Оценка кредитоспособности физических лиц на основе теории нечетких множеств тема диссертации по экономике, полный текст автореферата
Автореферат
| Ученая степень | кандидат экономических наук |
| Автор | Лукашевич, Никита Сергеевич |
| Место защиты | Санкт-Петербург |
| Год | 2009 |
| Шифр ВАК РФ | 08.00.13 |
Диссертация
Автореферат диссертации по теме "Оценка кредитоспособности физических лиц на основе теории нечетких множеств"
На правах рукописи
Лукашевич Никита Сергеевич
ОЦЕНКА КРЕДИТОСПОСОБНОСТИ ФИЗИЧЕСКИХ ЛИЦ НА ОСНОВЕ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ
Специальность: 08.00.13 - Математические и инструментальные методы экономики
АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата экономических наук
2" л Г, 1Л/1
Санкт-Петербург - 2009
003470106
Работа выпонена на кафедре Предпринимательство и коммерция государственного образовательного учреждения высшего профессионального образования Санкт-Петербургский государственный политехнический университет
НАУЧНЫЙ РУКОВОДИТЕЛЬ: заслуженный работник высшей школы РФ,
доктор экономических наук, профессор Дуболазов Виктор Андреевич
ОФИЦИАЛЬНЫЕ ОППОНЕНТЫ: доктор экономических наук, профессор
Ильин Игорь Васильевич
кандидат экономических наук, доцент Дашевский Александр Иванович
ВЕДУЩАЯ ОРГАНИЗАЦИЯ: ФГОУ ВПО Санкт-Петербургский
государственный университет
Защита состоится л28 мая 2009 г. в 14.00 часов на заседании диссертационного совета Д 212.229.23 при ГОУ ВПО Санкт-Петербургский государственный политехнический университет по адресу: 195251, Санкт-Петербург, ул. Политехническая, 29, III учебный корпус, ауд. 506.
С диссертацией можно ознакомиться в фундаментальной библиотеке ГОУ ВПО Санкт-Петербургский государственный политехнический университет по адресу: 195251, Санкт-Петербург, ул. Политехническая, 29.
Автореферат разослан апреля 2009 г.
Ученый секретарь
диссертационного совета
доктор экономических наук, г
профессор -6.Ч__СулоеваС.Б.
I. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Актуальность темы. В современных условиях задача оценки кредитоспособности и управления кредитным риском является одной из приоритетных для кредитных организаций. Участвуя в кредитных операциях, успех которых напрямую связан с экономическим положением заемщиков, кредитные организации принимают на себя всевозможные риски, среди которых первое место по уровню значимости по данным Банка России занимает кредитный риск.
Ипотечный кризис в США, связанный с ростом числа дефотов по ипотечным кредитам, одной из причин которых является несовершенная процедура оценки кредитоспособности заемщиков, подтверждает, что неконтролируемое принятие повышенного уровня кредитного риска может привести к глобальным экономическим последствиям. В условиях дефицита ресурсов, вызванного мировым финансовым кризисом, кредитные организации ужесточают требования к заемщикам, повышают процентные ставки по кредитам, сокращают лимиты кредитования и ищут допонительное обеспечение по кредитам. В условиях конкурентной борьбы кредитные организации не могут просто следовать данной стратегии, возникает необходимость в совершенствовании подходов к оценке кредитоспособности заемщиков.
Проблема роста просроченной задоженности по потребительским кредитам свидетельствует о недостаточной эффективности применяемых методов оценки и управления кредитным риском. Проблемы возникают в силу специфики потребительских кредитов, что требует специальных подходов и моделей управления потребительским кредитованием.
В соответствии с Базельским соглашением о капитале для оценки экономического положения заемщиков рекомендуется использовать подход, основанный на внутренних рейтингах. Использование подхода предполагает разработку адекватных внутрибанковских экономико-математических моделей. Большой интерес к подобным моделям проявляют бюро кредитных историй, которые могут помещать в основную часть кредитной истории кредитный рейтинг заемщика.
Основным условием эффективной деятельности кредитных организаций на рынке потребительского кредитования становится активное изучение вопросов, связанных с разработкой методов и моделей принятия решений, позволяющих осуществлять объективный отбор потенциальных заёмщиков при повышении скорости рассмотрения кредитных обращений и снижении издержек кредитования в условиях ограниченной и неточной информации о заёмщике.
Целью диссертационного исследования является разработка комплекса
взаимосвязанных экономико - математических моделей оценки кредитоспособности заёмщиков - физических лиц, отвечающего современным требованиям в области управления кредитным риском и направленного на повышение эффективности управления размещением привлечённых ресурсов кредитной организации в форме предоставления потребительских кредитов.
Достижение поставленной цели предполагает решение следующих задач:
1. Раскрыть экономическое содержание потребительского кредита, выявить особенности потребительского кредитования с точки зрения заёмщика, кредитной организации и национальной экономики. Рассмотреть основные тенденции и проблемы современной практики потребительского кредитования. Показать значимость и актуальность проблемы, связанной с оценкой кредитоспособности заёмщиков.
2. Показать состав моделей оценки кредитоспособности. Раскрыть проблемы их разработки. Представить сравнительный обзор моделей оценки кредитоспособности физических лиц в отечественной и зарубежной практике потребительского кредитования, а также показать необходимость исследований в этой области.
3. Рассмотреть возможность применения подходов, положенных в основу моделей оценки кредитоспособности физических лиц, в отечественной банковской практике. Дать рекомендации по выбору подхода. Обосновать возможность применения теории нечётких множеств как одного из подходов к оценке кредитоспособности заемщиков.
4. Разработать комплекс экономико - математических моделей, позволяющий определять кредитный рейтинг заёмщиков и условия кредитования с использованием теории нечетких множеств.
5. Разработать организационное и информационное обеспечение предложенной системы оценки кредитоспособности заемщиков. Разработать систему показателей оценки эффективности деятельности кредитного отдела на основе предложенного комплекса экономико - математических моделей.
Объектом исследования являются экономические отношения кредитных организаций, в частности их структурных подразделений по кредитованию, с заёмщиками - физическими лицами. Предметом исследования является процесс оценки кредитоспособности заёмщиков и предоставления потребительских кредитов.
Теоретическую и методологическую основу диссертационного исследования составили монографии и труды ведущих отечественных и зарубежных учёных в области управления кредитными рисками, кредитования, экономического анализа, риск -менеджмента и теории нечетких множеств, а также методические и аналитические материалы Банка России. Обоснованность и достоверность результатов исследования
обеспечены применением комплекса методов, соответствующих объекту, цели, задачам и логике исследования, а также непротиворечивостью полученных научных результатов. При решении поставленных задач использовались методы математического анализа, экспертные методы, методы теории нечетких множеств, подходы и методы теории оптимизации.
Наиболее существенные результаты и научная новизна диссертационного исследования заключается в следующем:
1. Раскрыты экономическое содержание потребительского кредита и особенности потребительского кредитования. Выявлены основные тенденции и проблемы современной практики потребительского кредитования. Показана значимость и актуальность проблемы, связанной с оценкой кредитоспособности заёмщиков.
2. На основе анализа содержательной специфики оценки кредитоспособности заёмщиков - физических лиц сформирована концепция применения теории нечетких множеств в потребительском кредитовании, позволяющая, несмотря на некоторую размытость результатов, сделать экономическую оценку кредитоспособности заемщиков более доступной для интерпретации, чем традиционные методы.
3. Разработана нечетко - множественная модель кредитного рейтинга заемщика, отличительной особенностью которой является возможность получения на основе неточной и ограниченной информации о заемщике комплексной количественно -качественной оценки его кредитоспособности.
4. Разработана система нечеткого логического вывода, отличающаяся возможностью определения условий кредитования заемщиков на основе кредитных рейтингов и включающая знания экспертов, выраженные в терминах естественного языка.
5. Разработана экономико-математическая модель выбора вариантов кредитования заемщиков, обеспечивающая формирование с учетом кредитной политики и финансовых возможностей заемщиков множества альтернативных вариантов условий кредитования, заданных нечеткими числами, и выбор на основе кредитных рейтингов оптимального варианта кредитования для каждого заемщика с точки зрения чистого ожидаемого дохода кредитной организации.
6. Разработано организационное и информационное обеспечение предложенного комплекса моделей. Предложена система показателей, характеризующих эффективность эксплуатации комплекса моделей в кредитном отделе.
Практическая значимость исследования. Предложенный комплекс моделей может стать основой процедуры оценки кредитоспособности и предоставления кредита заёмщикам - физическим лицам в кредитных отделах отечественных кредитных
организаций и послужить основой для повышения эффективности управления размещением привлечённых ресурсов кредитной организации в форме предоставления потребительских кредитов. Рекомендации, сформулированные в диссертационном исследовании, могут быть использованы кредитными организациями, работающими на рынке потребительского кредитования, для повышения обоснованности принимаемых решений о кредитовании.
Апробация результатов исследования. Основные положения диссертации были представлены и опубликованы в материалах ежегодных международных научно -практических конференций молодых ученых, студентов и аспирантов: Неделя науки СПбГПУ (Санкт-Петербург, СПбГПУ, 2007 и 2008 гг.), Математические методы и информационные технологии в экономике, социологии и образовании (Пенза, Привожский дом знаний, 2008 г.), а также на семинарах аспирантов и заседаниях кафедры Предпринимательство и коммерция (Санкт-Петербург, СПбГПУ, 2008 г.). Результаты исследования используются в учебно - методических материалах по дисциплине Деньги, кредит, банки и деятельности филиала ОАО АКБ ЮГРА в Санкт-Петербурге, что подтверждается актом о внедрении результатов исследования.
Публикации. По теме диссертационного исследования опубликовано 9 работ общим объёмом 2,7 печатных листа, в том числе 3 публикации в изданиях, включённых в перечень ВАК.
Структура и объём диссертационного исследования. Диссертационное исследование состоит из введения, четырех глав, заключения, библиографического списка и приложений. Исследование содержит 172 страницы основного текста, 13 таблиц, 30 рисунков, 11 приложений, библиографический список из 188 наименований.
II. ОСНОВНЫЕ ПОЛОЖЕНИЯ И РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ
1. Раскрыты экономическое содержание потребительского кредита и особенности потребительского кредитования. Выявлены основные тенденцин и проблемы современной практики потребительского кредитования. В диссертационном исследования под потребительским кредитом понимается кредит, предоставляемый заёмщику - физическому лицу или индивидуальному предпринимателю для некоммерческих (личных) целей кредитором (прямо или косвенно) на основе оценки характеристик заёмщика в соответствии с регламентированной процедурой рассмотрения кредитного обращения.
Основная роль потребительского кредита в национальной экономике сводится к стимулированию спроса. Роль потребительского кредита в деятельности кредитной организации можно рассматривать с разных точек зрения. С одной стороны,
потребительское кредитование становится приоритетным направлением, поскольку его основой являются краткосрочные ресурсы и диверсификация кредитных рисков за счет распределения относительно небольших сумм кредитования на большое число заемщиков. С другой стороны, концентрированное вложение привлекаемых ресурсов в форме потребительских кредитов может привести к повышению уровня кредитного риска, поскольку потребительские кредиты не способствуют формированию источника средств для погашения задоженности.
Незначительная сумма и краткосрочный характер потребительских кредитов приводят к относительно незначительным доходам в виде процентов. Учитывая трудоемкие процедуры оценки заемщиков, отсутствие обеспечения в большинстве случаев, повышенный уровень кредитного риска, потребительские кредиты могут привести к убыткам. Издержки потребительского кредитования, обусловленные применением трудоёмких методов управления кредитным риском, велики, и один из основных способов достижения его доходности - увеличение объёмов кредитования. Чтобы эффективно вести деятельность по потребительскому кредитованию, кредитным организациям необходимо увеличивать число заемщиков, снижать издержки рассмотрения кредитного обращения и повышать скорость обработки кредитных обращений, обеспечивая при этом приемлемый уровень кредитного риска путём объективной и легко интерпретируемой оценки кредитоспособности заемщика.
Проведенное исследование позволило выявить основные тенденции и проблемы современной практики потребительского кредитования. Отмечается ряд факторов, определяющих стремительный рост объёмов потребительского кредитования. По данным Банка России доля потребительских кредитов в ВВП России составила в 2004 г. 1,9%, в 2005 г. - 3,2%, в 2006 г. - 4,9%, в 2007 г. - 7%, в 2008 г. - 9% . Объём потребительского кредитования в рублях на 01.01.09 составил 3534 мрд. руб., на 01.01.08 - 2830 мрд. руб. и на 01.01.07 - 1578 мрд. руб. В условиях мирового финансового кризиса темп прироста объёмов потребительского кредитования значительно снизися и составил за январь 2009 г. 0,1% против 0,7% за декабрь 2008 г., 1,6% за ноябрь 2008 г. и 3,3% за октябрь 2008 г.
Проблема просроченной задоженности свидетельствует о недостаточной эффективности применяемых методов оценки и управления кредитным риском в потребительском кредитовании. Объем просроченной задоженность по ипотечным кредитам вырос на 90,6 % за четвертый квартал 2008 г. - с 3,53 мрд. руб. до 6,73 мрд. руб. ОАО Сберегательный банк РФ пошел на очередное ужесточение требований к заемщикам в связи с ростом просроченной задоженности, которая за январь 2009 г.
увеличилась на 16,7%. В январе банк увеличил резервы на возможные потери по ссудам на 20% - до 267,3 мрд. руб. Основной причиной нарастания кредитного риска российского банковского сектора являются опережающие темпы роста просроченной задоженности по сравнению с объёмами потребительского кредитования. Тенденция сохранится в связи с тем, что большинство кредитных организаций в условиях мирового финансового кризиса и увеличения числа безработных отказались от планов по увеличению кредитного портфеля, объявив приоритетной необходимость возврата выданных кредитов. У кредитных организаций фактически нет возможности получения достоверной информации о заёмщике. Несмотря на принятие соответствующего закона, система кредитных бюро носит во многом формальный характер. Преобладание непоной и неточной информации значительно усложняет управление кредитными рисками.
Решение проблемы управления кредитными рисками и взаимосвязанной проблемы просроченной задоженности является приоритетным, поскольку, во-первых, кредитный риск по уровню значимости занимает первое место в системе банковских рисков, во-вторых, высока доля доходов от предоставления кредитов в .структуре доходов кредитных организаций, в-третьих, организация процедуры оценки кредитоспособности оказывает большое влияние на экономические показатели кредитных операций, что показывает современный финансовый кризис.
2. На основе анализа содержательной специфики оценки кредитоспособности физических лиц сформирована концепция применения теории нечетких множеств в потребительском кредитовании. В формализованном виде модель оценки кредитоспособности можно представить следующим образом
< /0 (С, I, Ф,А);К(10); Т>, где о- кредитный рейтинг; С - набор факторов кредитоспособности заёмщика; Ь - набор оценок каждого фактора из набора в; Ф - набор весов, задающих значимость каждого фактора из набора й;А- метод расчёта 10\ К - модель определения условий кредитования на базе 1д\ Т-налагаемые модельные ограничения.
Под кредитным рейтингом понимается количественное или качественное выражение суждения о кредитоспособности заемщика, его желании и способности погасить задоженность по кредиту поностью, в срок и в соответствии с кредитным договором, полученное в результате оценки кредитоспособности. Между кредитоспособностью заемщика и кредитным риском прослеживается обратная связь. На основании этого можно сделать вывод, что правильная кредитная политика кредитной организации с точки зрения оценки кредитоспособности заёмщика позволит ей с меньшим кредитным риском осуществлять кредитные операции. Сведения о значении кредитного
рейтинга в сочетании с другими факторами могут использоваться для разработки стратегий отбора кредитных обращений.
Управление кредитным риском предполагает анализ каждого кредитного обращения и кредитного портфеля в целом. В диссертационном исследовании проведен сравнительный обзор моделей управления кредитным риском на этапе рассмотрения кредитного обращения. В научной литературе для разработки подобных моделей предлагаются следующие подходы: статистические методы, нейронные сети, экспертные методы, логико-вероятностные методы, методы на основе теории мультимножеств, оптимизационные методы, гибридные методы, нечётко -множественные описания. Различие между подходами заключается в природе используемых данных и способе агрегирования факторов кредитоспособности в кредитный рейтинг. Выбор подхода трудно формализуем, поскольку априори неизвестно о взаимодействии характеристик заёмщика, точности и поноты данных, поэтому в диссертационном исследовании предложены рекомендации по выбору подхода.
Рассмотрена возможность применения подходов, положенных в основу моделей оценки кредитоспособности физических лиц, в отечественной банковской практике. Для статистических методов необходима историческая выборка кредитных обращений, к которой предъявляется жесткие требования. В современных нестабильных российских условиях такую выборку трудно получить, кредитной истории накоплено недостаточно. Нейронные сети, способные к адаптации, моделированию поведения сложных, многосвязных и нелинейных систем, сложны в разработке и применении в связи с отсутствием строгих обоснований выбора структуры нейронной сети и агоритма обучения, практической невозможностью извлечения приобретенных ею знаний и отсутствием интерпретации весов связей, определённых в результате обучения нейронной сети, в терминах кредитного риска. Ограниченность методов на базе экспертных оценок заключается в присутствии субъективного элемента и возможности ошибочного суждения, приводящих к принятию решений, ущербных для кредитной организации.
Задача оценки кредитоспособности физических лиц осложняется наличием неточной и непоной информагцш для принятия решения. Факторы кредитоспособности могут иметь разную природу, основываться на количественных и качественных характеристиках, которые трудно формализуемы. Реальные доходы населения, как правило, расходятся с документально подтвержденными, что приводит к неправильной оценке кредитоспособности. Кредитным менеджерам приходится работать с недостоверными и непоными данными, часть которых носит качественную природу и допускает достаточно широкий спектр токования. В то же время недоверчивое
отношение кредитных менеджеров к экономико - математическим моделям как способу автоматизации потребительского кредитования приводит к тому, что многие отделы кредитования отдают предпочтение знаниям и опыту кредитных аналитиков при принятии решения о кредитовании, что необходимо учитывать при разработке моделей. Задание четких ограничений на значения характеристик заемщика, определяющих его кредитоспособность, если их диапазоны узки, может привести к исключению из рассмотрения целого ряда потенциальных заемщиков и снижению прибыли кредитной организации, наоборот, излишнее расширение границ сопровождается ухудшением качества кредитного портфеля и повышением кредитного риска.
В таких условиях наиболее адекватным инструментом формализации задачи оценки кредитоспособности заемщика является нечетко - множественный подход. В контексте решения задачи оценки кредитоспособности заемщика определяющими являются следующие сильные стороны данного подхода: описание условий и решение задач на языке, близком к естественному языку; решение задач с ненадежными исходными данными; использование опыта и интуиции экспертов; объяснение, каким образом получена классификация; качественная и количественная оценка кредитоспособности заёмщика. Последнее утверждение очень важно, поскольку лицу, принимающему решение, кроме количественных значений, необходимо знать, приемлемы ли полученные значения, хороши ли они и в какой степени.
Недостатком применения нечетко - множественного подхода является проблема точной интерпретации функций принадлежности. Существует достаточное количество методов построения функций принадлежности, большинство из которых базируются на экспертных оценках. Частично устранить субъективную составляющую в построении функций принадлежности предлагается с помощью лингвистического анализа. Для разработки модели оценки кредитоспособности физических лиц, в основе которой лежит принцип системности и нечётко - множественный подход, необходимо реализовать следующие этапы: выбрать факторы, определяющие кредитоспособность физических лиц; определить значимость влияния факторов на кредитоспособность; построить нечётко -множественные классификаторы факторов; определить кредитный рейтинг агрегированием факторов модели.
3. Нечетко Ч множественная модель кредитного рейтинга физических лиц. На первом этапе выбраны факторы, определяющие кредитоспособность заемщика. Взаимосвязь кредитного рейтинга и факторов представлена в виде дерева логического вывода на рис. 1. На дугах дерева знаками <ф> и <ф> отмечено соответственно прямое и обратное влияние факторов на кредитный рейтинг.
На рис. 1 использованы следующие обозначения: и - кредитный рейтинг заемщика; X) - группа факторов, отражающих социально-трудовые характеристики заёмщика; Х2 - группа факторов, отражающих финансовые характеристики заёмщика; Х3 -группа факторов, отражающих состояние текущих обязательств и активов заёмщика; Х4 -группа факторов, отражающих качество кредитной истории заёмщика; Хп - количество иждивенцев, чел; Х12 - стаж на последнем месте занятости, лет; Хи - частота увольнений заемщика, определяемая как отношение числа увольнений и продожительности общего трудового стажа; Х2.1 - коэффициент дохода заемщика, определяемый как отношение собственного дохода и расходов заёмщика; Х2.2 Ч доход членов семьи заёмщика, тыс. руб.; Хг.з -вариация собственного дохода заёмщика, %; Хц - сумма текущих обязательств, тыс. руб./месяц; Х3.2 ~ сумма накоплений, тыс. руб.; Хц - оценочная стоимость автотранспортного средства, тыс. руб.; Х4.1 - срок пользования услугами кредитования, лет; Х4.2 - количество нарушений графика погашения задоженности по сумме и сроку регулярного платежа; с]Д - вариант решения, выбираемый на основании 1о.
Второй уровень
Первый уровень
Рис. 1. Взаимосвязь кредитного рейтинга и факторов модели На втором этапе каждой группе факторов X, и каждому фактору Ху в рамках иерархии факторов сопоставляется оценка значимости. Система весов составляется таким образом, что
/ Л' 1=1 ]=1
где р, - вес / - й группы факторов; /' - индекс текущей группы факторов; рц - вес у - го фактора в рамках ;'-й группы факторов; у - индекс текущего фактора; У, - количество факторов в рамках г- й группы факторов; г - индекс текущей группы факторов; / - число групп факторов (1=4).
Для формирования системы весов эксперты ранжирует факторы первого и второго уровней по убыванию значимости
X, >Х2.....X, ХЦ >Х12 у-.....Ху >-.....Хи., 1 = 1...../,у=У.....(2)
В этом случае для определения весов предлагается воспользоваться формулой Фишборна
2 (I-/'+1) 2-уГ/+1)
Р1=~--;р,7=- (3)
(1+1) 1)
Необходимо проверить степень согласованности ранжирования факторов экспертами. Для этого используется коэффициент конкордации. Итоговый весовой коэффициент рассчитывася по методу медианы Кемени.
На третьем этапе проведена нечеткая классификация факторов модели. Заданы лингвистические переменные В,у = {луровень фактора Хц}, В, = {луровень фактора X,}, Во = {кредитный рейтинг заемщика}
зку = кА/м)- ху е[л/>%];
V \ У I ' У 1 У ' }' ' У 1 У ' ь ' л' V ~ У V "
Вк^Ур*к(хо\, р*к(х,)^>[о,\\ X,- 6[0,1]; (4)
Вко = \о1^(1о)[ М*(10)М0.1], /о е[0,1];
1-" низкий " 1 = /,...,/; у' = А...,./,Х; = 2-"средний" !
3-" высокий"]
Общеупотребительными функциями в этом случае являются трапециевидные функции принадлежности. Значения X) и /о распознаются с помощью стандартного трёхуровневого классификатора, предложенного Недосекиным А.О.
Определив качественный вид нечетко - множественных классификаторов, необходимо найти их точные параметры, то есть для каждого нечёткого подмножества найти опорные точки трапециевидных чисел, описывающих соответствующие функции принадлежности Для определения точных параметров нечетко - множественных классификаторов факторов Ху была собрана квазистатистика - выборка, не являющаяся однородной, но достаточная для определения закона, в частности серой шкалы Поспелова.
Для каждой узловой точки классификатора справедливо, что в ней уровень фактора распознается со стопроцентной уверенностью. Узловую точку среднего уровня
лингвистических переменных Ву определяют как медиану гистограммы распределения значений фактора, для нахождения узловых точек низкого и высокого уровней лингвистических переменных й,, используют правило взвешенного среднего, что позволяет учесть профиль гистограммы распределения значений фактора
.М_. _ _/=/
I Щ)1 I и
1=1 1=1 где и- число попаданий значений фактора ху в /-ю ячейку гистограммы; I - текущий
индекс ячейки гистограммы; х^ - значение /-й ячейки гистограммы; /, - число ячеек
гистограммы, входящих в интервал от крайней левой ячейки до ячейки, содержащей
значение медианы, включительно; Ь - число ячеек гистограммы, входящих в интервал от
крайней правой ячейки до ячейки, содержащей значение медианы, включительно.
Интервалы между смежными узловыми точками [щдю \Щ)о П(Шл\ Делятся на три зоны равной длины: зону абсолютной уверенности, зону неуверенности и зону абсолютной неуверенности. Зона неуверенности интерпретируется наклонным ребром трапециевидного нечеткого числа.
Для фактора Хи вычислены опорные точки трапециевидных функций принадлежности, которые представлены на рис. 2.
1и2),-2,8
Л<121,-2,8 Пп2)С~4 >1<12к~5
ПЦ21.=4 Чип,,=5
0.4 0.2
а 1=0 01=3,2
а,=0 а 2=3,6
а =3,2 а=4.33
а,=3,6 а4=4,67
1,0 2.0 3.0 4,0 5,0 6,0 7.0 8,0 9,0
Рис. 2. Гистограмма распределения и нечеткий классификатор значений фактора Хи, лет Аналитически вид полученных функций принадлежности можно представить следующим образом
0,х<3.2
\1.0<х<3.2
/и'/х)=\-2.5х+9.3.Кх<3.6\И212(х)='
\0.х>3.6
2.5х- 8,3.2 <х <3.6 1,3.6<х <4.33 - 3.03х+ 14.15,4.33<х<4.67 0,х>4.67
; ///2(х)=
1,х>4.67
3.03х-13.12,4.3<х<4.67. (6) 0,х<4.33
Для корректного агрегирования факторов необходимо, чтобы влияние факторов было однонаправленным. Использована инверсия оси значений факторов, тогда ось значений в нечётко - множественном классификаторе направлена в противоположную сторону, высоким значениям фактора соответствует низкий качественный уровень.
На четвертом этапе в качестве основы для агрегирования использован оператор Ягера - Недосекина, тогда количественное значение кредитного рейтинга /о в модели оценки кредитоспособности физических лиц определяется по формуле
К I Ji к г 1
1о = Х/'г/'Й ; /<л = I РуМ(у)к; И(у)к =^(хц)>4] еКА)]> <7)
/=/ у=/
где - степень принадлежности значения -и группы факторов нечеткому
подмножеству В/; а, - узловые точки стандартного трёхуровневого нечётко -множественного классификатора; - степень принадлежности значения у-го фактора нечеткому подмножеству В(,цк.
Значение показателя для группы факторов определяется следующим образом
к=1 у=/
Качественное значение в модели (7) используется для принятия решения о предоставлении кредита. Принятие решения может базироваться на следующем принципе: скорее низкий уровень кредитоспособности - отказ в предоставлении кредита; скорее средний уровень кредитоспособности - дальнейшее изучение заемщика; скорее высокий уровень кредитоспособности - предоставление кредита. Количественное значение в модели (7) используется для определения условий кредитования.
4. Система нечеткого логического вывода и экономике - математическая модель для определения условий кредитования заемщиков. В контексте решаемой проблемы определения условий кредитования заемщиков задача системы нечеткого логического вывода состоит в том, чтобы, руководствуясь базой знаний, для фактических значений кредитного рейтинга определить условия кредитования. В качестве агоритма нечеткого вывода используется агоритм Мамдани.
Заданы лингвистические переменные С = {луровень лимита кредитования}, Р = {луровень ставки по кредиту} и Т= {луровень срока кредитования}
Ск = {*с/^с(хс)\> Рк =[Хр/4(Хр)\' = /'с^-фл]; /^,^[0,1], (9)
II-" низкий" 1 2-" средний" > . 3 Ч " высокий" ]
Экспертные мнения, полученные в результате опроса кредитных аналитиков, позволили сформировать нечеткую базу знаний, описывающую взаимосвязь кредитного рейтинга и условий кредитования, следующего вида
1Г>: ЕСЛИ (1о это В'()к) ТО (хс это Ск Ч> л,, это 1"к У х, это Тк) иу; >' = Л, (10) где Я - количество правил в нечеткой базе знаний; г - индекс текущего правила в нечеткой базе знаний; В*, Ск, Рк, Т1 - значения соответствующих лингвистических переменных в гЧ м правиле; Ч' - логическая связка; и', - вес г-го правила.
Импликация в нечетком выводе реализована операцией минимума для терм-множеств значений выходных лингвистических переменных по каждому г-му правилу
Р(Г>к = {:р1ЩФр(*р)Л(1о))},С(Г)к = {гс/ûФс(Хс)Л(10))}-,Т<Г)к = {с,/(х, (!0))}. (11)
Результат логического вывода по всей базе знаний находится агрегированием нечетких множеств по каждому уровню к с помощью операции максимума
Р^(Р<1)к ), Т-^..^)., С^01>к..-г)к); г=1л. (12)
Четкое значение условий кредитования определяется через дефаззификацию по методу центра тяжести
хр-цр(хр)(Ьср \хс-рс(хс)(1хс \ хгцт(х,)<к, ^ - . ^ = ^^-; х, = Х^Х,-_ (13)
Мр(хр)(Ьр \^с(хр)(кс ;,)(к,
хр&Хр хс (= X ^ х I д
Для выбора варианта условий кредитования с учетом кредитного риска предложена нечеткая экономике - математическую модель
С171тг = Рт О,тг - У1тг .
Б/тг =5тг--= ! (15)
м 1<т Tmr CFtmr F(x)= I S I (^-^-Km)-xmr->max
m=lr=l t=l (1 + d)
Zxmr < 1
X X smr Хxmr < S
m=,r=' , (16) M Rm Tmr
III У tmr' xmr - ''
m=lr=l 1=1
О-не кредитовать1 1 - кредитовать J
m = I,M;r = l, RД, ;t = l, Tm
где xmr - переменная, характеризующая выбор r-го варианта кредитования для т-то заемщика; CFfmr - нечеткое значение денежного потока, возникающего для т-то заемщика в момент времени t по r-му варианту кредитования, руб; Кт - затраты на оценку кредитоспособности m-го заемщика, руб.; V,mr -затраты на инкассацию, связанные с т-м заемщиком в момент времени t по г-му варианту кредитования, руб; d - ставка дисконтирования; S- предельное значение ресурсов, направляемых на кредитование, руб.; где Dmr - нечеткое значение платежа w-ro заемщика в счет погашения кредита в момент времени t по r-му варианту кредитования, руб; Етг - нечеткое значение процентной ставки по кредиту для т-го заемщика по г-му варианту кредитования, %; Ттг - срок кредита для m-го заемщика по r-му варианту кредитования, месяцев; Smr - нечёткое значение лимита кредитования для т-го заемщика по r-му варианту кредитования, руб.; Рт -вероятность погашения кредита т-м заемщиком; М - число заемщиков; R,Д - число вариантов кредитования для т-го заемщика; Tmr - срок кредитования по r-му варианту кредитования для m-го заемщика, месяцев.
С экономической точки зрения использование нечетких чисел в формуле (15) обусловлено тем, что кредитный аналитик часто не может задать условия кредитования с точными параметрами. Подходом к решению задачи (16) может быть переход от исходной задачи нечеткого математического программирования к задаче многокритериальной оптимизации или переход от нечетко-интервальных параметров модели к четким параметрам.
Агрегирование факторов кредитоспособности по формуле (7) сужает интервал
значений кредитного рейтинга 1ц до интервала [0.2; 0.8]. Для нормирования значений кредитного рейтинга использована линейная функция принадлежности значений кредитного рейтинга интервалу [0;1]. Вероятность погашения Р предлагается нелинейно выражать через нормированный кредитный рейтинг, применяя для этого логистическую регрессию
Р = 1----;0<а<1;Ти 6(0,1], (17)
1 + Ь-ехр(-Ч) h
где а, Ьи с- параметры функции.
Условия кредитования заемщика дожны соответствовать кредитной политики организации и финансовым характеристикам заемщика
Ц^тг ^q:Eq<lmr <Eq;Tq<Tmr <.ТЧ;Ч = Щ, (18)
= =тах =тах Gm-Tm
Snir^Sm ~P = > ('9)
j Em'Tm
где S и Sq - соответственно нижняя и верхняя границы значений суммы лимита кредитования для q-й группы заемщиков, куда входит т-й заемщик, тыс. руб.; /Г(/ и Eq - соответственно нижняя и верхняя границы значений ставки по кредиту для с/-й группы заемщиков, куда входит т-й заемщик, %; Тс/ и Tq - соответственно нижняя и верхняя
границы срока кредитования для q-й группы заемщиков, куда входит т-й заемщик, Чmax
месяцы; S,Д - нечеткое значение максимально допустимого лимита кредитования для т-го заемщика, тыс. руб.; Gт - нечеткое значение чистого дохода т-го заемщика, тыс. руб.; /}- коэффициент, характеризующий степень риска кредитной политики.
Сравнение нечетких чисел можно проводить на основе степени включения или индекса ранжирования нечетких чисел.
5. Информационное и организационное обеспечение предложенного комплекса моделей. Основным источником получения информации является анкета-заявка, запоняемая заемщиком и содержащая значения факторов модели. Информация, содержащаяся в анкете-заявке, подтверждается документами. Увеличение числа предоставляемых документов приводит к увеличению трудоемкости обработки кредитного обращения и снижению уровня неточности содержащейся в анкете-заявке информации. Для автоматизация комплекса моделей разработано программное средство, работающее в качестве диалогового окна в среде лMS Excel. Нечеткий вывод условий
кредитования выпоняется в среде МаЙаЬ. На рис 3. представлена диаграмма, выпоненная в нотации РГР и отражающая потоки информации, возникающие в процессе оценки кредитоспособности заемщика на основе предложенного комплекса моделей.
Рис. 3. Диаграмма потоков информации в процессе оценки кредитоспособности заемщиков Предложена блок-схема принятия решения о кредитовании заемщиков, которая предполагает сбор информации о заёмщике, предварительную оценку заемщика (прескоринг), определение кредитного рейтинга, принятие решения о кредитовании, формирование условий кредитования. Предложена система показателей оценки эффективности деятельности кредитного отдела на основе предложенного комплекса экономико - математических моделей. Предложенный комплекс моделей апробирован на фактических данных.
В заключении приведены основные результаты диссертационного исследования и показано их значение для повышения эффективности управления размещением привлечённых ресурсов кредитной организации в форме предоставления потребительских кредитов.
Основные положения диссертационного исследования отражены в следующих публикациях: /. Дуболазов В. А. Нечетко - множественный подход к оценке кредитоспособности физических лиц / В. А. Дуболазов, Н. С. Лукашевич // Финансы и кредит. -2009.-№ 13(349) .-С. 35-45.
2. Лукашевич H. С. Модель оценки кредитоспособности физического лица на основе теории нечетких множеств / Н. С. Лукашевич // Научно-технические ведомости СПбГТУ. ~ СПб., 2008 .-№6, Т.2 : Экономические и гуманитарные науки. - С. 279-285.
3. Лукашевич Н. С. Разработка моделей оценки кредитоспособности заемщиков -физических лиц / Н. С. Лукашевич // Научно-технические ведомости СПбГТУ .Ч СПб., 2006 .-№5, Т.2 : Экономические и гуманитарные науки .-С. 269-273.
4. Лукашевич Н.С. О подходах к оценке кредитоспособности физических лиц // Актуальные вопросы современной науки : сб. научных трудов (Выпуск 6) / Под общ. ред. С.С. Чернова. - Новосибирск: ЦРНС - Изд-во СИБПРИНТ, 2009 . - С. 101-108.
5. Лукашевич Н.С. О проблемах и тенденциях развития потребительского кредитования в России // Экономические реформы в России : сб. научных трудов .- СПб. : Изд-во Политехи, ун-та, 2008 . - С. 108-112.
6. Лукашевич Н.С., Сафарова И.Р. О проблемах разработки моделей оценки кредитоспособности физических лиц. // XXXVII Неделя науки СПбГПУ: Материалы Всероссийской межвузовской научной конференции студентов и аспирантов. Ч VII. -СПб.: Изд-во Политехи, ун-та, 2008. - С. 241-242.
7. Лукашевич U.C. Модель выбора условий кредитования физического лица с учетом кредитного риска // Математические методы и информационные технологии в экономике, социологии и образовании: сб. статей XXII Международной научно -технической конференции.- Пенза: Привожский Дом знаний, 2008 . - С. 107-109.
8. Дуболазов В.А., Лукашевич Н.С. Разработка модели оценки кредитоспособности на основе аппарата нечеткой математики. // XXXV Неделя науки СПбГПУ: Материалы межвузовской научно-технической конференции студентов и аспирантов. Ч VII. - СПб.: Изд-во Политехи, ун-та, 2007. - С. 116-118.
9. Лукашевич Н. С. Банковский скоринг в потребительском кредитовании. / Н. С. Лукашевич // Современные аспекты экономики. - 2006. - № 6 (99). - С. 182-183.
Лицензия Р № 020593 от 07.08.97
Подписано в печать 22.04.2009. Формат 60x84/16. Печать цифровая. Усл. печ. л. 1,0. Уч.-изд. л. 1,0. Тираж 100. Заказ 4343Ь.
Отпечатано с готового оригинал-макета, предоставленного автором, в Цифровом типографском центре Издательства Политехнического университета. 195251, Санкт-Петербург, Политехническая ул., 29. Тел.: (812) 550-40-14 Тел./факс: (812) 297-57-76
Диссертация: содержание автор диссертационного исследования: кандидат экономических наук , Лукашевич, Никита Сергеевич
ВВЕДЕНИЕ.
1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ И ПРОБЛЕМЫ РАЗВИТИЯ ПОТРЕБИТЕЛЬСКОГО КРЕДИТОВАНИЯ В РОССИИ.
1.1. Понятие и классификация потребительского кредита.
1.2. Особенности потребительского кредита.
1.3. Современные тенденции и проблемы развития потребительского кредитования в России.
1.4. Роль оценки кредитоспособности заёмщика в потребительском кредитовании.:.
2. ЭТАПЫ РАЗРАБОТКИ МОДЕЛЕЙ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ФИЗИЧЕСКИХ ЛИЦ.
2.1. Состав модели оценки кредитоспособности физических лиц.
2.2. Требования к моделям оценки кредитоспособности физических лиц.
2.3. Обзор моделей оценки кредитоспособности физических лиц.
2.4. Этапы разработки моделей оценки кредитоспособности физических лиц.
2.4.1. Постановка задачи.
2.4.2. Выбор способа разработки модели.
2.4.3. Разработка модели.
2.4.4. Подходы к разработке моделей оценки кредитоспособности.
2.4.5. Выбор факторов модели.
2.4.6. Сбор оценок факторов модели.
2.4.7. Разработка программного средства.
2.4.8. Определение эффективности модели.
2.4.9. Корректировка модели.
3. РАЗРАБОТКА МОДЕЛИ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ФИЗИЧЕСКИХ ЛИЦ НА ОСНОВЕ ТЕОРИИ НЕЧЁТКИХ МНОЖЕСТВ.
3.1. Выбор факторов модели.
3.2. Определение значимости факторов модели.
3.3. Построение нечётко-множественных классификаторов факторов.
3.4. Определение кредитного рейтинга.
3.5. Определение условий кредитования физических лиц.
3.5.1 Система нечеткого вывода условий кредитования.
3.5.2. Определение вероятности погашения кредита.
3.5.3. Выбор условий кредитования.
3.5.4. Выбор условий кредитования с учетом кредитного риска.
4. ОРГ А НИЗ АЦИОННОЕ И ИНФОРМАЦИОННОЕ ОБЕСПЕЧЕНИЕ МОДЕЛИ ОЦЕНКИ КРЕДИТОСПСОБНОСТИ ФИЗИЧЕСКИХ ЛИЦ.
4.1. Организационное обеспечение модели.
4.2. Информационное обеспечение и программное средство модели.
4.3. Апробация модели.
Диссертация: введение по экономике, на тему "Оценка кредитоспособности физических лиц на основе теории нечетких множеств"
Актуальность темы исследования. В современных условиях задача анализа, оценки и управления кредитным риском является одной из приоритетных для кредитных организаций не только России, но и других стран мира. Требования к надежности банковской системы, предъявляемые со стороны различных регулирующих органов, постоянно возрастают, увеличиваются сроки кредитования, растет доля проводимых операций, успех которых напрямую связан с экономическим положением заемщиков. Все это происходит на фоне усиливающейся конкурентной борьбы, в условиях которой кредитные организации не могут просто увеличивать процентные ставки или требовать допонительного обеспечения по кредитам для покрытия своих рисков.
Участвуя в активных операциях, кредитные организации принимают на себя риски. Принятие рисков - основа банковской деятельности, но успех имеет только тот, кто принимает разумные риски, контролируемые и находящиеся в пределах финансовых возможностей кредитной организации. К наиболее значимым рискам относят: кредитный, ликвидности, валютный, рыночный, процентный и риск подрыва деловой репутации. Согласно информации об основных результатах анкетирования кредитных организаций по вопросам стресс-тестирования, в 2008 году первое место по уровню значимости среди всех банковских рисков занял кредитный риск.
Кредитование физических лиц - перспективное направление деятельности мирового банковского сектора. В принятой стратегии развития банковского сектора Российской Федерации на период до 2008 года этому направлению посвящен отдельный раздел. В документе отмечается, что за последние годы объемы кредитования физических лиц достаточно выросли, но при этом резервы роста остаются значительными.
В последние годы конкуренция на рынке кредитования физических лиц заставила кредитные организации вести более агрессивную кредитную политику, чем прежде, направленную на увеличение кредитного портфеля за счет привлечения в короткие сроки широкого круга заемщиков. Эта задача была решена за счет упрощения процедуры кредитования, кредитные организации ослабляют требования к обеспеченности кредитов, упрощают процедуры проверки кредитоспособности заёмщиков. Привлекая клиентов таким образом, кредитные организации приняли на себя допонительные кредитные риски, которые, реализовавшись, привели к росту просроченной задоженности. По данным Банка России на 01.10.2008 г. просроченная задоженность по кредитам, выданным физическим лицам, составила 131 мрд. руб. против 96 мрд. руб. на 01.01.2008 г. Уменьшение кредитных рисков -актуальная задача, стоящая перед кредитными организациями.
Потребительский кредит для кредитных организаций является не только эффективным средством привлечения новых заемщиков, но и перспективным объектом вложения свободных денежных средств. В текущих условиях возможности кредитных организаций по вложению свободных денежных средств ограничены. Эффективно инвестировать средства становится труднее. На фоне высоких темпов роста объёмов потребительского кредитования кредитные организации стакиваются с неготовностью к предоставлению потребительских кредитов. Проблемы возникают в силу специфики потребительских кредитов, что требует специальных методов и моделей управления потребительским кредитованием.
Мировой финансовый кризис, связанный с ростом числа дефотов по ипотечным кредитам в США, продожает оставаться главной темой на российском финансовом рынке. Причиной роста дефотов по ипотечным кредитам в США, по мнению автора, является несовершенная система оценки кредитного риска. Многие заемщики имели просроченную ссудную задоженность, в отношении данных заемщиков выносились судебные решения или осуществлялась процедура обращения взыскания на заложенное имущество, они проходили через процедуру банкротства. Российские кредитные организации, активно заимствующие средства за рубежом (по данным Банка России российские кредитные организации задожали на 01.01.2008 г. нерезидентам 163,6 мрд. доларов против 101,2 мрд. доларов на 01.01.2007 г.), стокнулись с проблемой привлечения ресурсов ввиду увеличения стоимости привлекаемых средств и снижения их предложения. В сложившихся условиях кредитные организации вынуждены были сократить объемы кредитования, скорректировать условия предоставления кредитов и более тщательно подойти к вопросу оценки кредитоспособности заемщиков. Например, с 01.11.2008 г. ОАО Сбербанк России не выдает потребительские кредиты без обеспечения. Сократися срок кредитования и установлен лимит кредитования в размере 500 тыс. руб., ужесточились условия ипотечного кредитования. В условиях конкурентной борьбы нецелесообразно ужесточать требования к заемщикам и искать допонительное обеспечение по кредитным операциям, а необходимо совершенствовать подходы к оценке кредитоспособности заемщика. Проблема оценки кредитоспособности заемщика в условиях конкурентной борьбы и мирового финансового кризиса становится актуальнее.
В соответствии с последним Базельским соглашением о капитале, известным как Базель II [78, 106], для оценки заемщиков при кредитовании рекомендуется использовать подход, основанный на внутренних рейтингах в следующем виде: построение системы внутренних кредитных рейтингов; оценка кредитоспособности заемщиков и присвоение им рейтингов; вычисление для каждого заемщика вероятности его дефота; оценка суммы задоженности заемщика в момент дефота; определение срока погашения задоженности. Это значит, что Базельский комитет по банковскому надзору официально утвердил и рекомендовал к использованию при оценке заемщиков внутрибанковские модели. Использование подхода предполагает проектирование адекватных математических моделей.
Большой интерес к моделям оценки кредитоспособности физических лиц проявляют бюро кредитных историй, которые согласно законодательству могут помещать в основную часть кредитной истории кредитный рейтинг заемщика, и оказывать на договорной основе услуги, которые связаны с разработкой на основе информации, содержащейся в кредитной истории, методик вычисления индивидуальных рейтингов.
Основным условием эффективной деятельности кредитных организаций на рынке потребительского кредитования становится активное изучение вопросов, связанных с разработкой методов и моделей принятия решений по кредитным обращениям, позволяющих осуществлять приемлемый отбор потенциальных заёмщиков. При этом важно не только адекватно оценить соискателя кредита, но и сохранить издержки кредитования на низком уровне и уменьшить время, затрачиваемое на одного соискателя. Эксперты заявляют, что эффективная маркетинговая программа по продвижению кредитных продуктов бесполезна без соответствующей методической базы, обеспечивающей принятие решения по кредитным обращениям. Правильным решением для уменьшения уровня кредитных рисков до приемлемого значения является постоянное улучшение качества менеджмента и внедрение современных автоматизированных систем оценки кредитных рисков.
Важно подчеркнуть тот факт, что большинство современных российских исследований в области управления кредитным риском и оценки кредитоспособности заёмщика, к сожалению, сосредоточено на исследовании проблем оценки заёмщиков-юридических лиц, обобщении зарубежных методик их оценки, при этом редко затрагиваются практические и теоретические аспекты управления кредитованием заёмщиков - физических лиц.
Таким образом, отсутствие действенной системы оценки потенциального заёмщика-физического лица на российском рынке потребительского кредитования, вероятность дефота по выданным кредитам, связь рентабельности кредитных операций и размера резервов на покрытие непогашенных кредитов с качеством оценки кредитного риска, а также значительный интерес кредитных организаций в этом направлении в условиях конкуренции и мирового финансового кризиса обусловливают актуальность появления разработок в области оценки заёмщиков - физических лиц и создают проблему, решение которой имеет важное значение для отечественного банковского сектора. Практическая значимость, теоретическая и методологическая непроработанность данной проблемы обусловили актуальность темы диссертационного исследования.
Методологические и теоретические основы исследования. Исследования, посвященные анализу риска в банковской сфере с использованием различных методик, связывают с именами следующих отечественных и зарубежных исследователей: Батраковой Л.Г., Беляева М.К., Белякова А.В., Буздалина А.В., Бухтина М.А., Воробьёва Л.И., Жованикова В.Н., Иванова В.В., Ильясова С.М., Козлова А.А., Косована К.С., Лаврушина О.И., Ли О.В., Масленченкова Ю.С., Недосекина А.О., Потоцкой Е.Г., Строева А.А., Субботина А.В., Супруновича Е.Б., Фаррахова И.Т., Соложенцева Е.Д., Пановой Г.С., Козловской Э.А. и многих др.
Большой вклад в развитие теории нечетких множеств, теорию и практику построения нечетких моделей внесли следующие отечественные и зарубежные ученые: Атунин А.Е., Андрейчиков А.В., Андрейчикова О.Н., Асаи К., Гольдберг Д., Заде Л., Ковалёв С.М., Недосекин О.В., Коско Б., Кофман А., Круглов В.В., Мамдани Е., Мелихов А.Н., Минаев Ю.Н., Пилиньский М., Рутковский Л., Семухин М.В., Сугэно М., Тэрано Т., Филимонова О.Ю., Холанд Дж., Ягер Р. и многие др.
Большое внимание уделяется кредитному скорингу как подходу к оценке кредитного риска. Эта проблема освещается в работах М.Бора, К. Вальравина, М. Ворда, Э. Альтхмана, Д. Крука, Д. Хэнда, Л. Томаса, Ш. Де Ковни, Л. Миэринь, С. Питера, Э.Рида, К. Рэдхэда,- С. Хьюса и др.
Проблемам экономико-математического моделирования посвящены работы отечественных ученых: Глухова В.В., Юрьева В.Н., Ильина И.В., Кузина Б.И., Диденко Н. И. и др.
Целью диссертационного исследования является разработка комплекса взаимосвязанных экономико - математических моделей оценки кредитоспособности заёмщиков - физических лиц, отвечающего современным требованиям в области управления кредитным риском и направленного на повышение эффективности управления размещением привлечённых ресурсов кредитной организации в форме предоставления потребительских кредитов.
Достижение поставленной цели предполагает решение следующих задач:
1. Раскрыть экономическое содержание потребительского кредита, выявить особенности потребительского кредитования с точки зрения заёмщика, кредитной организации и национальной экономики. Рассмотреть основные тенденции и проблемы современной практики потребительского кредитования. Показать значимость и актуальность проблемы, связанной с оценкой кредитоспособности заёмщиков.
2. Показать состав моделей оценки кредитоспособности. Раскрыть проблемы их разработки. Представить сравнительный обзор моделей оценки кредитоспособности физических лиц в отечественной и зарубежной практике потребительского кредитования, а также показать необходимость исследований в данной области.
3. Рассмотреть возможность применения подходов, положенных в основу моделей оценки кредитоспособности физических лиц, в отечественной банковской практике. Дать рекомендации по выбору подхода. Обосновать возможность применения теории нечётких множеств как одного из подходов к оценке кредитоспособности заемщиков.
4. Разработать комплекс экономико - математических моделей, позволяющий определять кредитный рейтинг заёмщиков и условия кредитования с использованием теории нечетких множеств.
5. Разработать организационное и информационное обеспечение предложенной системы оценки кредитоспособности заемщиков. Разработать систему показателей оценки эффективности деятельности кредитного отдела на основе предложенного комплекса экономико - математических моделей.
Объектом исследования являются экономические отношения кредитных организаций, в частности их структурных подразделений по кредитованию, с заёмщиками - физическими лицами. Предметом исследования является процесс оценки кредитоспособности заёмщиков и предоставления потребительского кредита.
Методы исследования. Обоснованность и достоверность результатов исследования обеспечены применением комплекса методов, соответствующих объекту, цели, задачам и логике исследования, а также непротиворечивостью полученных научных результатов. При решении поставленных задач использовались методы математического анализа, экспертные методы, методы теории нечетких множеств, подходы и методы теории оптимизации. Методологическую основу исследования составили монографии и труды ведущих отечественных и зарубежных учёных в области оценки кредитных рисков, кредитования, экономического анализа, риск-менеджмента, нечеткого моделирования, а также методические и аналитические материалы Банка России, кредитных организаций, международных финансово-кредитных институтов и рейтинговых агентств.
Информационной базой исследования являются информационные базы кредитных организаций Санкт-Петербурга; данные , Банка России, Министерства финансов и Федеральной службы государственной статистики; нормативные акты Российской Федерации; положения и инструкции кредитных организаций; бухгатерские формы отчетности; материалы периодической печати, а также экспертные оценки, расчёты и результаты экспериментов.
Наиболее существенные результаты и научная новизна диссертационного исследования заключается в следующем:
1. Раскрыты экономическое содержание потребительского кредита и особенности потребительского кредитования. Выявлены основные тенденции и проблемы современной практики потребительского кредитования. Показана значимость и актуальность проблемы, связанной с оценкой кредитоспособности заёмщиков.
2. На основе анализа содержательной специфики оценки кредитоспособности заёмщиков - физических лиц сформирована концепция применения теории нечетких множеств в потребительском кредитовании, позволяющая, несмотря на некоторую размытость результатов, сделать экономическую оценку кредитоспособности заемщиков более доступной для интерпретации, чем традиционные методы.
3. Разработана нечетко - множественная модель кредитного рейтинга заемщика, отличительной особенностью которой является возможность получения на основе неточной и ограниченной информации о заемщике комплексной количественно - качественной оценки его кредитоспособности.
4. Разработана система нечеткого логического вывода, отличающаяся возможностью определения условий кредитования заемщиков на основе кредитных рейтингов и включающая знания экспертов, выраженные в терминах естественного языка.
5. Разработана экономико-математическая модель выбора вариантов кредитования заемщиков, обеспечивающая формирование с учетом кредитной политики и финансовых возможностей заемщиков множества альтернативных вариантов условий кредитования, заданных нечеткими числами, и выбор на основе кредитных рейтингов оптимального варианта кредитования для каждого заемщика с точки зрения чистого ожидаемого дохода кредитной организации.
6. Разработано организационное и информационное обеспечение предложенного комплекса моделей. Предложена система показателей, характеризующих эффективность эксплуатации комплекса моделей в кредитном отделе.
Практическая значимость исследования. Разработанная модель может стать основой процедуры оценки кредитоспособности предоставления кредита заёмщикам - физическим лицам в кредитных отделах отечественных кредитных организаций и послужить основой для повышения эффективности управления размещением привлечённых ресурсов кредитной организации в форме предоставления потребительских кредитов. На основе предложенной модели могут быть построены практические модели принятия решений в управлении кредитным процессом в реальных рыночных условиях неопределенности и нечеткой информации. Рекомендации, сформулированные в диссертационном исследовании, могут быть использованы кредитными организациями, работающими на рынке потребительского кредитования, для повышения обоснованности принимаемых решений о кредитовании и снижения кредитных рисков при повышении скорости и снижения издержек рассмотрения кредитных обращений. Материалы диссертационного исследования используются в учебном процессе кафедры Предпринимательство и коммерция ГОУ СПбГПУ.
Апробация результатов исследования. Основные положения диссертации были представлены и опубликованы в материалах ежегодных международных научно - практических конференций молодых ученых, студентов и аспирантов: Неделя науки СПбГПУ (Санкт-Петербург, СПбГПУ, 2007 и 2008 гг.), Математические методы и информационные технологии в экономике, социологии и образовании (Пенза, Привожский дом знаний, 2008 г.), Актуальные вопросы экономических наук (Новосибирск, ЦРНС, 2009 г.), а также на семинарах аспирантов и заседаниях кафедры Предпринимательство и коммерция (Санкт-Петербург, СПбГПУ, 2008 г.). Результаты исследования используются в учебно - методических материалах по дисциплине Деньги, кредит, банки и деятельности филиала ОАО АКБ ЮГРА в Санкт-Петербурге, что подтверждается актом о внедрении результатов исследования.
Публикации. По теме диссертационного исследования опубликовано 7 работ общим объёмом 1,7 печатных листа, в том числе 2 публикации в сборнике Научно-технические ведомости СПбГПУ, включённом в перечень ВАК.
Структура и объём диссертационного исследования. Диссертационное исследование состоит из введения, четырех глав, заключения, библиографического списка и приложений. Исследование содержит 172 страницы основного текста, 13 таблиц, 30 рисунков, 11 приложений, библиографический список из 188 наименований.
Диссертация: заключение по теме "Математические и инструментальные методы экономики", Лукашевич, Никита Сергеевич
ЗАКЛЮЧЕНИЕ
В настоящем диссертационном исследовании рассмотрены актуальные вопросы кредитования физических лиц. В современных условиях задача анализа, оценки и управления кредитным риском является одной из приоритетных для кредитных организаций. Эффективность кредитных операций напрямую связана с экономическим положением заемщиков. Основным условием эффективной деятельности кредитных организаций на рынке потребительского кредитования становится активное изучение вопросов, связанных с разработкой методов и моделей принятия решений по кредитным обращениям, позволяющим осуществлять приемлемый отбор потенциальных заёмщиков.
Разработанный комплекс моделей может стать основой процедуры оценки и предоставления кредита заёмщикам - физическим лицам в кредитных отделах отечественных кредитных организаций и послужить основой для повышения эффективности управления размещением привлечённых ресурсов кредитной организации в форме предоставления потребительских кредитов.
Результаты диссертационного исследования заключается в следующем:
1. Уточнены понятие потребительского кредита и классификация потребительских кредитов в соответствии с современной банковской практикой.
2. Рассмотрены основные тенденции и проблемы современной практики потребительского кредитования. Показана значимость и актуальность проблемы, связанной с оценкой кредитоспособности заёмщика.
3. Рассмотрены подходы, положенные в основу моделей оценки кредитоспособности физических лиц. Сделаны выводы о возможности применения подходов в отечественной банковской практике. Даны рекомендации по выбору подхода.
4. На основе анализа содержательной специфики оценки кредитоспособности заёмщиков - физических лиц сформирована концепция применения теории нечетких множеств в потребительском кредитовании, позволяющая, несмотря на некоторую размытость результатов, сделать экономическую оценку кредитоспособности более доступной для интерпретации, чем традиционные методы.
5. Разработана нечетко - множественная модель кредитного рейтинга заемщика, позволяющая на основе неточной информации о заемщике получить комплексную количественно - качественную оценку его кредитоспособности.
6. Разработана система нечеткого логического вывода, позволяющая определить условия кредитования заемщиков на основе кредитных рейтингов и включающая знания экспертов, выраженные в терминах естественного языка.
7. Разработана экономико-математическая модель выбора вариантов кредитования заемщиков, позволяющая с учетом кредитной политики и финансовых возможностей заемщиков сформировать множество альтернативных вариантов условий кредитования, заданных нечеткими числами, и осуществить на основе кредитных рейтингов выбор оптимального варианта кредитования для каждого заемщика с точки зрения чистого ожидаемого дохода кредитной организации.
8. Разработано организационное и информационное обеспечение предложенного комплекса моделей. Предложена система показателей, характеризующих эффективность эксплуатации комплекса моделей в кредитном отделе. Предложенный комплекс моделей апробирован на фактических данных.
Диссертация: библиография по экономике, кандидат экономических наук , Лукашевич, Никита Сергеевич, Санкт-Петербург
1. Абричкина Г.Б. Структура скоринг-модели анализа кредитных рисков // Современные проблемы информатизации в непромышленной сфере и экономике: Сб. тр. Воронеж: Центрально-Черноземное книжное изд-во, 2003. -Вып. 8-С. 60-61.
2. Абричкина Г.Б., Деркачев А.Н. Применение скоринга при оценке кредитного риска // Новые технологии в научных исследованиях, проектировании, управлении, производстве: Сб. тр. регион, науч.-техн. конф. Воронеж: ВГТУ, 2003. - С. 79-80.
3. Аветисов М. М. Рейтинг для заемщика / М. Аветисов // Банковские технологии. 2004 . - № 3 .- С. 58-61.
4. Андреева Г. В. Скоринг как метод оценки кредитного риска // Банковские Технологии. 2000. - № 6. - С. 14-19
5. Андрейчиков А. В. Оценка инвестиционных проектов с использованием методов теории нечетких множеств / А. В. Андрейчиков, О. К. Чесноков // Известия вузов. Машиностроение. 2004 . № 1 .- С. 65-68
6. Ахрамейко А.А., Железко Б.А., Ксеневич Д.В. Построение рейтинга банков с использованием методики расчета многоуровнего агрегированного показателя банка, www.sedok.narod.ru/scgroup.html.
7. Бабина Н. В. Система оценки кредитоспособности физических лиц // Теоретические и прикладные проблемы сервиса. 2006. - №4 (21).
8. Бабкин В. Оценка потенциального заемщика с позиции экономической безопасности. // Банковское дело в Москве. 2005. - №2 (122).
9. Банковское дело : учебник для вузов / О.И. Лаврушина, И.Д. Мамонова, Н.И. Валенцева и др.; под ред. О.И. Лаврушина . 2-е изд., перераб. и доп. Ч М.: Финансы и статистика, 2005 . 667 с.
10. П.Барсегян А. А., Куприянов М. С., Степаненко В. В., Холод И. И. Методы и модели анализа данных: OLAP и Data Mining: Учебное пособие. -СПб.: БХВ Петербург, 2004. - 336 с.
11. Батракова Л. Г. Анализ процентной политики коммерческого банка: Учеб. пособие для экон. вузов по спец. Финансы и кредит / Л.Г. Батракова. -Москва: Логос, 2002 . 150 с.
12. Белман Р., Заде Л. Принятие решений в расплывчатых условиях // В кн.: Вопросы анализа и процедуры принятия решений. М.: Мир, 1976.
13. Беляев М. К. Специфические риски потребительского кредитования / М. К. Беляев // Банковское дело. 2006 . - № 5. - С. 54-56.
14. Борисов А.И. Потребительское кредитование, или жизнь взаймы // Банковское дело. 2005. - № 6.- С. 47.
15. Будина Е. С. Проблемы оценки кредитоспособности заемщика. // Вестник ЮУрГУ. Серия Рынок: Теория и практика. Вып. 2. №1(56). 2006. -С. 113-119.
16. Бунеску Г. Г. Линейная модель скоринга // Управление финансовыми рисками. 2007. - №1. - С. 64-68.
17. Вишняков И. В. Методы и модели оценки кредитоспособности заемщиков: Учеб. пособие по спец. 060400 Финансы и кредит / И.В.Вишняков; М-во общ. и проф. образования Рос. Федерации, С.-Петерб. гос.инж.-экон. акад. - СПб. : СПбГИЭА, 1998. - 51 с.
18. Вишняков Я. Д. Общая теория рисков : учебное пособие для студентов высших учебных заведений, обучающихся по специальности "Менеджмент организации" / Я. Д. Вишняков, Н. Н. Радаев. Москва : Академия, 2007. - 362 с.
19. Вокова В.Н. Теория систем : учебное пособие для студентов высших учебных заведений, обучающихся по направлению подготовки магистров Системный анализ и управление / В.Н. Вокова, А.А. Денисов. Москва : Высшая школа, 2006. - 511 с.
20. Волокитина К. В., Гончарук О. В. О сущности и принципах потребительского кредитования. // Актуальные проблемы финансов и банковского дела: Сб. науч. тр. Вып. 9. / Под ред. А. И. Михайлушкина, Н. А. Савинской. СПб.: СП6ГИЭУ, 2006.
21. Гарбузов, А.К. Финансово-кредитный словарь, том II / А. К. Гарбузов: М.: Финансы и статистика, 2004. -420 с.
22. Гарнаев А.Ю. Использование MS Excel и VBA в экономике и финансах. СПб: BHV-Санкт-Петербург, 1999. - 336 с.
23. Глухов В.В. Математические методы и модели для менеджмента : учебное пособие для вузов / В.В. Глухов, М.Д. Медников, С.Б. Коробко .- 2-е изд., испр. и доп. СПб : Лань, 2005 .- 524 с.
24. Готовчиков И. Комбинированные методы оценки кредитного риска / И. Готовчиков // Банковские технологии. 2007. - № 2 . - С. 54-59.
25. Готовчиков И. Ф. Комплексная скоринговая модель оценки дефота клиента / Иван Готовчиков // Банковские технологии. 2006 . - № 1 . - С. 27-35.
26. Давыдова Г.В., Беликов А.Ю. Методика количественной оценки риска банкротства предприятий // Управление риском. 1999. - № 3. - С. 13-20.
27. Данилова Т. Н. Проблемы неопределённости, информации и риска кредитования коммерческими банками / Т. Н. Данилова // Финансы и кредит : журнал . М.: 2004 . - № 2 . - С. 2-14.
28. Дуболазов В. А., Павлов Н. В. Принятие управленческих решений в маркетинге с помощью компьютерных средств. СПб.: Изд-во Политехи, унта, 2005. - 210 с.
29. Едронова В.Н. Модели анализа кредитоспособности заемщиков // Финансы и кредит. 2002 . - №6 . - С.9-15.
30. Ермаков С. Л. Рынок потребительского кредитования в России: современные тенденции развития / С. Л. Ермаков, Ю. А. Малинкина // Финансы и кредит. 2006 . - № 21. - С. 24-32
31. Ильин И.В. Оценка трансакционных издержек при формирования экономической стратегии фирмы. // Научно- технические ведомости СПбГПУ. -2003.-№4.-С. 88-97.
32. Ильин И.В. Динамическая модель максимизации чистого денежного потока фирмы. // Научно-технические ведомости СПбГТУ. 2002. - № 1(27). -С. 28-39.
33. Ильин И.В. Нелинейная дискретная модель управления финансовыми потоками фирмы / И.В. Ильин // Научно-технические ведомости СПбГТУ. -Санкт-Петербург, 2004 . №3(37) - С.60-67
34. Кардашов В. Комплексная минимизация рисков в банковском ритейле, включая потребительское кредитование // Банковская деятельность. -2006.-№1.-С. 32.
35. Ковалев П.П. Кредитный рейтинг клиента как один из основных методов оценки кредитоспособности заемщика // Формирование рыночных отношений в Украине Издательство НИИ Министерства экономики и вопросов европейской интеграции Украины № 12(43), 2004.
36. Коновалихин М.Ю., Сергиенко Д.О., Кулик В.В. Модель расчета лимита кредитования // Управление финансовыми рисками. 2007. - №3. - С. 196-203.
37. Коновалихин М.Ю., Сергиенко Д.О., Кулик В.В., Голицын С.А. Модель расчета процентной ставки // Управление финансовыми рисками. -2008. №2.-С. 94-102.
38. Конюховский П.В. Математические методы исследования операций в экономике. СПб: Питер, 2002. - 208 с.
39. Котлер Ф. Маркетинг менеджмент : Пер. с англ. / Котлер Ф. 10-е изд. - Санкт-Петербург : Питер, 2000 . - 749 с.
40. Кочедыков Д.А., Ивахненко А.А., Воронцов К.В. Система кредитного скоринга на основе логических агоритмов классификации // ММРО-12, -Москва: Макс Пресс, 2005. С. 349-353.
41. Кричевский М. JI. Нейросетевой анализ кредитоспособности заемщика / М. J1. Кричевский, Е. М. Сагалович // Управление риском. 2008. -№ 1 (45).- С. 41-46.
42. Куницына, Н.Н. Бизнес-планирование в коммерческом банке / Н.Н. Куницына, Л.И. Ушвицкий, А.В. Малеева Москва: Финансы и статистика, 2002 .- 303 с.
43. Лаврушин О.И. Деньги, кредит, банки / под ред. О.И. Лаврушина: -М.: Финансы и статистика, 2001. 250 с.
44. Лаврушин О.И. Организация и планирование кредита / под ред. О. И. Лаврушина: М.: Финансы и статистика, 2004. - 330 с.
45. Лебедев Е.А. Синтез скоринговой модели с помощью системно-когнитивного анализа / Лебедев Е.А. // Научный журнал КубГАУ Электронный ресурс. Краснодар: КубГАУ, 2007. - № 29(05).
46. Луценко Е.В., Лебедев Е.А. Определение кредитоспособности физических лиц и риски их кредитования. М.: Финансы и кредит, ноябрь 2006 - № 32(236).
47. Лю Б.Теория и практика неопределенного программирования / Б. Лю ; пер. с англ. Ю. В.Тюменцева, Ю. Т. Каганова ; под ред. Ю.В. Тюменцева. М. : БИНОМ. Лаб. знаний, 2005. - 416 с.
48. Масалович А.И. Нечеткая логика в бизнесе и финансах. // PC Week. -1995. -№ 16.-5-6 с.Х 57. Модели принятия решений на основе лингвистической переменной / А.Н.Борисов и др. Рига: Зинатне, 1982
49. Морсман Э. М. (младший). Кредитный департамент банка: Организация эффективной работы: Пер. с англ. / Э.М. Морсман. Москва: Альпина Паблишер, 2003 . - 256 с.
50. Мочалов И. А. Нечеткое линейное программирование / И. А. Мочалов, Е. Селескерова // Промышленные АСУ и контролеры. 2006 . -№10 . - С. 26-29
51. Недосекин А.О. Комплексная оценка риска банкротства корпорации на основе нечетких описаний, www.sedok.narod.ru/scgroup.html.
52. Недосекин А.О. Обобщенный подход к оценке кредитоспособности корпорации. Ссыка на домен более не работаетsfiles/2003/Artl 80803.doc.
53. Недосекин А.О. Скоринг акций с использованием нечетких описаний // Аудит и финансовый анализ. 2001. - №3.
54. Недосекин А.О. Нечетко-множественный анализ риска фондовых инвестиций / А.О. Недосекин .- Санкт-Петербург, 2002 -181 с.
55. Недосекин А.О., Фролов С.Н. Лингвистический анализ гистограмм экономических факторов, www.sedok.narod.ru/sfiles/2003/Art040703.doc .
56. Немировская Е.А. Эффективность потребительского кредитования в российской банковской практике/ Е.А. Немировская // Российское предпринимательство. Москва: ООО Издательство Креативная экономика. 2007.-№9(1).
57. Непомнящий А.В. Вопросы развития банковского потребительского кредитования и некоторые проблемы его совершенствования // Банковские услуги. 2008. - № 1.
58. Непомнящий А.В. Классификация потребительских кредитов в российской и зарубежной практике // Экономика и финансы. 2005. - № 17.
59. Носова Т. П. Современная система кредитования физических лиц / Т. П. Носова, А. В. Семин // Финансы и кредит. 2007. - № 29. - С. 28-31.
60. Панова Г.С. Кредитная политика коммерческого банка / Г. С. Панова. -М.: ДИС, 1997.-464 с.
61. Петровский А. Б. Многокритериальное принятие решений по противоречивыми данным: подход теории мультимножеств // Информационные технологии и вычислительные системы. 2004. - № 2.-С. 56-66.
62. Поездник А. И. Модель анализа кредитоспособности заемщика как основа для принятия решения по управлению кредитным риском // Бизнес и банки. 1999 .-№18 .-С. 3-5
63. Поспелов Д.С. Серые и/или черно-белые шкалы.// Прикладная эргономика. Специальный выпуск Рефлексивные процессы. 1994. - №1.
64. Предтеченский А. Н. Коэффициентный анализ в системе кредитных рейтингов заемщиков банка // Банковское дело. 2005 . - № 4 . - С. 28-33.
65. Прошкина И. С. Практика потребительского кредитования в коммерческом банке / И. С. Прошкина // Банковские услуги. 2005. - № 10 . -С. 2-31.
66. Расторгуев В. В. Технология data mining для анализа данных в методиках кредитного скоринга / В. В. Расторгуев // Банковские технологии. -2003 .-№ 11.-С. 14-18.
67. Рид И. Инструменты для управления кредитным риском / И. Рид // Банковское дело. 2006. - № 7 . - С. 47.
68. Руководство по кредитному скорингу/ под ред. Элизабет Мэйз ; пер. с англ. И.М. Тикота ; науч. ред. Д.И. Вороненко. Минск: Гревцов Паблишер, 2008. - 464 с.
69. Русанов Ю.Ю. Индикаторы мониторинга рисков в банковском менеджменте // Банковское дело. 2004 . - №1 .- С. 32-37.
70. Рыкова И. Н. Скоринг-оценка физических лиц на рынке потребительских кредитов / И. Н. Рыкова // Финансы и кредит. 2007. - № 18. - С. 2-9.
71. Саати Т. Принятие решений. Метод анализа иерархий. М.: Радио и связь, 1993.-316 с.
72. Сикина Г. Ю. Портфель инноваций как средство реализации инновационной стратегии предприятия / Г. Ю. Сикина, В. Ю. Латута // Российское предпринимательство. 2006 . - № 7 . - С. 19-23.
73. Смородинов О. В. Оценка кредитных рисков в банковском ритейле США / О.В. Смородинов // Банковские технологии. 2005 . - № 7 . - С. 36-38.
74. Соложенцев Е. Д., Степанова Н.В., Карасев В.В. Прозрачность методик оценки кредитных рисков и рейтингов. С.-Пб. ун-т, 2005. 195 с.
75. Соложенцев Е.Д. О методике количественной оценки кредитного риска физических лиц // Деньги и кредит. 1998 . - №2 . - С.76-79.
76. Стародубцева Е.Б., Сидоров В.В. Потребительское кредитование в России // Банковская деятельность. 2006. - № 6. - С. 10
77. Стратегия и тактика антикризисного управления фирмой / Под. ед. А.П. Градова и Б.И. Кузина. СПб: Специальная литература, 1996. - 510 с.
78. Стребков Д. Основные типы и факторы кредитного поведения населения в современной России // Вопр. экономики. М., 2004. - № 2. - С. 109-128.
79. Строев А.А. Внедрение системы кредитного скоринга в банке. // Расчеты и операционная работа в коммерческом банке. 2004. - № 6.
80. Таха Х.А. Введение в исследование операций. М.: Вильяме, 2001.912 с.
81. Тен В. В. Проблемы анализа кредитоспособности заемщиков / В. В. Тен // Банковское дело. 2006. - № 3. - С. 49 - 51.
82. Титова Н. Е. Деньги, кредит, банки: Учеб. пособие для вузов / Н.Е. Титова, Ю.П. Кожаев. Москва: Владос', 2003 . - 365 с.
83. Трухаев Р.И. Модели принятия решений в условиях неопределенности. М.: Наука, 1981.
84. Туманов В.В. Нейросети в море бизнеса. // PC Week, 1997. № 39 (113).-С. 6-7
85. Фадеев С. Как попасть в кредитную историю // Нац. банк. журн. М., 2004. Декабрь. - С. 28-31.
86. Фаррахов И. Т. Расчет лимитов кредитования. Нетрадиционный подход // Аналитический банковский журнал. 2002. - № 4 (83).
87. Фиронов А. Н. Fuzzy-моделирование принятия решений в банковской практике / Анатолий Фиронов, Елена Фиронова // Банковские технологии. -2006 . № 2 . - С. 34 - 40.
88. Фиронов А. Н., Люшина Е. А. Нечеткая логика в анализе корпоративных клиентов // Банковские технологии. 2003. - № 5. - С. 22-31.
89. Фишборн П. С. Теория полезности для принятия решений. М.: Наука, 1978.
90. Ходжаева И. Оценка кредитоспособности физических лиц с использованием деревьев решений / И. Ходжаева, С. Ларин // Банковское дело. 2004 . - № 3. - С. 30-33
91. Чернов В. Г. Модели поддержки принятия решений в инвестиционной деятельности на основе аппарата нечетких множеств / В. Г. Чернов . М. : Горячая линия - Телеком, 2007 .-312 с.
92. Чернов В. Г. Методика оценки кредитоспособности предприятий сферы малого бизнеса, основанная на нечеткомножественной математической модели / В. Г. Чернов, А. В. Иларионов // Финансы и кредит. 2006 . - № 20 .С. 72-78.
93. Шеремет А. Д. Методика финансового анализа : Учеб. и практ. пособие / А. Д. Шеремет, Е. В. Негашев .- 3-е изд., перераб. и доп. М. : ИНФРА-М, 2000 . - 208 с.
94. Шеремет А.Д. Финансы предприятия : Учеб. пособие . М. : ИНФРА-М. 1999 . - 343с.
95. Штовба С. Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая Линия - Телеком, 2007. - 288 с.
96. Энциклопедия финансового риск-менеджмента / под ред. А. А. Лобанова, А. В. Чугунова. Москва : Альпина Паблишер, 2003. - 761 с.
97. Юрьев В.Н. Методы оптимизации в экономике и менеджменте : учеб. пособие / В. Н. Юрьев, В. А. Кузьменков .- СПб. : Изд-во Политехи, унта, 2006 .- 803 с.
98. Яхъяева Г. Э. Нечеткие множества и нейронные сети : учебное пособие / Г.Э. Яхъяева. 2-е изд., испр. - М.: Интернет-Университет информационных технологий : БИНОМ. Лаборатория знаний, 2008. -315 с.
99. Altaian E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy// The Journal of Finance, September 1968. P. 589 - 609.
100. Asch L. How the RMA/Fair, Isaac Credit-Scoring Model Was Built. Journal of Commercial Lending, 1995. P. 10 - 16.
101. Atiya A. Bankruptcy prediction for credit risk using neural networks: A survey and new results. IEEE Transactions on Neural Networks 12(4), 2001. P. 929 -936.
102. Baesens В., Setiono R., Mues C., Vanthienen J. Using neural network rule extraction and decision tables for credit-risk evaluation. Management Science 49(3), 2003,- P. 312-329.
103. Baesens B. Developing Intelligent Systems for Credit scoring using Machine Learning Techniques, Ph.D.thesis, Katholieke Universiteit Leuven, 2003.
104. Baesens В., Egmont-Petersen M., Castelo R., Vanthienen J. Learning Bayesian network classifiers for credit scoring using Markov chain Monte Carlo search // Proc. International Congress on Pattern Recognition. 2002.
105. Beranek W. Analysis for Financial Decisions. Boston: Irwin, 1963.870 p.
106. Bierman H., W. H. Hausman. The credit granting decision. Management Sci., 16, 1979.-P. 519-532.
107. Boyes W., Hoffman D, Low S. An Econometric Analysis of the Bank Credit Scoring Problem. Journal of Econometrics 40, 1989. P. 3 -14.
108. Brill J. The importance of credit scoring models in improving cash flow and conditions. Business Credit, № 1. 1998. P. 16-17.
109. Churchill G. A., Nevin J. R., Watson R. R. The role of credit scoring in the loan decision. Credit World. 1977.
110. Coffman J.Y. The proper role of Tree Analysis in Forecasting the Risk behavior of borrowers, MDS Reports, Management Decision System, Atlanta, 1986, GA, 3, 3, 7, 9.
111. Cohen K.J., Hammer F.S. Analytical Method in Banking. Boston: Irwin, 1966. - 687 p.
112. Cole R.H. Consumer and Commercial Credit Management. Boston: Irwin, 1988.-468 p.
113. Cox D.R., Wermuth N. Linear Dependencies Represented by Chain Graphs. Statistical Science, 8, 1983. P. 204 - 283.
114. Crook J. N., Hamilton R., Thomas L. C. A comparison of a credit scoring model with a credit performance model. The Service Industries Journal 12. 1992.
115. Desai V.S, Conway D.G, Crook J.N, Overstreet G.A. Credit scoring models in credit union environment using neural network and generic algorithms. IMA Journal of Mathematics Applied in Business & Industry 8, 1997. P. 323-346.
116. Desai V.S, Crook J.N, Overstreet G.A. A comparison of neural network and linear scoring models in credit union environment. European Journal of Operational Research 95, 1996. P. 24-35.
117. Dirickx Y.M.I. Wakeman L. An Extension of the Bierman-Hausman Model for Credit Granting. Management Sci., 22, 1976. P. 1229-1237.
118. Dunham H. L. A Simple Credit Rating for Small Loans, Bankers Monthly, 1938.
119. Durand D. Risk elements in consumer installment financing. NY: National Bureau of Economic Research, 1941.
120. Eisenbeis R. A. Problems in Applying Discriminant Analysis in Credit Scoring Models. Journal of Banking and Finance, Vol. 2.1978.
121. Fishburn P.O. The axioms of subjective probability // Stat. Sci. 1986. v.l. №3.
122. Fisher R.A. The Use of Multiple Measurements in Taxonomic Problems. Annals of Eugenics. 7, 1936. P. 179 - 188.
123. Fogarty T.C., Ireson N.S. Evolving Bayesian classifiers for credit control a comparison with other machine learning methods, IMA Journal of Mathematics Applied in Business and Industry 2, 1993. - P. 63-76.
124. Gehrlein W.V., Gempesaw V. A cost minimization approach to classification, Proceedings of the National Decision Sciences Institute Meeting, November, 1991.-P. 1162-1163.
125. Han Ping, Xi You-min. Combining forecast based on fuzzy neural network in credit risk. Quantitative & Technical Economics, 2001, №. 5. P. 107-110.
126. Hand D.J, Henley W.E. Statistical classification methods in consumer credit scoring: a review. Journal of the Royal Statistical Society, Series A: Statistics in Society 160, 1997. P. 523 - 541.
127. Hand D.J., McConway К J., Stanghellini E. Graphical models of applicants for credit. IMA Journal of Mathematics Applied in Business & Industry, 8,1996.-P. 143-155.
128. Hardy W. E., Adrian J. L. A Linear Programming Alternative to Discriminant Analysis in Credit Scoring, Agribusiness, 1, Iss. 4., 1985. P. 285-292.
129. Henley W. E. Statistical aspects of credit scoring. Ph.D. thesis. Open University. 1995.
130. Henley W.E, Hand D.J. A k-nearest neighbor classifier for assessing consumer credit risk. Statistician 1996, 44. P.77 - 95.
131. Henley W. E., Hand D. J. Construction of a k-nearest-neighbor credit-scoring system. IMA Journal of Mathematics Applied in Business and Industry 8,1997.-P. 305-321.
132. Huang, C.-L., Chen, M.-C., Wang, C.-J. Credit scoring with a data mining approach based on support vector machines. Expert Systems with Applications, 2006.
133. Jankowitsch R., Pichler S., Schwaiger W.S.A. Modeling of Economic Value of Credit Rating System, Journal of Banking &Finance, 31, 2007. P. 181198.
134. Jensen H. L. Using neural networks for credit scoring. Managerial Finance 18(6), 1992. P. 15 -26.
135. Lai K.K., Yu L., Zhou L.G., Wang S.Y. Credit Risk Evaluation with Least Square Support Vector Machine. Lecture Notes in Computer Science. 2006
136. Lea S.E.G., Webley P., Levine R.M. The economic psychology of consume debt // Journal of economic psychology. 1993. Vol. 14. P. 85-119.
137. Lee T.H, Jung S.C. Forecasting credit worthiness: logistic vs. artificial neural net. The Journal of Business Forecasting 18(4), 2000. P. 28 - 30.
138. Lee T.S., Chen I.F. A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression splines, Expert Systems with Applications, 28, 2006. P. 743-752.
139. Lewis E.M. An introduction to Credit Scoring. San Raphael, California: The Athena Press. 1994.
140. Lim M. K., Sohn A., So Y. Cluster-based dynamic scoring model, Expert Systems with Applications 32:2, 2007. P. 427-431.
141. Liu Y. The evaluation of classification models for credit scoring. Arbeitsbericht 02/2002, Institut fur Wirtschaftsinformatik, 2002.
142. Lopez J.A, Saidenberg M.R. Evaluating credit risk models. J Banking and Finance 25: 2001. P. 1635-1664.
143. Makowski P. Credit Scoring Branches Out. Credit World. 75, 1985. P. 30-37.
144. Malhotra R., Malhotra D.K. Evaluating consumer loans using neural networks. Omega (Oxford) 31(2): 2003. P. 83 - 96.
145. Malhotra R., Malhotra D.K. 2002. Differentiating between good credits and bad credits using neural-fuzzy systems. European Journal of Operational Research 136(2): 2002. P. 190 - 211.
146. McLeod R.W, Malhotra D.K, Malhotra R. Predicting credit risk: a neural network approach. Journal of Retail Banking 15(3): 1993. P. 37 - 40.
147. Mehta D. The Formulation of Credit Policy Models. Management Science. Vol.15. 1968. P. 30-50.
148. Myers J. H., Forgy W., The Development of Numerical Credit Evaluation Systems, Journal of the American Statistical Association, 58 1963 September, Iss. 303. P. 799-806.
149. Myers J. H. Predicting Credit Risk With a Numerical Scoring System, Journal of Applied Psychology, 47, 1963, Iss. 5, P. 348-352.
150. Neingartner H.M. Concepts and Utilization of Credit Scoring Techniques. // Banking. 2, 1966. P. 51 - 58.
151. Oliver R.M. Risk based pricing some early results, Proceedings of Credit Scoring and Credit Control VII, Credit Research Centre, University of Edinburgh, 2001.
152. Oliver R.M., Wells E. Efficient frontier cutoff policies in credit portfolios, J. Operational Research Society 52, 2001. P. 1025 - 1033.
153. Orgler Y. E. A Credit Scoring Model for Commercial Loans, Journal of Money, Credit, and Banking, 2 1970 November, Iss. 4. P. 435 - 445.
154. Posch P.N., Loffler G., Schone Ch. Bayesian Methods for Improving Credit Scoring Models. Working paper. 2005
155. Reichert A.K, Cho C.C., Wagner G.M. An examination of the conceptual issues involved in developing credit-scoring models. Journal of Business and Economic Statistics 1.-P. 101-114.
156. Sewart P., Whittaker J. Graphical Models in credit scoring. IMA Journal of Mathematics Applied in Business & Industry, 9, 1998. P. 241 - 266.
157. Smith P.F. Measuring Risk on Consumer Installment Credit. // Management Science. 11, 1964. P. 327-340.
158. Srinivasan V., Kim Y. H. Credit granting: a comparative analysis of classification procedures//Journal of Finance. 1987. № 42.
159. Srinivasan V., Kim Y. H. The Bierman Hausman Credit Granting Model: A Note,. Management Sci., 33, 1987. - P. 1361-1362.
160. Steenacker A., Goovaerts M. J. A Credit Scoring Model for Personal Loans, Insurance: Mathematics & Economics, 8 1989 March, Iss. 1. P. 31-34.
161. Stepanova M., Thomas L.C., Survival analysis methods for personal loan data, Operations Research 50, 2002. P. 277-289.
162. T.S. Lee, C.C. Chiu, C.J. Lu, I.F. Chen. Credit scoring using the hybrid neural discriminant technique, Expert Systems with Applications 23 (3), 2002. P. 245-254.
163. Tarn K. Y. Neural Network Model and the Prediction of Bank Bankruptcy, Omega. The International Journal of Management Science, 19, 1991, Iss. 5. P. 429-445.
164. Thomas L. C. A survey of credit and behavioral scoring: forecasting financial risk of lending to consumers // International Journal of Forecasting. 2000. V. 16.-P. 149-172.
165. Thomas L. С., Ho J., Scherer W. T. Time will tell: behavioral scoring and the dynamics of consumer credit assessment // IMA Journal of Management Mathematics. 2001. №. 12. P. 89-103.
166. W. Alexander. What's the score?. ABA Banking Journal, 1989. P. 58-63.
167. Walker R. F., Haasdijk E. W., Gerrets M. C. Credit Evaluation using a Genetic Algorithm, In Goonatilake, S., Treleaven, P. (ed.) Intelligent System for Finance and Business. Chichester: John Wiley & Sons, 1995. P. 39-59.
168. West D. Neural network credit scoring models. Computers & Operations Research 27, 2000. P. 1131-1152.
169. Wiginton J. C. A Note on the Comparison of Logit and Discriminant Models of Consumer Credit Behavior. Journal of Financial and Quantitative Analysis, Vol. 15,1980. P. 757-770.
170. Wynn A. Credit scoring for mobile communications, Credit Management 32. 1991
171. Xiang Т., Feiqi D. A Credit Scoring Model Using Support Vector Machine. Intelligent Control and Automation, WCICA 2004. Fifth World Congress on,Volume: 3 , June 2004. P. 1940 - 1944.
172. Xiong Z.B., Li R.J. Credit risk evaluation with fuzzy neural networks on listed corporations of China, Proceedings of the 2005 IEEE International Workshop on VLSI Design and Video Technology, 2005. P. 479-484.
173. Yager R. Families of OWA Operators // Fuzzy Sets and Systems, 59,1993.
174. Yobas M. B, Crook J.N, Ross P. Credit scoring using and evolutionary techniques. IMA Journal of Mathematics Applied in Business & Industry 11, 2000. -P. U1-125.
175. Yoon Y, Swales J.R., Margavio Т. M. A comparison of discriminant analysis versus artificial neural networks. Journal of Operational Research Society 44,1993.-P. 51-60,
176. Zhang G.P., Hu M.Y., Patuwo B.E., Indro D.C. Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis. European Journal of Operational Research 116,1999. P. 16-32.
177. Ранжирование факторов модели
178. Эксперты Коэффициент вариации Коэффициент конкордации
179. Факторы Э1 Э2 ЭЗ Э4 Э5 Эб Э7 Э8 Э9 Эю Эп Э12 Э13 Э14 Э15 Э16 Э17 Э18 Э19 Э20
180. X, 2 1 1 1 1 1 1 1 1 2 2 2 2 2 2 1 2 2 2 2 33%х2 1 2 2 2 2 .2 2 2 2 1 1 1 1 1 . 1 2 1 1 1 1 35% . 0,83
181. Х3 4 4 4 4 4 4 3 3 3 4 4 4 4 3 3 4 4 4 4 4 12%
182. Х4 3 3 3 3 3 3 4 4 4 3 3 3 3 4 4 3 3 3 3 3 14%
183. Xi.1 3 3 3 3 3 3 3 3 3 3 3 2 3 3 3 3 3 3 3 3 8%
184. Xl.2 1 1 1 2 1 1 1 2 1 1 1 3 1 1 1 1 1 1 1 1 44% 0,78
185. X1.3 2 2 2. 1 2 2 2 1 2 2 2 1. 2 2 2 2 2 2 2 2 . 20%
186. Х2.1 1 1 1 1 2 1 1 1 1 2 2 1 1 1 1 1 1 1 1 1 32%
187. Х2.2 3 3 3 3 3 3 3 3 3 3 3 3 2 3 3 3 3 3 3 3 8% 0,82
188. Х2.3 2 2 2 2 1 2 2 2 2 1 1 2 3 2 2 2 2 2 2 2 24%
189. Х3.1 1 1 2 1 1 1 3 1 1 3 3 1 2 2 2 2 2 2 2 2 41%
190. Х3.2 2 2 1 2 2 2 1 2 2 1 1 2 1 1 1 1 1 1 1 2 35% 0,46
191. Х3.3 3 3 3 3 3 3 2 3 3 2 2 3 3 3 3 3 3 3 3 1 20%
192. Х4.1 2 2 2 2 2 2 2 2 2 2 2 2 2 2 1 '2 2 2 2 2 11% 0,81
193. Х4.2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 1 21%-j
194. Факторы Эксперты Медиана Кемени
195. Э1 Э2 ЭЗ Э4 Э5 Э6 Э7 Э8 Э9 Э10 Э11 Э12 Э13 Э14 Э15 Э16 Э17 Э18 Э19 Э20
196. X, 0,30 0,40 0,40 0,40 0,40 0,40 0,40 0,40 0,40 0,30 0,30 0,30 0,30 0,30 0,30 0,40 0,30 0,30 0,30 0,30 0,100
197. Х2 0,40 0,30 0,30 0,30 0,30 0,30 0,30 0,30 0,30 0,40 0,40 0,40 0,40 0,40 0,40 0,30 0,40 0,40 0,40 0,40 0,400
198. Х3 0,10 0,10 0,10 0,10 0,10 0,10 0,20 0,20 0,20 0,10 0,10 0,10 0,10 0,20 0,20 0,10 0,10 0,10 0,10 0,10 0,200
199. Х4 0,20 0,20 0,20 0,20 0,20 0,20 0,10 0,10 0,10 0,20 0,20 0,20 0,20 0,10 0,10 0,20 0,20 0,20 0,20 0,20 0,300
200. X,, 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,33 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,500
201. Xl.2 0,50 0,50 0,50 0,33 0,50 0,50 0,50 0,33 0,50 0,50 0,50 0,17 0,50 0,50 0,50 0,50 0,50 0,50 0,50 0,50 0,333
202. Х,.3 0,33 0,33 0,33 0,50 0,33 0,33 0,33 0,50 0,33 0,33 0,33 0,50 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,167
203. Хг,1 0,50 0,50 0,50 0,50 0,33 0,50 0,50 0,50- 0,50 0,33 0,33 0,50 0,50 0,50 0,50 0,50 0,50 0,50 0,50 0,50 0,500
204. Х2.2 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,33 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,333
205. Х2.3 0,33 0,33 0,33 0,33 0,50 0,33 0,33 0,33 0,33 0,50 0,50 0,33 0,17 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,167
206. Хз., 0,50 0,50 0,33 0,50 0,50 0,50 0,17 0,50 0,50 0,17 0,17 0,50 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,500
207. Хз.2 0,33 0,33 0,50 0,33 0,33 0,33 0,50 0,33 0,33 0,50 0,50 0,33 0,50 0,50 0,50 0,50 0,50 0,50 0,50 0,33 0,333
208. Х3.3 0,17 0,17 0,17 0,17 0,17 0,17 0,33 0,17 0,17 0,33 0,33 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,17 0,50 0,167
209. Х4.1 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,33 0,67 0,33 0,33 0,33 0,33 0,33 0,333
210. Х4.2 0,67 0,67 0,67 0,67 0,67 0,67 0,67 0,67 0,67 0,67 0,67 0,67 0,67 0,67 0,33 0,67 0,67 0,67 0,67 0,67 0,667
211. Основы теории нечетких множеств 63. Носитель
212. Носитель U это универсальное множество, к которому относятся все результаты наблюдений в рамках оцениваемой квазистатистики.1. Нечеткое множество
213. Нечеткое множество А это множество значений носителя, такое, что каждому значению носителя сопоставлена степень принадлежности этого значения множеству А1. Функция принадлежности
214. Функция принадлежности /А(и) это функция, областью определения которой является носитель U, u е U, а областью значений - единичный интервал 0,1. Чем выше рА(и), тем выше оценивается степень принадлежности элемента носителя и нечеткому множеству^.
215. Лингвистическая переменная
216. Гистограммы распределения значений факторов модели50
Похожие диссертации
- Организационно-методическое обеспечение оценки кредитоспособности предпринимательских организаций
- Оценка риска разработки и реализации инновационного продукта на малом промышленном предприятии
- Критерии и методы оценки кредитоспособности предприятий коммерческими банками
- Прогнозирование финансовой устойчивости в задачах оценки догосрочной кредитоспособности предприятий-заемщиков коммерческого банка
- Моделирование и анализ кредитоспособности физических лиц на основе аппарата нечеткой логики