Несмотря на то, что заемщики предоставляют банкам сведения, касающиеся предполагаемых денежных потоков и финансовых результатов, построение прогнозных финансовых документов осуществляется упрощенно, в основном, с использованием трендового способа, а их данные непосредственно не учитываются при определении класса заемщика.

В-шестых, преимущественно балльная оценка кредитоспособности. В большинстве методик класс кредитоспособности определяется балльным способом по финансовым показателям; нефинансовые показатели учитываются дополнительно и не вносят существенного вклада в результаты оценки. Более современными можно признать методики, предусматривающие расчет результирующего показателя кредитоспособности с учетом заданных удельных весов всех направлений кредитоспособности, включая нефинансовые.

Несмотря на некоторые недостатки, присущие балльной оценке (произвольность выбора показателей и их удельных весов), она является простой, дешевой и прозрачной, по сравнению, например, с оценкой, полученной в результате использования нейронных сетей. Мало чем отличается от балльной по уровню сложности и точности результатов методики, предусматривающие определение ранга или рейтинга заемщика с использованием кластерного, вербального анализа, корректирующих коэффициентов и т.д., также часто встречающиеся на практике.

Использование многофакторных математических моделей собственной разработки – достаточно редкое явление, хотя формула «Z-счета» Э.Альтмана применяется во многих банках.

Таким образом, можно сделать вывод о неполном отражении сущности понятия «кредитоспособность» в используемых на практике методиках оценки заемщика, что прежде всего проявляется в отсутствии их гибкости и комплексности, низком уровне формализации процедуры анализа нефинансовых параметров заемщика.

Это свидетельствует о необходимости совершенствования теоретических основ методики оценки предприятия – заемщика, учет которых при аналитической проработке кредитных решений будет способствовать более полной реализации основополагающего принципа кредита – возвратности.

3.2 Перспективные и новые методики оценки кредитоспособности

В России все большее распространение наряду с традиционными способами оценки кредитоспособности получает скоринг – кредитование, а также оценка кредитоспособности заемщика на основе интеллектуального анализа данных Data Mining (с использованием деревьев решений).

Система «кредит – скоринг» в США – специальная шкала для измерения рейтинга заемщика, представляющая начисление баллов клиенту в зависимости от уровня его кредитоспособности. Скоринг используется главным образом при кредитовании физических лиц и представляет собой математическую или статистическую модель, с помощью которой на основе кредитной истории «прошлых» клиентов банк пытается определить, насколько велика вероятность, что конкретный потенциальный заемщик вернет кредит в срок.

Важная черта системы «кредит – скоринг» заключается в том, что она не может применяться по шаблону, а должна разрабатываться исходя из особенностей, присущих банку, его клиентуре, учитывая характер банковского законодательства и традиции страны, то есть подлежит обязательному наблюдению и видоизменению.

Сегодня известно достаточно много методик кредитного скоринга. Одной из самых известных является модель Дюрана. Дюран выделил группы факторов, позволяющих максимально определить степень кредитного риска, и коэффициенты для различных факторов, характеризующих кредитоспособность физического лица: пол, возраст, срок проживания в данной местности, профессия, финансовые показатели, работа, занятость.

В самом упрощенном виде скоринговая модель представляет собой взвешенную сумму определенных характеристик. В результате получается интегральный показатель (SCORE). Чем он выше, тем выше надежность клиента, и банк может упорядочить своих клиентов по степени кредитоспособности.

Сейчас банки требуют от потенциальных клиентов широкий перечень документов, которые являются официальным основанием для получения кредита. Несмотря на то, что не существует официальной процедуры работы с ними, и каждый банк по своей собственной схеме собирает эти документы, в целом они должны содержать все необходимые сведения о заемщике.

Среди преимуществ скоринговых систем банкиры указывают снижение уровня невозврата кредита, быстроту и беспристрастность в принятии решений, возможность эффективного управлении кредитным портфелем, отсутствие необходимости длительного обучении персонала.

Основной недостаток скоринговой системы оценки кредитоспособности физических лиц – низкая адаптируемость. Используемая же для оценки кредитоспособности система должна отвечать положению дел. Например, в США считается плюсом, если человек поменял место работы – это говорит о его востребованности. В нашей стране наоборот - данное обстоятельство свидетельствует, что человек либо не может ужиться с коллективом, либо он малоценный специалист, и, соответственно, повысится вероятность просрочки в платежах.

В России скоринг будет скорее применим к юридическим, нежели к физическим лицам, потому что у российских банков накоплено больше информации о предприятиях.

Еще одним вариантом решения поставленной задачи является применение алгоритмов, методом математического анализа данных, то есть отнесения какого - либо потенциального заемщика к одному из известных классов. Такого рода задачи с большим успехом решаются одним из методов Data Mining – при помощи «деревьев решений». Получаемая модель – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение.

Сущность этого метода заключается в следующем. На основе данных за прошлые годы строится дерево. При этом класс каждой из ситуаций, на основе которых строится дерево, заранее известен. При построении дерева все известные ситуации обучающей выборки сначала попадают в верхний узел, а потом распределяются и могут быть разбиты на дочерние узлы. Критерий разбиения – это различные значения какого – либо входного фактора. В определении поля, по которому происходит разбиение, используется показатель, называемый энтропия, или мера неопределенности. Выбирается поле, при разбиении по которому устраняется больше неопределенности. Неопределенность тем выше, чем больше примесей (объектов, относящихся к разным классам) находятся в одном узле.

Понимание необходимости иметь в России действующий институт кредитных историй пришло задолго до кризиса 1998 года, который помешал законодательному утверждению этого института. Катализатором принятия закона «О кредитных историях» от 22.12.2004 г. послужил банковский кризис лета 2004г.

Закон об институте кредитных историй описывает регламент приема, передачи и обмена информацией. Деятельность бюро не должна нарушать личных прав и свобод граждан. Практикующие банковские юристы высказывают мнения: если в кредитное соглашение (договор) кредитора и заемщика внести оговорку о том, что банк имеет право или обязуется в случае нарушения заемщиком условий кредитного договора передать информацию в кредитное бюро, заемщик не просто сам соглашается на разглашение информации о себе, а фактически дает поручение банку. И банк, передавая негативную кредитную историю в бюро, будет исполнять обязательство, данное ему заемщиком.