Рис. 2.2.  Структура Удмуртского отделения  № 8618

         Отделы по кредитованию юридических лиц расположены в главном управлении по адресу г.Ижевск, ул. Красная, 105, а также в наиболее крупных универсальных дополнительных офисах г.Ижевска.

Отдел кредитования выполняет следующие функции:

-анализ конкурентной среды в регионе по выполняемым функциям, изучение кредитоспособности предприятий и организаций, подготовка "портфеля" потенциальных заемщиков;

-осуществление кредитования юридических лиц в национальной и иностранной валюте, включая межбанковское кредитование под обеспечение ценными бумагами, вексельное кредитование, кредитование в рамках программ с зарубежными инвесторами и экспортно-импортных операций;

-осуществление кредитования физических лиц;

-осуществление операций с гарантиями;

-анализ структуры кредитного портфеля и применяемых процентных ставок при кредитовании юридических и физических лиц в банке и в его отделениях, подготовка и организация реализации предложений по их оптимизации;

-контроль формирования резерва на возможные потери по ссудам;

-оперативный контроль состояния просроченной задолженности по кредитам юридических и физических лиц, обеспечение сокращения объема и количества просроченных ссуд и организация списания в установленном порядке ссуд, безнадежных к взысканию;

-анализ обращения векселей СБ РФ, включая вексельное кредитование, формирование графиков погашения векселей и уплаты процентов по ним, подготовка предложений, обеспечивающих поддержание ликвидности банка в процессе вексельного обращения;

-методологическое руководство учреждениями банка по выполняемым функциям;

-сбор, анализ, обобщение и представление в СБ РФ и НБ УР статистической информации и отчетности по выполняемым функциям.

2.2. Анализ основных финансовых показателей деятельности

Рассмотрим основные показатели деятельности Сбербанка за последние годы (табл. 2.1.).

Таблица 2.1. Показатели финансово-экономической деятельности Сбербанка России   (млн. руб.)

Рентабельность капитала (ROAE) рассчитана по методике, принятой в банке, как приведенное к годовому базису отношение чистой прибыли к средней за период величине капитала.

Рентабельность активов (ROAА) рассчитана по методике, принятой в банке, как приведенное к годовому базису отношение чистой прибыли к средней за период величине активов-нетто.

В течение последних 5 лет Банк продолжал динамично развиваться. Объемы привлеченных средств  за период с 01.01.2001 г. по 01.01.2006 г. выросли в 4,5 раза и превысили 2,2 трлн. рублей. Основными направлениями размещения ресурсов были операции кредитования юридических и физических лиц, а также вложения в государственные ценные бумаги.

Результатами работы Банка за этот период стали стабильный рост прибыли и высокие качественные показатели деятельности. Балансовая прибыль 2005 года на 54,4% превысила финансовый результат 2004 года, а по сравнению с 2001 годом увеличилась в 3,7 раза. На высоком уровне сохраняются показатели рентабельности активов и капитала, а также качества активов: уровень кредитного риска (табл. 2.2.), рассчитанный как отношение объема резервов по ссудам к остатку ссудной задолженности, в 2005 году снизился по сравнению с началом 2001 года на 2,3 п.п. и составил 3,9%, незначительно увеличившись за 1 квартал 2006г. (до 4,1%).

Таблица 2.2. Величина уровня кредитного риска по активам Сбербанка России

Доля просроченной задолженности в ссудной задолженности Банка за тот же период снизилась с 2,3% до 1,0%, почти вдвое сократился удельный вес ссудной задолженности, приходящийся на 10 крупнейших заемщиков.

Рентабельность капитала Банка (ROAE) в 2005 году увеличилась на 1,5 п.п. и составила 27,8%. Некоторое снижение показателя в период с 2001 по 2003 год, вызванное более высокими темпами роста капитала по сравнению с активами и прибылью Банка, сменилось ростом в последующие годы, что объясняется, прежде всего, достигнутыми высокими финансовыми результатами: в 2005 году чистая прибыль Банка увеличилась по сравнению с предыдущим годом на 44,1%.

В начале 2006 года финансовые результаты работы Банка продолжали расти, по итогам I квартала 2006 года балансовая прибыль составила 25,1 млрд. рублей, на 34,2% превысив прибыль за аналогичный период прошлого года. Рентабельность капитала (ROAE) увеличилась по сравнению с итогом 2005 года на 4,7 п.п. и составила 32,5%, рентабельность активов (ROAA) выросла на 0,5 п.п. до 3,3%.

Рассмотрим результаты деятельности Сбербанка за последние 5 лет. (Прил. 4, Прил. 5., Рис.. 2.3.).

Рис. 2.3. Динамика чистой прибыли Сбербанка России

На протяжении последних 5 лет чистая прибыль Банка стабильно росла и по итогам 2005 года составила 62,9 млрд. рублей, превысив финансовый результат 2001 года в 3,6 раза. Прирост прибыли Банка связан с увеличением объемов бизнеса и плановым ростом доходов от основных видов деятельности, в первую очередь, процентных доходов от операций кредитования юридических и физических лиц.

 По сравнению с 2004 годом объем чистой прибыли увеличился на 19,3 млрд. рублей или в 1,4 раза. Основными факторами роста чистой прибыли в 2005 году стали увеличение объемов бизнеса, опережающий рост комиссионных доходов, повышение эффективности активно-пассивных операций, достигнутое за счет оптимизации структуры активов и мер по снижению стоимости ресурсной базы, а также контроль над издержками.

В начале 2006 года чистая прибыль Банка продолжала расти и по итогам I квартала 2006 года составила 21,8 млрд. рублей, превысив показатель I квартала 2005 года на 20,7%. Основными факторами роста прибыли по-прежнему были увеличение доходов от операций кредитования и опережающий, по сравнению с совокупными доходами, рост комиссионных доходов. Все обязательные нормативы по состоянию на 01.04.2006 выполнены банком (табл. 2.3.).

Таблица 2.3. Величина обязательных нормативов на 01.04.2006

Капитал Сбербанка России с 01.01.2001 г. по 01.01.2006 г. вырос в 5,9 раз и достиг 252,9 млрд. рублей. Основным источником роста капитала Банка была прибыль.

Оценка, управление и контроль за риском ликвидности позволяют обеспечить высокие значения нормативов ликвидности. В I квартале 2006 г. значения соответствующих нормативов находились: Н2 в пределах 54,9% - 64,8%; Н3 в пределах 63,1% - 74,6%; Н4 в пределах 86,3% - 92,9%.

Сбербанк России сохраняет за собой позиции лидирующего кредитного института Российской Федерации. По состоянию на 1 января 2006 года его доля в активах банковской системы составила 26,5%.

В сфере размещения ресурсов можно особо подчеркнуть лидирующее положение Сбербанка России на рынке кредитования населения. По состоянию на 01.02.2006 г. на Сбербанк приходилось 42,2% остатка ссудной задолженности физических лиц. Активно развивая операции кредитования корпоративных клиентов, Сбербанк России обеспечивает сохранение своей доли на рынке кредитования юридических лиц на уровне свыше 30%.

Рассмотрим кредитные операции Сбербанка. В Прил. 1 представлена структура и динамика операций банка в разрезе субъектов кредитования. Из приведенных данных видно,  что большую долю в структуре чистой ссудной задолженности составляют ссуды негосударственным коммерческим организациям (75,6% в 2003г.). Однако их доля постепенно снижается (65,3% в 2005г.), при этом повышается доля кредитов, выданных физическим лицам – она выросла с 14,7 % в 2003г. до 24.7% в 2005. При этом объем кредитов физическим лицам в абсолютном измерении вырос в 3,8 раза.

Анализ величины просроченной задолженности по видам кредитов (Прил.2.) демонстрирует как снижение ее общей величины (с 1,68 % в 2003г. до 1,02% в 2005г.), так и по всем видам выданных кредитов. Исключение составляют кредиты физическим лицам – по ним просроченная задолженность растет пропорционально объему выданных кредитов – за 3 года величина просроченной задолженности незначительно выросла, составив 0,32 % против 0,30% в 2003г. Однако эта величина очень мала по сравнению с другими банками – доля просроченной задолженности по всему банковскому сектору без Сбербанка составляет около 4-6%.

Таким образом, можно сказать кредитный портфель Сбербанка в целом и по физическим лицам отличного качества.

Анализ выданных кредитов по срокам размещения (табл. 2.4.) показывает значительный рост средне- и долгосрочных кредитов.

Таблица 2.4. Структура и динамика кредитов по срокам размещения

Объем кредитов, выданных на срок свыше 3-х лет вырос за 3 года в 3,2 раза, его доля в общем объеме кредитов возросла с 26,4% до 37,4%. За тот же период объем кредитов сроком от 1 до 3 лет возрос в 1,7 раза, впрочем, доля в структуре активов сократилась с 34,9% до 26,3%. 

Рассмотрим классификацию кредитного портфеля Сбербанка по группам риска по всем видам кредитов (табл. 2.5.)

Таблица  2.5. Структура кредитного портфеля по группам риска, %

Если делать вывод в целом по состоянию кредитного портфеля, то он:

-достаточно диверсифицирован;

-равномерно распределяется по срокам возврата, причем основная доля приходится на кредиты со сроком возврата свыше 3 лет, что обусловлено достаточно стабильным состоянием экономики страны;

-практически все кредиты находятся в I группе риска, что говорит о высоком качестве кредитного портфеля.

Итак, основными тенденциями кредитной деятельности Сбербанка за последние годы является увеличение доли кредитов физическим лицам, сохранении уровня просроченной задолженности на низком уровне, в структуре кредитов преобладают долгосрочные сроком более 3-х лет. В целом значительными темпами растет прибыль банка, увеличивает рентабельность капитала и активов.

Рассмотрим данные Удмуртского отделения Сбербанка.

По Удмуртскому отделению Сбербанка прибыль за 2005г. составила 660млн. руб.

Доля просроченной задолженности по кредитам физическим лицам по Удмуртскому отделению даже меньше, чем по Сбербанку в целом – от 01.04.2006 она составила 0,16%. Для сравнения: аналогичный показатель ижевских банков составляет 3-7%.

В структуре кредитов Удмуртского отделения по типам заемщиков (табл.2.6.)  преобладают кредиты юридические лица (37%), однако их доля постепенно снижается ( в 2003г. она составляла 59%). Доля же населения и предпринимателей, напротив, растет, составив к 2006г. 33% и 30% кредитного портфеля соответственно.

Таблица 2.6. Структура кредитного портфеля Удмуртского отделения оп типам заемщиков

Структура кредитов населению по видам выданных кредитов представлена на рис. 2.1.

Рис. 2.1.  Структура кредитного портфеля Удмуртского отделения по видам кредитов

Анализируя структуру ссудной задолженности на 2005 год, видим, что большую часть ссуд составляют кредиты на неотложные нужды (77,4%), далее следуют кредиты на приобретение недвижимости (16,3%), доля автокредитов незначительна и составляет 0,9%. За последние годы наметилась тенденция к постепенному увеличению доли кредитов на приобретение недвижимости и снижению доли кредитов на цели личного потребления. Основными направлениями кредитной политики Сбербанка являются:

-развитие кредитования на приобретение недвижимости, особенно ипотечное кредитование. Работа в данном направлении связана со снижением ставок (в конце 2005г. ставки были понижены с 18% до 14-16%  в зависимости от вида кредита), увеличением сроков (срок кредитования увеличен с 15 до 20 лет) и предоставлением льгот молодым семьям (кредит «Молодая семья»). ;

-развитие автокредитования (к лету 2006г. ожидается снижение ставок по данному виду кредита);

-внедрение кредитных карт.

Итак, основу кредитного портфеля Удмуртского отделения составляют все виды кредитов практически в равных долях. Кредиты физическим лицам в динамике с 2003 года по 2005 года неуклонно возрастают, что связано с ростом покупательской способности населения. Для оценки перспектив дальнейшего развития кредитования физических лиц необходимо провести анализ условий выдачи различных видов кредитов.

2.3.  Виды кредитов для физических лиц в Сбербанке России

Сбербанк России предлагает следующие виды кредитов физическим лицам (см. рис.2.2)

Рис 2.2. Услуги кредитования физических лиц Сбербанком РФ

Также существует доверительный кредит - быстрый кредит без поручительств и залога для частных клиентов, имеющих положительную кредитную историю в Сбербанке России. Удобный кредит для приобретения туристических путевок, бытовой техники и на потребительские нужды, не требующие отлагательства.

Возобновляемый кредит для тех, кто хочет самостоятельно определять график погашения кредита. Гарантированная возможность получать кредиты сроком до 1 года. Предоставляется на любые потребительские цели.

Пенсионный кредит - многоцелевой кредит для работающих пенсионеров. Предоставляется работающим пенсионерам, достигшим пенсионного возраста в соответствии с действующим законодательством, на любые потребительские цели.

Кредит под залог мерных слитков драгоценных металлов предоставляется на любые потребительские цели. Сумма кредита не зависит от дохода заемщика, с учетом причитающихся за пользование кредитом процентов не может превышать 80% от оценочной стоимости передаваемых в залог мерных слитков, рассчитанной исходя из учетной цены на драгоценные металлы, устанавливаемой Банком России.

Ипотечный кредит - на приобретение и строительство жилья, построенного или строящегося с участием кредитных средств Сбербанка России.

Кредит «Молодая семья» - кредит на приобретение, строительство жилья для граждан РФ в возрасте от 18 лет, состоящих в браке, при условии, что один из супругов либо родитель, один воспитывающий ребенка, не достиг 30-летнего возраста. Кредит на недвижимость - кредит на приобретение, строительство, реконструкцию и ремонт объектов недвижимости.

Кредит «Народный телефон» - кредит на оплату подключения и/или доступа к сетям связи (электросвязи, сотовой радиотелефонной связи, сети Интернет) в сети фирм, осуществляющих их реализацию и заключивших со Сбербанком России договоры о сотрудничестве.

Рассмотрим основные условия предоставления кредитов (Прил. 3.).

На сегодняшний день основными конкурентами Сбербанка России на различных сегментах российского финансового рынка являются крупнейшие российские банки и их банковские группы, кредитные организации со 100% иностранным капиталом, а также банки, специализирующиеся на осуществлении операций на отдельных сегментах рынка (например, на рынке розничного кредитования).

В работе на национальном банковском рынке Сбербанк России активно опирается на конкурентные преимущества:

- величина капитала;

- кредитный рейтинг инвестиционного уровня;

- репутация крупного, стабильного и надежного банка;

- обширная, диверсифицированная  клиентская база;

- обширный опыт массового обслуживания клиентов;

- большая филиальная сеть;

-собственная расчетная система, охватывающая территорию всей страны.

Благодаря своим конкурентным преимуществам Сбербанк по-прежнему остается лидером рынка кредитования физических лиц.

2.4. Организация кредитования физических лиц в Сбербанке

      В процессе кредитования принимают участие следующие подразделения:

-кредитования;

-сопровождения кредитных операций;

-учета кредитных операций;

-юридическое;

-безопасности;

-подразделение, осуществляющее рассчетно-кассовое обслуживание клиентов;

-при необходимости – подразделение рисков; подразделение, осуществляющее хранение ценностей; подразделение, выполняющее функции депозитария; а также подразделения, осуществляющие валютные и неторговые операции, операции с ценными бумагами и другие.

Процесс кредитования включает в себя следующие этапы.

1. Консультирование заемщика.

При обращении заемщика в банк кредитный работник выясняет цель, на которую испрашивается кредит, разъясняет условия и порядок предоставления кредита, знакомит с перечнем документов, необходимых для получения кредита.

Для получения кредита Заемщик предоставляет в Банк:

-заявление – анкету (на бланке Банка) (Прил.6);

-паспорт Заемщика, его Поручителя и/или Залогодателя (предъявляются);

-документы, подтверждающие величину доходов и размер производимых удержаний Заемщика и его Поручителя:

      -для работающих – справка предприятия, на котором работает Заемщик и его Поручитель за последние 6 месяцев (на бланке Банка) (Прил.7);

В случае реорганизации предприятия в течение указанного срока Заемщик и его Поручитель дополнительно предоставляют выписку из трудовой книжки.

Если Заемщик и его Поручитель в течение последних 6 месяцев приняты на новое место работы в порядке перевода:

      -справки предыдущего предприятия и предприятия, на котором они работают на момент обращения в Банк;

      -выписка из трудовой книжки.

-для пенсионеров – пенсионное удостоверение и справка из отделения Пенсионного Фонда РФ и/или другого государственного органа, выплачивающего пенсию.

Если пенсионер получает пенсию через Банк, справка не представляется.

-для граждан, занимающихся предпринимательской деятельностью без образования юридического лица, либо частной практикой, либо имеющих иной источник доходов, разрешенный законодательством:

     -налоговая декларация (для ПБОЮЛ, уплачивающих налоги в соответствии с главой 26.2 НК РФ “Упрощенная система налогообложения”, главой 26.3 НК РФ “Система налогообложения в виде единого налога на вмененный доход для отдельных видов деятельности” и физических лиц, уплачивающих налоги в соответствии с главой 23 НК РФ “Налог на доходы физических лиц”);

     -форма 2 НДФЛ (для физических лиц, уплату налогов за которых осуществляют налоговые агенты);

     -книга учета доходов и расходов (для ПБОЮЛ, уплачивающих налоги в соответствии с главой 26.2 НК РФ);

а также другие документы в зависимости от вида деятельности.

-документы по предоставляемому залогу;

-при необходимости кредитный инспектор может запросить иные документы, отражающие финансовое положение Заемщика и его Поручителей.

2. Обработка документов.

Заявление-анкета регистрируется кредитным работником в журнале учета заявлений,  с паспорта и других документов, подлежащих возврату, снимаются ксерокопии.

Рассчитывается платежеспособность заемщика и поручителей. (см. п 2.5.)

Все данные заемщика и запрашиваемого кредита заносятся в единую базу. При проверке сведений кредитный работник выясняет при помощи базы данных по заемщикам – физическим лицам и запросов в другие филиалы Сбербанка кредитную историю Заемщика, поручителя, размер задолженности по ранее полученным ими  кредитам, предоставленным поручительствам.

3. Проверка достоверности документов. Полученные от Заемщика документы проверяются на достоверность Юридическим подразделением и подразделением Безопасности.

Кредитное, юридическое и подразделение безопасности готовят заключения о возможности выдачи кредита. В крупных филиалах есть свои подразделения безопасности и юридическое, данные проверяются по мере поступления. В более маленьких филиалах работники юридического отдела и  подразделения безопасности приезжают и проверяют документы дважды в неделю – в дни заседаний Кредитного комитета.

4. Определение максимально возможного размера кредита. Кредитный работник анализирует и обобщает представленные из других подразделений банка материалы, определяет максимально возможный размер кредита и готовит заключение о возможности предоставления кредита.

Кредитный работник вправе самостоятельно принять решение об отказе в выдаче кредита, если:

-подразделением безопасности и/или юридическим подразделением банка даны отрицательные заключения о предоставлении кредита заемщику;

-при проверке выявлены факты предоставления поддельных документов или недостоверных сведений;

-имела место отрицательная кредитная история, повлекшая проведение банком претензионно-исковых мероприятий по принудительному возврату просроченной задолженности, списание ссудной задолженности по ранее выданным заемщику кредитам;

-платежеспособность заемщика или предоставленное обеспечение возврата кредита не отвечают установленным требованиям.

В этих случаях кредитный работник направляет заемщику письменное уведомление за подписью руководителя Банка (или другого уполномоченного лица) об отказе в предоставлении кредита.

По принятой заявке решение должно быть принято в течение 7 дней (обычно – 2-4).

5. Кредитный комитет.

Заключение кредитующего подразделения направляется для рассмотрения в Кредитный комитет  который в Сбербанке  собирается 2 раза в неделю.

Заключение кредитующего подразделения должно включать в себя следующие позиции:

-общие сведения о Заемщике – ФИО, возраст, место постоянного проживания (регистрации), место работы, должность, стаж работы, образование, семейное положение, состав семьи, число лиц, находящихся на иждивении;

-параметры кредитной сделки (вид кредита, сумма испрашиваемого кредита, процентная ставка за пользование кредитом, срок кредитования, обеспечение);

-кредитная история заемщика; информация о своевременности и полноте исполнения им иных долговых обязательств;

-сведения о доходах заемщика, имеющихся долговых обязательствах;

-расчет платежеспособности заемщика и максимально возможной суммы кредита;

-обеспечение кредита:

- сведения о поручителях – физических лицах (аналогично сведениям о заемщике);

- сведения о поручителях – юридических лицах с указанием установленного на них сублимита риска и неиспользованного остатка по нему;

- другие виды обеспечения кредита;

-заключение подразделения безопасности о проведенной проверке заемщика, поручителя, залогодателя, предприятия – работодателя заемщика и его поручителя;

-заключение юридического подразделения банка по сформированному пакету документов;

-заключения других подразделений банка (при необходимости);

-выводы кредитующего подразделения Банка, предлагаемое решение.

Решение Кредитного комитета оформляется протоколом с указанием всех параметров кредитной сделки.

При отказе в выдаче кредита кредитный работник сообщает об этом заемщику и возвращает ему документы. Пакет документов вместе с выпиской из решения Кредитного комитета Банка (или копией решения) помещается в дело отказов в выдаче кредитов.

При принятии положительного решения кредитный работник сообщает об этом заемщику (по телефону, факсом, и.т.д.), делает отметку в журнале регистрации заявлений и приступает к оформлению кредитных документов. 

6. Оформление кредитной документации.

При принятии положительного решения о выдаче кредита кредитующее подразделение направляет в подразделение учета кредитных операций распоряжение  о резервировании номера ссудного счета и оформляет с заемщиком кредитные документы:

-кредитный договор;

-срочное обязательство;

-в зависимости от вида обеспечения:

- договор(ы) поручительства;

- договор(ы) залога;

-другие документы.

Все документы составляются в 3-х экземплярах: один экземпляр каждого документа  - для Заемщика, два экземпляра – для Банка.

7. Предоставление кредита.

Выдача кредита производится в соответствии с условиями Кредитного договора, как наличными деньгами, так и в безналичном порядке путем:

-зачисления на счет заемщика по вкладу, действующему в режиме до востребования;

-зачисления на счет банковской карты заемщика.

Выдача кредита осуществляется:

-наличными – в день подачи заемщиком заявления;

-безналичным путем – в течение двух рабочих дней после подачи заемщиком заявления.

8. Действия банка при возникновении просроченной задолженности.

В случае образования просроченной задолженности по кредиту отдел сопровождения  кредитных операций одновременно с отнесением на счета просроченных ссуд и процентов не внесенных в срок сумм составляет выписки по счетам просроченной задолженности по всем действующим кредитным договорам и передает их в кредитный отдел.

  Кредитный работник в течение 10 рабочих дней после получения выписок уведомляет заемщика (по телефону, факсу) о возникновении по его кредитному договору просроченной задолженности, предлагает погасить ее в течение 5 рабочих дней и сообщить в кредитный отдел о произведенных платежах.

  При непоступлении от заемщика в установленный срок подтверждения о перечислении денежных средств в погашение просроченной задолженности кредитный работник на основании выписок, дополнительно полученных из подразделения по сопровождению кредитных операций, направляет заемщику извещение с указанием сумм просроченной задолженности. Аналогичное извещение направляется поручителю.

  В случае неисполнения заемщиком и его поручителем своих обязательств по кредитному договору кредитный работник осуществляет дальнейшие мероприятия по возврату просроченной задолженности. При необходимости привлекает юридическое подразделение, подразделение безопасности банка, подразделение по сопровождению кредитных операций для подготовки иска в суд с целью принудительного взыскания задолженности по кредитному договору или осуществляет удовлетворение требований банка из стоимости заложенного имущества путем продажи предмета залога с публичных торгов (в случае, если в обеспечение по кредитному договору оформлен договор залога имущества, в котором предусмотрен внесудебный порядок обращения взыскания).

2.5.   Анализ методики оценки кредитоспособности заемщика – физического лица Сбербанком России

Кредитный инспектор определяет платежеспособность Заемщика на основании справки с места работы о доходах и размере удержаний, а также данных анкеты. [31]

Справка должна содержать следующую информацию:

-полное наименование организации, выдавшей справку, ее почтовый адрес, телефон и банковские реквизиты;

-продолжительность постоянной работы Заемщика в данной организации;

-настоящая должность Заемщика (кем работает);

-среднемесячный доход за последние шесть месяцев;

-среднемесячные удержания за последние шесть месяцев с расшифровкой по видам.

Справка предоставляется за подписями руководителя и главного бухгалтера организации, скрепленными печатью.

При расчете платежеспособности из дохода вычитаются все обязательные платежи, указанные в справке и анкете (подоходный налог, взносы, алименты, компенсация ущерба, погашение задолженности и уплата процентов по другим кредитам, сумма обязательств по предоставленным поручительствам, выплаты в погашение стоимости приобретенных в рассрочку товаров и др.). Для этой цели каждое обязательство по предоставленному поручительству принимается в размере 50% среднемесячного платежа по соответствующему основному обязательству.

Платежеспособность Заемщика определяется следующим образом:

Р = Дч * К * t ,                                                  (2.1)

Где:

Дч - среднемесячный доход (чистый) за 6 месяцев за вычетом всех обязательных платежей,

К - коэффициент в зависимости от величины Дч:

К = 0,3 при Дч в эквиваленте до 500 долларов США,

К = 0,4 при Дч в эквиваленте от 501 до 1000 долларов США,

К = 0,5 при Дч в эквиваленте от 1001 до 2000 долларов США,

К = 0,6 при Дч в эквиваленте свыше 2000 долларов США,

t - срок кредитования (в мес.).

Для определения платежеспособности Заемщика-предпринимателя вместо справки с места работы используется декларация о доходах за предыдущий год, заверенная налоговой инспекцией. В этом случае Дч рассчитывается как среднемесячный доход за год за вычетом всех обязательных платежей.

Если у кредитного инспектора имеются сомнения в отношении сохранения уровня доходов Заемщика в течение предполагаемого срока кредита (например, при неустойчивом финансовом положении организации, в которой работает Заемщик, или наличии в сумме дохода разовых негарантированных выплат и т.д.) величина Дч может быть скорректирована в сторону уменьшения с соответствующими пояснениями в заключении кредитного инспектора.

Если в течение предполагаемого срока кредита Заемщик вступает в пенсионный возраст, то его платежеспособность определяется следующим образом:

 Р = Дч1 * К1 * t1 + Дч2 * К2 * t2,                            (2.2)

Где:

Дч1 - среднемесячный доход, рассчитанный аналогично Дч,

t1 - период кредитования (в месяцах), приходящийся на трудоспособный возраст Заемщика,

Дч2 - среднемесячный доход пенсионера (принимается равным минимальному размеру пенсии ввиду отсутствия документального подтверждения размера будущей пенсии Заемщика),

t2 - период кредитования (в месяцах), приходящийся на пенсионный возраст Заемщика,

К1 и К2 - коэффициенты, аналогичные К, в зависимости от величин Дч1 и Дч2.

Платежеспособность поручителей определяется аналогично платежеспособности Заемщика с той разницей, что К = 0,3 вне зависимости от величины Дч.

Максимальный размер предоставляемого кредита (S) рассчитывается в два этапа.

Определяется максимальный размер кредита на основе платежеспособности Заемщика (Sр). При этом условно принимается, что:

Sр *  годовая процентная  * срок кредитования

                       ставка по кредиту      (в месяцах)

Sр  +  ------------------------------------------------------------------------  = Р                   (2.3)

12 * 100

Р

Откуда    Sр = ------------------------------------------------------------------------             (2.4)

годовая процентная  * срок кредитования

ставка по кредиту      (в месяцах)

1  +   --------------------------------------------------------

12 * 100

Полученная величина корректируется с учетом других влияющих факторов:

-предоставленного обеспечения возврата кредита,

-информации, представленной в заключениях других подразделений Банка,

-остатка задолженности по ранее полученным кредитам.

Предоставленное обеспечение влияет на максимальную величину кредита для Заемщика следующим образом.

Поручительство предоставляется на всю сумму обязательств Заемщика по кредитному договору.

Вместе с тем, при определении максимального размера кредита поручительство учитывается только в пределах платежеспособности поручителя.

Если по совокупности обеспечение (О) - сумма платежеспособности поручителей и залога в оценочной стоимости - меньше величины платежеспособности Заемщика (Р), то максимальный размер кредита (Sо) определяется на основе соотношения:

Sо *  годовая процентная  * срок кредитования

                                 ставка по кредиту          (в месяцах)

Sо  +  ------------------------------------------------------------------------  = О                     (2.5)

12 * 100

При принятии Банком в обеспечение по кредитному договору только поручительств физических лиц (без другого обеспечения) должно быть соблюдено следующее требование:

-по кредитам в пределах от 45 000 руб.  предоставляется не менее одного поручительства;

-по кредитам свыше 300 000 - не менее двух поручительств;

Далее величина максимального размера кредита уточняется с учетом благонадежности Заемщика и остатка задолженности по другим кредитам.

3.ПРЕДЛОЖЕНИЯ ПО СОВЕРШЕНСТВОВАНИЮ ОРГАНИЗАЦИИ КРЕДИТОВАНИЯ ФИЗИЧЕСКИХ ЛИЦ В СБЕРБАНКЕ

3.1. Кредитный скоринг как метод оценки кредитоспособности заемщика

Одной из наиболее распространенных методик оценки кредитоспособности физических лиц на Западе, а в последние годы и в России является методика кредитного скоринга.

В основе методологии кредитного скоринга лежат некоторые естественные гипотезы о вероятностной природе возможных исходов кредитной сделки. Такими исходами, в зависимости от задачи анализа, могут быть:

-возврат кредита в точном соответствии с условиями кредитного договора;

-возврат кредита с частичным нарушением условий кредитного договора (с опозданием, неполный возврат и т.п.);

-невозврат (дефолт) по кредиту.

Величина вероятности исхода кредитной сделки зависит от некоторых факторов (например: дохода заемщика, его социального статуса, его прошлой кредитной истории и других).

Считается, что характер влияния каждого значимого фактора на вероятность исхода кредитных сделок постоянен на некотором временном интервале, охватывающем как прошлый период, так и частично будущий. Это важное условие, поскольку именно оно позволяет оценивать кредитоспособность новых заемщиков на основе исходов кредитных сделок прошлого периода.

Для того чтобы иметь возможность сравнивать клиентов с совершенно разными признаками и принимать решения о кредитовании не интуитивно, а на основе формализованных критериев, непосредственно связанных с вероятностью дефолта, необходимо построить математическую модель, которая позволит оценить, какая информация является существенной, а какой можно пренебречь.

В целях построения модели сначала производится выборка клиентов кредитной организации, о которых уже известно, хорошими заемщиками   они себя зарекомендовали или нет, иногда такая выборка называется  «обучающей». Она может варьироваться от нескольких тысяч до сотни тысяч, что не является проблемой на Западе, где кредитный портфель компаний может состоять из десятков миллионов клиентов.

Выборка подразделяется на две группы: «хорошие» и «плохие» риски. Это оправдано в том смысле, что банк при принятии решения о кредитовании на первом этапе выбирает из двух вариантов: давать кредит или не давать. [40]

Скоринг представляет собой классификационную задачу, где исходя из имеющейся информации необходимо получить функцию, наиболее точно разделяющее выборку клиентов на «плохих» и «хороших».

Но предварительно необходимо преобразовать имеющуюся информацию в форму, поддающуюся анализу. Существует два основных подхода, которые пригодны для работы как с количественными, так и с качественными характеристиками [37]:

             1) преобразовать каждый признак в отдельную двоичную переменную. Этот  подход неудобен в том плане, что приводит к большому количеству переменных, хотя он не навязывает никаких дополнительных отношений  между зависимой и независимыми переменными;

              2) преобразовать каждую характеристику в переменную, которая будет принимать значения, соответствующие отношению числа «плохих»  клиентов с данным признаком к числу «хороших» клиентов с этим же признаком. Более усложненный вариант - взять логарифм этого отношения. Таким образом, каждый признак получает числовую величину, соответствующую уровню его «рискованности».

Методы классификации весьма разнообразны и включают в себя:

-статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая регрессия);

-различные варианты линейного программирования;

-дерево классификации или рекурсионно-партиционный алгоритм (РПА);

-нейронные сети;

-генетический алгоритм;

-метод ближайших соседей.

Традиционными и наиболее распространенными являются регрессионные методы, прежде всего линейная многофакторная регрессия:

             р = w_o + w₁x₁ + w₂x₂ + … + w_nx_n ,                                            (3.1.)

 где р - вероятность дефолта,

       w - весовые коэффициенты,

        x - характеристики клиента.

Все регрессионные методы чувствительны к корреляции между            характеристиками, поэтому в модели не должно быть сильно коррелированных независимых переменных.

Линейное программирование также приводит к линейной скоринговой модели. Провести абсолютно точную классификацию на плохих и хороших клиентов невозможно, но желательно свести ошибку к минимуму. Задачу можно сформулировать как поиск весовых коэффициентов, для которых  ошибка и будет минимальной.

Дерево классификации и нейронные сети представляют собой системы, которые разделяют клиентов на группы, внутри которых уровень риска одинаков и максимально отличается от уровня риска других групп. Нейронные сети используются главным образом при определении кредитоспособности юридических лиц, где анализируются выборки меньшего размера, чем в потребительском кредите. Но наиболее            успешной областью их применения стало выявление мошенничества с кредитными карточками благодаря их способности выявлять             нестандартные ситуации.

Генетический алгоритм основан на аналогии с биологическим процессом естественного отбора. В сфере кредитования это выглядит следующим образом: имеется набор классификационных моделей, которые подвергаются «мутации», «скрещиваются», и в результате отбирается «сильнейший», т. е. модель, дающая наиболее точную классификацию.

При использовании метода ближайших соседей выбирается единица  измерения для определения расстояния между клиентами. Все клиенты в выборке получают определенное пространственное положение. Каждый новый клиент классифицируется исходя из того, каких клиентов - плохих или хороших - больше вокруг него.

На практике используется комбинация нескольких методов, и компании хранят свои скоринговые модели в строжайшем секрете, поэтому сложно сказать, какой метод лучше. Можно только делать приблизительные  заключения, основываясь на научных публикациях.

У каждого из методов имеются свои преимущества и недостатки, кроме того, выбор того или иного метода связан со стратегией банка и с тем, какие требования банк считает приоритетными при разработке моделей.

Наиболее популярными сегодня являются три основных подхода к кредитному скорингу: с использованием логистической регрессии, дерева классификации и нейронной сети.

Основное различие между этими тремя методами заключается в подходах к способам сегментации прецедентов обучающей выборки [SAS]. Сама сегментация осуществляется с целью объединения в группы прецедентов с одинаковыми вероятностями исхода.

В методе логистической регрессии сегментация прецедентов осуществляется на основе разбиения факторного пространства n-мерной сеткой, где n - количество значимых факторов (рис.3.1).

Рис.3.1. Сегментация в методе логистической регрессии

В качестве исходного предположения принимается, что каждая ячейка сетки (n-мерный прямоугольник) объединяет прецеденты из обучающей выборки, характеризующиеся одинаковой вероятностью исхода.

Координаты узлов этой сетки рассчитываются на основании статистических критериев, исходя из принципа максимальности различия между вероятностями исходов кредитных сделок для смежных сегментов прецедентов.

Распределение положительных и отрицательных прецедентов по ячейкам будет определять весовые коэффициенты при регрессионных членах, которые, в свою очередь, позволяют рассчитать систему баллов для скоринговой карты.

Интервалы значений признаков в скоринговой карте как раз и задаются координатами узлов сетки разбиения факторного пространства в логистической регрессии. Логистическая регрессия является, таким образом, адекватным математическим инструментом для расчета скоринговых карт.

Дерево классификаций (дерево решений) является более общим алгоритмом сегментации обучающей выборки прецедентов, чем логистическая регрессия.

Деревья классификации — иерархическая структура, базирующаяся на наборе вопросов, подразумевающих ответ «Да» или «Нет»; несмотря на то, что данный способ обработки данных далеко не всегда идеально находит существующие закономерности, он довольно часто используется в системах прогнозирования в силу наглядности получаемого ответа.

В отличие от метода логистической регрессии, в методе дерева классификации сегментация прецедентов задается не с помощью n-мерной сетки, а путем последовательного дробления факторного пространства на вложенные прямоугольные области (рис.3.2).

Рис.3.2. Сегментация в методе дерева решений

По этой причине данный метод не приводит к построению классической скоринговой карты, но позволяет для каждого нового соискателя непосредственно рассчитать вероятность дефолта, пользуясь алгоритмом классификации, который де-факто реализуется в результате последовательного дробления сегментов на составные части.

Критерием выбора границ сегмента при последовательном дроблении является различие в соотношении положительных и отрицательных прецедентов в каждом из вновь образуемых сегментов. Сегментация прекращается, если дальнейшее дробление не приводит к существенности этого различия.

Идея нейросетей основана на аналогии с функционированием нервной ткани и заключается в том, что исходные параметры рассматриваются как сигналы, преобразующиеся в соответствии с имеющимися связями между «нейронами», а в качестве ответа, являющегося результатом анализа, рассматривается отклик всей сети на исходные данные. Связи в этом случае создаются с помощью так называемого обучения сети посредством выборки большого объема, содержащей как исходные данные, так и правильные ответы.

Нейронная сеть позволяет обрабатывать прецеденты обучающей выборки с более сложным (чем прямоугольники) видом сегментов (рис.3.3).

Рис.3.3. Сегментация в методе нейронной сети

Геометрическая форма сегментов будет существенно зависеть от внутренней структуры нейронной сети.

Так же, как и метод деревьев классификаций, нейронная сеть не приводит к построению классической скоринговой карты, но позволяет отнести каждого нового соискателя к сегменту схожих с ним по характеристикам прецедентов обучающей выборки и использовать оценку вероятности дефолта, рассчитанную для этого сегмента.

Точность классификации проверяется либо методом «скользящего экзамена» для небольших выборок (модель строится на всей выборке за исключением одного клиента, выбранного наугад, затем проверяется на   этом клиенте, и так перебираются все клиенты), либо при достаточно большой выборке она подразделяется на две части: на одной модель   строится, на другой - проверяется.

Однако существуют ограничения в применении математических моделей скоринга. Они связаны с тем, что классификация выборки производится только на клиентах, которым дали кредит. Невозможно узнать, как повели бы себя клиенты, которым было отказано в выдаче кредита. Возможно, они явились бы вполне приемлемыми заёмщиками.

Информация по несостоявшимся кредитам (соискателям, которым было отказано в выдаче кредита), не может быть использована в качестве обучающей выборки, поскольку она не содержит нужных сведений. И это создает некоторую методическую проблему.

Это означает, что некоторые из несостоявшихся кредитов могли бы пополнить подвыборку положительных прецедентов в обучающей выборке, если бы кредиты на самом деле были выданы. И скоринговые расчеты были бы тогда несколько другими.

Но даже если бы все из отклоненных соискателей на самом деле пополнили бы подвыборку только отрицательных прецедентов, то и в этом случае с ненулевой вероятностью скоринговые расчеты отличались бы от тех, что получены по фактическим данным.

Таким образом, если в скоринговых расчетах опираться только на фактические данные по выданным кредитам (т.е. по состоявшимся заемщикам), то предикативные оценки кредитоспособности новых соискателей будут содержать некоторую систематическую ошибку.

Смещение результатов скоринга происходит из-за того, что соискатель это еще не заемщик, и, оставляя в обучающей выборке только состоявшихся заемщиков, мы изначально ее цензурируем (т.е. искажаем). На языке статистики это означает, что новые соискатели кредита принадлежат к другой генеральной совокупности, чем та, из которой была взята обучающая выборка.

Степень этой ошибки можно оценить и частично ее снизить, если подвергнуть скорингу данные по отклоненным кредитным заявкам, и включить их в повторный расчет скоринговой модели, разметив предварительно данные по отклоненным кредитам на положительные и отрицательные прецеденты, как если бы они были таковыми на самом деле.

Вторая проблема заключается в том, что люди с течением времени меняются, меняются и социально-экономические условия, влияющие на поведение людей. Поэтому скоринговые модели необходимо разрабатывать из наиболее «свежих» клиентов, периодически проверять качество работы системы, а при необходимости разрабатывать и новую модель. Длительность периода актуальности скоринговой карты зависит от характера и масштаба изменений, происходящих в экономике, и может варьироваться от года до нескольких лет. Проблема здесь кроется в том, что для того, чтобы «ухватить» новую тенденцию статистическими методами, необходимо иметь выборку данных, которые уже реализуют эту тенденцию, и если период смены тенденций сопоставим с периодом накопления данных для статистического анализа, то скоринговая карта может стать устаревшей уже к моменту ее расчета.

В некоторой степени сгладить вышеизложенные проблемы применения математических моделей скоринга позволяют автоматизированные системы. Они позволяют более оперативно управлять имеющейся в распоряжении у банка информацией. На сегодняшний день существует множество таких систем, среди которых SAS Credit Scoring Solution, dm-Score, RS-Loans, EGAR Application Scoring и другие.

На сегодняшний день известно достаточно много методик кредитного скоринга. Одной из самых известных является модель Дюрана. Дюран определил группы факторов, позволяющих максимально определить степень кредитного риска. Также он определил коэффициенты для различных факторов, характеризующих кредитоспособность физического лица:

Пол: женский (0.40), мужской (0)

Возраст: 0.1 балл за каждый год свыше 20 лет, но не больше чем 0.30

Срок проживания в данной местности: 0.042 за каждый год, но не больше чем 0.42

Профессия: 0.55 – за профессию с низким риском; 0 – за профессию с высоким риском; 0.16 – другие профессии

Финансовые показатели: наличие банковского счета – 0.45; наличие недвижимости – 0.35; наличие полиса по страхованию – 0.19

Работа: 0.21 – предприятия в общественной отрасли, 0 – другие

Занятость: 0.059 – за каждый год работы на данном предприятии

Также он определил порог, перейдя который, человек считался кредитоспособным. Этот порог равен 1.25. Т.е. если набранная сумма баллов больше или равна 1.25, то потенциальному заемщику выдается испрашиваемая им сумма.

Практически все системы автоматизированного скоринга построены на технологии data mining. Технология data mining предназначена для обнаружения в больших объемах информации неочевидных, объективных и практически полезных закономерностей. Например, на основе информации по заемщикам, а также данных кредитных бюро, технология data mining выявит те факторы, которые оказывают наибольшее влияние на кредитоспособность заемщиков. [16].

 Качественная система скоринга, которой можно доверять, которая постоянно будет адекватна и актуальна, должна обладать несколькими свойствами: точность, объективность, адаптируемость, и объяснимость. Желательно также, чтобы она могла работать уже при небольшом объеме исходных данных о кредитах. И технология data mining, в отличие от других технологий, которые обычно применяются в скоринге, этими свойствами полностью обладает.

Среди банков, использующих технологию data mining в своем бизнесе, можно выделить такие известные, как Chase, Bank of America, Credit Suisse, HSBC, Citigroup, Barclays, Fleet, First Merit, US Bank.

         Рассмотрим одну из методик классического скоринга, базирующего на использовании скоринговой карты и принятии решений на основании подсчета баллов, набранных клиентом по определенным характеристикам.

Кабушкин С.Н. [17] предлагает банкам применять следующую систему кредитного скоринга для оценки кредитоспособности индивидуальных заемщиков (табл. 3.1):

Как видно из табл. 3.1, наибольшее количество баллов, которое может набрать клиент в этой девятифакторной модели кредитного скоринга, равно 67, наименьшее – 20.

Система дифференциации кредитов на основе данной методики построена на опыте кредитования частных лиц и имеет вид (табл. 3.2):

Каждому из параметров методом экспертной оценки присваивается показатель, отражающий качество обслуживания долга.

Таблица 3.1. Система кредитного скоринга для оценки кредитоспособности индивидуальных заемщиков, предложенная Кабушкиным С.Н.

Таблица 3.2. Система дифференциации кредитов на основе методики Кабушкина С.Н.

3.2. Оценка кредитоспособности заемщика с использованием деревьев решений на базе «Deductor»

На сегодняшний день известно достаточно много методик кредитного скоринга. Однако при очевидных преимуществах, скоринговые системы оценки кредитоспособности физических лиц имеют и свои недостатки.

Основным недостатком скоринговой системы оценки кредитоспособности физических лиц является то, что она очень плохо адаптируема. А адаптировать модель просто крайне необходимо, как для разных периодов времени, так и для разных стран и даже для разных регионов страны.

Для адаптации скоринговой модели оценки кредитоспособности физических лиц специалисту необходимо проделывать путь, подобный тому, что проделал Дюран. Т.е. специалисты, которые будут заниматься такой адаптацией должны быть высоко квалифицированными, а значит и очень высокооплачиваемые. Это должны такие люди, чтобы они были в состоянии оценить текущую ситуацию на рынке. Результатом такого рода проделанной работы будет набор факторов с весовыми коэффициентами плюс некий порог (значение), преодолев который человек, обратившийся за кредитом, считается способным погасить испрашиваемую ссуду плюс проценты. Полученные результаты являются по большей части субъективным мнением и, как правило, плохо подкрепленные статистикой (статистически необоснованные). Как следствие всего этого, полученная модель не в полной мере отвечает текущей действительности. Финансовым результатом такого подхода будет то, что в процентной ставке кредитования предлагаемой банком большую долю будет занимать часть, покрывающая риск неплатежей.

Итак, основные недостатки скоринговой системы оценки кредитоспособности физических лиц это:

- высокая стоимость адаптации используемой модели под текущее положение дел;

- большая вероятность ошибки модели при определении кредитоспособности потенциального заемщика, обусловленная субъективным мнением специалиста.

Одним из вариантов решения поставленной задачи является применение алгоритмов, решающих задачи классификации. Задача классификации – это задача отнесения какого-либо объекта (потенциальный заемщик) к одному из заранее известных классов (Давать/Не давать кредит). Такого рода задачи с большим успехом решаются одним из методов Data Mining – при помощи деревьев решений. Деревья решений – один из методов автоматического анализа данных. Получаемая модель – это способ представления правил в иерархической, последовательной структуре, где каждому объекту соответствует единственный узел, дающий решение. Пример дерева приведен на рис. 3.4.