Interest	0,0790	Коэффициент покрытия процентов, EBIT / Interest	Незначим
Убыток компании за последние три отчетных периода	0,0418	Убыток компании за последние три отчетных периода	Исследовался как нефинансовый показатель, незначим

Данные результаты говорят о согласованности метода Т. Саати и статистических данных. Три наиболее значимых показателя по аналитическому подходу подтверждают свою высокую значимость и в практическом исследовании, изменилось только распределение очередности самих показателей. Также два наименее значимых по первой части работы показателя - качество менеджмента и EBIT/ Interest - оказались незначимы в статистическом исследовании.

Таким образом, регрессионный анализ подтверждает принципы классификации значимости весовых коэффициентов в аналитической части работы и позволяет говорить о статистической значимости построенной скоринговой модели.

ОПРЕДЕЛЕНИЕ РЕЗУЛЬТАТОВ РАЗРАБОТАННОЙ СКОРИНГОВОЙ МОДЕЛИ

Общее максимальное количество баллов скоринговой модели - 50. Для каждого показателя в процессе определения диапазонов значений мы выявляли следующий после максимального количества баллов уровень, также приемлемый, хоть и с относительно высоким уровнем риска, основываясь на рыночных значениях показателей. Для одних показателей следующий за максимальным уровень составлял 75% от общего количества баллов, для других - 50%. Все последующие уровни будем считать уровнями с высоким кредитным риском и относить соответствующих заемщиков к категории плохих. К наиболее предпочтительной группе отнесем заемщиков, выполняющих максимальные требования по самым значимым (по весовым коэффициентам) показателям: кредитная история, финансовый рычаг и долговая нагрузка, а также рентабельность продаж в сумме 31 балл и выполнение как минимум следующего за максимальным уровня требований по остальным показателям - 12,5 в сумме. Итого 43,5 балла за нижний уровень высокой кредитоспособности.

Для определения пограничного интервала, характеризующего высокую степень кредитоспособности, рассчитаем количество баллов по финансовым и нефинансовым показателям в следующем после максимального диапазоне значений из табл. 5 и б. Показатели разделены по принимаемым значениям коэффициентов на другие диапазоны. Мы получим следующую классификацию (табл. 8).

Таблица 8. Классификация результатов

Таблица 9. Прогнозная способность скоринговой модели, %

Основываясь на табл. 8, произведем оценку прогнозной способности нашей модели, подставляя данные компаний в ее условия. В Приложении 4 приведены рассчитанные скоринговые баллы для исследуемых компаний. В зависимости от значения показателя в таблице проставлялась его балльная оценка согласно разработанной модели, а затем все баллы суммировались в интегральный показатель (столбец «Сумма»). На основании суммы баллов производилось распределение компаний по трем классам, затем данные сравнивались с фактическим наличием или отсутствием дефолта у компании. В столбце «Верно или нет», 1 означает верный результат скоринговой модели, 0 - ошибку. Таким образом, мы получили следующий результат (табл. 9).

Мы получили средний (относительно описанных в различных источниках) результат для прогнозной способности скоринговых моделей. Однако стоит отметить низкий процент ошибок второго рода, что повышает прогнозную ценность нашей модели. Данный результат можно считать положительным и подтверждающим эффективность проведенного исследования.

ЗАКЛЮЧЕНИЕ

В данной работе была предложена скоринговая модель для оценки кредитоспособности крупных розничных торговых предприятий. Модель основывается на комплексе оценочных показателей, позволяющих разносторонне оценить финансовое и нефинансовое состояние заемщика.

По результатам оценки заемщику присуждается один из трех классов кредитоспособности, характеризующий степень кредитного риска и целесообразность кредитования.

Мы смоделировали систему оценочных показателей, позволяющих наиболее точно оценить состояние заемщика из сектора розничной торговли. Произведя анализ лидеров рынка розницы и рассчитав для них используемые показатели, мы определили для них границы приемлемых значений и ранжировали по разным группам с разным процентом от максимально возможного балла.

Наиболее трудоемкой задачей было определение весовых коэффициентов при исследуемых показателях. Был сделан вывод о необходимости комплексного подхода ввиду отсутствия какого-то одного идеального метода. Комплексный подход был реализован следующим образом: в первой части работы весовые коэффициенты определялись с помощью аналитических процедур, а во второй - с помощью статистического исследования.

Разработанная модель показала высокие результаты в прогнозной способности, при этом она не требует больших ресурсных затрат на проведение анализа. Введение в эксплуатацию разработанной скоринговой системы позволит увеличить эффективность принятия кредитных решений в сфере крупных предприятий розничной торговли и оптимизировать кредитный процесс.

Литература

1. Айвазян С.А., Мхитарян B.C. Прикладная статистика и основы эконометрики. - М.: ГУ ВШЭ, 1998.

2. Гаврилова A.H. Финансы организаций. - М.: Кнорус, 2007.

3. Коробова Г.Г., Петров М.А. Состоятельность банковского заемщика и ее оценка в условиях конкуренции // Банковские услуги. -2005. -№7/8. -C. 22-24.

4. Куликов Н.И., Чайникова Л.И. Оценка кредитоспособности предприятия-заемщика. - Тамбов: Университет ТГТУ, 2007.

5. Положение ЦБ РФ №254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» от 26 марта 2004 г. - http://base.garant.ru/584458/.

6. Саати Т.Л. Математические модели конфликтных ситуаций / Под ред. И.А. Ушакова. - М.: Советское радио, 1977.

7. Шеремет А.Д., Сайфулин P.C., Негашев H.B. Методика финансового анализа. - М.: Инфра-М, 2001.

8. Abdou Н.А., Pointon J. (2011). «Credit scoring, statistical techniques and evaluation criteria: a review of the literature». Intelligent Systems in Accounting, Finance & Management, Vol. 18, No. 2-3, pp. 59-88.

9. Bailey M. (2004). Consumer Credit Quality: Underwriting, Scoring, Fraud Prevention and Collections. White Box Publishing, Kingswood, Bristol.

10. Crook J., Edelman D., Thomas L. (2007). «Recent developments in consumer credit risk assessment». European Journal of Operational Research, Vol. 183, No. 3, pp. 1447-1465.

11. Gately E. (1996). Neural Networks for Financial Forecasting: Top Techniques for Designing and Applying the Latest Trading Systems. New York: John Wiley & Sons, Inc.

12. Guillen М., Artis M. (1992). Count Data Models for a Credit Scoring System: the European Conference Series in Quantitative Economics and Econometrics on Econometrics of Duration, Count and Transition Models. Paris.

13. Heffernan S. (2004). Modern Banking. John Wiley & Sons, Inc., Chichester, West Sussex.

14. Liang Q. (2003). «Corporate financial distress diagnosis in China: empirical analysis using credit scoring models». Hitotsubashi Journal of Commerce and Management, Vol. 38, No. 1, pp. 13-28.

ПРИЛОЖЕНИЕ 1.

Выборка для исследования

№	Компания	y / Признак дефолта	Коэффициент текущей ликвидности			EBIT / Interest/ Отношение EBIT к процентным платежам		NI > 0/ Наличие чистой прибыли
1	Аптека 36,6	0	0,82	1,32	2,41	1,83	0,0496	1	1	1
2	Л"Этуаль	0	5,04	2,75	10,98	1,64	0,007	1	1	1
3	Кора	0	0,795	0,77	3,13	1,89	0	0	1	1
4	Лента	0	0,75	9,7	2,91	3,1	0,049	1	1	1
5	ОК	0	0,67	0,78	1,59	7,01	0,0357	1	1	1
6	Автомир	0	1,2	0,65	3,09	1,35	0,04	1	1	1
7	Х5 Retail Group	0	0,55	0,53	3,32	2,82	0,027	1	1	1
8	Город	0	0,99	18,97	10,25	1,29	0,01	1	1	0
9	Детский мир	0	0,93	0,83	2,14	3,99	0,032	1	1	1
10	Дикси	0	0,77	1,19	6,1	1,78	0,01	1	1	1
11	ИнтерТрейд	0	1,24	20,65	4,92	2,1	0,015	1	1	0
12	Карусель	0	0,73	0,68	3,175	1,71	0,059	1	1	1
13	Копейка	0	0,68	2,93	7,03	1,82	0	0	1	1
14	Kosmos Group	0	1,64	1,11	2,88	2,65	0,043	1	1	1
15	Магнит	0	и	0,54	1,11	10,2	0,061	1	1	1
16	Магнолия	0	0,27	2,35	3,55	1,02	0,064	1	1	1
17	М.Видео (2007 г.)	0	1,31	0,73	1,9	2,58	0,013	1	1	1
18	М.Видео (2013 г.)	0	0,95	0	0	0	0,039	1	1	1
19	ОАО «НТС»	0	1,18	3,09	5,44	1,05	0,21	1	0	1
20	Обувь России	0	0,87	2,34	1,87	5,65	0,1	1	1	1
21	Перекресток (2005 г.)	0	0,54	1,09	3,16	3,92	0,026	1	1	1
22	Пивдом	0	1,99	3	8	1,1	0,0006	1	0	1
23	Семья	0	10	0,28	1,66	6	0,58	1	1	1
24	Связной	0	1,07	0	0	0	0,001	1	1	1
25	Элекам	0	1,44	1,82	4,25	1,3	0,01	1	1	1
26	Макро	1	1	15	11	1,52	0,01	1	0	1
27	Престиж-экспресс	1	8	0,98	12,43	1,02	0,002	1	0	1
28	Арбат-Престиж	1	0,49	1,81	7,6	1,45	0,017	1	1	0
29	Орхидея	1	3	1,164	13	0	0,01	1	0	1
30	Банана-Мама	1	0,94	181957	-35	-0,6	-0,033	0	1	0
31	Белый фрегат	1	7	932	8,76	0,88	-0,4	0	1	1
32	Марта	1	3,96	20	11	1/17	0,003	1	1	1
33	Матрица	1	2,38	21	6,82	1	0,001	1	0	0
34	Меркурий (Самохвал)	1	1,12	9,98	7,32	1,27	0,003	1	1	1
35	Миннеско	1	0,79	4,39	12	0,12	-0,047	0	1	1
36	Мосмарт	1	12	5	8	1,5	0	0	0	0
37	Полесье	1	7,93	15	14	1,03	0,003	1	0	1
38	Провиант	1	0,12	35557	0	0	-0,819	0	0	1
39	Седьмой континент	1	1,93	0,41	1,52	1,35	0,07	1	0	1
40	Техносила	1	14	18	10,36	1	0,002	1	1	1
41	ТОАП	1	7	22	10,83	1,04	0,009	0	0	1

Примечание: если у компании был зафиксирован дефолт, то коэффициенту принимает значение 1, и 0, если дефолта не было.

ПРИЛОЖЕНИЕ 2.

Регрессия по восьми факторам для 41 компании

Регрессия и остаток	DF / Число степеней свободы	SS / Сумма квадратов	MS = SS / DF	F-статистика	Significance F / Значимость
Regression / Регрессия	8	6,250849408	0,781356176	7,133131961	2,17209Е-05
Residual / Остаток	32	3,505248153	0,109539005	-	-
Total / Итого	40	9,756097561	-	-	-

Используемые параметры			tStat/ t-статистика	P-vaiue / Значимость
Intercept / Константа	0,354797355	0,281481615	1,260463691	0,216616062
Коэффициент текущей ликвидности	0,034652978	0,01876389	1,846790732	0,074043212
Leverage / Финансовый рычаг	1,31819Е-05	4,77939Е-06	2,758072506	0,009529947
D / EBITDA / Отношение процентного долга к EBITDA	0,044980795	0,018152923	2,477881708	0,018682248
	-0,012377044	0,030936193	-0,40008296	0,691753745
ROS / Рентабельность продаж	-0,530759612	0,375019201	-1,415286499	0,166643428
NI > 0 / Наличие чистой прибыли	-0,02891433	0,164713359	-0,175543319	0,861758855
Manager / Качество менеджмента	-0,266367tl2	0,134861932	-1,975109717	0,056935374
Histor/ Качество кредитной истории	-0,109402928	0,159841844	-0,684444857	0,498621797

ПРИЛОЖЕНИЕ 3.

Регрессия по семи факторам для 35 компаний

Регрессия и остаток	DFI Число степеней свободы	SS / Сумма квадратов	MS = SS / DF	F-статистика	Significance F / Значимость F
Regression / Регрессия	7	5,898901667	0,842700238	9,097165886	9,56Е-06
Residual / Остаток	27	2,501098333	0,092633272	-	-
Total / Итого	34	8,4	-	-	-

Используемые параметры	Coefficients / Коэффициенты	Standard Error / Стандартная ошибка	t Stat/ t-статистика	P-value / Значимость
Intercept / Константа	0,473712463	0,25308461	1,871755309	0,072111654
Коэффициент текущей ликвидности	0,018420061	0,017803477	1,034632774	0,047018946
Leverage / Финансовый рычаг	0,017110959	0,009674238	1,768713818	0,022823937
D / EBITDA / Отношение процентного долга к EBITDA	0,046019604	0,021802198	2,110778177	0,014194286
EBIT / Interest / Отношение EBIT к процентным платежам	-0,004583381	0,032996403	-0,13890548	0,89055573
ROS / Рентабельность продаж	-0,582081686	0,483677061	-1,203451088	0,039247801
Manager / Качество менеджмента	-0,174077167	0,138900851	-1,253247659	0,03786026
Histor / Качество кредитной истории	-0,378981463	0,194742843	-1,946061058	0,020243892

ПРИЛОЖЕНИЕ 4.

Оценка компаний из выборки по скоринговой модели

Компания	У	Коэффициент текущей ликвидности	Leverage / Финансовый рычаг	D / EBITDA / Отношение процентного долга к EBITDA	EBIT / Interest / Отношение EBIT к процентным платежам	ROS / Рентабельность продаж	Manager / Качество менеджмента	Histor / Положительная кредитная история	Срок функционирования компании	Сумма	Класс	Верно или нет*
Аптека 36,6	0	4	6	4	4	6	5	9	3	41	2	1
Л"Этуаль	0	5	0	0	4	0	5	9	3	26	3	0
Кора	0	4	8	0	4	0	5	9	3	33	2	1
Лента	0	1	0	0	4	6	5	9	3	28	3	0
ОК	0	1	8	4	4	6	5	9	3	40	2	1
Автомир	0	5	8	0	3	6	5	9	3	39	2	1
Х5 Retail Group	0	1	8	0	4	5	5	9	3	35	2	1
Детский мир	0	4	8	4	4	6	5	9	3	43	2	1
Дикси	0	4	6	0	4	0	5	9	3	31	2	1
Карусель	0	1	8	0	4	6	5	9	3	36	2	1
Копейка	0	1	0	0	4	0	5	9	3	22	3	0
Kosmos Group	0	5	6	0	4	6	5	9	3	38	2	1
Магнит	0	5	8	8	4	6	5	9	3	48	1	1
Магнолия	0	0	2	0	2	6	5	9	3	27	3	0
М.Видео (2007 г.)	0	5	8	4	4	0	5	9	3	38	2	1
ОАО «НТС»	0	5	0	0	2	6	0	9	3	25	3	0
Обувь России	0	4	2	4	4	6	5	9	3	37	2	1
Перекресток (2005 г.)	0	1	6	0	4	5	5	9	3	33	2	1
Пивдом	0	5	0	0	2	0	0	9	3	19	3	0
Семья	0	5	8	4	4	6	5	9	3	44	1	1
Элекам	0	5	4	0	2	0	5	9	3	28	3	0
Макро	1	4	0	0	4	0	0	9	3	20	3	1
Престиж-экспресс	1	5	8	0	2	0	0	9	3	27	3	1
Арбат-Престиж	1	0	4	0	3	0	5	0	3	15	3	1
Орхидея	1	5	6	0	0	0	0	9	3	23	3	1
Белый фрегат	1	5	0	0	0	0	5	9	3	22	3	1
Марта	1	5	0	0	2	0	5	9	3	24	3	1
Матрица	1	5	0	0	0	0	0	0	3	8	3	1
Меркурий (Самохвал)	1	5	0	0	2	0	5	9	3	24	3	1
Миннеско	1	4	0	0	0	0	5	9	3	21	3	1
Мосмарт	1	5	0	0	3	0	0	0	3	11	3	1
Полесье	1	5	0	0	2	0	0	9	3	19	3	1
Седьмой континент	1	5	8	4	3	6	0	9	3	38	2	0
Техносила	1	5	0	0	0	0	5	9	3	22	3	1
ТОАП	1	5	0	0	2	0	0	9	3	19	3	1

* Столбец показывает, верное ли решение мы получили по кредитованию компании согласно скоринговой модели.

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Во многих случаях отечественные банки на практике применяют модели анализа кредитоспособности на основе системы финансовых показателей, которые дают возможность оценить финансовое положение заемщика. Но данные модели так же, как и классификационные модели, имеют свои недостатки, такие как разработка нормативных значений для сравнения, так как существует разброс значений, обусловленный отраслевой спецификой предприятий - заемщиков. Что касается приводимых в соответствующей литературе оптимальных нормативных значений финансовых показателей, то они рассчитаны без учета отраслевой специфики. Из-за отсутствия единой нормативной базы по отраслям объективный анализ финансового положения заемщика невозможен, так как нет сравнительных среднеотраслевых, минимально допустимых и наилучших для данной отрасли показателей.

1.5 Скоринговая модель как инструмент оценки кредитоспособности

Банки привлекают квалифицированных специалистов для оценки кредитоспособности. К примеру, в ОАО «Банк Международный» не так давно был образован отдел финансового анализа Управления финансового анализа и методологии кредитных проектов, целью которого является проведение комплексного и объективного анализа деятельности заемщика (залогодателя, поручителя) с целью определения уровня кредитного риска по предоставленным кредитам . Но привлечение таких специалистов указывает на некоторые негативные аспекты:

Мнение специалистов субъективно - точность оценки зависит от профессионализма сотрудников, их знаний и опыта;

Сотрудники физически неспособны оперативно обработать большие объемы информации - отсюда ограничение числа рассматриваемых заявок;

В-третьих, привлечение квалифицированных специалистов требует значительные расходов - такие сотрудники обычно имеют высокую заработную плату.

В связи с обозначенными выше моментами, становится понятной высокая заинтересованность банков такими системами классификации кредитов, которые позволили бы свести к минимуму участие экспертов в вопросах принятия решений и уменьшили бы значимость человеческого фактора. Можно выделить два основных метода к оценке кредитного риска: субъективное заключение квалифицированных специалистов и автоматизированные системы кредитного скоринга .

Кредитный скоринг - это разновидность рейтинговой оценки, технический прием, предложенный в начале 40-х годов двадцатого века американским ученым Д. Дюраном для выборки заемщиков по потребительскому кредиту . Отличие кредитного скоринга от рейтинговой оценки заключается в том, что в формуле рейтинговой оценки вместо значения показателя используется его частная балльная оценка. Для каждого показателя определяется несколько интервалов значений, каждому интервалу приписывается определенное количество баллов или определяется класс. Если полученный заемщиком рейтинг ниже значения, заранее установленного сотрудниками банка, то такому заемщику будет отказано в кредите, а если соответствует нормативам, то кредитная заявка будет удовлетворена. В данном контексте следует отметить, что изначально модель кредитного скоринга была ориентирована на заемщиков - физических лиц. Лишь впоследствии, когда модель была проработана и была доказана ее эффективность на потребительском кредитовании, модель стали применять для оценки кредитоспособности юридических лиц.

Что касается использования модели кредитного скоринга отечественными банками, то в данном контексте скоринг кредитов предприятий - юридических лиц представляет собой методику оценки качества заемщика, основанную на различных характеристиках финансового положения предприятия . В результате анализа переменных получают интегрированный показатель в баллах, который оценивает степень кредитоспособности заемщика по ранговой шкале. В зависимости от балльной оценки принимается решение о выдаче кредита, о лимитах кредита. В случае с ОАО «Банк Международный», скоринговая модель позволяет сделать вывод о качестве финансового положения заемщика и о размере резерва на возможные потери по ссудам . Данная скоринговая модель сочетает в себе оценку кредитного риска, бизнес-риска и риска кредитной истории. Подробнее о данных видах риска рассказано ниже.

Основная цель использования скоринговой модели выражается в том, чтобы увеличить информированность о реальном финансово-экономическом положении потенциальных заемщиков. Модель не только позволяет оценить реальное финансовое состояние, но также и кредитный потенциал предприятий, что выполнять требования к кредитованию заемщиков. Важное отличие модели кредитного скоринга от субъективной оценки эксперта в том, что оценки скоринга основаны на математико-статистическом анализе кредитной истории «прошлых» заемщиков банка и предполагают более объективную систему оценки риска .

Таким образом, проблемы, которые может решить модель кредитного скоринга, следующие:

субъективизм - зачастую решения, принимаемые кредитными специалистами, основаны только на интуиции и личном опыте;

негибкость и нестабильность - качество оценки является случайной величиной, которую невозможно улучшить или ухудшить, и зависит от эмоционального состояния и предпочтений эксперта;

отсутствие системы обучения, передачи знаний и повышения квалификации - прежде чем стать высококвалифицированным специалистом, необходимо накопить определенный уровень знаний, основанный на приобретении достаточного опыта в данной сфере;

ограничение числа рассматриваемых заявок, которое обусловлено ограниченными физическими ресурсами человека, в результате этого - упущенная выгода от небольшого числа рассматриваемых заявок.

Данные недостатки можно попытаться решить с помощью скоринговой модели, так как ее преимуществами являются простота (так как достаточно рассчитать финансовые коэффициенты и, приняв во внимание коэффициенты их значимости, определить класс заемщика), возможность расчета оптимальных значений по частным показателям, способность ранжирования организаций по результатам, комплексный подход к оценке кредитоспособности (так как используются показатели, отражающие различные стороны деятельности организации). Однако при использовании скоринговой модели следует учитывать ряд проблем:

необходимость тщательного отбора финансовых показателей (требуется использовать показатели, описывающие разные стороны работы заемщика);

важность обоснования пороговых значений показателей (в России довольно сложно осуществить подобный подход, так как недостаточно сведений о фактическом состоянии и уровнях данных показателей в экономике России, а также малая степень участия банков в формировании такой базы данных);

необходимость обоснования коэффициентов значимости для каждой системы показателей в соответствии с отраслью деятельности конкретного предприятия - заемщика;

определение величины отклонений в пограничных областях, относящих заемщиков к разным классам;

при рейтинговой оценке учитываются уровни показателей только относительно оптимальных значений, соответствующих определенным установленным нормативам, но не принимается во внимание степень их выполнения или невыполнения;

в системе рассчитываемых коэффициентов не учитываются многие факторы - репутация заемщика, перспективы и особенности рыночной конъюнктуры, оценки выпускаемой и реализуемой продукции, перспективы капиталовложений.

Скоринговая модель является одним из примеров успешного применения статистических и математических методов. Однако в России скоринговая модель не получила распространения. По мнению Г. Андреевой, широкому распространению скоринга мешают не столько объективные, сколько субъективные причины, из которых основная причина - недоверчивое отношение банковских менеджеров к математическим и статистическим методам . Если говорить об отечественных банках, то применение скоринговых моделей в банках сочетается с экспертной оценкой. В банках для каждого крупного предприятия - заемщика назначается ответственный кредитный специалист, который курирует финансовый анализ по данному заемщику. В связи с малой разработанностью скоринговых моделей данную тему будет интересно рассмотреть на примере конкретного банка.

Глава 2. Оценка кредитоспособности заемщиков - юридических лиц в рамках финансового анализа на основе методики ОАО «Банк Международный»

2.1 Краткая характеристика деятельности ОАО «Банк Международный»

Банк был зарегистрирован Центральным Банком Российской Федерации в ноябре 1989 года как «Санкт-Петербургский лесопромышленный банк». В 1999 году Банк был переименован в «Банк Международный» . Основным направлением кредитной политики Банка в 1999 году являлось формирование мощной универсальной клиентской базы. Предложив ведущим корпорациям Санкт-Петербурга и Северо-Западного региона уникальный комплексный финансовый сервис, Банк смог в течение года привлечь на обслуживание свыше 500 крупнейших предприятий промышленности, торговли, транспорта, строительства и других отраслей.

Особенностью работы Банка явилось закрепление за каждой компанией-клиентом персонального менеджера, оперативно решающего все возникающие вопросы предприятия, связанные с обслуживанием в банке. В данном контексте хотелось бы отметить, что Банк сделал ставку не на автоматизированные системы управления кредитным риском, а именно на экспертную оценку сотрудников банка, что в рамках рассматриваемой темы диплома является скорее контраргументом к применению скоринговой модели. То есть сама по себе модель недостаточно хорошо отражает кредитный риск контрагента, если каждый этап получения баллов за ту или иную статью риска не контролируется кредитным специалистом в рамках составления экспертного суждения об уровне риска.

Далее в 2000 году ОАО «Банк Международный» выходит на рынок Москвы, где и было открыто первое региональное подразделение Банка. Клиентами филиала стали 65 юридических лиц, среди которых такие крупные предприятия и организации как ГТК «Россия», представительство ОАО «Авиакомпания «Самара», ОАО «Мостотрест», представительства фирм Санкт-Петербурга: ГУАП «Пулково», группы компаний «Талосто», ООО «Лаверна», а также крупные московские предприятия - группа компаний «Экспресс-лайн», ООО «Счетмаш», ЗАО «ТД «Даргез», группа компаний «Стальные конструкции» и другие .

В настоящее время основным направлением деятельности Банка является кредитование крупных корпоративных клиентов, занимающих лидирующие позиции в торговой, лизинговой, строительной, производственной и отраслях оборонно-промышленного комплекса. Банк имеет 5 филиалов в Российской Федерации: в Волгограде, в Москве, в Нижнем Новгороде, в Новосибирске и в Ульяновске.

Кредитованию в Банке отводится роль основного механизма получения доходов от размещения собственных и привлеченных средств и, одновременно, продукта, удовлетворяющего потребности клиентов Банка в заемных средствах. Кроме того, кредитование используется как инструмент для привлечения новых клиентов банка, сохранения имеющейся клиентской базы, расширения сфер и увеличения объемов бизнеса Банка.

В кредитной политике ОАО «Банк Международный» выделены следующие цели кредитования как банковского бизнеса :

Формирование сбалансированного по структуре и видам рисков кредитного портфеля в рамках устанавливаемых Финансовым Планом Банка размеров кредитных вложений Банка.

Поддержание оптимальной доходности кредитного портфеля.

Обеспечение приемлемого уровня риска по кредитным операциям.

Расширение объемов и сфер бизнеса Банка.

Максимальное удовлетворение потребностей клиентов Банка в кредитных продуктах.

ОАО «Банк Международный» позиционирует себя как универсальный финансовый институт, и в соответствии с этим предлагает корпоративным клиентам широкий перечень кредитных инструментов :

Краткосрочное кредитование, в том числе, в форме кредитной линии с лимитом выдачи, с лимитом задолженности и овердрафт;

Финансирование лизинговых операций;

Кредитование на приобретение векселей Банка (вексельное кредитование);

Документарные операции, связанные с кредитным риском для Банка.

Финансирование внешнеторговых операций;

Покупка долговых обязательств (векселей, облигации) третьих лиц;

Инвестиционное кредитование (проектное финансирование).

В соответствии с кредитной политикой Банка приоритетными направлениями кредитования ОАО «Банк Международный» являются следующие отрасли экономики:

добыча и переработка, реализация углеводородного сырья (нефть, газ) и продуктов их переработки;

пищевая промышленность;

фармацевтическая промышленность;

энергетическая отрасль;

оборонно-промышленный комплекс;

транспорт, в том числе автомобильный, железнодорожный, авиационный;

логистика;

торговля, в том числе оптово-розничная ТНП и т.д.;

финансирование лизинговой деятельности в указанных отраслях.

С учетом успешной деятельности Банка на финансовом рынке уже в течение чуть более чем 20 лет, следует отметить достаточно высокие рейтинги Банка. Международное рейтинговое агентство «Standard & Poor"s» в 2012 году повысило долгосрочный кредитный рейтинг Банка по международной шкале до отметки «В» - стабильный. По национальной шкале рейтинг Банка также повышен до уровня «ruBBB+» .

Таким образом, ОАО «Банк Международный» успешно функционирует на финансовом рынке России уже достаточно длительный период. В рамках рассматриваемой темы ВКР следует сделать акцент на системе риск-менеджмента банка. Банк обеспечивает достаточный уровень прибыльности без наращивания «аппетита к риску», используя эксклюзивную модель «индивидуального подхода к клиентам» . Одним из инструментов данной модели является скоринговая модель в сочетании с качественным анализом финансового положения заемщиков.

2.2 Выбор заемщиков - юридических лиц, клиентов ОАО «Банк Международный» для анализа кредитоспособности

Приступая к анализу финансового положения заемщиков - юридических лиц, клиентов ОАО «Банк Международный», нужно отметить, что данный анализ необходим для последующих расчетов по скоринговой модели. Кроме того, не лишним будет обратить внимание на управление Банка, которое занимается финансовым анализом.

Название данного управления следующее: «Управление финансового анализа и методологии кредитных проектов Департамента анализа и контроля кредитных проектов» . Данное управление занимается осуществлением ежеквартального мониторинга финансового положения заемщика. По юридическим лицам производится оценка финансового положения заемщика на основании анализа изменения финансового состояния предприятия, выявления негативных моментов в финансово-хозяйственной деятельности заемщика. По итогам ежеквартального мониторинга Управлением формируется профессиональное суждение об уровне риска по ссудам, производится классификация ссудной задолженности по категориям качества с указанием процентной величины расчетного резерва.

После рассмотрения деятельности Управления Банка по финансовому анализу, можно приступить к расчетам. Для анализа кредитоспособности в рамках данного исследования было выбрано 33 заемщика. Выборка данных заемщиков была сформирована исходя из следующих предпосылок: выбранные заемщики являются юридическими лицами, крупными корпоративными клиентами; выбранные заемщики различаются по отраслям; по выбранным заемщикам в наличии информация, необходимая для расчетов. Хотелось бы уточнить, что выбор заемщиков был обусловлен тем, что Банк в апреле 2013 года проводил ежеквартальный мониторинг финансового положения отчетностей именно приведенных выше заемщиков. Также наличие в выборке заемщиков по разным отраслям позволяет изучить различия при анализе кредитоспособности отраслей, что, несомненно, является преимуществом для комплексного исследования. В таблице 2.1. представлено распределение заемщиков по сферам деятельности.

Таблица 2.1 - Предприятия - заемщики, распределение по отраслям

Торговые компании (16)	Строительные компании (9)
ООО «АБМ Трейд»	ЗАО «И-Инвест»
ООО «АВРО»	ООО «ГАММА»
ООО «Агроальянс МТ»	ОАО «ГСК»
ООО «Александрия»	ООО «КВС»
ООО «Белый Ветер Цифровой»	ЗАО «Новая Эра»
ООО «Евротрансавто»	ООО «Полюс»
ООО «Евротранс»	ООО «ПромТехСервис»
ООО «Оптима»	ООО «Строительный трест № 3»
ООО «РКБ»	ООО «Элис-Констракшн»
ООО «Санти»	Производственные компании (6)
ООО «СПб Нефтепродукт»	ООО «АНГСТРЕМ Трейдинг»
ООО «СТК Девиз»	ООО «ДСК№ 5»
ООО «Тав Ойл»	ООО «Иллунг»
ООО «Торговля от «Петмола» опт»	ЗАО «ПолеКом»
ЗАО «Финансовая компания «Форум»	ООО «Прионежская горная компания»
ООО «ЮНИФРОСТ»	ЗАО «РУАН»
Лизинговые компании (1)	Транспортные компании (1)
ЗАО «Лизинговые технологии»	ООО «Транспортная компания» «Стелл»

Значимые показатели по выбранным заемщикам приводятся в Приложениях 1-33 к ВКР. Среди значимых показателей - агрегированный баланс заемщика, структура активов и структура пассивов. Приложения идут в том же порядке, как и заемщики, представленные в таблице 2.1.

Для более наглядного представления о заемщиках по отраслям можно взглянуть на рис. 2.1. Из рисунка видно, что большую часть в выборке составили торговые компании (49% от выборки), также строительные (27%) и производственные компании (18%). То есть в выборке 16 торговых компаний, 9 строительных компаний, 6 производственных компаний, 1 лизинговая и 1 транспортная компания.

Рис. 2.1. Распределение заемщиков в выборке по отраслям

2.3 Анализ финансового положения заемщиков на основе методики ОАО «Банк Международный»

После первичного изучения выборки можно приступать непосредственно к финансовому анализу заемщиков. Следует обратить внимание, что финансовый анализ проводился на основе методики Банка, приведенной в «Инструкции по краткосрочному кредитованию юридических лиц» . В данном внутреннем нормативном документе Банка последовательно приведен алгоритм анализа финансового положения заемщика.

Для наглядного представления о проделанной работе будет представлен анализ финансового положения одного из 33-х заемщиков, так как представлять анализ всех 33-х заемщиков не имеет смысла ввиду большого объема анализа. Тем не менее, результаты расчета финансовых коэффициентов остальных заемщиков можно найти в Приложении 34 к ВКР.

Для наглядного представления о проделанной работе представлен анализ финансового положения одного из 33-х заемщиков, так как представлять анализ всех 33-х заемщиков не имеет смысла ввиду большого объема анализа. Тем не менее, результаты расчета финансовых коэффициентов остальных заемщиков можно найти в Приложении 34 к данной работе. В Приложениях 1-33 к ВКР приведены данные по остальным заемщикам. Компании в Приложениях 1-33 представлены в том же порядке, что и на таблице 2.1. Формат приведенных данных: значимые показатели - агрегированный баланс, структура активов и структура пассивов. Данные по всем компаниям представлены за 5 кварталов - 4 квартала 2012 года и последний квартал предыдущего, 2011 года.

Таким образом, для репрезентативного финансового анализа был выбран заемщик Общество с ограниченной ответственностью «ТаВ Ойл». Выбор данного заемщика среди остальных 33-х заемщиков обусловлен тем, что структура финансовой отчетности данного заемщика более всего подходит для отражения всех особенностей анализа финансового положения заемщика. Заемщик имеет отчетность с достаточным удельным весом показателей в структуре активов и пассивов, для того чтобы в дальнейшем на его примере можно было раскрыть методику скоринговой модели.

Компания ООО «Тав Ойл» была зарегистрирована 24.10.2003 года. Компания работает на рынке реализации нефтепродуктов с 2003 года. Основным видом деятельности компании является оптовая торговля нефтепродуктами. Компания работает с поставщиками нефтепродуктов по предоплате, а с покупателями - с отсрочкой платежа в зависимости от вида нефтепродуктов (фактически до 30 календарных дней).

В соответствии с «Инструкцией по краткосрочному кредитованию юридических лиц» на основании данных бухгалтерской отчетности была сформирована аналитическая таблица (агрегированный баланс) с указанием основных абсолютных финансовых показателей по состоянию на 01.01.2012, 01.04.2012. 01.07.2012 и 01.10.2012, 01.01.2013 (за 4 квартала + отчетный квартал). Таблица 2.2. приведена ниже.

Таблица 2.2 - Показатели бухгалтерского баланса и отчета о прибылях и убытках (тыс. руб.):

Показатель
Валюта баланса
Капитал и резервы
Нераспр. прибыль (убыток)
Внеоборотные активы

НДС по приобр. Ценностям
Дебиторская задолженность
Краткосрочные фин. Вложения
Денежные средства
Прочие оборотные активы
Всего оборотные активы
Займы и кредиты долгосрочные
Всего долгосрочные обяз-ва
Кредиты и займы краткосрочные
Кредиторская задолженность
Доходы будущих периодов
Всего краткосрочные обяз-ва
Выручка от реализации (нараст. итогом)


Прибыль от продаж
Прочие доходы
Прочие расходы
Проценты к уплате
Чистая прибыль/убыток


Чистая прибыль за квартал

В «Инструкции» при изучении данных агрегированного баланса предлагается проанализировать основные тенденции изменения абсолютных финансовых показателей. Основной задачей сотрудника Управления финансового анализа является выявление причин данных тенденций, а также изучения влияния указанных причин на возможность исполнения обязательств перед Банком в будущем.

На первом этапе был проведен анализ динамики и структуры капитала ООО «Тав Ойл» с расчетом абсолютных и относительных изменений. В таблице 2.3. приведен горизонтальный анализ агрегированного баланса ОАО «Тав Ойл». За анализируемый период (с 01.01.2012 до 01.01.2013) валюта баланса компании выросла на 27,3 млн. руб. или на 44%. В 4 квартале по сравнению с 3 кварталом 2012 года валюта баланса выросла на 24,2 млн. руб. или на 36,8%. В структуре капитала компании на 01.01.2013 года преобладают оборотный капитал в активе и краткосрочные обязательства в пассиве. При этом структура капитала компании сбалансирована по срокам привлечения и размещения средств. Величина собственных оборотных средств составила 34,7 млн. руб. и возросла по сравнению с началом отчетного года на 5,7%. Таким образом, за счет инвестиционных ресурсов (собственного капитала и долгосрочных обязательств) на 53% профинансирован оборотный капитал. Чистые активы (представленные собственным капиталом компании) увеличились за период с начала года на 5%, благодаря росту нераспределенной прибыли. На 01.01.2013 г. она составила 99,9% в общем объеме капитала и резервов.

Таблица 2.3 - Анализ динамики важнейших показателей ООО «Тав Ойл»:

Показатель	Изменение за год	Изменение за квартал
Валюта баланса
Капитал и резервы
В том числе нераспределенная прибыль (убыток)
Внеоборотные активы

НДС по приобретенным ценностям
Дебиторская задолженность
Краткосрочные финансовые вложения
Денежные средства
Прочие оборотные активы
Всего оборотные активы
Займы и кредиты долгосрочные
Всего долгосрочные обязательства
Кредиты и займы краткосрочные
Кредиторская задолженность
Доходы будущих периодов
Всего краткосрочные обязательства
Выручка от реализации (нарастающим итогом)
Среднемесячная выручка от реализации
Себестоимость проданных товаров
Прибыль от продаж
Прочие доходы
Прочие расходы
Проценты к уплате
Чистая прибыль/убыток
Выручка от реализации за квартал
Среднемесячная выручка за квартал
Чистая прибыль за квартал

Для представления изменения структуры капитала на 01.01.2013 по сравнению с 01.01.2012 была построена таблица 2.4., показывающая изменения оборотных и внеоборотных активов, капитала и резервов, долгосрочных и краткосрочных обязательств. Из таблицы 2.4. видно, что по сравнению с первым кварталом возросли оборотные активы на 27 342 тыс. руб. и краткосрочные обязательства на 25 334 тыс. руб.

Таблица 2.4 - Структура капитала на начало и конец 2012 г.

Структура капитала на 01.01.2012, тыс. руб.	Структура капитала на 01.01.2013, тыс. руб.	Изменение тыс. руб.	Изменение %
Внеоборотные активы		Внеоборотные активы
Оборотные активы		Оборотные активы
Капитал и резервы		Капитал и резервы
Краткосрочные обязательства		Краткосрочные обязательства
Долгосрочные обязательства		Долгосрочные обязательства

Также были построены диаграммы, показывающие удельные веса статей баланса по отношению к валюте баланса на начало и конец 2012 года. Диаграммы представлены на рисунках 2.2. и 2.3. Из диаграмм, представленных ниже, можно заметить, что доли статей баланса в 2012 году изменились незначительно: доля собственного капитала уменьшилась на 6%, доля краткосрочных обязательств возросла на 14%, доля долгосрочных обязательств уменьшилась на 8%.

Рис. 2.2. Структура капитала на начало 2012 года

Рис. 2.3. Структура капитала на конец 2012 г.

На втором этапе анализа был проведен анализ структуры активов предприятия. В «Инструкции» дано указание на то, что взаимная величина различных групп активов и пассивов зависит от того, к какой отрасли принадлежит данное предприятие. Так, у торговых компаний (какой является рассматриваемая компания) доля оборотных активов обычно 70 - 95 процентов, и аналогична же доля и привлеченных источников средств. У компании ООО «Тав Ойл» оборотные активы на отчетный квартал равны валюте баланса.

После соответствующей группировки статей баланса была оценена относительного изменения различных групп активов и пассивов за несколько последних кварталов: произошло ли изменение удельного веса какого-либо из разделов баланса или группы статей более чем на 10%. В данном случае из таблицы 2.5. можно увидеть, что таких изменений нет.

Таблица 2.5 - Структура активов ООО «Тав Ойл» за 5 кварталов

Основную долю в структуре активов компании занимает дебиторская задолженность, которая сформирована преимущественно за счет задолженности покупателей (36,6 млн. рублей или 44% всей дебиторской задолженности). Просроченная дебиторская задолженность отсутствует.

Оборачиваемость дебиторской задолженности составила 36 дней (против 35 дней в аналогичном периоде прошлого года). Следует отметить, что компания является нетто-кредитором в расчетах - дебиторская задолженность превышает кредиторскую в 4,9 раза (84 093 тыс. руб. против 17 155 тыс. руб.) Нетто-кредитор - это субъект финансового рынка, финансовые активы которого превышают пассивы .

В рамках анализа активов был проведен анализ дебиторской задолженности предприятия. В «Инструкции» отмечено, что особое внимание следует уделить изменению структуры оборотных средств: произошел ли рост дебиторской задолженности или нет, является ли уровень запасов сырья достаточным для работы предприятия, не произошло ли затоваривание складов готовой продукцией. Также необходимо выявить зависимость от одного или определенного круга дебиторов, которая может также привести к снижению платежеспособности. При анализе состава дебиторской задолженности необходимо обратить внимание на сроки и реальность ее погашения. Для этого необходимо получить подробную расшифровку дебиторской задолженности вплоть до названий непосредственных дебиторов и выяснения их платежеспособности. Расшифровка дебиторской задолженности, из которой можно выделить долю крупнейшего дебитора, представлена в таблице 2.6.

Таблица 2.6 - Расшифровка дебиторской задолженности ООО «Тав Ойл» на 01.01.2013 г.

Наименование дебитора	Задолженность, тыс. руб.
ТСБ-Брокер
Североморские теплосети
ООО «Хэлп-Ойл»
ООО Целлюлозный завод Питкяранта
ООО Несто
Стройкомплектсервис

ООО ТопТрейдСервис
ОО Прима-Ойл


Всего дебиторская задолженность:

Дебиторская задолженность МУП «Североморские теплосети» является просроченной, сроком возникновения 28.06.2010. Крупнейшим дебитором является «ТСБ-Брокер», 19% от всей задолженности. Вторым крупнейшим дебитором является «Североморские теплосети», 12% от всей задолженности. Остальные дебиторы имеют задолженность менее 10% от общей суммы. После анализа крупнейших дебиторов следует переходить к анализу крупнейших контрагентов - покупателей. В связи с этим был проведен анализ оборотно-сальдовой ведомости компании по счету 62, чтобы выявить основных покупателей. Данные представлены ниже в таблице 2.7.

Таблица 2.7 - Анализ взаимоотношений с покупателями за 4 кв. 2012г. (в тыс. руб.):

Контрагент	Оборот по ОСВ 62 сч.

Стройкомплектсервис

Мегаполис
Целлюлозный завод
Импульс Ойл
ТопТрейдСервис

Основным покупателем компании в 4 квартале 2012г. являлись компании Хэлп-Ойл и Стройкомплектсервис - по 40% и 9% от общего объема реализованной продукции. Финансовые вложения в компании отсутствуют. Инвестиционные (внеоборотные) активы компании на 01.01.2013 г. отсутствуют. Как и в аналогичном периоде прошлого года (на 01.01.2012 - 99,8%) , в активах преобладают оборотные активы (100%), в том числе наибольшая доля приходится на дебиторскую задолженность (93,3%).

Следующим этапом анализа был анализ структуры пассивов. Анализ пассивов производился на предмет напряженности имеющих обязательств заемщика. Значительная доля собственного капитала заемщика, наличие долгосрочных источников финансирования свидетельствует об устойчивости предприятия. Была построена таблица 2.8., отражающая структуру пассивов. Доля заемных средств в пассивах на начало 2012 года составляла 47%, на конец 2012 года составляла 61,5%. Собственный капитал на начало и конец 2012 года имел доли соответственно 26% и 19,5%.

Таблица 2.8 - Структура пассивов ООО «Тав Ойл» за 5 кварталов

На долю долгосрочных обязательств компании на конец периода пришлись 19% всех пассивов. В отчетном периоде они были представлены долгосрочными займами учредителей компании. Заимствования по сравнению с началом года выросли на 6% (по сравнению со 2 кварталом 2012 этот показатель не изменился).

Структура краткосрочных обязательств компании в анализируемом периоде изменилась в сторону увеличения доли краткосрочных заимствований (банковских кредитов) - с 21% до 42,4% - и уменьшения доли кредиторской задолженности - с 25% до 19,0%. При этом величина краткосрочных заемных средств возросла в отчетном периоде на 21,4%, а кредиторской задолженности - уменьшилась на 5,6%. Краткосрочные заемные средства на 01.01.2013 сформированы исключительно из кредитов ОАО «Банк Международный».

Далее был проведен анализ кредиторской задолженности компании. Оценка кредиторской задолженности производилась с целью анализа финансирования деятельности за счет отложенных платежей и его влияния на платежеспособность заемщика. Кредиторская задолженность в абсолютной величине практически не изменилась, однако произошли изменения в ее структуре: увеличился объем задолженности перед поставщиками (38% против 12% на начало года), значительно уменьшился объем задолженности перед покупателями по авансам полученным (11% против 64% на начало года), возросла доля задолженности компании перед персоналом (29% против 6% на начало года). Задолженность является краткосрочной, текущей.

Таблица 2.9 - Расшифровка кредиторской задолженности ООО «Тав Ойл» на 01.01.2013 г.

Оборачиваемость кредиторской задолженности является высокой, период оборачиваемости 7 дней (против 9 дней - в 2012 году). Крупнейшими кредиторами компании являются ООО «Газнефтехимпереработка» - 45% и ЗАО «Совекс» - 13% от всей задолженности. Наличие кредитора, который имеет более 10% задолженности, следует отметить как риск для Банка. Помимо кредиторской задолженности необходимо еще проанализировать взаимоотношения с поставщиками, то есть оборотно-сальдовую ведомость по счету 60. В таблице 2.10. представлены результаты расчетов.

Таблица 2.10 - Анализ взаимоотношений с поставщиками за 4 кв. 2012г. (в тыс. руб.):

Контрагент	Оборот по ОСВ 60.1 сч
Хэлп -Ойл
АВС-Континент
ТриТон Трейд
ТСБ-Брокер

Газнефтехимпереработка
ФортеИнвест
Сургутэкс

Согласно оборотно-сальдовой ведомости по счету 60 основными поставщиками компании в 4 квартале 2012 являлись ООО «Хэлп-Ойл» (41% в общем обороте), АВС-Континент (19% в общем обороте). Наличие поставщика, доля которого превышает 10% в 4 раза, создает определенный риск неплатежеспособности для Банка.

Таким образом, структура и динамика капитала компании в отчетном периоде свидетельствует о следующих характерных чертах ее работы:

компания работает преимущественно на краткосрочных заемных средствах, хотя рост прибыли способствует росту собственных источников финансирования, а рост долгосрочных инвестиций учредителей - сбалансированности общей структуры капитала;

размещение средств осуществляется преимущественно в дебиторскую задолженность, скорость оборачиваемости которой сохраняется на достаточно высоком уровне;

в расчетах компания выступает нетто-кредитором, это может стать причиной снижения уровня доходности в будущем, что подтверждается замедлением темпов роста чистой прибыли в 4 квартале 2012 года.

Финальным этапом анализа финансовой отчетности в соответствии с «Инструкцией» выступает анализ основных финансовых коэффициентов. На основании полученных коэффициентов было произведено их изучение в рамках общего анализа финансового состояния заемщика. Анализ динамики расчетных финансовых показателей был произведен с выявлением причин их изменения, тенденций ухудшения платежеспособности и финансовой устойчивости, учитывая риски Банка при кредитовании данного предприятия. Полученные данные представлены в таблице 2.11.

Таблица 2.11 - Анализ основных финансовых коэффициентов

Наименование коэффициента	Расчёт показателя	Приемлемые значения
Чистые активы, тыс.руб.	ВБ - долгосрочные и краткосрочные заемные ср-ва + доходы будущих периодов
Коэффициент текущей ликвидности (покрытия)	Оборотные активы / Краткосрочные пассивы
Коэффициент финансовой независимости	Собственный капитал / Суммарный пассив (ВБ)
Коэффициент соотношения собственных и заемных средств	Собственный капитал / Суммарные обязательства
Оборачиваемость запасов, дней	Сумма запасов /Объём дневных продаж
Оборачиваемость дебиторской задолженности, дней	Сумма дебиторской задолж-ти / Объем дневных продаж
Оборачиваемость кредиторской задолженности, дней	Сумма кредиторской задол-ти / Объем дневных продаж
Рентабельность продаж (%)	Прибыль от реализации / Выручка от реализации
Рентабельность деятельности (%)	Чистая прибыль за последний отчетный квартал / выручка от продажи товаров, продукции, работ, услуг за последний отчетный квартал
Коэффициент денежного покрытия, в месяцах	Размер кредитных обязательств на текущую дату + запрашиваемая сумма кредитного продукта / cреднемес. выручка
Коэффициент покрытия процентов	Квартальная прибыль от продаж за последний отчетный квартал / (сумма процентов по кредитам и займам, уплаченная за последний отчетный квартал + среднеквартальной сумме процентов по рассматриваемому кредитному продукту).

Ликвидность компании в отчетном периоде характеризуется полной обеспеченностью краткосрочных обязательств как оборотными, так и высоколиквидными оборотными активами. За анализируемый период коэффициент текущей ликвидности не изменился и находится на уровне, значительно превышающем нормативное значение (более 0,5).

Коэффициент финансовой независимости и коэффициент соотношения собственных и заемных средств находятся на уровне (и выше) нормативного значения (более 0 и более 0,4 соответственно).

За 12 месяцев 2012 выручка компании (нарастающим итогом) составила 844 млн. руб. или 38% от показателя аналогичного периода прошлого года. За 4 квартал 2012 ежеквартальная выручка достигла своего максимального значения по сравнению с уровнями других кварталов, начиная с 01.10.2011. За 4 квартал выручка выросла на 23% по сравнению с уровнем выручки за аналогичный период прошлого года.

Деятельность компании является прибыльной, прибыль от основной деятельности возросла по сравнению с аналогичным периодом предыдущего года на 47%. Соответственно повысилась и рентабельность продаж (доля прибыли от продаж в выручке): с 0,7% до 0,8 в третьем квартале, однако в четвертом квартале рентабельность понизилась до 0,7%.

Повышение рентабельности продаж в третьем квартале не привело к повышению уровня доходности бизнеса в целом. За 9 месяцев 2012 рентабельность деятельности компании снизилась и составила 0,1%, в то время как в аналогичном периоде предыдущего года рентабельность составляла 0,3%. Это было вызвано следующими причинами: в 2 раза увеличилась величина процентов к уплате Банку и в 1,2 раза увелич...

Подобные документы

Трактовка понятия, методы и модели оценки кредитоспособности заемщиков. Заключение о возможности выдачи кредита банком на примере ОАО "АКБ Стелла-Банк". Оценка кредитоспособности организаций-заемщиков. Расчет показателей ликвидности и платежеспособности.

дипломная работа , добавлен 07.02.2015

Нормативно-законодательное регулирование и экономическая сущность кредитоспособности заемщиков. Оценка кредитоспособности на основе делового риска. Расчет оценки качества заемщиков юридических и физических лиц. Совершенствование скоринговой оценки.

дипломная работа , добавлен 16.04.2011

Определение понятия, изучение целей и раскрытие задач кредитного скоринга как инструмента оценки кредитоспособности физических лиц, его перспективы в России. Построение скоринговой модели оценки кредитоспособности клиентов на примере ООО "ХКФ Банк".

курсовая работа , добавлен 07.08.2013

Понятие кредитоспособности цели и задачи оценки кредитоспособности. Методы оценки кредитоспособности заемщика. Модели диагностики банкротства. Анализ и пути совершенствования оценки кредитоспособности предприятия-заемщика на примере ОАО "Покровский хлеб".

курсовая работа , добавлен 14.06.2015

Сущность кредитоспособности и ее значение. Информационная база и этапы оценки кредитоспособности. Оценка кредитоспособности потенциальных заемщиков коммерческого банка на основе финансовых коэффициентов, денежного потока и показателей делового риска.

контрольная работа , добавлен 10.11.2015

Оценка кредитоспособности на основе системы финансовых коэффициентов. Анализ делового риска. Показатели кредитоспособности, используемые зарубежными коммерческими банками. Анализ показателей оценки финансового положения заемщика ОАО "Донхлеббанк".

курсовая работа , добавлен 21.10.2011

Понятие и назначение процесса определения кредитоспособности заемщика банка, порядок, критерии и способы ее оценки, общие подходы к реализации и анализу. Характеристика деятельности Национального банка "Траст", анализ кредитоспособности юридических лиц.

курсовая работа , добавлен 25.01.2010

Методы оценки кредитоспособности юридических и физических лиц. Скоринговая (бальная) оценка кредитоспособности и андеррайтинг. Организация процесса оценки кредитоспособности заёмщиков - физических лиц - Сбербанком России на примере ипотечного кредита.

дипломная работа , добавлен 25.02.2015

Понятие, сущность, критерии и методы оценки кредитоспособности корпоративных заемщиков. Система предоставления банковских кредитов юридическим лицам. Анализ методики оценки кредитоспособности юридических лиц. Условия кредитования, утверждаемые банком.

курсовая работа , добавлен 13.11.2013

Нормативно-правовые аспекты оценки кредитоспособности в РФ. Сравнительная оценка методик оценки кредитоспособности банковских заемщиков. Организация работы по управлению кредитным риском. Оценка кредитоспособности юридического лица. Методы снижения риска.