DOI 10.24411/2413-046Х-2019-10336

Обеспечение финансово-кредитной безопасности скоринга и противодействия фрауд-деятельности

The market of scoring and counteraction of Frou-activity

Арсаханова Зина Абдулловна, д.э.н. зав.кафедрой финансов и кредит Институт экономики и финансов,

Arsakhanova Zina Abdullovna

Мунаев Адлан Арбиевич, аспирант,

Munaev Adlan Arbievich

Шамсуева Хава Байалиевна

Shamsueva Khava Baialievna

ФГБОУ ВО «Чеченский государственный университет»

Аннотация. Кредитный риск представляет собой основной банковский риск, управление которым является ключевым фактором, определяющим эффективность деятельности банка. Обычно банки формируют значительную часть своих доходов за счет кредитной деятельности, поэтому особую актуальность представляет оценка потенциальной прибыли по отношению к вероятности непогашения кредита. В узком смысле кредитный риск определяется как существующий для кредитора риск невозврата кредитополучателем заимствованных средств.

В последнее время в нашей стране наблюдается интенсивный рост рынка кредитования и, в частности, сектора кредитования физических лиц. Это неизбежно приводит к увеличению кредитных рисков, которые принимают на себя как отдельные кредитно-финансовые институты, так и банковская система страны в целом.

Рост рисков обуславливается одновременно расширением контингента заемщиков и увеличением объемов кредитования. В этой ситуации качество управления кредитными рисками в розничном кредитовании приобретает особую актуальность и становится одним из факторов повышения конкурентоспособности кредитного учреждения на рынке банковских услуг.

При выдаче кредита банк, прежде всего, интересует кредитоспособность потенциального заемщика, то есть способность полностью и в срок рассчитаться по своим долговым обязательствам. Именно задаче выбора кредитоспособных заемщиков в основном и служат скоринговые системы.

Summary. Credit risk is the main banking risk, the management of which is a key factor determining the effectiveness of the Bank. Usually banks form a significant part of their income due to credit activities, so the assessment of the potential profit in relation to the probability of default of the loan is of particular relevance. In a narrow sense, credit risk is defined as the existing risk for the lender of non-repayment by the borrower of borrowed funds.

Recently, in our country there has been an intensive growth of the lending market and, in particular, the sector of lending to individuals. this inevitably leads to an increase in credit risks, which are assumed by both individual credit and financial institutions and the banking system of the country as a whole.

The growth of risks is due to the simultaneous expansion of the contingent of borrowers and an increase in lending. In this situation, the quality of credit risk management in retail lending becomes particularly relevant and becomes one of the factors of increasing the competitiveness of the credit institution in the banking market.

When issuing a loan, the Bank is primarily interested in the creditworthiness of a potential borrower, that is, the ability to fully and on time to pay off its debt obligations. It is the task of selecting creditworthy borrowers that scoring systems mainly serve.

Ключевые слова: кредит, долговые обязательства, скоринговые системы, факторы повышения, риски.

Keywords: credit, debt obligations, scoring systems, factors of increase, risks.

Само слово scoring переводится с английского как «подсчет очков» и буквально означает побалльную оценку при принятии решения.

Это специальная система, придуманная хитрыми заокеанскими финансистами и программистами. Она позволяет быстро и эффективно оценить степень риска потенциального заемщика. Иными словами, скоринговая программа выносит решение – стоит или не стоит давать этому человеку кредит в зависимости от того, наберет ли заемщик определенное количество баллов или нет. Конечно же, это решение принимается не на пустом месте. Оно подкреплено сравнением с теми случаями, что уже есть в базе данных. Упрощенно говоря, программа выявляет всех заемщиков с такими данными и подсчитывает процент возвращенных и невозвращенных ими кредитов, а также степень возможных рисков.

Приоритет формулировки концепции кредитного скоринга обычно отдается Дэвиду Дюрану, который в своем исследовании, опубликованном в 1941 г. в National Bureau of Economic Research, использовал 7200 “хороших” и “плохих” кредитных историй займов с регулярным погашением, предоставленных 37 фирмами. Он применил критерий хи-квадрат (chi-square) для выявления характеристик, которые заметно различали “плохих” от “хороших”, и разработал индекс эффективности, предназначенный для демонстрации того, насколько эффективна данная характеристика для дифференциации степени риска (“хороший”/”плохой”) среди заявителей на кредиты. Затем он воспользовался дискриминационной функцией для разработки моделей кредитного скоринга.

По данным Fair Isaac, в настоящее время более 90% банков развитых стран используют кредитный скоринг. Все более популярным он становится и среди российских банков.

Итак, первостепенная задача, которую решают при кредитовании с помощью скоринга – это оценка рисков и управление ими на основе прогноза, с какой вероятность конкретный заемщик может просрочить платежи по кредиту, то есть статистический метод оценки кредитоспособности заемщика.

Во вторую очередь скоринг – это процесс автоматизации принятия решения. В процессе предоставления кредита банки заинтересованы в изучении платежеспособности будущего потребителя кредита. Цель этого изучения – моделирование или предсказание вероятности, с которой претендент на кредит может быть отнесен к привлекательным или непривлекательным клиентам.

На практике скоринг выглядит в виде деревьев решений – это модель, строящаяся на логической цепочке правил, которые пытаются описать отдельные взаимосвязи между данными относительно ожидаемого результата. Структура деревьев решений открыто показывает аргументацию правил и поэтому позволяет легко понять процесс принятия решения.

Если кредитная организация будет правильно и адекватно использовать кредитный скоринг, то получит эффективное конкурентное преимущество для поддержания и улучшения своих конкурентных позиций на рынке и выживания в борьбе с конкурентами в течение длительного времени.

У профессиональных банкиров есть пословица: “Скоринговая карта настолько хороша, насколько хороши данные”.

При скоринговой оценке учитывается практически все: пол, возраст, профессия, трудовой стаж, наличие семьи и детей, сумм, запрашиваемая в качестве кредита… Возраст кредитоспособного заемщика — как правило, 25–45 лет. Теоретически банки обещают выдавать кредиты и тем, кому 21 год, и тем, кому уже 50. Но на практике все выглядит совсем иначе.

Точно так же дела обстоят и с семейным положением. Банк желает видеть своими клиентами добропорядочных и ответственных граждан. Наличие семьи – это показатель ответственности. Поэтому при прочих равных банк скорее даст кредит женатому клиенту, нежели холостому.

Огромную роль при скоринговой оценке будет играть профессия. Одно дело – быть учителем, который мирно объясняет детишкам, как вычислить дискриминант, и другое дело – быть пожарным, который с риском для жизни этих самых детишек, если что, спасает. При одинаковом доходе, возрасте и семейном положении кредит скорее дадут представителю менее опасной профессии. «Ненадежными» у банков считаются и специальности, связанные со сферой развлечений – в первую очередь игорный и шоу-бизнес. Правда, к работникам кафе и ресторанов банки зачастую относятся лояльно – кушать людям хочется всегда. Но вот к зрелищам пустое брюхо бывает глухо. Так что у официанта будет больше шансов получить кредит, чем у певицы, исполняющей «живую» музыку в том же ресторане.

Не стоит забывать и про финансовый кризис, великий и могучий. Если раньше строители и риэлторы были желанными и надежными клиентами, то сейчас их сферы работы считаются весьма нестабильными. То же самое касается брокеров, трейдеров, работников страховой и туристической отрасли. Поэтому не стоит обижаться на банк, отказавший в кредите – риск слишком высок.

А вот к «бюджетникам» банки сейчас относятся лояльно. Врачи, учителя, преподаватели, некоторые работники милиции (в первую очередь следствия и дознания), даже железнодорожники имеют неплохие шансы получить кредит. «В почете» у многих банков и представители «вневременных» рабочих профессий – парикмахеры, повара, автослесари. Главное – чтобы заемщик был наемным работником.

Бизнесменам среднего уровня в банках не слишком рады: мало того, что свое дело может прогореть, но и хлопот по обслуживанию кредита предприниматели доставляют больше. В случае потери «кресла» с большым доходом сегодня непросто быстро найти новую работу с аналогичным заработком. Чиновникам тоже сложно взять кредит с их небольшой зарплатой: «откаты» в справке 2-НДФЛ, к сожалению, не указываются.

Сведения о месте работы любой уважающий себя банк тоже проверяет. Но делает это уже не с помощью скоринговой программы, а через базы данных Пенсионного фонда (как Сбербанк). Или с помощью собственной службы безопасности, которая может заодно проверить и другие обстоятельства вашей жизни. Например, у идеального заемщика не должно быть судимостей или «темных пятен» в биографии вроде пленения сомалийскими пиратами.

Чтобы стать идеальным заемщиком, нужно порой соответствовать довольно оригинальным требованиям. Например, желательно работать по той специальности, которую вы получили в институте – особенно если вы только недавно этот самый институт закончили. Кстати, с приходом финансового кризиса многим банкам уже не внушает доверия трудовой стаж в 3 месяца работы на одном месте – минимум полгода, а лучше несколько лет. При этом карьерный рост в биографии тоже будет большим плюсом.

Чем больше качеств, совпадающих с портретом идеального заемщика, тем больше шансов на положительный вердикт. Но иногда логика скоринговой программы выдает такие решения, которые неискушенному клиенту кажутся как минимум забавными. Девушка-менеджер, улыбаясь, рассказывает, что ей без проблем дали потребительский кредит, а ее гражданскому мужу в том же банке отказали, хотя возраст, сфера деятельности и доход у них абсолютно одинаковые. Скоринговый анализ показал, что мужчины чаще оказываются неплательщиками, и программа вынесла решение в пользу девушки.

Идеальный заемщик сегодня – это человек 30-40 лет, получающий «белую» зарплату, с супругой (или супругом), имеющий высшее образование и солидный трудовой стаж. «А если этот человек имеет еще и собственность, то это может расцениваться как «спасательный круг» на случай возникновения форс-мажорных ситуаций, от которых сегодня никто не застрахован.

Следует помнить, что банки не прощают обмана. Никогда. Если служба безопасности выясняет, что потенциальный заемщик предоставил заведомо неверные данные (например, форма 2-НДФЛ поручителя «нарисованная»), кредит не дадут.

Главный совет, который банкиры дают заемщикам – говорить о себе правду, только правду и ничего кроме правды. По их словам, не так страшно иметь пять детей, как страшно в анкете указать, что их четыре или три.

Однако, если один банк отказал в кредите, другой вполне может его выдать, ибо у каждого банка – своя кредитная стратегия.

Таким образом, возможный клиент оценивается с помощью скоринговой модели – своеобразного тестера, определяющего математически выраженные характеристики заемщика, указывающие на его способность вовремя выплачивать кредит. Так как основой для кредитного скоринга являются статистические законы, оценка потенциального заемщика не всегда верна. В случае возникновения ошибки банк теряет деньги – либо заемщик не выплачивает кредит, либо банк отказывает потенциальному клиенту незаслуженно.

Преимущества скоринга:

• оптимизация затрат на рассмотрение заявки за счет автоматизации процесса принятия решения и выдаче кредита;
• сокращение времени рассмотрения заявки, увеличение числа и скорости обрабатываемых заявок;
• отсутствие субъективного мнения эксперта при принятии решения о выдаче кредита;
• определение уровня доходности и риска кредитного портфеля и т.п.
• выявление и предотвращение попыток мошенничества.

Недостатки скоринга:

• программа оценивает не реального человека, а информацию, которую он о себе сообщает, и хорошо подготовленный клиент может представить данные о себе так, что практически гарантированно получит кредит;
• оценка кредитоспособности производится на основании данных о тех заемщиках, кредит которым был выдан. О поведении заемщиков, которым было отказано в выдаче кредитов, можно лишь догадываться.

Кроме того, скоринговые модели требуют постоянной доработки и обновления, так как со временем изменяются как социально-экономические условия и условия кредитования, так и сами люди.

В России же развитие скоринга (в его изначальном значении) ограничивается все еще низкими по западным меркам объемами кредитования, а также быстро меняющимися социально-экономическими условиями. Российские банки и рейтинговые агентства не располагают достаточной информацией о клиентах для того, чтобы выстроить эффективные математические модели, обеспечивающие спрос на розничное кредитование, с одной стороны, и минимизацию банковских рисков – с другой.

Для решения этой проблемы банкам можно предложить действовать двумя способами.

Первый способ – использовать модель, разработанную за рубежом, с ее обязательной адаптацией “калибровкой” к российским реалиям, что потребует и времени, и средств.

Второй способ – отказаться на первоначальном этапе от применения скоринга и выдавать кредиты всем желающим на основании стандартной проверки с целью накопления необходимой кредитной истории. После чего банки смогут на основании этих данных экспертной оценки разработать собственную скоринговую модель, скорее интуитивную, весьма эффективную, но и более дорогостоящую для банка или агентства.

Итак, скоринг представляет собой автоматизированные системы оценки кредитного риска, которые широко используются в США и Западной Европе, а также всё больше набирает популярность в России. В качестве исходного материала для скоринга используется разнообразная информация о прошлых клиентах, на основе которой с помощью различных статистических и нестатистических методов классификации делается прогноз о кредитоспособности будущих заемщиков. Скоринг-системы, имея свои плюсы и минусы, позволяют банковским работникам быстро принимать решения о кредитовании, регулировать объемы кредитования в зависимости от ситуации на рынке и определять оптимальное соотношение между доходностью кредитных операций и уровнем риска.

Список литературы

1. Минаков А.В. Оценка эффективности инвестиционной стратегии страховой организации / А.В. Минаков // Экономика и предпринимательство. – 2014. – №8 (49). – С. 522-526.
2. Минаков А.В. Особенности существующих методов диагностики несостоятельности организаций / А.В. Минаков // Экономика и предпринимательство. – 2014. – № 11-2 (52). – С. 799-804.
3. Минаков А.В. Роль иностранного инвестирования в активизации инновационной деятельности в условиях неопределенности / А.В. Минаков // Экономика и Предпринимательство. – 2013. – № 11-2 (40). – С. 47-50.
4. Омшанова Э.А. Новые пенсионные правила: сбалансированность или эффективность бюджета Пенсионного фонда / Э.А. Омшанова // Гуманитарные, социально-экономические и общественные науки. – 2018. – № 10. – С. 240-242.
5. Конявский В.А. Компьютер с «вирусным иммунитетом» / В.А. Конявский // Информационные ресурсы России. – 2015. – №6 (148). – С. 31-34.
6. Laimek, Roongtawan, Natsuda Kaothanthong, and Thepchai Supnithi. 2018. “ATM Fraud Detection Using Outlier Detection.” In Intelligent Data Engineering and Automated Learning — IDEAL 2018, eds. Hujun Yin, David Camacho, Paulo Novais, and Antonio J Tallón-Ballesteros. Cham: Springer International Publishing, 539–47.
7. Kim, Min-Jung, and Taek-Soo Kim. 2002. “A Neural Classifier with Fraud Density Map for Effective Credit Card Fraud Detection.” In Intelligent Data Engineering and Automated Learning — IDEAL 2002, eds. Hujun Yin et al. Berlin, Heidelberg: Springer Berlin Heidelberg, 378–83.
8. Yang, Qinghong et al. 2015. “Based Big Data Analysis of Fraud Detection for Online Transaction Orders.” In Cloud Computing, eds. Victor C M Leung, Roy Xiaorong Lai, Min Chen, and Jiafu Wan. Cham: Springer International Publishing, 98–106.
9. Hartl, Verena M I A, and Ulrike Schmuntzsch. 2016. “Fraud Protection for Online Banking.” In Human Aspects of Information Security, Privacy, and Trust, ed. Theo Tryfonas. Cham: Springer International Publishing, 37–47.
10. Vishwakarma, Pinki Prakash, Amiya Kumar Tripathy, and Srikanth Vemuru. 2018. “A Layered Approach to Fraud Analytics for NFC-Enabled Mobile Payment System.” In Distributed Computing and Internet Technology, eds. Atul Negi, Raj Bhatnagar, and Laxmi Parida. Cham: Springer International Publishing, 127–31.
11. Lebichot, Bertrand, Fabian Braun, Olivier Caelen, and Marco Saerens. 2017. “A Graph-Based, Semi-Supervised, Credit Card Fraud Detection System.” In Complex Networks & Their Applications V, eds. Hocine Cherifi, Sabrina Gaito, Walter Quattrociocchi, and Alessandra Sala. Cham: Springer International Publishing, 721–33.
12. Yildirim, Mehmet Yigit, Mert Ozer, and Hasan Davulcu. 2018. “Cost-Sensitive Decision Making for Online Fraud Management.” In Artificial Intelligence Applications and Innovations, eds. Lazaros Iliadis, Ilias Maglogiannis, and Vassilis Plagianakos. Cham: Springer International Publishing, 323–36.
13. El-kaime, Hafsa, Mostafa Hanoune, and Ahmed Eddaoui. 2019. “The Data Mining: A Solution for Credit Card Fraud Detection in Banking.” In Lecture Notes in Real-Time Intelligent Systems, eds. Jolanta Mizera-Pietraszko, Pit Pichappan, and Lahby Mohamed. Cham: Springer International Publishing, 332–41.