The cancellation of regulatory relief due to the Covid-19 pandemic, which allowed banks to save on reserves for restructured loans, did not significantly affect the stability of the system in 2021. At the same time, there remains the probability of certain types of systemic risks, including credit risks. During the pandemic the Russian business debts increased by 14% and reached 62.6% of the countryʼs GDP, which significantly increased credit risks for banks. There is a high concentration of corporate liabilities in Russia - a great part of the debt falls on a small number of large borrowers who are serviced by large banks. It is found that reducing the credit risks and increasing the credit activity of market participants can be achieved both by methods of macroeconomic regulation and by improving the mechanism for analyzing the creditworthiness of corporate borrowers at the level of credit institutions. Measures to minimize credit risks are listed. The formula for the final calculation of the level of credit risk is given. The indicators are analyzed on the basis of the Russian Accounting Standards (RAS) and on the basis of the International Financial Reporting Standards (IFRS), the values of debt burden indicators are considered. There is offered a model of such an analysis based on a mixed complex-individual model including an assessment of industry and structural indicators based on expert opinion, existing threats from competitors or the market, transparency of the borrower's activities, as well as the expertise of leading international rating agencies. The model allows predicting the future position of the borrower in the market, as well as taking into account the specifics of lending conditions.
credit risks, assessment of the borrowerʼs solvency, complex-individual model, expert assessment, industry and structural indicators
Введение
Рост экономической неопределенности, глобальной макроэкономической нестабильности вызывает увеличение кредитных рисков и повышенное внимание к управленческим решениям в банковском секторе. Примером эффекта снежного кома в банковском секторе является глобальный экономический кризис 2007–2009 гг., вызванный большими объемами спекулятивных финансовых операций рискованного кредитования и, как следствие, значительным увеличением проблемной задолженности по кредитам, кризисом ликвидности в банковском секторе и дестабилизацией в финансово-кредитной системе в целом. Поэтому изучение кредитного риска, как в системе макроэкономического равновесия, так и в микроэкономических реалиях, является весьма актуальным. В современной научной литературе существует несколько подходов к определению понятия кредитного риска: кредитный риск как вероятность, как объективный результат субъективной вероятности, как распределение финансовых потерь из-за неожиданных изменений кредитного качества контрагента.
Имеются различные инструменты решения проблемы резких подъемов и спадов в оценке кредитного портфеля; например, один из них – стресс-тестирование как инструмент для анализа влияния различных весомых параметров риска кредитного портфеля (изменение наклона или изгиба кривой доходности, ее абсолютного значения и др.). Важно изучить динамику параметров портфеля (доходности, текущей стоимости) как при краткосрочных, так и при долгосрочных колебаниях рынка, выражающихся в изменениях доходности инструментов и их соотношений, для моделирования кризисных ситуаций.
Системные риски
Если обратиться к текущему состоянию качества корпоративного кредитного портфеля в России, то следует отметить, что отмена регулятивных послаблений из-за пандемии COVID-19, которые позволили банкам экономить на резервах по реструктурированным кредитам, несильно повлияла на устойчивость системы к концу 2021 г. (хотя многие эксперты и практики высказывали серьезные опасения по этому поводу):
– риски просрочки не реализовались (здесь не учитывается рост просроченной задолженности по корпоративным ссудам в российских банках в ноябре 2021 г., который, вернувшись к пандемийным максимумам, составил сразу +184 млрд руб. (6,5 %), превысив 3,03 трлн руб.: основной прирост обеспечил проблемный заемщик «Траста» – «Открытие Холдинг», поэтому Банк России отнес задолженность к разряду «технических»);
– по итогам 2021 г. вновь побит рекорд по прибыли сектора (2,5 трлн руб.);
– запас капитала банков вырос до 6,5 трлн руб., что позволяет сравнительно спокойно смотреть в ближайшее будущее.
Вместе с тем нельзя не учитывать, что в наступившем году вероятность реализации отдельных видов системных рисков сохраняется. Так, по оценке Центра макроэкономического анализа и краткосрочного прогнозирования, проанализировавшего опережающие индикаторы системных финансовых и макроэкономических рисков, в 2022 г. вероятность возникновения системного банковского кризиса до мая 2022 г. оценивается как высокая, системных кредитных рисков до ноября 2022 г. – как средняя [1].
Нельзя игнорировать и тот факт, что в период пандемии долги отечественного бизнеса увеличились на 14 %, достигнув 62,6 % ВВП страны, что существенно повысило риски для кредиторов. Отличительная особенности российской банковской отрасли – высокая концентрация корпоративных обязательств: существенная часть задолженности приходится на небольшое число крупных компаний, обслуживающихся в ведущих банках. Как отметили в конце 2021 г. в Банке России, это может быть источником системного риска для финансового сектора, поэтому банкам следует внимательно следить, как заемщики выходят из кризиса: «На текущей фазе кризиса можно ожидать активной реализации кредитных рисков. Важно, чтобы признание потерь по невозвратным кредитам не откладывалось на длительный срок, так как это может приводить к появлению «зомби-заемщиков» [2] («зомби-заемщики» – это компании, которые не смогут восстановить платежеспособность после реструктуризации долгов).
Кроме этого, имеют место факторы, сдерживающие рост кредитования банками реального сектора, хотя известно (как бы тривиально это не звучало), что эта область, являющаяся базовой составляющей работы банка, – значительный инвестиционный ресурс, содействующий непрерывности и ускорению воспроизводственного процесса, укреплению экономического потенциала хозяйствующих субъектов. Речь идет, в частности, о том, что многие кредитные организации считают более выгодным вложение в приобретение государственных ценных бумаг, а не кредитование экономики (если на 01.01.2014 объем вложений банков в долговые обязательства Российской Федерации составляли 814,1 млрд руб., то на 01.01.2018 – уже 3,6 трлн руб.). Практически это означает, что государство конкурирует с корпоративными заемщиками кредитных ресурсов, снижая долю их кредитования банками.
Кредитный риск, управленческое поведение и макроэкономическое равновесие в структуре активных операций современных банков также сокращают доступ корпоративного сектора (как и домашних хозяйств) к банковским кредитам, стимулируя рост их стоимости. Например, политика Банка России в отношении процентных ставок по абсорбированию избыточной ликвидности негативно влияет на динамику кредитования.
Меры по минимизации кредитных рисков
Представляется, что для улучшения функционирования кредитного рынка необходимо принять ряд организационных мер, которые позволят улучшить качество рыночной среды в целом и повысить эффективность кредитной деятельности всех участников рынка, а именно:
– улучшить макропруденциальный надзор;
– стимулировать развитие инструментов кредитного рынка;
– публиковать рейтинги финансовых учреждений (банковских и небанковских);
– усовершенствовать процедуру раскрытия публичной информации в отчетности;
– ввести повышение квалификационных требований к сотрудникам банков, которые непосредственно предоставляют кредиты и участвуют в отборе банковских заемщиков (кредитные инспекторы и клиентские менеджеры);
– внести в законодательную базу изменения, облегчающие процедуру реализации заложенного имущества в случае требования о взыскании в целях выполнения обязательств по кредитным соглашениям.
Предлагаемые институциональные и организационные меры обеспечат благоприятные условия для развития современных форм кредитования при одновременном совершенствовании механизма защиты прав кредиторов и заемщиков.
Не менее важным способом снижения кредитных рисков является разработка банками эффективной системы оценки кредитоспособности заемщика, призванной снизить потери банков от их невозврата. Несмотря на то, что оценка способности клиента своевременно и в полном объеме вернуть кредит практикуется в банковской практике десятилетиями, в экономической литературе до сих пор отсутствуют единые подходы к определению понятия кредитоспособности, а методы ее оценки никак не регулируются законодательно.
Степень разработанности проблемы
Анализ методических подходов к оценке кредитоспособности заемщика [3–10], их достоинств и недостатков позволяет выделить критериальный и интегральный подходы. Критериальный подход представлен правилом «шести СИ», методиками CAMPARI, PARTS и др. Их отличительная особенность – отсутствие синтетического показателя, шкал оценки и базы сравнения, что затрудняет интерпретацию полученных результатов. Чаще применяется интегральный подход, однако преодолеть свойственные для него ограничения (субъективность отбора факторов модели, недостаточная комплексность и системность из-за неполного их количества в модели, компенсация дефицита одних факторов избыточностью других и т. д.) пока не удается.
Как правило, анализируются такие показатели, как общий анализ ликвидности, оборачиваемости, прибыльности, финансовой устойчивости, вероятности банкротства по моделям, применяются пятифакторная модель Альтмана, методика кредитного скоринга Д. Дюрана, пятифакторная модель Р. С. Сайфулина и Г. Г. Кадыкова и др. Интегральный подход представлен методиками оценки кредитоспособности Центрального банка РФ и ряда коммерческих банков, а также методиками, построенными с помощью мультипликативного дискриминантного анализа.
Недостаточная комплексность анализа, базирующегося в первую очередь на расчете финансовых показателей компании-заемщика, приводит к ошибкам. Среди них наиболее распространены следующие:
– убеждение, что чем выше ликвидность активов предприятия, тем более кредитоспособен клиент;
– игнорирование репутации заемщика;
– игнорирование общих экономических условий;
– анализ только финансовых показателей без учета фактических обстоятельств, в частности выяснения истинных намерений учредителей по данной задолженности [11].
Смешанная комплексно-индивидуальная модель
Обобщение теоретического исследования и лучшего практического опыта анализа кредитоспособности корпоративных заемщиков приводит к целесообразности применения смешанной комплексно-индивидуальной модели, учитывающей оценку отраслевых и структурных показателей на основе профессионального экспертного заключения, существующие угрозы со стороны конкурентов или рынка (отдельно – фондового), прозрачность деятельности заемщика, заключения ведущих международных рейтинговых агентств. Благодаря такому подходу оценка величины кредитного риска становится гораздо точнее, т. к. можно спрогнозировать будущее положение заемщика на рынке, а также учесть специфику условий кредитования.
Предлагаемая методика, обобщающая лучшие практики, является комплексной, т. е. показатели не равнозначны в рамках оценки кредитоспособности заемщика, а рассматриваются в комплексе – у каждого из них имеется свой вес, что делает оценку более точной и объективной.
Для расчета величины итогового кредитного риска предлагается использовать взвешенную оценку по четырем моделям (рисунок). Результат каждой модели будет иметь свой вес в итоговой групповой оценке величины риска. С помощью данного анализа представляется возможным количественно оценить вероятность невыполнения заемщиком своих обязательств или просрочки в их исполнении перед банком.
Модели оценки уровня кредитных рисков
Models for assessing the level of credit risks
Итоговый расчет уровня кредитного риска будет рассчитываться по формуле
где wj – весовая доля модели в итоговой интегративной групповой модели; xj – оценка уровня кредитного риска в модели j.
Итоговая групповая оценка уровня кредитного риска может принимать значения от 0 до 1. В зависимости от того, в какой интервал попадает значение Rкр, делается вывод об уровне кредитного риска заемщика и о дальнейшей возможности его кредитования:
– значение от 0 до 0,3 свидетельствует о высоком уровне кредитного риска;
– значение от 0,31 до 0,7 соответствует среднему уровню кредитного риска;
– значение от 0,71 до 1 соответствует низким кредитным рискам.
Модель оценки основных расчетных финансовых показателей базируется на оценке основных расчетных финансовых показателей заемщика и имеет вес в количестве 20 % в интегральной групповой оценке. Дифференцирован расчет для компаний, ведущих бухгалтерскую отчетность по Российским стандартам бухгалтерского учета (РСБУ) и по Международным стандартам финансовой отчетности (МСФО). Данное разделение необходимо, т. к. две указанные системы бухгалтерского учета имеют существенные различия, которые не позволяют оценивать показатели, полученные по разным данным, одинаково.
– изменение выручки за последние 3 отчетных периода (вес в модели – 15 %). Если у компании присутствует положительная динамика размера выручки за последние 3 отчетных периода, а также прирост 10 % и более, то данный коэффициент принимает значение 1. Если при тех же условиях прирост выручки составляет от –10 до 10 %, то коэффициент принимает значение 0,5. В том случае, если динамика выручки отрицательная (более –10 %) или заемщик не получает выручки, то коэффициент принимает значение 0;
– коэффициент автономии (вес в модели – 10 %). Если показатель принимает значение более 0,51, то в модель добавляется единичный коэффициент. Если же показатель находится в интервале от 0,31 до 0,5, то в модель добавляется коэффициент, равный 0,5. Если же показатель менее 0,3, то коэффициент в модель записывается с нулевым значением;
– динамика изменения чистых активов за последние 3 отчетных периода (вес в модели – 15 %). Если заемщик имеет положительную динамику размера чистых активов, а прирост составляет более 10 %, то в модель записывается единичный коэффициент. Если прирост составляет от –10 до 10 %, то коэффициент принимает значение 0,5. Если же прирост отрицательный, то коэффициент равен 0;
– показатели долговой нагрузки (вес в модели – 20 %). Выделяются два подхода: первый – расчет с использованием показателя DSCR (коэффициент покрытия долга, рассчитывается как отношение денежного потока, доступного для погашения долга, к сумме между процентами по кредиту в текущем периоде и запланированной выплате основной суммы долга); второй – TD / EBITDA (расшифровка значений изложена в табл. 1);
– рентабельность продаж (вес в модели – 20 %). Если рентабельность продаж – более 10 %, то коэффициент принимает значение 1; если в интервале от 6 до 10 %, коэффициент – 0,75; если в интервале от 2 до 5 % – 0,5. При уровне рентабельности от 0 до 2 % коэффициент составит 0,25, при отрицательной – 0;
– коэффициент текущей ликвидности (КТЛ) за текущий отчетный период (вес в модели – 10 %). Если он больше 1,5, то коэффициент принимает значение 1; в интервале от 1 до 1,5 – 0,5; менее 1 – 0;
– изменение доли долгосрочного долга в общей величине долга за последние 3 отчетных периода (вес в модели – 10 %). При стабильно положительной динамике показателя (прирост 10 % и более) коэффициент модели принимается за единицу, при нестабильной (прирост в диапазоне от –10 до 10 %) – 0,5; при более выраженной отрицательной динамике – 0.
Таблица 1
Table 1
Показатели долговой нагрузки
Debt burden indicators
|
Диапазон принимаемых значений |
Значение |
|
При использовании DSCR |
|
|
≥ 1,2 |
1 |
|
1,05–1,2 |
0,5 |
|
< 1,05 |
0 |
|
При использовании Debt / EBITDA |
|
|
≤ 3 |
1 |
|
3–5 |
0,5 |
|
< 5 |
0 |
Показатели на основе МСФО:
– КТЛ за последний отчетный период (вес в модели – 10 %);
– изменение выручки за последние 3 отчетных периода (вес в модели – 5 %);
– соотношение совокупного объема долга и капитала за последний отчетный период (вес в модели – 15 %) (табл. 2);
– усредненное значение маржи EBITDA за последние 3 отчетных периода (вес в модели – 15 %) (табл. 3);
– соотношение совокупного долга и показателя EBITDA (вес в модели – 15 %) (табл. 4);
– коэффициент автономии за последний отчетный период (вес в модели – 10 %);
– коэффициент покрытия процентных расходов (вес в модели – 15 %) (табл. 5);
– соотношение FCF (свободный денежный поток) и совокупного долга за последние 3 отчетных периода (вес в модели – 15 %) (табл. 6);
– изменение капитализации за последние 3 отчетных периода (вес в модели – 5 %). При приросте не менее 10 % коэффициент модели принимается за единицу; при нестабильной динамике (от –10 до 10 %) – 0,5; при отрицательной (свыше –10 %) – 0.
Таблица 2
Table 2
Соотношение объема долга и капитала
Debt to Equity Ratio
|
Диапазон принимаемых значений, % |
Значение |
|
˂ 20 |
1 |
|
20–40 |
0,75 |
|
40–60 |
0,5 |
|
60–80 |
0,25 |
|
˃ 80 |
0 |
Таблица 3
Table 3
Усредненное значение маржи EBITDA
Average EBITDA margin
|
Диапазон принимаемых значений, % |
Значение |
|
˃ 15 |
1 |
|
10–15 |
0,75 |
|
5–10 |
0,5 |
|
1–5 |
0,25 |
|
˂ 1 |
0 |
Таблица 4
Table 4
Соотношение совокупного долга
и показателя EBITDA
Total debt to EBITDA ratio
|
Диапазон принимаемых значений, % |
Значение |
|
˂ 1,5 |
1 |
|
1,5–3 |
0,75 |
|
3–4,5 |
0,5 |
|
4,5–6 |
0,25 |
|
˃ 6 |
0 |
Таблица 5
Table 5
Покрытие процентных расходов
Coverage of interest expenses
|
Диапазон принимаемых значений, % |
Значение |
|
˃ 8 |
1 |
|
5–8 |
0,75 |
|
3–5 |
0,5 |
|
1,5–3 |
0,25 |
|
˂ 1,5 |
0 |
Таблица 6
Table 6
Соотношение свободного денежного потока
и совокупного долга
Ratio of free cash flow to total debt
|
Диапазон принимаемых значений, % |
Значение |
|
˃ 15 |
1 |
|
10–15 |
0,75 |
|
5–10 |
0,5 |
|
1–5 |
0,25 |
|
˂ 1 |
0 |
Модель экспертной оценки уровня кредитных рисков на основе отраслевых и структурных показателей включает обязательный анализ отраслевых тенденций и положения компании на рынке и в отрасли, благодаря которым оценка величины кредитного риска становится гораздо точнее, т. к. можно спрогнозировать будущее положение заемщика на рынке, существование угроз со стороны конкурентов или рынка, степень прозрачности деятельности заемщика и ряд других показателей, которые будут перечислены далее (табл. 7).
Таблица 7
Table 7
Оценка отраслевых и структурных показателей
Assessment of industry and structural indicators
|
Показатель |
Наилучшее значение показателя |
Наихудшее значение показателя |
Весовая доля, % |
|
Господдержка |
Контроль более 50 % капитала |
Отсутствует |
15 |
|
Отраслевые/рыночные позиции |
Более 80 % рынка (монопольные) |
Менее 5 % рынка (слабые) |
15 |
|
Деловая репутация |
Высокая |
Низкая |
5 |
|
Кредитная история |
Положительная, имелись пролонгации по объективным причинам |
Имелись существенные нарушения |
9 |
|
Прозрачность структуры капитала |
Высокая: все формы и справки |
– |
7 |
|
Доступность данных о компании |
Высокая |
Низкая |
3 |
|
Срок ведения активной |
Более 5 лет |
Менее года |
4 |
|
Качество финансового менеджмента |
Высокое |
Низкое |
7 |
Окончание табл. 7
Table cont’d 7
|
Показатель |
Наилучшее значение показателя |
Наихудшее значение показателя |
Весовая доля, % |
|
Степень диверсификации |
Высокая |
Низкая |
9 |
|
Прогнозируемость перспектив |
Более чем на 5 лет |
Менее чем на год |
4 |
|
Конкуренция в отрасли |
Низкая |
Высокая |
4 |
|
Входные отраслевые барьеры |
Высокие |
Низкие |
4 |
|
Зависимость от конкретных |
Незначительная |
Полная |
4 |
|
Зависимость от конкретных |
Незначительная |
Полная |
4 |
|
Учет влияния группы |
Существенная поддержка |
Риск негативного влияния группы |
6 |
Показатели, рассматриваемые во второй модели, имеют диапазон значений от 1 до 0. Специалист-андеррайтер, оценивая благоприятность или нежелательность каждого показателя, выбирает значение коэффициента для каждого показателя в диапазоне от 0 до 1.
В качестве примера рассмотрим содержание такой оценки (в рамках модели) на примере одного из крупнейших российских производителей тяжелых грузовых автомобилей (табл. 8).
Таблица 8
Table 8
Экспертная оценка отраслевых и структурных показателей
Expert assessment of industry and structural indicators
|
Показатель |
Вес показателя |
Значение |
Комментарий |
|
Государственная |
15 |
0,75 |
Компания на 47,1 % принадлежит госкорпорации. В 2020 г. включена в список системообразующих и стратегических предприятий. Активно пользуется поддержкой государства |
|
Отраслевые/рыночные позиции |
15 |
0,75 |
Компания много лет удерживает лидирующие позиции в отрасли. По результатам 11 мес. 2021 г. доля на российском грузовом рынке, по данным Autostat, составила 36,1 %. Доля основных конкурентов не превышала 10 % |
|
Деловая репутация |
5 |
0,5 |
Согласно данным открытых источников, у компании хорошая |
|
Кредитная история |
9 |
1 |
Кредитная история положительная, имелись пролонгации, просрочки/дефолты отсутствуют, компания пользуется поддержкой государства в области гарантий, субсидий и льготного кредитования. Ведет несколько крупных инвестиционных проектов в ВЭБе. Кредитный рейтинг подтвержден АКРА на уровне «A+» RU |
|
Прозрачность |
7 |
1 |
Раскрыты все основные бенефициары, структура правления прозрачна. Компания имеет множество связанных и дочерних лиц, информация представлена в открытом доступе |
|
Доступность данных |
3 |
1 |
Данные о холдинге и его деятельности имеют высокую доступность, большая часть данных представлена на официальном сайте и обновляется |
|
Срок ведения активной деятельности в отрасли |
4 |
1 |
Более 20 лет |
|
Качество финансового менеджмента |
7 |
0,5 |
На данный момент структура финансового менеджмента находится в реформации. Из-за несовершенства организационной структуры качество управления холдинга находится на среднем уровне: отмечаются значительные временные разрывы между выявлением проблем и их решением, а также нехватка квалификации персонала, что оказывает значительное влияние на финансовую и экономическую безопасность предприятия, мешая своевременно отвечать на возникающие угрозы |
Окончание табл. 8
Table cont’d 8
|
Показатель |
Вес показателя |
Значение |
Комментарий |
|
Степень |
9 |
1 |
Основные секторы производства компании: грузовые автомобили, автобусы, прицепы, спецтехника, а также комплектующие. В разрезе по данным группам имеется широкий модельный ряд в каждой категории различных ценовых сегментов и качественных В рамках грузовой техники основные сегменты: крупнотоннажные грузовики, седельные тягачи, бортовые автомобили и самосвалы. Таким образом, вертикальную диверсификацию можно оценить как среднюю |
|
Прогнозируемость |
4 |
0,5 |
Прогнозируемость отрасли рационально оценивается на горизонте 3 лет. По результатам 2021 г. наблюдается рост продаж на 48 %. Положительные факторы: рост числа инфраструктурных проектов, реализация отложенного спроса, увеличение продаж по программам лизинга. Сдерживающие факторы: высокий рост цен и проблемы с поставками иностранных комплектующих, волатильность цен на нефть и курс доллара, рост таможенных пошлин и утилизационного сбора, ужесточение норм экологичности. Прогнозируются сделки M&A |
|
Конкуренция в отрасли |
4 |
0 |
Доля, приходящаяся на каждого конкурента, не превышает 10 % |
|
Входные отраслевые барьеры |
4 |
1 |
Входные барьеры рынка в свете значительной капиталоемкости отрасли являются высокими. Для вхождения в отрасль требуются большие вложения в производственные фонды и НИОКР. Рынок имеет структурированную иерархию с узнаваемыми брендами. Конкуренция внутри отрасли высокая |
|
Зависимость |
4 |
0,5 |
Закупка большого числа комплектующих у иностранных поставщиков. Зависимость от конкурентных поставщиков оценивается как средняя |
|
Зависимость |
4 |
0 |
Высокая зависимость от госзаказов, однако в целях диверсификации состава покупателей компания реализует через дилеров, широкий ряд розничной продукции, в том числе для аграрного и строительного секторов |
|
Учет влияния группы связанных компаний |
6 |
0 |
Очевидная сложная иерархическая структура, в которую включено множество связанных и дочерних предприятий, участвующих |
Модель, базирующаяся на анализе информации с фондового рынка, необходима для оценки средней вероятности дефолта заемщика (табл. 9).
Таблица 9
Table 9
Анализ информации с фондового рынка
Analysis of information from the stock market
|
Средняя вероятность дефолта по фондовому рынку, % |
Оценка по модели |
|
˂ 0,5 |
0 |
|
0,5–8,5 |
0,2 |
|
8,5–16,5 |
0,4 |
|
16,5–24,5 |
0,6 |
|
24,5–32,5 |
0,8 |
|
˃ 32,5 |
1 |
Модель, базирующаяся на оценке заемщика с помощью международных рейтинговых агентств. В качестве источников информации выступает тройка рейтинговых агентств: S&P, Moody’s, Fitch Ratings (табл. 10).
Таблица 10
Table 10
Оценка международных рейтинговых агентств
Assessment by international rating agencies
|
Присуждаемый рейтинг |
Оценка по модели |
|
ССС/Саа2 и ниже |
0 |
|
От ССС/Саа2 до В–/В3 |
0,2 |
|
От В–/В3 до В+/В1 |
0,4 |
|
От В+/В1 до ВВ/Ва2 |
0,6 |
|
От В+/Ва2 до ВВВ–/Ваа3 |
0,8 |
|
Выше ВВВ–/Ваа3 |
1 |
Согласно результатам формирования указанных четырех моделей рассчитывается интегральная групповая оценка, благодаря которой определяется уровень кредитных рисков заемщика.
Заключение
Обобщая сказанное, следует подчеркнуть, что центральной задачей устойчивости банковской системы и поступательного развития кредитования реального сектора российской экономики является минимизация системных кредитных банковских рисков. Ее решение лежит как в области макропруденциальных мер, так и в сфере деятельности кредитных организаций, оценивающих степень кредитоспособности заемщиков. Основываясь на научных исследованиях в данной области, а также лучших практиках банков, предложена смешанная комплексно-индивидуальная модель, учитывающая совокупность как формальных, так и неформальных показателей, которая делает возможной количественную и качественную оценку вероятности невыполнения заемщиком своих кредитных обязательств. Практическая значимость статьи состоит в возможности применения полученных результатов в деятельности банков, что не снижает значимости дальнейших исследований в этой сфере.
1. Chto pokazyvaiut operezhaiushchie indikatory sistemnykh finansovykh i makroekonomicheskikh riskov (po dannym statistiki na 01.12.202) [What leading indicators of systemic financial and macroeconomic risks show (according to statistics as of 01.12.202)]. Available at: https://www.arb.ru/banks/analitycs/chto_pokazyvayut_operezhayushchie_indikatory_sistemnykh_finansovykh_i_makroekono-10413175/ (accessed: 19.01.2022).
2. TsB predupredil o riske poiavleniia «zombi-zaemshchikov» posle pika pandemii [Central Bank warned of the risk of emergence of zombie borrowers after the peak of pandemic]. Available at: https://www.rbc.ru/finances/26/11/2020/5fbf7dfd9a7947a27c02aab1 (accessed: 19.01.2022).
3. Osmanova G. G. Analiz i otsenka kreditosposobnosti zaemshchika [Analysis and assessment of borrower’s solvency]. Nauka: obshchestvo, ekonomika, pravo, 2020, no. 2, pp. 217-223.
4. Serebrennikova I. V. Mesto analiza kreditosposobnosti zaemshchika v sisteme provedeniia audita kreditov [Role of analysis of borrower's solvency in the system of auditing loans]. Belgorodskii ekonomicheskii vestnik, 2017, no. 4 (88), pp. 117-123.
5. Oleinikov I. A. Meropriiatiia po uluchsheniiu sistemy vnutrennego kontrolia kommercheskogo banka i analiza kreditosposobnosti zaemshchikov - iuridicheskikh lits [Measures to improve internal control system of commercial bank and to analyze solvency of borrowers-legal entities]. Nauchno-prakticheskie issledovaniia, 2019, no. 7-2 (22), pp. 49-54.
6. Doronina A. O. Sovershenstvovanie otsenki kreditosposobnosti potentsial'nogo zaemshchika rossiiskimi bankami [Improving assessment of potential borrower’s lowency by Russian banks]. Ekonomika i sotsium, 2016, no. 5-3 (24), pp. 306-309.
7. Zelenskaia Zh. A. Podkhody k protsedure otsenki kreditosposobnosti zaemshchika banka [Approaches to assessing bank borrower’s solvency]. Ekonomika i biznes. Vzgliad molodykh, 2016, vol. 1, no. 1, pp. 40-43.
8. Lysak E. V. Al'ternativnye instrumenty otsenki kreditosposobnosti zaemshchika v kommercheskom banke [Alternative tools for assessing borrower’s solvency in commercial bank]. Nauchno-metodicheskii zhurnal Kontsept, 2017, vol. 18, pp. 72-77.
9. Endovitskii D. A. Analiz i otsenka kreditosposobnosti zaemshchika [Analysis and assessment of borrower’s solvency]. Moscow, Knorus Publ., 2005. 272 p.
10. Gidulian A. V. Metodicheskie i prakticheskie aspekty otsenki kreditosposobnosti predpriiatii-zaemshchikov [Methodological and practical aspects of assessing creditworthiness of borrowing enterprises]. Bankovskoe kreditovanie, 2011, no. 1, pp. 24-42.
11. Khachaturian Iu. A. Analiz kreditosposobnosti: pochemu klassicheskie sposoby ne vsegda rabotaiut? [Solvency analysis: why classical methods do not always work?]. Spravochnik ekonomista, 2015, no. 2, pp. 28-36.
