текст(all)

Таким образом, можно отметить, что «виртуальный кредитный эксперт» создан и может применяться в работе кредитной организации. Несомненно, необходимо провести дальнейшее обучение нейронной сети на кредитных рейтингах предприятий, функционирующих в других отраслях экономики. Однако, когда уже имеется разработанная статистическая модель, построен алгоритм обучения нейронной сети, процесс дальнейшего совершенствования работы «виртуального кредитного эксперта» не будет продолжительным по времени.

Хотелось бы отметить основные преимущества созданной модели оценки кредитоспособности предприятия с помощью нейронных сетей по сравнению с моделями, разработанными ранее. Разработки различных методик оценки кредитоспособности с помощью нейронных сетей проводились отдельными специалистами и описаны в экономической литературе. Например, диссертационное исследование С.Л. Корниенко, подробно рассмотренное в учебном пособии под редакцией О.И. Лаврушина предлагает методику оценки кредитоспособности предприятий с помощью нейронной сети [31]. Однако в качестве входных значений для обучения нейронной сети в данном случае предлагается статистическая база, основанная на финансовых коэффициентах лишь 30 предприятий, что, несомненно, является недостаточным для результативного обучения данного программного продукта.

Кроме того, в данной работе, как и во многих других, не предлагается определение уровня кредитоспособности предприятия, а присваивается окончательный результат — является рассматриваемое предприятие банкротом или нет. На наш взгляд, данный подход является ошибочным по ряду многих причин.

Во-первых, как мы отмечали ранее, необходимые статистические данные о финансовых показателях деятельности предприятий сегодня имеются, но статистики реального возврата кредитов, неплатѐжеспособности и т.д. по-прежнему нет, потому нет и возможностей для идентификации факторных моделей.

Во-вторых, невозможно сформировать базу данных для обучения нейронной сети, которая учитывала бы все качественные показатели. Кроме того, существует индивидуальный подход в кредитных организациях по оценке качественных параметров заѐмщиков: одним экспертам наиболее важна кредитная история заѐмщика, другие придают большое значение отраслевому риску,

151

третьи обращают внимание на уровень работы и степень квалифицированности персонала и т.д. Таким образом, качественные характеристики заѐмщика являются настолько индивидуальными, что спрогнозировать их наличие или степень их оценки практически невозможно.

В-третьих, каждая кредитная заявка «уникальна» и предоставлять все права по принятию решения о выдаче кредита компьютерной программе, имеющей определѐнную степень вероятности ошибки, представляется не вполне правильным. Несомненно, при оценке кредитоспособности предприятия специалистом банка человеческий фактор не всегда является положительным, однако, на наш взгляд, проверка качества работы компьютера в данном варианте модели должна проводиться.

Разработанная нами модель присваивает предприятию кредитный рейтинг, т.е. оценивает уровень его кредитоспособности, а не выносит заключительное решение о возможности предоставлении кредита коммерческим банком. В дальнейшем специалист кредитной организации на основании рейтинга, присвоенного «виртуальным кредитным экспертом», после проведения анализа качественных характеристик суммирует полученные результаты о рассматриваемом предприятии и принимает окончательное решение о возможности предоставления кредита, а также уровень процентной ставки при наличии положительного результата. Таким образом, нейронная сеть проводит расчѐты, причѐм в данном случае это происходит на уровне нелинейных моделей. Следует отметить, что проведение расчѐтов с сохранением высокой степени точности работы применяемой модели осуществить с помощью статистических, основанных на линейных формулах методиках, практически невозможно.

Существенным преимуществом разработанного «виртуального кредитного эксперта» является то, что в основу обучающей выборки нейронной сети заложена предложенная нами во втором разделе диссертационного исследования статистическая модель, учитывающая отраслевые особенности предприятий.

Проведѐнное нами исследование показало необходимость грамотного, заранее рассчитанного подхода при формировании обучающего множества, подаваемого в качестве входных и выходных значений нейронной сети. В описанной выше модели, основанной на 6 финансовых коэффициентах, обучаемая выборка

152

была заранее рассчитана. Финансовые коэффициенты в полной мере описывали уровень кредитоспособности предприятия, т.е. заранее был рассчитан коэффициент корреляции, определяющий тесноту связи. Количество коэффициентов, участвующих в процессе обучения, также было выбрано не случайно. Использование большого количества коэффициентов для формирования входных значений может «перегрузить» сеть, вследствие чего процесс обучения может затянуться на очень большой срок, и, кроме того, увеличится значение среднеквадратической ошибки, т.к. нейронная сеть в данном случае начнѐт формировать варианты решений значительно отличающихся от возможно допустимых.

Ещѐ одним преимуществом «виртуального кредитного эксперта», предложенного в данном исследовании, является оценка качества разработанной модели с помощью расчѐта среднего (по тестовой выборке) отклонения истинного кредитного индекса предприятия от оценки этого индекса, вычисленного с помощью исходной модели. Необходимо отметить, что при достаточно долгом обучении нейронной сети, даже при отсутствии грамотно разработанной обучающей выборки можно добиться небольшого уровня среднеквадратической ошибки. Однако при дальнейшей работе с данной нейронной сетью ошибочность этого вида обучения будет выражаться в существенном расхождении результатов, которые присвоил «виртуальный кредитный эксперт», и результатов, которые получил бы в аналогичном случае специалист, занимающийся в области кредитования.

Таким образом, созданный нами «виртуальный кредитный эксперт» готов к использованию кредитными организациями Приморского края. Необходимо только провести дополнительное обучение уже созданного алгоритма нейронной сети на основе кредитных рейтингов предприятий, функционирующих в других отраслях экономики края. Сформировать базу данных для процесса обучения можно с помощью уже имеющихся в распоряжении коммерческих банков кредитных историй предприятий. Также можно воспользоваться услугами Приморского краевого комитета государственной статистики. Возможно использование «виртуального кредитного эксперта» коммерческими банками других регионов страны, в данном случае необходимо создать в качестве обучающей выборки результаты кредитных рейтингов предприятий, функционирующих в соответствующих регионах.

153

Основным из стимулов скорейшего внедрения «виртуального кредитного эксперта» среди региональных коммерческих банков является простота его использования. Уже разработанная и обученная модель не требует от пользователей каких-либо навыков в области программирования или специфических знаний в области нейронных сетей. Представленная нами модель обладает возможностью самообучения в процессе еѐ использования, т.е. с течением времени она будет реагировать на происходящие изменения в показателях вводимых в неѐ коэффициентов и постепенно изменять присваиваемые предприятиям рейтинги. В данном случае на изменение величин финансовых коэффициентов может влиять множество факторов, таких как развитие региональной экономики, инфляционные процессы и т.д. Этот показатель существенно отличает нашего «виртуального кредитного эксперта» от обычно применяемых статистических моделей и ещѐ раз подтверждает необходимость его внедрения среди кредитных организаций Приморского края.

Одним из будущих вариантов совершенствования «виртуального кредитного эксперта» может стать постановка задачи не только оценки уровня кредитоспособности предприятия, но и возможности предсказания дальнейшего развития предприятия с точки зрения его надѐжности как заѐмщика коммерческого банка.

По окончании процедуры выдачи кредита специалисты коммерческого банка продолжают следить за финансовым состоянием предприятия с целью возможной корректировки процентной ставки. В данном случае возможно дополнительное обучение нейронной сети, чтобы «виртуальный кредитный эксперт» на основе вновь вводимых значений отслеживал изменения уровня кредитоспособности клиента и при необходимости присваивал новый кредитный рейтинг. Осуществление работы нейронной сети с финансовыми показателями заѐмщика на протяжении всего срока сотрудничества предприятия и кредитной организации – задача, которая еще не ставилась исследователями в области искусственных нейронных сетей. Таким образом, нами было определено новое направление возможностей внедрения информационных технологий, основанных на разработке искусственных нейронных сетей, в кредитный механизм коммерческих банков, которое может быть осуществлено в дальнейших научных исследованиях.

154

ЗАКЛЮЧЕНИЕ

Проведѐнные в настоящей монографии исследования, предполагающие теоретическое исследование сущности процесса оценки кредитоспособности коммерческим банком юридических лиц и разработку соответствующей методики оценки с использованием современного математического аппарата, позволяют нам представить следующие основные результаты и выводы.

1.Понятие «кредитоспособность» как неотъемлемая часть процесса банковского кредитования претерпевало все изменения, которые происходили с самой банковской системой в России. Экономисты трактовали данное понятие, основываясь на процессах, происходящих в банковской системе в тот или иной исторический отрезок времени, а также уровне развития банковского обслуживания в этот момент.

В нашем понимании кредитоспособность – это способность заѐмщика, к совершению кредитной сделки на условиях возвратности, срочности и платности, определѐнная на основе удовлетворительной оценки его финансово-хозяйственной деятельности и наличии положительной кредитной истории. Как видно из определения, мы сохранили в нѐм все факторы, определяющие понятие кредитоспособности и добавили описание результата оценки кредитоспособности заѐмщика, который как раз и является наиболее важным в процессе решения о предоставлении кредита банком. Таким образом, сформулированное нами определение носит более практический характер и в то же время соответствует требованиям, предъявляемым классическому определению понятия «кредитоспособность».

2.Прогнозная характеристика кредитоспособности заѐмщика является основным еѐ отличием от платѐжеспособности. Кредитоспособность заѐмщика прогнозирует его платѐжеспособность на ближайшую перспективу, а именно на предполагаемый период пользования кредитом. Степень неплатѐжеспособности в прошлом является одним из формальных показателей, на которые опираются при оценке кредитоспособности клиента.

Ещѐ одно существенное различие между платѐжеспособностью и кредитоспособностью – это различие по источникам погашения. Заѐмщик обычную свою задолженность (кроме ссуд-

155

ной) должен погасить, как правило, за счѐт выручки от реализации продукции, работ, услуг. Ссудная задолженность имеет ещѐ три источника погашения: выручку от реализации имущества, принятого банком в залог по ссуде; гарантию другого банка или поручителя; страховые возмещения.

Оценка способности заѐмщика расплатиться по кредитным обязательствам предполагает всесторонний анализ его финансового состояния и общей экономической ситуации в регионе и отрасли, где функционирует исследуемое предприятие. Готовность выполнить обязательства по кредиту не является во многом только экономической характеристикой, а зависит также от репутации и порядочности заѐмщика.

3.Кредитные бюро являются информационными посредниками между банками и предприятиями-заѐмщиками. С одной стороны, являясь аккумуляторами кредитных историй заѐмщиков, они являются своего рода помощниками кредитных экспертов при определении уровня кредитоспособности потенциальных клиентов; с другой стороны, кредитные бюро путѐм изменения стоимости на свои услуги, а также в результате государственного регулирования законодательных актов об использовании внешних источников информации коммерческими банками могут оказывать также и негативное влияние на развитие кредитного процесса в стране.

4.Актуальным, на наш взгляд, представляется вопрос создания Бюро кредитных историй в Приморском крае. Однако данный информационный ресурс в крае ещѐ не существует. Это объясняется несколькими причинами: во-первых, отдалѐнность региона от центра России, что приводит к замедленности в принятии новых решений, данный фактор еще можно назвать местным консерватизмом; во-вторых, естественное нежелание коммерческих банков платить кредитным бюро за обслуживание по выдаче интересующей их информации. Все эти факторы являются препятствием на пути создания Приморских кредитных бюро.

Объединение коммерческих банков с кредитными кооперативами в образовании совместной информационной базы данных помогло бы не только значительно увеличить базу данных, но и повлияло бы на стоимость оказываемых услуг в сторону их уменьшения.

6.Деятельность кредитных бюро может стать одним из государственных рычагов по регулированию кредитной деятельности

встране. Данный механизм может происходить путѐм воздейст-

156

вия как через законодательные акты, регулирующие деятельность кредитных бюро, так и через уполномоченный законодательный орган, который осуществляет контроль и надзор за деятельностью бюро кредитных историй.

7.В условиях межбанковской конкуренции особое значение приобретает необходимость тщательного исследования кредитной организацией возможностей совершенствования внутренних бизнес-процессов на рынке кредитных услуг. Острая конкуренция между банками вызывает не только необходимость искать оптимальные стратегии развития на финансовом рынке, но и совершенствовать информационные технологии. Решающим фактором в конкурентной среде банков является успешное внедрение компьютерных технологий, которые могут приблизить их к самым передовым достижениям мировой банковской практики.

Понятие нейронных сетей в области применения их при оценке кредитоспособности заѐмщиков коммерческими банками может быть сформулировано следующим образом: нейронная сеть – это кибернетический процесс обработки информации о заѐмщике, основанный на методе предварительного обучения, а также накапливающий вновь приобретенные знания, с целью последующего определения уровня кредитоспособности клиента. Данное нами определение отличается от традиционного, предлагаемого специалистами

вобласти информационных технологий, т.к. не раскрывает технологический процесс функционирования нейронной сети, а показывает сущность процесса нейронной сети при использовании еѐ в процессе определения уровня кредитоспособности.

8.Применение нейросетевых технологий кредитными организациями Приморского края в настоящее время не распространено. Данное обстоятельство связано с рядом объективных причин. Во-первых, отсутствием среди банковских служащих грамотных специалистов, имеющих достаточный уровень знаний в области нейронных сетей. Во-вторых, незнание руководства коммерческих банков о преимуществах применения программных продуктов нейронных сетей в процессе оценки кредитоспособности заѐмщиков. Решение данных проблем представляется довольно простым: местные университеты выпускают достаточное количество специалистов, обладающих теоретическими и практическими знаниями в вопросах нейронных сетей. Коммерческим банкам необходимо только установить договорные отно-

157

шения с учебными заведениями о дополнительной специализации данных выпускников в области коммерческого кредитования. Что касается заинтересованности руководства кредитных организаций в применении нейронных сетей, то это – временные трудности. В настоящее время в центральных регионах страны применение нейросетевых пакетов приобретает всѐ большую популярность, следовательно, через небольшой промежуток времени заинтересованность в применении данных технологических разработок возникнет и в нашем крае.

9.Изучение опыта сравнительного анализа прогноза банкротств различными методиками показывает:

а) нейросетевое моделирование обеспечивает наилучшую точность предвидения банкротств: порядка 90% по сравнению с 80–85% точностью для других статистических методик (дискриминантный анализ, логистический анализ и т.д.);

б) при желании можно повысить «подозрительность» нейросети, обеспечив точность выявления банкротов вплоть до 99%;

в) банкротство можно уверенно предсказывать за несколько лет до его фактического наступления, причѐм точность предсказания за два года практически не отличается от точности предсказания за год. Таким образом, неявные сигналы неблагополучия присутствуют в финансовой отчѐтности фирмы задолго до еѐ краха.

10.Проведѐнный нами анализ зарубежных методик определения кредитоспособности заѐмщика показывает, что большинство кредитных организаций переходят от использования метода, основанного на наборе показателей, к интегральному понятию рейтинга. Основной показатель, используемый зарубежными коммерческими банками для оценки кредитоспособности заѐмщика, – кредитный рейтинг. Использование рассмотренных методик в «чистом» виде в отечественных условиях осложняется объективными межстрановыми различиями в деятельности заѐмщиков. Проведение комплекса мероприятий, направленных на исправление недостатков рассмотренных зарубежных методик, позволит повысить точность и эффективность расчѐтов.

11.Проведѐнный нами анализ отечественных методик оценки кредитоспособности предприятий коммерческими банками показал следующее. Первое, большинство отечественных методик основаны на зарубежном опыте прогнозирования банкротств. Второе, мы выявили основные недостатки и преимущества применяемых методик.

158

Вывод, который можно сформулировать по окончании проведѐнного анализа, – это необходимость разработки отечественной методики, основанной на анализе отраслевых коэффициентов, а также содержащий в своей основе статистическую базу российских предприятий. Основной причиной необходимости скорейшего решения данной проблемы – это принятие Положения «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности».

12.Разработанная методика оценки кредитоспособности заѐмщика с учѐтом его региональной принадлежности и отраслевой специфики, основанная на расчѐтах реальной финансовой отчѐтности предприятий Приморского края, позволит более адекватно определять финансовое состояние потенциального заѐмщика, что приведѐт к снижению кредитных рисков коммерческих банков Приморского края.

13.Качественная оценка кредитоспособности предприятия (качество работы управленческого персонала, межличностные отношения в коллективе и т.д.) в большей степени подвержена субъективному мнению кредитного эксперта, проводящему финан- сово-экономический анализ уровня кредитоспособности потенциального клиента. Необходимо учитывать также тот факт, что широкое распространение рынка кредитных услуг в нашей стране произошло сравнительно недавно. При принятии решения о выдаче кредита ссудозаѐмщику формально оцениваются только количественные параметры, взятые из бухгалтерской отчѐтности. До настоящего времени не существует хорошо разработанных и в свою очередь проверенных временем методик именно качественной оценки финансово-хозяйственной деятельности предприятия.

В связи с этим в настоящее время актуальным становится применение кредитного рейтинга предприятия с использованием статистического анализа финансовых коэффициентов. Такой подход представляется наилучшим решением, поскольку ему можно дать математическое обоснование и проверить его работоспособность на большом объѐме реальных статистических данных.

Предложенный нами новый подход основан на идее экспертной кредитной упорядоченности предприятий, по которым имеется статистическая база данных о результатах их хозяйственной деятельности, и применении нейронных сетей для построения алгоритмов оценивания кредитоспособности. Разработанная модель не слишком

159

сложна, но показывает достаточно точные результаты. Автоматизация построения моделей такого типа может быть осуществлена с использованием ряда доступных нейросетевых пакетов программ.

14.Разработанная нами модель оценки кредитоспособности заѐмщика, основанная на использовании нейронной сети, присваивает предприятию кредитный рейтинг. Что невозможно в принципе сделать, используя статистические модели. Статистические модели позволяют оценить предприятие только по трѐм-четырѐм критериям, а модель на основе нейронных сетей присваивает индивидуальный кредитный рейтинг каждому ссудозаѐмщику.

15.Согласно авторскому определению, под «виртуальным кредитным экспертом» понимается разработанная и обученная модель нейронной сети, определяющая кредитный рейтинг предприятия на основе его финансовых коэффициентов с целью принятия дальнейшего решения о предоставлении кредита.

Существенным преимуществом разработанного «виртуального кредитного эксперта» является то, что в основу обучающей выборки нейронной сети заложена предложенная в 3 главе статистическая модель, учитывающая отраслевые особенности предприятий.

Основным из стимулов скорейшего внедрения «виртуального кредитного эксперта» среди региональных коммерческих банков является простота его использования. Уже разработанная и обученная модель не требует от пользователей каких-либо навыков в области программирования или специфических знаний в области нейронных сетей. Представленная модель обладает возможностью самообучения в процессе еѐ использования, т.е. с течением времени она будет реагировать на происходящие изменения в показателях вводимых в неѐ коэффициентов и постепенно изменять присваиваемые предприятиям рейтинги. В данном случае на изменение величины финансовых коэффициентов может влиять множество факторов, таких как развитие региональной экономики, инфляционные процессы и т.д. Этот показатель существенно отличает «виртуального кредитного эксперта» от обычно применяемых статистических моделей.

16.Одним из будущих вариантов совершенствования «виртуального кредитного эксперта» может стать постановка задачи не только оценки уровня кредитоспособности предприятия, но и возможности предсказания дальнейшего развития предприятия с точки зрения его надѐжности как заѐмщика коммерческого банка.

160