Оценка кредитоспособности заемщика в условиях экономической рецесии

СОДЕРЖАНИЕ
ВВЕДЕНИЕ 3
1. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА 5
1.1. Сущность кредитоспособности заемщика и его оценки 5
1.2. Необходимость оценки кредитоспособности и методики показателей платежеспособности заемщика 7
2. АНАЛИЗ КРЕДИТОСПОСОБНОСТИ ЗАЕМЩИКА В УСЛОВИЯХ РЕЦЕССИИ НА ПРИМЕРЕ «ССМ-ТЯЖМАШ» 15
2.1. Общая характеристика деятельности ПАО «Северсталь» 15
2.2. Анализ кредитоспособности предприятия «ССМ-Тяжмаш» 17
2.3. Особенности кредитной оценки предприятия в условиях рецессии 24
3. НАПРАВЛЕНИЯ СОВЕРШЕНСТВОВАНИЯ ПРОЦЕССА КРЕДИТОВАНИЯ В РОССИЙСКОЙ ФЕДЕРАЦИИ 28
3.1. Применение зарубежного опыта в РФ для оценки кредитоспособности 28
3.2. Предложения по автоматизации кредитного процесса в национальных кредитных учреждениях 32
ЗАКЛЮЧЕНИЕ 37
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ 39

В настоящее время зарубежные банки применяют следующие виды скоринга:
application scoring – оценка платежеспособности субъекта в момент принятия решения о целесообразности сделки;
behavioral scoring – поведенческий скоринг, подразумевающий оценку платежеспособности субъекта в процессе реализации сделки;
collection scoring – определение приоритетных мероприятий и направлений деятельности в отношении сделок и заемщиков с высокой степенью риска с целью предупредить или минимизировать неисполнение обязательств по кредиту;
fraud scoring – выявление и предотвращение мошеннических действий потенциальных и уже существующих заемщиков по кредитным сделкам.
В России кредитными организациями в основном применяется лишь первый вид скоринга, хотя включение в методику оценки кредитоспособности других видов скоринга значительно бы могло снизить банковские риски, связанные с кредитованием. Также следует отметить, что применение в России скоринговых моделей оценки кредитоспособности осложнено высокой дисперсностью регионов по экономическим свойствам и большим объемам теневого сектора в экономике, также скоринговые модели проводят четкие линейные границы между «плохими» и «хорошими» заемщиками.
Остановимся подробнее на моделях, прогнозирующих банкротство заемщиков. Моделей прогнозирования риска финансовой несостоятельности хозяйствующего субъекта представлено действительно много. Самые известные из них, разработанные зарубежными экономистами: Z-модели Альтмана, Лиса, Таффлера, Бивера, Фулмера, Г.Спрингейта, Чессера. Модели похожи между собой, все они представляют из себя многочлен с несколькими неизвестными, увеличенными в несколько раз на строго определенную величину – константу (весовой коэффициент, характеризующий значимость фактора риска и рассчитанный исходя из статистических данных). Ученые проводили свои исследования в 70-80-х годах XX века в США и в странах Европы. Их методики основываются на данных о банкротстве 30-60 иностранных компаний, в связи с чем возникает сомнение о правомерности применения методик с показателями, рассчитанными более 30 лет назад на относительно небольшой выборке и в условиях более развитой экономики.
В России есть последователи предложенных иностранными учеными моделей. Двухфакторная модель Альтмана была исследована М.А. Федотовой, которая посчитала, что для повышения точности прогноза необходимо добавить к ней третий показатель – рентабельность активов. Но практической ценности модифицированная формула по М.А. Федотовой не имеет, так как в России отсутствует статистика по организациям-банкротам и весовой фактор, предложенный М.А. Федотовой, не был определен.
Также в России известны модели на основе Z-анализа таких ученых как: Р.С. Сайфулин и Г.Г. Кадыков, О.П. Зайцева, Л.В. Донцова, Н.А. Никифорова, Г.В. Савицкая.
Основной проблемой применения моделей, прогнозирующих банкротство в России, является недостаточная обоснованность весовых коэффициентов, а также отсутствие полноценной статистики.
Еще один метод оценки финансового состояния заемщика, применяемый за рубежом, был разработан Дж. Аргенти – метод А-счета. Цель его состоит в определении тенденций заемщика к банкротству, т.е. неудовлетворительной кредитоспособности. Ученый полагает, что большинство обанкротившихся организаций проходят через три четких стадии: недостатки, ошибки и симптомы. Автор считал, что причины банкротства кроются в неэффективном руководстве, в соответствие с чем вывел систему показателей, которым присваиваются баллы. Методика интересна тем, что сочетает в себе все особенности приведенной классификации, так как рассчитывается в баллах, прогнозирует банкротство и работает с качественными показателями, данную методику можно отнести в любой раздел классификации, хотя ее определяющим значением является прогнозирование, а не количественный показатель. Основным недостатком методики можно назвать отсутствие расчета количественных показателей.
Качественные методики в основном имеют иностранное происхождение, поэтому применение их в России требует проведения дополнительного анализа.
К методикам качественного анализа принято относить: CAMPARI, PARTS, правило «шести Си», «пяти Си», CAMEL, PARSER, COPF, методика АРБ. Данные методики позволяют всесторонне изучить объект. Но так как большая часть этих методик основана на качественном анализе заемщика, то при оценке превалирует субъективное мнение экспертов.
Каждая из рассмотренных методик имеет слабые стороны. В связи с чем существует необходимость в создании модели анализа финансового состояния предприятия, учитывающей достоинства вышеприведенных моделей и дополненной показателями не только финансовой, но управленческой отчетности.
3.2. Предложения по автоматизации кредитного процесса в национальных кредитных учреждениях
По нашему мнению, кредитный процесс должен быть автоматизирован. Целью автоматизации кредитного процесса является отступление от субъективного мнения, повышение объективности и обоснованности предоставления кредита и прогнозируемости источников погашения кредита. Также автоматизация рационализирует кредитный процесс, так как система проводит автоматический отбор клиентов, составляет заключение о возможном кредитовании. Данная система позволяет ускорить процесс отбора клиентов для рассмотрения вопроса о предоставлении кредита.
В связи с этим мы предлагаем следующую автоматизированную систему селекционного отбора клиентов (в основном субъектов малого бизнеса) для дальнейшего рассмотрения вопроса о предоставления кредита. В процедуре автоматизированного предоставления кредита (рис. 3.2) фаза консультации более не происходит в банке. Вместо этого клиент должен занести анкетные данные, данные финансовой отчетности и сведения об обеспечении в размещенный на интернет-странице банка формуляр (1). Здесь же клиент может найти всю информацию, которая традиционно сообщается банком в беседе с консультантом. На этом этапе банк еще не информирует клиента об условиях предоставления кредита. Для определения своевременности погашения ранее полученных кредитов в других банках, размере текущей ссудной задолженности, продолжительности кредитной истории дополнительно привлекается информация из бюро кредитных историй по данному клиенту. Система, как правило, оценивает и предоставляемое обеспечение на основании введенных данных (характеристика обеспечения, оценка стоимости обеспечения). Используемая при этом процедура скоринга базируется на модели, позволяющей на основе имеющихся данных и характерных признаков рассчитать индивидуальную вероятность погашения кредита. Далее определяются индивидуальные размеры ежемесячного и ежегодного платежа, используемого для исчисления скорректированной с учетом риска фактической процентной ставки.
Для вынесения окончательного решения о способности клиента обслуживать кредит в соответствии с условиями договора размер скорректированных в соответствии с риском платежей сравнивается с данными о движении денежных средств клиента и расчетной величиной доходов и расходов на период кредитования. Если размеры платежа превышают разницу между доходами и расходами, то кредитная заявка отклоняется, о чем клиенту сообщают по Интернету (2).
Рис. 3.2. Процедура автоматизированного одобрения кредита
Если же клиент обеспечивает необходимый уровень доходов для покрытия его расходов и погашения основного долга по кредиту и процентам, то клиента информируют о положительном результате проверки его кредитоспособности и сообщают размеры процентной ставки и регулярного платежа в погашение кредита (3). Клиент подтверждает намерение заключить кредитный договор на предложенных условиях (4). После получения электронной заявки система автоматически направляет окончательное решение об одобрении кредита, а клиент получает возможность в режиме онлайн распечатать кредитный договор для предварительного согласования (5). Затем представляются в банк подтверждающие документы (финансовая отчетность, уставные документы, документы для оформления залога) (6). Сотрудник кредитного подразделения проверяет поступившие документы, выезжает на место в целях определения ликвидности залога, оформляются договоры о предоставлении кредита и залоге. Данная процедура предоставления кредита может рассматриваться при кредитовании предприятий субъектов малого бизнеса, развитие которого может оказывать значительное влияние на экономику любого государства.
Для автоматизированного предварительного одобрения о выделении кредита и расчета его условий необходимо применять статистические или эконометрические методы формально-математического моделирования. Далее описывается один из возможных методов. На рис. 3.3 представлена процедура автоматического расчета кредита
Рис. 3.3. Процедура автоматического расчета суммы кредита
Сначала необходимо определить, какими признаками должен обладать заемщик (1). Затем выраженность этих признаков оценивается по метрической шкале (2). В завершение все признаки подвергаются эконометрической оценке с целью выявления взаимосвязи между признаками и вероятностью погашения кредита (3). Полученные результаты интерпретируются. При этом можно проанализировать, какие признаки особенно сильно влияют на вероятность погашения кредита (4). Шаги с 1-го по 4-й используются для регулировки статистической модели. На 5-м этапе определяются условия предоставления кредита и предварительно одобряется его выделение.
Центральный элемент описанной системы автоматизированного выделения кредитов — алгоритм их оценки. В рамках скоринга кредитных рисков следует выявить признаки и критерии, оказывающие максимальное влияние на возвратность кредита и тем самым позволяющие произвести селекцию клиентов. Описанный метод открывает возможность автоматизированного предварительного одобрения предоставления кредита с определением индивидуальной для данного клиента кредитной процентной ставкой, отвечающей кредитному риску для данного заемщика.
заключение
Из-за проведения банками высокорискованных кредитных операций, связанных с размещением денежных средств в низкокачественные активы и неудовлетворительным качеством активов, не генерировавших достаточный денежный поток, многие кредитные организации не могут обеспечить своевременного исполнение обязательств перед кредиторами, тем самым увеличивая кредитные риски и ставя под угрозу свою экономическую безопасность.
Под низкокачественными активами подразумеваются активы, недостаточно обеспеченные с точки зрения кредитоспособности должника или залога, если таковой имеется. Таким образом, оценка кредитоспособности заемщика является важнейшим этапом управления кредитным риском, так как риск неплатежа по кредиту является наиболее частой причиной банкротств и отзыва лицензий у кредитных организаций.
Несмотря на большое количество существующих методик оценки кредитоспособности заемщиков многие из них не позволяют получить реальную картину финансового состояния организации, в виду различных причин: устаревшие данные (Z-анализ Альтмана, основанный на данных о банкротстве компаний по показателям 1960-х гг.), громоздкостью (рейтинговые модели) и прочих других.
Анализируя отечественные и зарубежные методы оценки кредитоспособности заемщика можно отметить отсутствие возможности на практике кредитных организаций напрямую применять западную практику оценки кредитоспособности заемщика. Так как методы, заимствованные из-за рубежа должны подвергаться постоянной корректировке с учетом развития российской банковской системы и экономики в целом. Отсутствие возможности применения модели ДМА к российской кредитной практике подчеркивается тем, что поиск закономерностей между финансовым состоянием предприятия и фактом его банкротства может привести к ошибочным выводам (умышленное банкротство многих компаний вследствие заинтересованности в них крупнейших кредиторов). В современных условиях необходима оценка влияния отраслевой и региональной принадлежности вследствие неоднородности России в региональном и отраслевом разрезе. Потенциального заемщика необходимо оценивать с позиции анализа перспектив развития самого предприятия.
В системе управления кредитным риском важным этапом выступает этап регулярной проверки (мониторинга) кредитоспособности заемщика. Как правило, в кредитной документации прописывается обязательство заемщика по регулярному предоставлению информации (операционных показателей, финансовой отчетности, расшифровок некоторых статей финансовой отчетности, финансовой модели и т. д.), в особенности, если компания обязана соблюдать определенные ковенанты.
Таким образом, для получения достоверного и объективного результата оценки кредитоспособности заемщика необходима комплексная оценка, без представления преимущества отдельному методу оценки.
список использованной литературы:
Апевалова Е. Банкротства 2009-2011 гг.: динамика и тенденции [Интернет-портал]. URL: http://www.vedi.ru/recl_r/2011/ecl110111_bankrot.pclf (дата обращения: 08.08.2015).
Афанасьева О. Н. Скоринговая (рейтинговая) оценка финансового состояния заемщика // Банковское дело. – 2014. – № 3. – С. 64-71.
Вишняков И.В. Методы и модели оценки кредитоспособности заемщиков: учеб. пособие. – СПб., 1998.
Войтоловский Н.В. Комплексный экономический анализ предприятия: Учебник. – Спб.: Питер, 2010. – 576 с.
Ендовицкий, Д.А. Бахтин К.В., Ковтун Д.В., Анализ кредитоспособности организации и группы компаний: учебно-практическое пособие. – М.: «Кнорус», 2012.
Жукова Е.Ф., Деньги. Кредит. Банки. Ценные бумаги : практикум : учеб. пособие для вузов / под ред. проф. Е.Ф. Жукова. – М.: ЮНИТИ-ДАНА, 2011.
Казакова И. И. О методах оценки кредитоспособности заемщика /Деньги и кредит. – №6, – 2007. – С. 57-68
Ковшова М.В., Кредитное бюро и использование баз данных в управление кредитными рисками / Фундаментальные и прикладные исследования кооперативного сектора экономики: научно-теоретический журнал. – №12. – 2008.
Ковшова М.В., Развитие финансово-кредитных отношений в рамках интеграционных объединений постсоветского пространства / Фундаментальные и прикладные исследования кооперативного сектора экономики: научно-теоретический журнал. – №1. – 2013.
Курбат А. Российский банковский сектор. Скрытое ухудшение качества кредитных портфелей [Интернет-портал]. URL: http://st.finam.ru/ipo/comments/_Russian%20Banking%20Sector- Shadowed%20decrease%20in%20quality__RUS.pdf (дата обращения: 09.08.2015).
Лаврушин И. О., Банковское дело / под ред. О. И. Лаврушина. – 3-е изд., перераб. и доп. – М.: «Кнорус», 2014.
Ларина Л.Б. Информационные основы налогового консультирования / Лизинг. – М., 2010. – №1.
Морсман Э. Управление кредитным портфелем пер. с англ. – М.: Альпина Бизнес Букс, 2005. – 208 с.
Поздеев В. Л., Винокурова Е.А. Система опережающих показателей розничного бизнеса коммерческого банка // Аудиторские ведомости. – 2012. – № 7. – С. 53-60..
Попков В.В, Берг Д.Б., Кузнецов Р.О. Эволюционное измерение стратегического банковского менеджмента. Екатеринбург: «Уральский рабочий», 2002. – 320 с.
Предприятия-банкроты / Сайт аудиторской компании IT Audit. URL: http://www.law-soft.ru/BankruDtcy (дата обращения: 04.08.2015)
Рудой Н., Система оценки кредиспособности для ИНТЕРПРОМБАНКА/ Николай Рудой // Банковские технологии. – 2013. – № 4.
Сагайдачная О. В. Экономическое регулирование аграрного сектора на основе совершенствования кредитных отношений // Экономические науки. Научно-информационный журнал. – М.: 2008, – №5.
Синельникова Е. В. Оценка кредитоспособности индивидуальных предпринимателей коммерческими банками // Вестник Самарского государственного экономического университета, – 2011, – № 1. – с. 77-81.
Соложенцев Е. Д., Степанова Н. В., Карасев В.В. Прозрачность методик оценки кредитных рисков и рейтингов. – СПб.: Изд-во С.-Петерб. ун-та, 2006.
Тен В.В. Проблемы анализа кредитоспособности заемщиков // Банковское дело, – 2006, – №3. – с. 49.
Финогеев Д. Г., Щербаков Е. М. Оценка кредитоспособности юридических лиц на примере крупнейших банков Российской Федерации // Современные проблемы науки и образования. – 2013. – № 6. – С. 64-65.
Шаталова Б. П. Кредитоспособность и кризисный риск в банковском риск-менеджменте // Финансы и кредит, – 2010, – № 17. – с. 46-53
Шаталова Е. П., Шаталов А. Н. Оценка кредитоспособности заемщиков в банковском риск-менеджменте: учебное пособие. – 2-е изд. стер. – М.: КНОРУС, 2011. – С. 50-65.
Шеремет, А.Д. Методика финансового анализа / А.Д. Шеремет, Р.С. Сайфулин, Е.В. Негашев. – М.: ИНФРА-М, 2010.
Abdou H., Pointon J. Credit scoring, statistical techniques and evaluation criteria: A review of the literature // Intelligent Systems in Accounting, Finance & Management. 2011. – P. 2-3.
Alistair Graham Framework for: Credit Risk Management Global Professional Publishi, 2000.
Составлено автором по данным бухгалтерских и статистических отчетов
Составлено автором по данным бухгалтерских и статистических отчетов
Рассчитано автором по данным таблиц 2.1 и 2.2
Рассчитано автором
составлено автором
составлено автором
5