Размещено на http://www.allbest.ru/

Введение

Данная магистерская диссертация посвящена разработке модели оценки кредитоспособности корпоративных заемщиков на основе нефинансовых критериев. Работа состоит из трех глав: теоретические предпосылки и методы оценки кредитоспособности корпоративных заемщиков, методология анализа и интерпретации нефинансовых критериев и разработка модели оценки кредитоспособности на основании нефинансовых критериев.

Рост банковского кредитования и высокая конкуренция в сфере корпоративного кредитования стали причиной, обусловившей потребность кредитных организаций в быстром принятии решения о выдаче кредита. С целью минимизации риска потерь в случае банкротства заемщика, разрабатываются модели, позволяющие оценить кредитоспособность заемщика на основании ключевых факторов его деятельности. Поскольку в основе модели чаще всего лежат математические и статистические методы, факторами модели выступают преимущественно данные финансовой отчетности заемщика. Однако финансовые критерии не позволяют получить полную характеристику потенциального заемщика, и исходные данные для расчета не всегда могут отражать достоверную информацию. В связи с этим возникает проблема поиска альтернативных критериев оценки кредитоспособности заемщиков.

Актуальность данной работы состоит в том, что на данный момент не существует моделей, позволяющих производить оценку кредитоспособности на основании исключительно нефинансовых факторов, в то время как они могли бы дать более полную информацию об уровне риска банкротства заемщика.

Целью данной магистерской диссертации является разработка модели оценки кредитоспособности корпоративных заемщиков на основе нефинансовых факторов. В качестве объекта исследования выступают компании корпоративного сегмента без ограничений по отрасли, размеру, организационно-правовой форме и т.д. Субъектом исследования являются нефинансовые характеристики данных компаний.

Для достижения поставленной цели были определены следующие задачи:

Изучение теоретических основ оценки кредитоспособности заемщиков;

Изучение классических типов моделей анализа данных;

Изучение подходов к оценке качественных характеристик и интерпретации полученных значений;

Выбор методологии разработки модели оценки заемщиков с помощью нефинансовых критериев;

Формирование этапов разработки модели;

Сбор информации для получения исходных данных модели;

Выбор ключевых нефинансовых факторов, которые войдут в модель;

Формализация модели и создания шкалы интерпретации результатов;

Оценка предсказательной способности модели.

Достижение поставленных задач будет осуществляться в том числе путем анализа литературы, посвященной тематике анализа кредитоспособности компаний, а также книг по статистическому и количественному анализу данных. Для проведения исследования в практической части работы будут изучены данные, полученные автором во время научно-исследовательской практики в компании ЗАО «Делойт и Туш СНГ».

Глава I. Теоретические предпосылки и методы оценки кредитоспособности корпоративных заемщиков

Первая глава данной работы направлена на изучение теоретической базы, на основе которой формируются модели оценки кредитоспособности заемщиков. Первая часть главы рассмотрит теоретические предпосылки, являющиеся основой для разработки моделей кредитного анализа. Вторая часть изучит существующие методы анализа платежеспособности компаний. Последняя часть проанализирует предпосылки к разработке модели оценки заемщика на основании нефинансовых критериев, методологию работы с нефинансовыми данными и перспективы данного метода.

1.1 Предпосылки для анализа кредитных рисков

В современном мире компании все чаще прибегают к увеличению своих активов по средствам привлечения заемного, в том числе банковского финансирования. При этом кредитор сталкивается с риском невыполнения заемщиком обязательств по договору - кредитным риском, который ведет к убытку кредитора в виде не только суммы выданного займа, но и будущих процентов по нему. Базельский комитет по банковскому надзору в своем документе «Основополагающие принципы эффективного банковского надзора» назвал кредитный риск основным видом риска для финансовых институтов [10].

Кредитный риск состоит из странового риска и риска контрагента. Страновой риск - это риск неплатежеспособности компании, возникающий вследствие действий государства. Таким образом, он находится вне зоны контроля заемщиком, и может быть определен исходя из понимания бизнеса заемщика и текущего законодательства и экономического регулирования сферы его деятельности. Риск контрагента можно разделить на риск потерь до осуществления расчетов, когда сделка состоялась, но платежи по ней еще не были осуществлены, и на риск потерь при расчетах, когда на момент осуществления сделки у контрагента отсутствуют ликвидные средства [1, с. 324-325]. Также кредитный риск можно разделить по типу источника на внешний и внутренний. В данной классификации внешний риск является риском кредитора получить убытки из-за неплатежеспособности заемщика, внутренний риск - риск, связанный с особенностями кредитного продукта.

Основным проявлением кредитного риска является дефолт заемщика - возникновение кредитного события, которое приводит к неспособности заемщика исполнять обязательства согласно договору. Основные виды кредитных событий были сформулированы Международной ассоциацией дилеров по свопам и производным инструментам в «Определениях терминов при сделках с кредитными производными инструментами» [11]:

Банкротство - ликвидация компании, в том числе в результате несостоятельности, цессии, судебного разбирательства, наложения ареста;

Досрочное наступление срока исполнения обязательства - дефолт вследствие досрочного наступления обязательств заемщика по другому аналогичному обязательству (например, нарушение ковенантов по договору);

Дефолт по обязательству - дефолт вследствие неспособности заемщика выплатить сумму по аналогичному обязательству;

Неплатежеспособность - недостаток средств у заемщика на выплате обязательства;

Мораторий - отказ заемщика от выплаты обязательства;

Реструктуризация задолженности - изменение условий выдачи займа в менее выгодную для кредитора сторону.

Безусловно, данный список не является исчерпывающим. Например, его могут дополнить следующие виды кредитных рисков [6]:

Понижение кредитного рейтинга рейтинговым агентом - снижение рейтинга может привести к понижению рыночной стоимости обязательств заемщика;

Неконвертируемость валюты - наличие у заемщика денежных средств в валюте, на которую было введено государственное ограничение;

Действия государственных органов - действия государства, которые могут ограничить платежеспособность заемщика.

Очевидно, что наиболее подвержены кредитному риску организации, выдача кредитов для которых является основной деятельностью, то есть банки. Однако данному риску подвержены страховые и лизинговые компании, предприятия (по средствам займов), и государственные структуры (по средствам государственного кредита). Поскольку деятельность и цели вышеперечисленных организаций различны, различаются и условия кредита, но общая направленность стратегий едина - снижение кредитного риска и уменьшение возможных потерь. В рамках данной работы развитие темы снижения кредитного риска будет рассматриваться со стороны банка, поскольку финансирование является одной из основных видов деятельности банка, и анализ кредитоспособности заемщиков разработан в наибольшей степени.

шкала нефинансовый риск кредитоспособность

1.2 Подходы к анализу и оценке кредитных рисков

За последние 30 лет рынок корпоративного кредитования претерпел существенные изменения. Государственное вмешательство в деятельность финансовых учреждений существенно сократилось, что привело к развитию новых видов услуг, а значит и новым видам рисков. В то же время количество заемщиков и объемы кредитования выросли. Таким образом, банки начали чаще прибегать к разработке внутренних методов оценки кредитного риска.

Анализ и оценка кредитных рисков является областью внутренних политик банка. Другими словами, банки сами разрабатывают процесс и модели, по которым оценивают кредитоспособность, платежеспособность и финансовую устойчивость потенциального заемщика, что, в конечном счете, ложится в основу решения о выдаче займа или отказа в нем. Однако структура кредитного анализа примерно одинакова, и включает в себя восемь основных этапов:

Первый этап - банк изучает цели кредитования и потребность заемщика в денежных средствах.

Второй этап - на основе финансовой отчетности заемщика проводится вертикальный и горизонтальный анализ, рассчитываются коэффициенты ликвидности, рентабельности и оборачиваемости. Это наиболее распространенный метод оценки финансового состояния компании, используемый аналитиками, поскольку он прост, и требует только данных финансовой отчетности.

Третий этап - в дополнение к анализу существующей финансовой отчетности, банк анализирует предварительную финансовую отчетность незавершенного финансового года. В ней могут быть выявлены нетипичные тенденции, не отражающие динамику прошлых лет, что может подвергнуть сомнению достоверность предоставляемой информации. Кроме того, анализ предварительной отчетности может выявить изменения в финансовом положении компании, которые послужили основанием для решения о кредитном финансировании.

Четвертый этап - изучение графика поступления денежных средств по кредиту и по начисленным процентам с целью планирования будущих доходов, оценки вероятности нарушения графика платежей. Чем дольше период выдаваемого кредита, тем выше риск нарушения договоренностей по платежам.

Пятый этап - оценка зависимости заемщика от экономических потрясений и сценарный анализ последствий изменений текущей ситуации на рынке.

Шестой этап - сравнение заемщика с основными конкурентами на рынке, в котором он ведет свою деятельность.

Седьмой этап - анализ действий руководящего звена заемщика в вопросах управления компанией, риск менеджмента, распределения денежных потоков и деятельности для поддержания эффективной работы компании.

Восьмой этап - разработка необходимой документации, учитывающая особенности заемщика и позволяющая максимально снизить кредитный риск (обеспечение займа, ковенанты, гарантии).

В результате проведения кредитного анализа банк делает вывод о платежеспособности и уровне риска потенциального заемщика, и предлагает ему такой кредитный продукт, который бы позволил покрыть существенные риски, связанные с кредитованием данного заемщика. Уровень риска определяет основные параметры кредитного продукта. Во-первых, сроки кредитования - чем длиннее срок, тем выше риск, поскольку в долгосрочной перспективе труднее спрогнозировать рынок и его влияние на кредитора. Во-вторых, процентная ставка, ее повышение обусловлено меньшим доверием к заемщику и необходимостью сократить убытки от невыплаты кредита высокими платежами по процентам в случае дефолта заемщика. В-третьих, ограничительные условия и требования к заемщику, среди которых может быть финансовый результат, рыночные котировки акций и прочие показатели финансового состояния организации. Если данные показателя не достигают требуемого банком значения, заемщик обязан досрочно погасить задолженность. В-четвертых, обеспечение кредита в виде залогового имущества, которое банк потенциально мог бы реализовать в случае наступления дефолта и покрыть свои убытки за счет вырученных средств. В-пятых, гарантии третьих лиц, которые готовы поручиться за заемщика путем согласия выплатить сумму кредита в случае его дефолта.

Несмотря на то, что платежеспособность заемщика, как и риск, связанный с ним, различаются с точки зрения банка, банк не может создавать уникальный кредитный продукт для каждого случая. В связи с этим разрабатывается кредитный рейтинг и соответствующая шкала. Рейтинг относит заемщика по шкале в одну из групп согласно уровню риска.

В свою очередь группе соответствует кредитный продукт с такими характеристиками, которые позволили бы снизить риск, свойственный этой группе заемщиков.

Публичные кредитные рейтинги составляются рейтинговыми агентствами, такими как Standard & Poors или Moody's. Разработанный ими кредитный рейтинг является независимой оценкой подверженности заемщика дефолту, подразделяющий уровень риска на инвестиционное качество (рейтинг от AAA до BBB по шкале Standard & Poors, от Aaa до Baa по шкале Moody's) - менее рисковые заемщики, и спекулятивное качество (рейтинг от BB до D по шкале Standard & Poors, от Ba до C по шкале Moody's) - заемщики, подверженные более высокому риску. Для оценки заемщиков банки устанавливают собственную шкалу кредитных рейтингов, которая базируется на разработанной модели [5, с. 77-79].

Как уже упоминалось выше, модели оценки кредитоспособности заемщика являются собственными внутренними банковскими разработками. В виду отсутствия контроля со стороны государства в вопросе требований к таким моделям, они могут существенно отличаться как по объему используемых данных, так и по подходу к их анализу в целом. Безусловно, цель данных моделей одна: изолировать проблему оценки подверженности заемщика дефолту за счет создания инструмента, позволяющего наиболее точно проанализировать доступные банку данные. Общей чертой также являются и задачи моделей: выявить, какие данные о заемщике являются факторами, влияющими на уровень риска; разработать методику, позволяющую делать выводы на основе этих данных; и провести серию тестов на верификацию модели. Среди классических подходов к анализу можно выделить следующие виды моделей [5, с. 104-106]:

Эконометрические модели - модели, в основе которых лежит линейный или многомерный дискриминантный анализ, модели множественной регрессии, логит- и пробит-модели. В таких моделях вероятность дефолта является зависимой переменной, а независимыми являются набор из различных критериев, демонстрирующих финансовое состояние заемщика (например, финансовые коэффициенты). Преимуществом данных моделей является относительная простота - при наличии большого объема данных, позволяющих установить однозначную взаимосвязь между критериями заемщика и его склонностью к дефолту. Недостатком модели является необходимость в большом объеме данных - он не всегда доступен кредитору, и не всегда доступные данные могут быть подтверждены независимым источником как справедливые.

Нейронные сети - модели, в основе которых лежат компьютерные системы, имитирующие работу человеческого мозга при принятии решения. Модель использует те же входные данные, что и в эконометрических моделях, а затем многократно анализирует их, выявляя взаимосвязь методом условного анализа. Преимуществом модели является неформализованный подход к данным (по сравнению с эконометрическими моделями), позволяющий рассмотреть альтернативные варианты при анализе данных. Недостаток модели - более трудоёмкий процесс разработки, необходимость прописывать пути принятия решения и «вес» каждого шага модели для последующей оценки альтернатив.

Оптимизационные модели - модели математического программирования, оценивающие вероятность выигрыша и вероятность потерь заемщика. Модели позволяют составить оптимальную структуру клиентского портфеля за счет компенсации потенциальных потерь потенциальным выигрышем. Преимущество таких моделей в том, что они позволяют комплексно оценить портфель заемщиков. Это позволит банку работать с более рисковым заемщиком из расчета на то, что прибыль от менее рискового заемщика сможет покрыть убыток в случае дефолта. Недостаток - отсутствие детального исследования каждого заемщика. Данная модель может быть успешно использована в сочетании с другими моделями, оценивающими непосредственно заемщика.

Экспертные системы - модели, в основе которых лежит правило, созданное опытным и квалифицированным аналитиком. Модель использует структуру логики и последовательность мышления аналитика при принятии решения об уровне риска. Преимущество модели - нематематический подход к анализу; метод, основанный на опыте квалифицированного специалиста. Недостаток - вероятность, что подход будет невозможно формализовать в виде модели, поскольку он требует определенного уровня интуиции и эрудиции; может быть излишне трудозатратными для составления в виде модели.

Гибридные системы - модели, комбинирующие в себе непрерывный и дискретный анализ данных. Модель учитывает изменение заданных непрерывных данных, и при выполнении определенного условия дискретного анализа. Например, если непрерывный анализ демонстрирует снижение кредитного качества заемщика, дискретный анализ перестраивается на минимизацию потерь. Данные модели используют вычисление, статистическую оценку и имитационное моделирование на основе причинно-следственной зависимости данных. Преимуществом таких моделей является глубокий детальный анализ данных, адекватное реагирование на изменение кредитоспособности заемщика. Недостаток - сложность разработки, необходимость установления взаимосвязей и причинно-следственных цепочек между всеми элементами модели, что может быть излишне трудозатратно.

Модели оценки кредитного риска могут так же различаться по предмету исследования. Существует два основных подхода к определению предмета: «внутренний» и «рыночный» [3]. «Внутренний» подход исходит из данных, полученных от заемщика при заполнении заявки на получение кредита. Банк осуществляет анализ таких данных, и с помощью них рассчитывает ожидаемое значение и волатильность кредитного риска. Ожидаемое значение является прогнозируемыми, а значит, представляют собой неотъемлемую составляющую деятельности кредитной организации. Следовательно, они рассматриваются банком как элемент себестоимости услуги кредитования, которая включается в стоимость кредитного продукта.

Волатильность кредитного риска - отклонение от прогнозируемых убытков не может включаться в себестоимость, поскольку вероятность ее наступления трудно предсказуема, и может необоснованно завысить стоимость кредитного продукта. Вероятные убытки от волатильности кредитного риска покрываются резервом собственного капитала. «Внутренний» подход применяется преимущественно коммерческими банками, поскольку они имеют больше доступа к внутренней информации о заемщике. Однако данный фактор имеет негативную сторону - банк вынужден полагаться на полученные данные как на справедливые, в то время как они могут быть подвергнуты манипулированию со стороны заемщика. «Рыночный» подход предполагает оценивать стоимость кредитного риска по средствам информации финансового рынка. Подход состоит в анализе размера отклонения доходности по объекту кредитного риска от доходности безрискового инструмента (например, государственных облигаций). Отклонение доходности - кредитный спрэд - включает в себя элементы, выделяемые во внутреннем подходе: прогнозируемые потери и волатильность кредитного риска. Помимо этого, размер спрэда может быть обусловлен вероятностью дефолта и размером безвозвратных потерь в случае дефолта. Недостатком подхода является то, что невозможно выделить составляющие, обуславливающие кредитный спрэд, таким образом, резерв капитала создается в размере отклонения от безрискового инструмента. Кроме того, «рыночный» подход осуществим только при наличии публикуемых цен долговых обязательств, что применимо, скорее, к облигациям, нежели к кредитам. «Рыночный» подход используется преимущественно инвестиционными банками при оценке риска вложений в корпоративные облигации.

Классический подход к исследованию кредитоспособности заемщика предполагает глубокий аналитический анализ таких показателей, как деловая репутация заемщика, размер капитала, финансовые рычаги, рентабельность и прочих факторов, требующих квалифицированного экспертного заключения.

Рост кредитования, однако, привел к тому, что банки стали стремиться сокращать время на анализ кредитоспособности и стремиться снижать издержки, связанные с выдачей кредитов. Таким образом, квалифицированное экспертное заключение, включающее в себя помимо аналитического детальное изучение микро- и макроокружения заемщика, стало невыгодным для кредитных организаций. Банки начали стремиться к созданию более формализованных подходов, базирующихся на математических и статистических методах, и особенно - на дискриминантном анализе. Наиболее широкое распространение получил метод, оценки кредитоспособности на основе бухгалтерских данных, разработанный Эдвардом Альтманом в 1968 году и получившем название Z-модель Альтмана (Altman's Z-score) [5, с. 115-122]. Данная модель представляет интерес в рамках данной работы, поскольку является образцом классического, широкого используемого метода, способного предсказать дефолт с высокой долей вероятности.

Z-модель Альтмана использует данные финансовой отчётности компании, которые ложатся в основу статистической модели, позволяющий спрогнозировать банкротство заемщика. Разработка модели была осуществлена по средствам множественного линейного дискриминантного анализа. Для выбора переменных использовались такие группы данных, которые бы обладали низкой дисперсией внутри группы и высокой по отношению к другим группам. В рамках разработки Z-модели было использованы данные по 66 организациям, разделенным на две равные группы: ведущие деловую активность и потерпевшие банкротство. Из имеющихся бухгалтерских данных были посчитаны финансовые коэффициенты, которые в дальнейшем легли в основу модели. Выбор коэффициентов осуществлялся за счет оценки их корреляции с признаком банкротства. Коэффициенты, имеющие низкую статистическую значимость, исключались из модели до тех пор, пока не начала сокращаться статистическая точность модели. Таким образом, модель представляет собой дискриминантную функцию с коэффициентами, имеющими высокую статистическую значимость и позволяющие модели с наиболее высокой вероятностью предсказывать банкротство компаний. Таких коэффициентов пять:

X1 Оборотный капитал к сумме активов организации - коэффициент, демонстрирующий сумму чистых ликвидных активов по отношению к совокупным активам;

X2 Нераспределенная прибыль к сумме активов организации - уровень финансового рычага компании;

X3 Прибыль до налогообложения к общей стоимости активов - эффективность операционной деятельности организации;

X4 Рыночная стоимость собственного капитала к балансовой стоимости всех обязательств - соотношение собственных и заемных средств организации;

X5 Объем продаж к общей величине активов - рентабельность активов организации.

Данным коэффициентам присвоены веса в соответствии с их статистической значимостью в рамках модели, благодаря чему Z-модель Альтмана имеет следующий вид:

(1.1)

Расчет коэффициента Z позволяет получить количественное значение, на основе которого можно сделать вывод о платежеспособности организации. В Таблице 1 продемонстрированы соответствие значений коэффициента Z и заключений о платежеспособности анализируемой организации.

Таблица 1. Значение коэффициентов Z модели Альтмана

Прогнозная точность модели определяется двумя критериями: точность определения неплатежеспособности компаний, которые впоследствии потерпели банкротство (ошибка I рода) и точность определения платежеспособности компаний, которые впоследствии продолжали функционировать (ошибка II рода).

Ошибка I рода представляет больший риск, поскольку напрямую ведет к убыткам кредитора, в то время как ошибка II рода приводит к отказу в выдаче кредита кредитоспособной компании, а значит, убыток кредитора заключается в недополученной прибыли в виде процентов по кредиту. При верификации модели, как упоминалось ранее, были использованы данные 66 компаний. Для группы из 33 компаний, претерпевших банкротство, модель смогла правильно предсказать неплатежеспособность в 31 случае из 33, таким образом, точность ее предсказания составляет 96%. Для группы, продолжавшей финансовую деятельность, модель ошиблась только в одном случае, соответственно, точность составила 97%.

Модель способна также с высокой долей вероятности предсказывать банкротство через два года - точность модели в таком предсказании составляет 82%. Z-модель Альтмана получила широкое распространение благодаря своей простоте, использовании доступных данных, возможности прогноза на два года с высоким уровнем вероятности и возможности расчета кредитного рейтинга заемщика.

В виду популярности модели она неоднократно видоизменялась и уточнялась. Так в 1993 году исходная модель была модифицирована для организаций, не имеющих облигаций в обращении. В модели были скорректированы веса коэффициентов:

(1.2)

Наряду с преимуществами Z-модели, существует ряд недостатков. В частности, модель не основывается на теоретической базе, а получена эмпирическим путем. В ее основе лежит неявное предположение о том, что риск банкротства увеличивается, если компания с большим объемом заемных средств не получает достаточный объем финансовой прибыли.

1.3 Предпосылки к использованию нефинансовых критериев в модели оценки платежеспособности заемщиков

Методы оценки финансовой состоятельности потенциального заемщика, описанные в предыдущем разделе, базируются на статистических и математических инструментах, а, следовательно, в основе таких методов лежит использование количественных данных. В роли таких данных выступают преимущественно данные из финансовой отчетности, как, например, Z-модель Альтмана или финансовые коэффициенты. В то же время использование исключительно информации из финансовой отчетности не всегда позволяет получить объективную оценку. Финансовая отчетность может быть использована только при наличии независимого аудиторского заключения о ее достоверности во всех существенных аспектах. При этом банки склонны полагаться исключительно на аудиторские заключения компаний так называемой «большой четверки» - Deloitte & Touche, Pricewaterhouse Coopers, Ernst & Young и KPMG - поскольку эти компании имеют многолетнюю практику и мировое признание, а значит, заключения этих компаний являются однозначно объективными и независимыми. Однако банк не всегда может включать в список требований к заемщику пункт об обязательном аудите компанией «большой четверки», поскольку их услуги являются дорогостоящими, и не каждый заемщик в состоянии приобрести их. Следственно объем потенциальных заемщиков может снизиться. Таким образом, информация из финансовой отчетности не может быть единственным используемым источником данных.

В качестве альтернативы к использованию количественной информации выступают нефинансовые параметры заемщика. Использование качественных данных набирает популярность в банковских моделях. Банки все чаще разрабатывают смешанную модель, в которой используют оба типа данных. Наиболее известные из них: «CAMPARI», «PARTS» и «шесть СИ». Название методики «CAMPARI» является акронимом показателей, которые анализируются для получения оценки: Character - деловая репутация; Ability способность вернуть кредит; Margin - маржинальность деятельности; Purpose - назначение кредита; Amount - размер кредита; Repayment - условия погашения кредита; Insurance - страховое обеспечение кредита от риска невыплат. Методика «PARTS» используется преимущественно банками Соединенного Королевства, и состоит из следующих критериев: Purpose - цель получения кредита; Amount - сумма кредита; Repayment - оплата суммы кредита и процентов по нему; Term - срок кредитования Security - гарантийное обеспечение кредита. Методика «шести СИ» более популярна у банков США. В нее входят следующие составляющие: Character - характер заимствования: назначение кредита, кредитная история заемщика, опыт клиента в аналитике; Capacity - способность заемщика: подлинность заемщика и его поручителей, вид деятельности, контрагенты заемщика; Cash денежные средства заемщика: данные о прибыли, продажах, дивидендах, денежных потоках, наличие резервов; Collateral - залоговое обеспечение кредита: собственность на активы, их износ, справедливая стоимость; Conditions - рыночные условия: конкурентоспособность клиента и его продукции по отношению к конкурентам в его отрасли, чувствительность отрасли к глобальным экономическим изменениям; Control - контроль за документацией: выдача кредита в соответствии с законом, регулирующим банковскую деятельность и внутренней политикой банка [2].

Перечисленные выше методики предполагают использование нефинансовой информации наряду с финансовыми данными. Однако финансовые данные могут быть использованы только при условии их достоверности, подтвержденной компанией «большой четверки». В связи с этим возникает вопрос он необходимости их включения в модель оценки. Нефинансовые критерии имеют ряд преимуществ: они зачастую доступны банку из независимых источников, их сложнее фальсифицировать, и они могут дать более точную оценку финансового положения компании.

Особенностью использования нефинансовых критериев для построения модели является подход к их измерению. Количественные данные легче поддаются анализу, поскольку к ним могут быть применены расчеты, формулы, они позволяют однозначно оценить процентные соотношения между данными. Качественные факторы часто упускаются в расчетах вследствие отсутствия возможности количественной оценки. Люди считают вещи неизмеримыми, поскольку не понимают сути измерения, недостаточно четко определяют объект измерения, и не знакомы с техникой эмпирических наблюдений. Эти, по сути, очевидные вещи несут в себе ключевой смысл при анализе качественных факторов. Измерение является совокупностью повторяющихся наблюдений, из которых каждое последующее снижает уровень неопределенности. Важно заметить, что измерение не обязательно является полным, а может быть и частичным устранением неопределенности. Присутствие погрешности в результатах всегда является неотъемлемой частью эмпирического наблюдения, и даже приблизительное измерение качественного показателя может дать больше информации об объекте исследования, нежели исключительно количественный анализ.

Среди подходов к измерению качественных показателей необходимо выделить подход Энерико Ферми. Подход Ферми позволяет измерить любое явление за счет разложения его на составляющие. Изучаемое явление формулируется в виде так называемого «вопроса Ферми» и раскладывается на все факторы, от которых оно зависит. Полученная совокупность факторов анализируется - часть из них может быть получена из открытых источников, а часть определить невозможно. Таким образом, метод Ферми позволяет узнать, откуда в анализе качественных критериев берется неопределенность и какие расчеты необходимо произвести, чтобы снизить ее [7, с. 11-13]. С точки зрения этой магистерской работы вопросом Ферми является «Как оценить платежеспособность заемщика», а компонентами - нефинансовые критерии оцениваемого заемщика, определяющие его платежеспособность.

Поскольку в рамках данной работы будет разработана модель оценки кредитоспособности заемщиков на основе исключительно нефинансовых критериев, необходимо определить, какие нефинансовые критерии могут быть использованы, и как они могут быть измерены. Дуглас Хаббард выделяет четыре предпосылки к измерению. Во-первых, изучаемый вопрос не является уникальным. Методология оценки платежеспособности заемщиков, использующая качественные критерии наряду с количественными, существовала ранее в моделях некоторых кредитных организаций. Соответственно, для выбора критериев оценки платежеспособности в рамках данной работы можно использовать аналогичную логику, что и в моделях со смешанными критериями. Во-вторых, объем доступной информации больше, чем кажется. Разработка модели оценки платежеспособности на первый взгляд требует доступа к большому объему внутренней информации о заемщике, что делает модель неприменимой для банка, которому необходимо получить информацию быстро и из независимого источника. Однако большой объем информации о заемщике можно получить из сети Интернет или независимых баз данных, так называемых Big Data, речь о которых пойдет далее. В-третьих, не все доступные данные необходимо анализировать. Так, многие данные могут не нести в себе ценной информации, либо их влияние на оценку несущественно, по сравнению с тем, какие аналитические процедуры требуется провести для измерения критерия. В-четвертых, для измерения не обязательно требуется сложный метод, многие данные можно анализировать с помощью простых инструментов, а результаты такого анализа легче формализовать в виде модели. Например, для анализа нефинансовых критериев могут быть использованы номинальные или порядковые шкалы. Номинальная шкала - это измерения критерия объекта методом выполнения определенного условия. Например, наличие залогового имущества у компании - если да, то платежеспособность снижается, если нет - повышается. Особенность номинальной шкалы в отсутствии ранжирования. Нельзя определить насколько один объект превосходит другой, номинальная шкала лишь распределяет их по группам. Порядковая шкала предполагает сравнение критериев между собой для определения важности. Например, диверсификация поставщиков заемщика с баллами от 1 до 5, где 1 - очень низкая, а 5 - очень высокая. Порядковая шкала предполагает ранжирование: заемщик с высокой диверсификацией менее подвержен дефолту, нежели заемщик с низкой диверсификацией. Отличительной особенностью порядковой шкалы является несравнимость показателей внутри шкалы. Если в примере с диверсификацией одной компании присвоен рейтинг 2 - низкая, а другой - 4 - высокая, это не является признаком того, что вторая компания в 2 раза лучше первой, а только показывает предпочтительность второй перед первой [7, с. 227].

Интерпретация как номинальных, так и порядковых шкал может осуществляться в сравнении с количественными показателями. Балльная интерпретация качественного показателя позволяет анализировать данные с помощью статистических методов, на основе которых можно выявлять зависимость между значениями и степень предсказательной способности. Данная работа не ставит задачу в сравнении статистических методов применительно к анализу качественных данных, поэтому рассмотрение методов ограничится одним, применимым к работе инструментом - коэффициентом d Сомерса [4, с. 116-125]. Этот подход был разработан Сомерсом в 1962 году, и его суть состоит в оценке связанности двух рядов данных. Дискретный ряд данных располагается в виде матрицы, где в столбце указывается один признак в порядке убывания, а в строке - второй. На пересечении столбца и строки указывается количество наблюдений, соответствующих одновременно признаку из столбца и строки. Полученная матрица формирует так называемые пары, которые являются объектом анализа в рамках метода. Модель выделяет два вида пар: согласованные и несогласованные. Согласованные пары рассчитываются как сумма произведений каждой ячейки матрицы и суммы всех ячеек правее и ниже этой ячейки. Несогласованные пары, напротив, рассчитываются как сумма произведений каждой ячейки и суммы всех ячеек ниже и левее этой ячейки. Также рассчитывается параметр Td как сумма связей по рядам. Полученные коэффициенты используются в формуле расчета коэффициента d:

(1.3)

где: d - коэффициент d Сомерса

C - согласованные пары (coordant pairs)

D - несогласованные пары (disordant pairs)

Td - число связей по парам.

Коэффициент d может принимать значения от -100% до 100%. Аналогично коэффициенту корреляции, чем больше по модулю значение коэффициента, тем больше взаимосвязь между рядами данных. Знак коэффициента демонстрирует зависимость между рядами данных - положительный означает прямую зависимость, отрицательный - обратную.

Большую роль в анализе исходных данных оказывает выборка. Для того, чтобы полученный результат имел практическое значение, важно не только определить правильность размера выборки, но учесть фактор репрезентативности. Так, если в выборке критериев будут использованы данные исключительно некоммерческих организаций, невозможно будет сделать вывод о важности фактора для всех потенциальных заемщиков, потому что выборка будет смещена, и экстраполяция данных не будет применима к совокупности. С точки зрения анализа выборки гораздо больше информации можно получить от маленькой диверсифицированной выборки, чем от большой однородной. Тот же самый принцип применим к использованию бенчмаркинга при выборе критериев оценки: если использовать аналогичные подходы к оценке, разработанные другими кредитными организациями следует убедиться, что данный метод не является применимым только к одному типу компаний, а сама кредитная организация сопоставима с той, для которой разрабатывается метод.

Перспективы развития метода оценки заемщиков на основе нефинансовых критериев велики. Развитию метода способствует набирающая популярность технология сбора данных Big Data. Данная технология возникла около 10 лет назад с ростом популярности сети Интернет. Технология представляет собой обобщение и анализ информации о пользователях сети методом сбора данных о посещаемых страница и вводимой на них пользовательской информации. В качестве характеристик Big Data используют три V: Variety (разнообразие данных), Velocity (скорость обработки данных) и Volume (объем данных). На данный момент технология находится в стадии разработки, однако в перспективе она будет собирать, и анализировать информацию о пользователях, а обработанные данные можно будет использовать в аналитических моделях [8]. Безусловно, не только частные лица, но и компании являются пользователями сети Интернет, а информация о них может анализироваться с двух сторон: как запросы на поиск от имени компании, так и посещении страниц компании разными группами пользователей. Все это предоставляет новые возможности в анализе данных о заемщиках, а значит, является потенциальной предпосылкой развития метода оценки заемщиков на основании нефинансовых критериев. Стоит отметить, что на банковском рынке технологией Big Data заинтересовался американский банк Citi Group, который начал вкладывать средства в развитие технологии.

Ключевые выводы.

Рост банковского кредитования в последние 20 лет привел к увеличению количества заемщиков, что стало причиной роста риска убытков от невозврата кредита. Существуют различные причины, по которым заемщик может отказаться выплачивать долг, эти причины могут быть вызваны как деятельностью заемщика, так и рыночной ситуацией, однако последствия для банка будут выражены в потере, как выданной суммы, так и доходов будущих периодов в виде процентов. Эта проблема легла в основу возросшему интересу к разработке моделей, позволяющих оценить платежеспособность потенциального заемщика.

Основными кредитными организациями являются банки. С уменьшением контроля со стороны государства банки начали все чаще прибегать к использованию и разработке внутренних моделей оценки кредитоспособности заемщика. Такая модель анализирует потенциального заемщика на основе имеющихся данных, и позволяет не только определить кредитоспособность компании, но и присвоить заемщику кредитный рейтинг. На основании рейтинга банк определяет кредитный продукт, который бы позволил минимизировать риски для банка. Существует несколько подходов к моделированию процесса оценки кредитного риска, однако главной задачей всех этих подходов сделать вывод о платежеспособности заемщика на основе имеющихся у банка данных.

Классический метод оценки кредитоспособности заемщика базируется на анализе данных финансовой отчетности. Наиболее известным методом такой оценки является Z-модель Альтмана, представляющая собой формулу расчета коэффициента, на основании которого можно оценить вероятность банкротства заемщика. Этот подход имел большую популярность в виду своей простоты и точности - ошибка составляет менее 4%.

Однако использование данных финансовой отчетности предполагает, что исходные данные не искажены во всех существенных аспектах, что подтверждено аудиторской проверкой. Поскольку далеко не каждый заемщик может себе позволить дорогостоящий аудит компаний «большой четверки», а банки зачастую не доверяют аудиторскому заключению иных организаций, возникает проблема применимости финансовых данных в модели оценки кредитоспособности. В связи с этим банки все чаще и чаще включают в аналитическую модель нефинансовые критерии заемщиков. Качественные данные помогают получить более точную оценку кредитоспособности компании и их легче получить из независимых источников.

На первый взгляд использование нефинансовых данных ограничивается сложностью их измерения, и приведения к такому виду, который бы позволил провести анализ. Однако существует несколько подходов к измерению качественных показателей: декомпозиция (подход Ферми), использование аналогичных существующих методов (бенчмаркинг), использование номинальных и порядковых шкал. При наличии репрезентативной выборки данных вышеперечисленные методы позволяют оценить любой качественный показатель компании.

Метод оценки платежеспособности компаний на основе нефинансовых критериев имеет перспективное развитие благодаря технологии Big Data. Эта технология откроет доступ к базе данных с информацией о пользователях сети Интернет, и позволит получить независимую информацию о различных параметрах заемщика, что возможно позволит ввести новые переменные в модель и тем самым улучшить ее качество.

Глава II. Методология анализа и интерпретации нефинансовых критериев для оценки кредитоспособности корпоративных заемщиков

Вторая главы работы направлена на создание методологии разработки модели нефинансовых критериев, а также выбор данных для формирования базы исследования. Первая часть главы посвящена непосредственно методологии. В ней будет выбран тип модели, и сформированы этапы разработки. Каждый этап будет подробно описан с указанием используемых инструментов и обоснованием его выполнения. Вторая часть главы обратится к источникам используемой в модели информации с точки зрения обоснования выбора источника и возможности его использования как достоверного. В третьей части главы будет дано кратное описание компаний, вошедших в выборку, на основе которой было выполнено исследование.

2.1 Методология разработки модели

В пункте 1.2. предыдущей главы были описаны классические типы моделей анализа данных, и коротко описаны их преимущества и недостатки. С точки зрения разработки модели оценки платежеспособности заемщиков предпочтительно использовать модели, основывающиеся на статистическом анализе, однако учитывая специфику модели, в основе которой лежат нефинансовые критерии заемщиков, немаловажную роль может сыграть экспертная оценка. Таким образом, для разработки модели в рамках данной работы будут использованы как статистические инструменты, так и экспертная оценка.

Разработка модели будет выполняться в пять этапов, проиллюстрированных на Рисунке 1.

Рисунок 1. Этапы разработки модели оценки

Первый этап состоит в подготовке базы данных, на основе которой будет выполнено исследование. В качестве базы будут отобраны несколько компаний, характеризующихся различным уровнем риска банкротства. Подверженность банкротству данных компаний будет оценена с помощью Z-модели Альтмана. Оценка с помощью Z-модели предполагает, что используемые в ее основе бухгалтерские данные не искажены, и отражают реальное финансовое положение компании. Таким образом, важным критерием для отбора компаний будет наличие качественной финансовой отчетности с аудиторским заключением компании «Большой четверки». На основе рассчитанного коэффициента Z компании будут разделены на четыре группы: высокий риск банкротства, средний риск банкротства, низкий риск банкротства. Формирование выборки будет осуществлено таким образом, чтобы в каждую из групп входило равное количество компаний. Кроме того, при отборе будет уделяться внимание характеристикам компаний: они должны различаться по размеру, организационно-правовой форме, экономической деятельности, структуре собственников, продолжительности работы и т.д. Это необходимо для репрезентативности выборки и отсутствия смещенности в результатах. Также компании должны соответствовать сегменту корпоративных заемщиков - выручка за анализируемый период должна быть не менее 50 млн. руб.

Второй этап - разработка нефинансовых факторов - будет осуществлена с помощью экспертной группы. Группа разработает ряд вопросов, позволяющих охватить различные качественные характеристики выбранных компаний. Вопросы должны быть применимы к компаниям корпоративного сегмента и истолковываться однозначно. Отдельное внимание уделялось тому, чтобы ответ на вопрос можно было бы дать на основании объективных, нежели субъективных предпосылок, поскольку это позволяет снизить величину ошибок и колебаний. Каждый вопрос в отдельности должен нести достаточно информации для принятия решения и одновременно не дублировать другие вопросы, поскольку это может привести к отклонению модели в сторону смежных характеристик, не несущих дополнительной информации о компании. На раду с вопросами группа разработает варианты ответов, формализованных в виде порядковой шкалы. Вопросы будут различаться по количеству вариантов ответов от 2 до 5 в зависимости от смысловой нагрузки. Несмотря на различие в количестве вариантов ответа, их смысловая нагрузка по отношению к риску должна иметь одинаковую направленность - чем выше балл, тем ниже риск. Это облегчит анализ и интерпретацию результатов. Для компаний, вошедших в выборку, ответы на вопросы из списка будут перенесены в единую таблицу для дальнейшего анализа.

Тритий этап предполагает отбор основных факторов на основе разработанного списка вопросов. В итоговую модель будут включены те факторы, которые демонстрируют достаточную статистическую связь с риском. Поскольку модель может принимать четыре значения для уровня риска банкротства, и от двух до пяти для каждого фактора было принято решение использовать для оценки взаимосвязи коэффициент d Сомерса. Пороговое значение было установлено экспертно на уровне 20%, таким образом, факторы, для которых коэффициент d Сомерса составит более 20%, будут включены в итоговую модель. Отобранные факторы будут дополнительно проверены на наличие корреляции между ними, поскольку высокая корреляция будет являться признаком того, что факторы дублируют друг друга. В рамках данной модели пороговым значением корреляции является 70%, при достижении которого один из факторов, имеющий более низкий коэффициент d Сомерса будет исключен. Однако если два фактора демонстрируют существенный уровень корреляции (от 50% до 70%), их суть будет проанализирована дополнительно с точки зрения возможной взаимосвязи. Результатом третьего этапа является отбор некого количества факторов, на основе которых будет проводиться оценка платежеспособности заемщиков.

Четвертый этап состоит в расчете удельного веса каждого из факторов. Отобранные в результате третьего шага ряды факторов радикально различаются друг от друга, поскольку это было одним из предпосылок включения в модель. Различие не позволяет их анализировать совместно, поскольку они несопоставимы по отношению друг к другу. Для того чтобы информацию можно было интерпретировать будет применена нормализация факторов - центральное значение и стандартное отклонение факторов должно быть одинаковым у всех факторов модели. Для этого будет установлено, что среднее значение по всем факторам будет равняться 0, а стандартное отклонение - 50. Значение 50 было выбрано произвольно, поскольку для целей трансформации данных может быть выбрано любое значение, если оно применяется последовательно ко всем факторам. Трансформированные оценки факторов были рассчитаны по следующей формуле:

(2.1)

где: T - трансформированная оценка;

x - оценка до трансформации;

µ - среднее значение;

? - стандартное отклонение.

Таким образом, все факторы модели переведены в единую шкалу, позволяющую проводить сопоставлять их значения между собой. Аналогичный метод трансформации будет применен и к показателю риска банкротства компаний. Для этого группы риска будут формализованы в виде оценочной шкалы, где 1 соответствует высокому риску, 2 - среднему, 3 - низкому, 4 - отсутствие риска. Аналогично показателям модели оценки, низкая оценка соответствует повышенному риску, а рост оценки обозначает снижение риска. Трансформация показателей уровня риска позволит провести анализ влияния факторов на уровень риска в сопоставимых значениях.

Расчет коэффициентов факторов модели будет выполнен с использованием многомерной регрессии, поскольку она позволит определить оптимальный удельный вес факторов. Поскольку зависимая переменная является ранговой переменной (состоит из трансформированных оценок степени подверженности банкротству), регрессионный анализ будет выполнен на основе порядковой логистической регрессии.

Математическое уравнение порядковой логистической регрессии выражается в следующей формуле:

(2.2)

где: Ri - кумулятивная вероятность попадания в ранг i;

Ii - точка пересечения уравнения i;

?j - расчетное значение коэффициента для фактора j;

xj - преобразованное значение независимого фактора j.

Полученные в результате регрессионного анализа коэффициенты будут использованы как веса факторов в модели.

Пятый этап - это проверка модели с точки зрения способности предсказывать банкротство компаний и разработка шкалы с пороговыми значениями модели. Для проверки будет использована аналогичная база компаний, что и была применена для разработки. Оценки нефинансовых критериев, проставленные в таблицу результатов, будут умножены на веса, рассчитанные в ходе четвертого этапа. Полученные результаты будут проранжированы в порядке возрастания и равномерно разделены на четыре равные группы. Пороговое значение для перехода с одного уровня риска банкротства на другой будет определяться на стыке между двумя группами. На основе полученных пороговых значений компании будут определены в четыре группы, аналогично тем, что были сформированы для Z-модели в ходе первого этапа: высокий уровень риска, средний уровень риска, низкий уровень риска, риск отсутствует. Далее будет проанализировано количество случаев совпадения уровня риска по Z-модели и по модели нефинансовых критериев. Также будет рассчитан коэффициент d Сомерса для шкалы коэффициентов Z Альтмана и нефинансовой модели. Модель будет признана успешной, если будет зафиксирован высокий уровень совпадения уровней риска по Z-модели и по модели нефинансовых критериев, если коэффициент d Сомерса будет существенным, если между коэффициентом модели нефинансовых факторов и коэффициентом Z Альтмана будет наблюдаться значительная корреляция, и, если рост коэффициента нефинансовой модели будет однозначно соответствовать уменьшению риска банкротства компании.