Риски кредитования малого и среднего бизнеса. Иностранный опыт государственной поддержки МСП

Но, как показывают и теория, и опыт оценки и управления кредитным риском, кредитный риск имеет сложную внутреннюю структуру. Помимо рисков, обусловленных особенностями каждого конкретного заемщика, в нем присутствуют и другие компоненты. Рынок кредитования предприятий МСБ в нашей стране является последним сегментом кредитного рынка, еще в недостаточной степени охваченным банковскими услугами. Как же должны быть устроены системы, оценивающие и управляющие рисками кредитования предприятий этого сегмента?

Из чего состоит кредитный риск?

Одновременно с быстрым ростом кредитного рынка в России в первом десятилетии XXI в. возросли и риски, связанные с кредитным бизнесом. В силу этого повышается и значимость методик оценки кредитоспособности заемщиков для российских банков. Но для создания и использования методик измерения и управления кредитными рисками необходимо сначала разобраться с тем, какие виды кредитного риска существуют и как они соотносятся друг с другом. На рис. 1 представлена иерархия видов кредитного риска, которая формируется в трехуровневую структуру.

Рисунок 1

На базовом уровне кредитный риск представлен транзакционным риском. Этот риск связан с вариативностью кредитоспособности отдельных заемщиков, возникающей в ответ на изменение влияющих на нее экономических, отраслевых, социально-демографических и иных факторов. Этот риск проявляется в вариативности денежного потока предприятий или доходов заемщиков — физических лиц. В силу этого могут претерпевать изменения и вероятность возврата или, наоборот, невозврата ими заемных средств. На следующем уровне иерархии расположены риски, связанные с «поведением» больших групп кредитов, объединенных по принципу похожести в «единый большой кредит», называемый портфелем. Объединение кредитов в портфель диктуется необходимостью уменьшения издержек на управление: предполагается, что таким портфелем можно управлять как одним большим кредитом. Но тогда такой метакредит должен характеризоваться какими?то параметрами, позволяющими оценить свойственный ему риск — так называемый портфельный риск. В портфель объединяют кредиты, подверженные влиянию одинаковых факторов риска, среди которых присутствуют как экономические (например, состояние спроса в отрасли), так и социальные (например, уровень доходов населения) факторы. Приведем в пример возможную ситуацию с портфелем кредитов МСБ: в случае падения спроса у наиболее слабых предприятий с наименее диверсифицированными товарными портфелями или с наименее диверсифицированными системами дистрибуции доходы упадут в первую очередь и, следовательно, возрастет вероятность дефолта. Следующий, третий, уровень иерархии представлен аллокационным кредитным риском — риском, обусловленным распределением активов банка по отраслям, регионам его присутствия и продуктам банка. Разная динамика развития и разное состояние региональных экономик, отраслей и, например, спроса на разные типы банковских кредитов определяют вариативность качества кредитных портфелей, сформированных банком. Таким образом, вложение в разных пропорциях средств в кредитование одного и того же состава отраслей, которым предлагаются одни и те кредитные продукты, а отрасли локализованы в одних и тех же регионах, приведет к тому, что каждая из таких различных возможных аллокаций кредитных ресурсов будет генерировать свою доходность и будет характеризоваться своим уровнем кредитного, аллокационного, риска. В данной статье мы сконцентрируем внимание на самом нижнем — базовом — транзакционном уровне кредитного риска.

Фундамент систем управления транзакционным кредитным риском — скоринг

Начнем описание методического обеспечения оценки и управления транзакционным кредитным риском с определения термина «скоринг». Кредитным скорингом называется быстрая, точная, объективная и устойчивая процедура оценки кредитного риска, имеющая под собой научное обоснование. Скоринг всегда представляет собой ту или иную математическую модель, которая соотносит уровень кредитного риска (вероятность дефолта заемщика) с множеством различных параметров, характеризующих заемщика — физическое или юридическое лицо. Сразу заметим, что моделей скоринга для решения одной и той же задачи, например оценки кредитного риска предприятий МСБ, может быть множество. Причем каждая из таких моделей выстраивается по индивидуальному алгоритму, использует свой набор факторов, характеризующих риск, связанный с кредитованием заемщика, и в результате получает пороговую оценку, которая и позволяет разделять заемщиков на «плохих» и «хороших». Смысл кредитного скоринга заключается в том, что каждому соискателю кредита присваивается индивидуальная оценка кредитного риска — вероятности дефолта. Сравнение значения вероятности дефолта, полученной для конкретного заемщика, со специфичной (подчеркнем это) для каждой модели скоринга пороговой оценкой помогает решить труднейшую проблему выбора при выдаче кредита: давать средства данному заемщику или нет. Таким образом, скоринг по сути является автоматической или автоматизированной процедурой, классифицирующей заемщиков на требуемое количество классов. В самом простом случае таких классов два — те, кому кредит выдать можно, и те, кому он строго «противопоказан».

Благодаря использованию скоринга банк получает возможность снижения числа «плохих» кредитов за счет фильтрации потока клиентских кредитных заявок. В качестве доказательства приведем данные по кредитованию физических лиц с использованием системы скоринга фирмы Fair Isaac. После «пропускания» факторов, характеризующих заемщика, через скоринговую модель мы получаем число (скоринговый балл), определяющее уровень кредитного риска, свойственного данному заемщику. Это число принимает одно из значений в интервале от 500 до 800. Каждое из значений в этом интервале характеризует различную вероятность погашения кредитных обязательств заемщиком. То есть разные значения кредитного скоринга подразумевают различные соотношения «хороших» и «плохих» заемщиков (рис. 2).

Рисунок 2

На рис. 2 на горизонтальной оси откладывается значение скорингового балла, рассчитываемого моделью, а на оси ординат — соответствующая данному скоринговому баллу вероятность дефолта заемщика. Как видно из рисунка, рост скорингового балла заемщика сопровождается падением вероятности его дефолта: чем выше скоринговый балл, тем более устойчив конкретный заемщик к проявлению кредитного риска. Рисунок иллюстрирует эту зависимость: если в банк обратятся 100 человек, у которых скоринговый балл превышает 800, то только один из них не вернет взятые средства. И наоборот, если в компанию обратятся 100 человек со скоринговым баллом 499 и менее, то 87 из них не вернут средства, взятые в долг. Таким образом, кредитуя заемщиков с высоким значением скоринга, банк уменьшает вероятность невозврата кредитов. Тем самым уменьшаются потери и увеличивается прибыль от кредитной деятельности без снижения стандартов кредитования.

Как устроен скоринг? Что внутри?

Для создания систем скоринга необходимо несколько ингредиентов. Их рассмотрение начнем с анализа моделей скоринга, используемых для оценки кредитоспособности предприятий, поскольку именно для предприятий уже разработаны модели скоринга, структура которых описана в научной периодике. Наиболее известной из таких моделей является модель Э. Альтмана, первый вариант которой был разработан в 1968 г. на основе статистических данных менее чем 70 американских компаний, половина из которых обанкротилась. Эта модель предназначена для оценки кредитоспособности крупных публичных компаний базовых отраслей американской экономики. Модель Альтмана не может быть использована для оценки кредитоспособности, например, предприятий малого бизнеса. Поэтому в 1984 г. исследователем Д. Фулмером была создана специальная модель оценки кредитоспособности малых предприятий с годовым оборотом около $0,5-1 млн. Третья из рассматриваемых нами моделей создана всемирно известной фирмой Fair Isaaс — признанным лидером в разработке моделей скоринга для кредитования физических лиц. Это одна из наименее публичных моделей, о внутреннем устройстве которой известно немного. Может ли что?то объединять модели скоринга для столь различных объектов: крупных предприятий, предприятий малого бизнеса и физических лиц? Оказывается — да, может! Этим объединяющим моментом для всех трех типов моделей является равенство:

где Z — значение оценки скоринга (скоринговый балл);
a k — весовые коэффициенты, характеризующие значимость факторов риска;
X k — факторы риска, определяющие кредитоспособность заемщика.

Эта формула предназначена для расчета значения кредитного скоринга, или численного значения, характеризующего качество кредитоспособности заемщика. Именно такая (или аналогичная) формула является «ядром» практически любой системы скоринга. В частности, в модели Альтмана она принимает вид:

где коэффициенты модели принимают значения 1,2; 1,4; 3,3; 0,6; 0,999 и являются весами, определяющими значимость факторов риска; символы A, B, C и т.д. — факторы риска. Например, А — отношение оборотного капитала к совокупным активам; В — отношение нераспределенной прибыли прошлых лет к совокупным активам; С — отношение прибыли до уплаты процентов и налогов к совокупным активам; D — отношение рыночной капитализации к полной балансовой стоимости долговых обязательств; Е — отношение объема реализации к совокупным активам.

В модели Фулмера аналогичная формула для оценки кредитоспособности приобретает следующий вид:

Z = 6,075 + 5,528V 1 + 0,212V 2 + 0,073V 3 + 1,270V 4 + 0,120V 5 +
+ 2,335V 6 + 0,575V 7 + 1,083V 8 + 0,849V 9 ,

где V 1 — отношение нераспределенной прибыли прошлых лет к совокупным активам;
V 2 — отношение объема реализации к совокупным активам;
V 3 — отношение прибыли до уплаты налогов к совокупным активам;
V 4 — отношение денежного потока к полной задолженности;
V 5 — отношение долга к совокупным активам;
V 6 — отношение текущих пассивов к совокупным активам;
V 7 — логарифм материальных активов;
V 8 — отношение оборотного капитала к полной задолженности;
V 9 — логарифм отношения прибыли до уплаты процентов и налогов к выплаченным процентам.

Две описанные модели скоринга, как и множество других моделей, объединяет общее свойство — их многомерность, которая может быть проиллюстрирована в простейшем случае для двух факторов риска геометрической «интерпретацией» (рис. 3), где факторы риска кредитоспособности — это некие переменные X1 и X2 (их конкретный смысл в данном случае не важен).

Рисунок 3

Заемщики двух классов представлены на рисунке овалами разных цветов: одни, например «плохие», — серым овалом, тогда как другие («хорошие») — черным. Отличить «плохих» заемщиков от «хороших» ни по одному фактору риска в отдельности не представляется возможным (из-за значительного пересечения функций распределения факторов риска — колоколообразных кривых). На рис. 3 колоколообразные кривые по осям факторов риска образуются за счет проецирования на эти факторы риска групп «хороших» и «плохих» заемщиков. Данные проекции — функции плотности вероятности — описывают частоту встречаемости используемых для скоринга свойств заемщика в классифицируемых группах. Бльшая область пересечения этих кривых по любому из факторов риска говорит о невозможности отличить «плохих» заемщиков от «хороших». Заемщики разных классов очень похожи друг на друга, если оценивать их по первому и по второму факторам риска. Модель скоринга «ищет», используя статистику ранее обработанных кредитов, такой «угол зрения» на данные в пространстве факторов риска (в нашем случае оно двумерно, а в общем случае — многомерно), чтобы рассматриваемые под этим «углом» объекты разных классов были максимально не похожи друг на друга. На рис. 3 этот «угол зрения» обозначен пунктирной прямой, проходящей между серым и черным овалами и разделяющей их. Перпендикуляр к этой прямой и является осью скоринга, проецирование на которую образов «плохих» и «хороших» заемщиков дает возможность отличить их друг от друга. Точка пересечения данных прямых дает пороговое значение скоринга (уровень отсечения) — Z*. Функции плотности заемщиков разных классов при проецировании на ось скоринга Z становятся отличными друг от друга. Откуда в модели появляются численные значения коэффициентов, взвешивающих входящие в нее факторы риска? Эти коэффициенты — результат процедуры обучения, когда для настройки модели ей предъявляются имеющиеся статистические данные о выданных кредитах и результативности этого процесса («плохие» и «хорошие» заемщики) и она итеративно «подбирает» коэффициенты таким образом, чтобы точность распознавания «плохих» и «хороших» заемщиков была максимальной. На рис. 3 это подбор угла наклона прямой, рассекающей серый и черный овалы, и точки пересечения этой прямой с осью ординат.

Для определения коэффициентов модели необходимо, чтобы статистическая выборка была разбита по тем группам заемщиков (в простейшем случае их две — «плохие» и «хорошие»), которые должна распознавать скоринговая модель. Эта проблема обозначается термином «кредитное кладбище». Более того, к данным, используемым для подбора коэффициентов, предъявляются довольно жесткие требования: чтобы эти коэффициенты «чувствовали» «плохих» заемщиков, тех должно быть достаточно много (а у многих наших банков количество «плохих» заемщиков невелико, поскольку они только пытаются учиться кредитовать предприятия МСБ). Цифры, характеризующие отношение «плохих» заемщиков к «хорошим», типичны для многих банков: от 1 к 100 до 10-15 к 100 (по нашему опыту, порядок величин не сильно варьируется). Конечно, в результате кризиса 2008 г. число «плохих» заемщиков выросло до такой степени, что многие банки были близки к краху, но… проблемы с базами статистических данных по-прежнему существуют даже у таких банков, так как их падение было обусловлено большой концентрацией предприятий конкретных отраслей в их кредитных портфелях. К таким отраслям, превалировавшим в портфелях банков, относились строительство и торговля. Говорить о возможности реализации процедуры статистического обучения, даже при таких «кредитных кладбищах», пока нельзя. Помимо количественного соотношения в обучающей статистике «плохих» и «хороших» кредитов, важным фактором является общее количество примеров для каждой отрасли. А формирование портфелей из столь различающихся экономически отраслей, как торговля и строительство, приводит к тому, что мы пытаемся описать одной моделью различные объекты. Строительство характеризуется значительным объемом основных средств и достаточно медленным оборотом капитала, тогда как торговля — малым объемом основных средств и высоким оборотом капитала. Отметим, что чем подробнее описание заемщика (к чему, естественно, стремится любой кредитор, используя большее число признаков), тем большее количество как «хороших», так и «плохих» примеров должно содержать используемое «кредитное кладбище». Таким образом, для создания скоринга, использующего процедуру обучения «с учителем» (сюда относятся обе обсуждаемые нами модели), нужно, чтобы набралось достаточное число заемщиков, нанесших урон банку. Есть обходной путь, требующий использования экспертных знаний. Однако выбирая его, следует понимать, как можно оценить состав требуемых для скоринга признаков, значимость того или иного признака кредитоспособности и как объединять мнения множества экспертов по этому поводу, поскольку полагаться при выдаче кредитов на мнение одного человека опасно. Именно поэтому при формализации экспертных знаний мы все равно попадаем на «дорогу», ведущую нас к статистическому скорингу.

В завершение данного раздела обратим внимание на то, что алгоритмы, выбранные нами для обучения модели скоринга, относятся к классу статистических моделей: для построения моделей необходимы обучающая выборка и процедура статистического обучения. Это означает, что у модуля скоринга должно существовать как минимум два режима функционирования. Первый, при наличии данных, режим для обучения модели: нахождения таких коэффициентов модели, которые наилучшим образом позволят отклассифицировать выборку статистических данных. Второй режим — собственно эксплуатация построенной модели, в этом режиме модель обеспечивает реализацию классификации входного потока заемщиков на педустановленные в режиме обучения классы. Для реализации первого режима — обучения модели скоринга — необходимо выполнить несколько предварительных условий. Во-первых, статистические данные должны быть предварительно подготовлены специальным образом: выборка данных должна быть разделена на две части — обучающую и тестовую. В обучающей выборке необходимо собрать данные о потенциальных заемщиках в избыточном объеме. В нее следует включить переменные, которые потенциально могут оказаться полезными для решения вопроса о кредитоспособности заемщиков, а уж выбор конкретных переменных для включения в скоринговую модель осуществляется в процессе обучения и без участия человека. Во-вторых, пользователь (банковский специалист) должен иметь возможность выбирать из нескольких типов моделей скоринга (мы говорим о двух наиболее распространенных алгоритмах: логистической регрессии и деревьях решений). Все сказанное проиллюстрировано на рис. 4.

Рисунок 4

В левой части рисунка приводится блок-схема функционирования модуля скоринга в режиме обучения, а в правой — в режиме эксплуатации. Первый из описываемых режимов функционирования данного модуля обеспечивает отбор из избыточного набора признаков того подмножества, которое обеспечивает требуемый уровень классификации, то есть именно в этом режиме и строится математическая модель скоринга (например, определяются коэффициенты логистической регрессии). Но для построения модели скоринга необходимо как-то обеспечить остановку процедуры обучения, для чего используется специальная модель, которая рассчитывает так называемую ROC-кривую и показатель качества модели скоринга — AUC. После того как в процессе статистического обучения будет достигнут требуемый уровень качества модели, процедура статистического обучения завершается и модель переходит в режим эксплуатации. На рис. 5 представлена ROC-кривая, полученная при внедрении системы скоринга в одном из российских банков, входящих в топ-100. По вертикальной оси на графике откладывается процент «плохих» заемщиков, которых вылавливает модель из общего количества заемщиков с недостаточным кредитным качеством. По горизонтальной оси откладывается доля заемщиков из общего потока заемщиков — потенциальных клиентов, которым будет отказано в получении кредитных средств. Биссектриса прямого угла, идущая слева направо на рисунке, показывает скоринговую модель, которая для принятия решения «бросает монетку» (случайный классификатор). Понятно, что чем лучше скоринговая модель, тем «круче» должна проходить ROC-кривая.

В идеальной модели она должна совпадать с прямым углом (левым верхним). Это означает, что модель распознает всех «плохих» заемщиков в обучающей выборке, но при этом никому необоснованно не отказывает в кредите, а этого быть не может. Как видно из иллюстративного примера, характеризующего скоринг в почти идеальной ситуации, всегда существует некое пересечение образов «хороших» и «плохих» заемщиков. Поэтому в реальности кривая должна лежать в промежуточном положении (между биссектрисой и левым верхним углом). Качество модели, ROC-кривая для которой приведена на рис. 5, было весьма высоким, показатель AUC для нее равнялся 0,85.

Рисунок 5

Проблемы получения модели скоринга для кредитования МСБ

Как уже говорилось выше, введение скоринга в банковский менеджмент становится весьма актуальным из-за роста как потребительского, так и коммерческого кредитования. Обозначим проблемы, с которыми придется столкнуться на этом пути банковскому сообществу.

Попытка применить модель Альтмана для Газпрома, Роснефти или ЛУКОЙЛа, по крайней мере с формальной точки зрения, не встретит никаких трудностей. Есть данные официальной отчетности, есть весовые коэффициенты, а значит, можно вычислить оценку кредитоспособности заемщика. Но что делать, если надо оценить не упомянутые крупнейшие компании, а «свечной заводик отца Федора», акции которого не котируются не то что на NYSE, но даже на ММВБ (напомним, что мы рассматриваем оценку кредитоспособности предприятий МСБ). Даже беглого взгляда на соответствующую формулу достаточно, чтобы увидеть, что из пяти объясняющих переменных в случае «свечного заводика» в формуле остаются только четыре переменные. Оценка скоринга (значение Z в формуле) уменьшится (хотя, строго говоря, это произойдет только в том случае, если на место D поставить 0), что на самом деле не соответствует рассматриваемому случаю). Как отмечалось, значение скоринга для конкретного заемщика сравнивается с пороговой величиной:

Z > Z* — «хорошие» заемщики;
Z < Z* — «плохие» заемщики.

Однако, если нельзя учесть некоторые переменные (если акции предприятия не котируются на бирже, то переменная D отсутствует в описании кредитного качества), ломается сам «измерительный инструмент», представленный моделью (численная оценка без учета фактора D, например, всегда будет смещена в область худших оценок скоринга). В реальности ситуация еще сложнее: не принимая во внимание переменную D, мы изменяем, не желая того, геометрию пространства факторов риска и, как следствие, весовые коэффициенты и по другим факторам риска заемщика. Меняется сама модель: критическое значение скоринговой оценки (порог отсечения), с которым сравнивается оценка каждого заемщика, становится другим. Следовательно, в наших условиях сам выбор объясняющих переменных для оценки скоринга российских фирм является весьма нетривиальной задачей. Э. Альтман построил свою модель на данных всего 60 компаний, в ней отражена вполне конкретная отраслевая специфика бизнеса (базовые отрасли американской экономики), она никак не учитывает риски, связанные с бизнес-циклами в России, и риски, свойственные компаниям с другой отраслевой принадлежностью. Поэтому можно констатировать следующее: использование такого рода модели путем ее механического переноса в наши условия становится мощнейшим фактором риска кредитной оценки — тем, что в риск-менеджменте называется модельным риском. Очень яркий пример рисков, связанных с применением моделей статистического скоринга, приводится в одной из работ, посвященных изучению эффективности скоринговых моделей1. В ней говорится, что набор переменных, формирующих оценку скоринга, может изменяться с течением времени и что «граница» между анализируемыми группами может быть не линейной (как показано на рис. 3), а иметь существенно более сложную форму, которая не сможет быть описана простейшей формулой типа модели Альтмана. Авторы этой статьи исследовали несколько математических подходов для построения скоринга, где в качестве факторов риска использовался 31 финансовый коэффициент, характеризующий различные стороны финансового состояния компании. Ими проанализировано 11 моделей скоринга, разработанных в период с 1931-го до 1996 г., для построения которых применялись три математических подхода: дискриминантный анализ, логит-модель и генетические алгоритмы. Авторы статьи показали два основных момента. Первый связан с фактом изменения состава факторов риска в модели скоринга: он изменяется в зависимости от времени — чем раньше до будущего банкротства его надо «увидеть» скорингу, тем большее количество переменных в модели надо учесть. Второй связан с тем, что граница между классами заемщиков нелинейна: точность оценок, получаемых с помощью скоринга, основанного на генетических алгоритмах (они генерируют нелинейную границу), существенно выше, чем у моделей, основанных на дискриминантном анализе (он генерирует линейную границу). Правда, первый подход требует в среднем в три раза больше переменных, чем второй.

Рассмотрение проблемы управления кредитными рисками не будет полным, если мы не затронем проблем и возможных путей их решения при проектировании системы управления кредитными рисками не только физических, но и юридических лиц. Мы это сделаем на примере оценки кредитоспособности предприятий малого и среднего бизнеса. Цель данного раздела статьи — показать, что предложенный состав и архитектура сохраняются при переходе от кредитования физических лиц к кредитованию предприятий малого и среднего бизнеса. Доказательство этого факта позволит говорить о том, что предлагаемый нами состав модулей системы управления кредитными рисками и его функциональная архитектура являются универсальными.

Очевидно, что первой проблемой, с которой мы столкнемся при переходе к измерению кредитного риска малых и средних предприятий, является тот факт, что для этого типа заемщиков не накоплен достаточный фактический материал. Для сохранения универсальности предложенной нами функциональной архитектуры и состава модулей, формирующих систему управления транзакционной частью кредитного риска, мы предлагаем несколько расширить логическую модель скоринга для предприятий МСБ. Предлагаемое расширение представлено блок-схемой на рис. 6.

Рисунок 6

Суть изменений логической структуры скоринговой модели сводится к тому, что традиционный для решения этой задачи состав алгоритмов (деревья решений, логистическая регрессия и т.д.) расширяется, и в модель мы предлагаем включить алгоритмы SD-моделирования. Причины, по которым мы предлагаем такое решение, следующие:
— в отсутствие статистических данных традиционный набор алгоритмов оказывается просто бесполезным по причине невозможности реализовать обучение модели;
— для принятия решений о кредитовании в случае предприятий малого и среднего бизнеса на кредитоспособность заемщика оказывает влияние существенно больший спектр переменных, чем для физических лиц;
— широко известен факт, что бухгалтерская отчетность предприятий российской экономики часто очень слабо отражает реальное положение дел в бизнесе в силу того, что она очень сильно искажается в связи с налоговой «оптимизацией»;
— скоринговая модель должна отражать отраслевую специфику предприятий МСБ.

В частности, в контексте второго утверждения можно говорить о необходимости учета в скоринговой модели для МСБ не только финансовой информации. Очень важно, в силу масштабных эффектов, оценивать экономическое окружение скорингуемых предприятий. Важно учесть в моделях скоринга такие переменные внешней среды, как спрос и предложение. При их вариациях могут претерпевать резкие изменения и денежный поток предприятия и все его финансовые показатели, на которых обычно строятся скоринговые модели для юридических лиц. Кроме того, на состоянии предприятий, опять-таки в силу их малого масштаба, могут сказываться и особенности управления. Поэтому крайне важно иметь возможность учитывать качество управления предприятием. И если оценить в числовой форме состояние спроса и предложения в отрасли, к которой принадлежит предприятие, не составляет труда, то оценить качество управления предприятием является нетривиальной задачей. Для этого необходимо, чтобы модель могла потреблять экспертную информацию. Включение в логическую структуру скоринговой модели для предприятий МСБ блока SD-моделирования позволяет адекватно учесть все вышеперечисленные требования. Для реализации любой SD-модели, как известно, в качестве первого шага необходимо составить когнитивную карту. Когнитивная карта представляет собой диаграмму причинных влияний в виде направленного графа. Узлы этого графа представляют собой переменные, которые включаются аналитиком в описание кредитоспособности предприятия, а ребра — причинные влияния переменных друг на друга. На рис. 7 представлена когнитивная карта гипотетического предприятия лесной индустрии, которое занимается заготовкой и переработкой леса.

Такое изменение в логической структуре скоринговой модели обеспечивает не только решение четырех проблем, перечисленных нами ранее, но и возможность динамической оценки кредитоспособности предприятий МСБ. Использование в модели скоринга SD-модели позволяет сгенерировать недостающие для построения статистического скоринга данные. За счет прямого учета объема, сроков и типа займов (рис. 7) модель позволяет сгенерировать «кредитное кладбище», определив состояние дефолта как невозможность погасить текущую задолженность в течение, скажем, трех месяцев. Варьируя входные показатели модели, такие как спрос, предложение, качество менеджмента, параметры кредита, мы в процессе SD-моделирования получаем различные траектории для денежного потока предприятия, а значит, и разные условия выпадения заемщика в дефолт (при разных сочетаниях входных параметров модели мы имеем и разные финансовые показатели). Имея таким образом сгенерированное искусственное «кредитное кладбище», мы можем стандартным способом применить на указанной статистике традиционные алгоритмы скоринга в виде той же логистической регрессии. Но, кроме того, мы получаем существенный выигрыш от изменения логической структуры модели за счет того, что такая модель позволяет не только решить проблему отсутствия статистических данных, что важно для режима обучения, но и существенно расширяет функциональность скоринга в режиме эксплуатации скоринговой модели.

Поясним, что нового дает расширение логической структуры для последнего режима. Во-первых, мы можем генерировать сколь угодно большие выборки данных, что обеспечивает точность моделей статистического обучения, которые позволят учесть отраслевую специфичность бизнеса кредитуемых предприятий МСБ. В силу отсутствия ограничений на объем генерируемых искусственных данных по дефолтам предприятий МСБ (каких в реальной жизни в требуемом количестве никогда не бывает) мы учитываем в структуре когнитивной карты отраслевую специфичность: предприятия торговли характеризуются быстрым оборотом капитала и низкими основными фондами, в то время как производственные предприятия характеризуются большими значениями основных фондов и медленной скоростью оборота. За счет использования в когнитивной карте экспертной информации мы можем моделировать влияние на денежные потоки качества управления, а при использовании макроэкономической статистики — влияние вариации спроса и предложения на объемы продаж оцениваемого предприятия. И, наконец, мы можем моделировать денежные потоки предприятия в динамике за счет именно SD-моделей в структуре скоринга, что позволит нам более рационально формировать график платежей. Кроме того, динамичность получаемых оценок позволит нам естественным образом в рамках одной и той же модели реализовать не только аппликативный, но и поведенческий скоринг, если в течение периода обслуживания кредита у оцениваемого предприятия вдруг возникнут проблемы с погашением его задолженности. Такая структура скоринговой модели позволит нам в момент возникновения проблем эффективно оценить перспективы погашения возникшей задолженности и принять в отношении такого заемщика более обоснованные управленческие решения.

Рисунок 7

Вместо заключения: что еще нужно для «спокойной» жизни в кредитном бизнесе?

В силу того что кредитный риск устроен иерархически (имеет три уровня — от транзакционного до аллокационного), для управления кредитными рисками нам понадобится еще два комплекса моделей. Первый будет служить целям управления портфельным кредитным риском, а предназначение второго состоит в поддержке управленческих решений в части аллокации кредитного капитала по регионам присутствия банка и по продаваемым продуктам. Кроме того, даже на транзакционном уровне для управления кредитными рисками заемщиков недостаточно просто классифицировать входной поток заемщиков на «хороших» и «плохих». Необходим еще целый ряд функций, без использования которых применение скоринга не будет давать удовлетворительных результатов. Эти две темы будут рассмотрены нами позже.

Оценить:

1 0

Кредиты, предоставляемые МБ, - это особый вид кредита, предоставляемый его получателям в виде отсрочки платежа за покупаемое сырье, материалы, полуфабрикаты и товары. Кредиты МБ на пополнение оборотных средств по экономическому содержанию отличаются от других кредитов тем, что не носят инвестиционного характера, а направлены на удовлетворение текущих запросов населения в товарах, медицинских, бытовых и образовательных услугах, поэтому риски по этим видам кредитов носят особый характер.

Анализ данных, представленных в табл. 4.1, показывает, что сложившийся механизм выдачи и погашения кредитов МБ на пополнение оборотных средств во многих банках носит похожий характер.

Общим недостатком кредитного процесса является слишком маленький срок рассмотрения заявки, когда службы безопасности банка не успевают проверить правильность и подлинность представленных заемщиков документов. Поддельные документы являются существенным фактором возникновения в дальнейшем кредитного риска, поэтому Банку России необходимо принять шаги по формализации процесса кредитования МБ на пополнение оборотных средств в российских банках. Следует разработать для банков примерную методику по выдаче и предоставлению кредитов МБ на пополнение оборотных средств. В пользу этого предложения свидетельствуют большие отличия в применяемой банками процентной ставке по кредитам, дополнительным комиссиям и наличие постоянно возрастающей просроченной задолженности по кредитам МБ.

В немалой степени перечисленные недостатки объясняются неправильным подходом к классификации кредитов МБ на пополнение оборотных средств. Так, многие банки понимают под ними только расчетные кредиты на приобретение товаров для перепродажи и оказания услуг. Другие банки, напротив, все кредиты, предоставленные МБ и владельцам МБ как физическим лицам, относят к кредитам на текущие нужды. В то время как от правильной классификации кредитов зависит выработка подходов к организации кредитования и управления возникающими рисками.

Анализ механизма предоставления кредитов МБ на пополнение оборотных средств на основе изучения практики отдельных банков

Таблица 4.1

Естественно, все кредиты МБ подразделяются на кредиты, носящие инвестиционный характер, т.е. создающие новую инвестиционную стоимость (кредиты на строительство, кредиты на покупку автомобилей, оборудования), и кредиты на пополнение оборотных средств, не создающие инвестиционную стоимость.

Среди кредитов МБ на пополнение оборотных средств правомерно выделить кредиты на покупку товаров и кредиты на оказание услуг. Можно классифицировать механизм их кредитования по типу заемщика, по срокам предоставления и рассмотрения, условиям выдачи и погашения, процентным ставкам, комиссиям, рискам, документам, видам обеспечения, срокам и методам погашения, объектам кредитования, объему. Например, кредиты на покупку товаров иногда в нарушение законодательства предоставляются наличными деньгами по банковским картам владельца предприятия МБ, используя овердрафт. Кредиты на услуги могут поступать через безналичное перечисление средств на расчетный счет заемщика, а с расчетного счета заемщика, на счет организации, оказывающей услуги. Это обусловливает различные сроки рассмотрения и предоставления кредита, разные подходы к обеспечению его возвратности и расчету рисков, участие в кредитном процессе различных организаций, отличные процентные ставки.

Проанализируем особенности кредитов МБ на покупку товаров. Они предоставляются для приобретения товаров длительного пользования - холодильников, телевизоров, компьютеров, мебели и т.д. с целью их дальнейшей перепродажи. Такой вид кредитования чрезвычайно распространен в зарубежных странах и в России. При этом расчеты показывают, что кредитное приобретение оказывается более дорогим, чем за денежные средства на расчетном счете. Уровень действующей процентной ставки на российском рынке не обеспечивает выгод от кредитных условий.

Для предупреждения рисков и повышения эффективности кредитования в договоре кредитования обязательно надо определять, когда собственность на купленный товар переходит к заемщику - сразу или после полного погашения кредита. Эти условия должны оговариваться заранее между банком и клиентом. Переход собственности за купленный товар к заемщику после полного погашения кредита снижает риски обеспечения по этому виду кредитования.

Исходя из тенденции развития данного вида кредитования можно спрогнозировать дальнейший рост кредитов МБ на покупку товаров в 2011-2013 гг., когда еще не будут погашены все ранее взятые кредиты и будут выданы новые. Следовательно, данный вид кредитов будет продолжать расширять свои границы.

Конкуренция между банками на рынке кредитования покупки товаров длительного пользования предприятиями торговли МБ крайне агрессивная. Результатом ее является присутствие большого количества банков и достаточно плотное распределение рынка между ними. Однако можно проследить и противоположную тенденцию, когда отдельные банки сокращают эти операции из-за высоких рисков и доли просроченных платежей. В лидирующих банках товарное кредитование по кредитам МБ также носит проблемный характер.

Рассмотрим результаты работы одного из московских банков (назовем его банк N) по кредитованию МБ за шесть месяцев 2010 г. (табл. 4.2).

Как видно из таблицы, за шесть месяцев 2010 г. банк выдал кредитов на пополнение оборотных средств на сумму 31,8 млрд руб., при этом эффективная процентная ставка составила 37,44%, причем первые три месяца рассматриваемого периода она была около 55% и снизилась за счет крупномасштабной рекламной кампании, в которой МБ предлагался продукт со средним сроком 24 месяца и низкой ставкой 18%.

Обращает на себя внимание и высокий процент дефолта по однородным кредитным портфелям, связанный со сроками кредитования и длительностью просроченных платежей.

С целью уменьшения возникающих рисков при расчете фактических затрат и резервов по однородным портфелям банка согласно Положению № 254-П, а также уменьшения эффективной процентной ставки за кредит при расчете фактических затрат и резервов по однородным портфелям МБ предлагается включать затраты на рекламную кампанию.

Полный рекламный цикл от согласования плана рекламной кампании до его реализации составляет около месяца. Банки по требованиям Банка России обязаны корректировать процентную политику не реже, чем 1 раз в две недели. При несоответствии рекламного материала и процентной политики к банку применяются штрафы за недобросовестную рекламу в сумме 500 тыс. руб. Учитывая изложенное, рекомендуем Банку России для оценки адекватности процентных ставок банка рыночным условиям установить периодичность пересмотра процентных ставок по кредитам МБ 1 раз в месяц.

Одним из обязательных требований Банка России к банкам должно стать указание эффективных процентных ставок не только при включении ссуды в портфель однородных кредитов, но и во всех договорах кредитования, заключенных с МБ. Необходимо обязать банки включать информацию о размере эффективной процентной ставки во все взаимосвязанные регистры документов: заявление-анкету

Динамика основных показателей и качества кредитования МБ на пополнение оборотных средств

за шесть месяцев 2010 г.

Таблица 4.2

клиента; в таблицу тарифов; в ежемесячные выписки по кредитным счетам, особенно при использовании кредитных карт, где размер вносимого платежа, сумма комиссий и размер остатка ссудной задолженности могут варьироваться.

Основные процессы по оценке рисков по кредитам для МБ, включающие рассмотрение заявки и принятие решения банком, мониторинг рисков, начисление резервов на возможные потери, полностью аналогичны используемым в кредитовании всех юридических лиц. Для повышения эффективности кредитования МБ и снижения рисков необходимо рекомендовать Банку России требовать от банков регулярно составлять прогнозные расчеты рисков на основании первых фактов непогашения очередного платежа по кредитам, используя прогнозные математические модели.

Рассмотрение особенностей влияния вида кредита, предоставляемого МБ, на кредитные риски позволяет сделать выводы о том, что кредитам МБ присущи как общие, так и специальные риски (табл. 4.3).

Таблица 4.3

Классификация кредитного риска кредитов МБ

Кроме перечисленных в таблице структурных элементов риска кредитов МБ необходимо различать совокупный (общий) и индивидуальный виды кредитного риска, а также учитывать особенности кре- дитных и других рисков, возникающих при кредитовании МБ.

Кредитование малого и среднего бизнеса традиционно относят к категории повышенного риска. Однако статистика невозвратов и темпы роста портфелей в этом сегменте рынка свидетельствуют об обратном. Не имея отработанной годами модели оценки заемщика, банки вынуждены постоянно балансировать между качеством и затратностью методик риск-менеджмента.

Пролить свет на темные места

По данным Центрального банка, за 2007 год объем предоставленных кредитов предприятиям и организациям увеличился на 50,5% и достиг 8,7 трлн рублей. Рынок кредитования малого бизнеса, по оценкам РБК, рос несколько быстрее — прирост за год составил 55%. Но при таком бурном росте встречается и множество подводных камней.

Основные проблемы, которые возникают при кредитовании малого и среднего бизнеса, — малая прозрачность данного сегмента и нехватка надежных залогов. Начальник управления кредитования среднего и малого бизнеса Русь Банка Анна Малышева констатировала: «Примерно в 50% случаев бухгалтерская отчетность не отражает реального финансово-экономического состояния деятельности предприятия, поэтому приходится апеллировать к данным управленческого учета, которые трудно подтвердить и контролировать в дальнейшем».

Как рассказал начальник департамента развития малого бизнеса МДМ-Банка Андрей Кузнецов, в его банке периодически проводятся исследования малого и среднего бизнеса. И пока результаты свидетельствует о том, что этот рынок находится на стадии «созревания». Предприниматели, как правило, задумываются о кредитовании только в тот момент, когда им нужно закрыть текущие «дырки» бизнеса. Другой тормозящий фактор — это закрытость предпринимателей перед банком и некое их лукавство при работе с экспертом. «Большая часть предпринимателей, — отметил спикер, — получает отказ именно потому, что в процессе переговоров с банком они не умеют правильно показать свой бизнес».

Хотя стаж работы в этом сегменте у многих банков составляет всего несколько лет (если брать его в массовом проявлении), кредитные организации накопили достаточно опыта, чтобы предсказать, из какого шкафа может выпасть скелет.

Начальник управления кредитования и гарантий Инвестторгбанка Ирина Бычкова поделилась опытом: «Иногда проблемы, возникающие из-за конфликта собственников, приводят к серьезным последствиям. Бывали случаи увода бизнеса от собственника менеджментом компании, наблюдались попытки рейдерского захвата. Проблемными являются предприятия, которые зависят от узкого круга поставщиков или покупателей. Присутствует также риск несбалансированного роста компании, имеющей затруднения, в том числе по возврату заемных средств. Часто из-за нехватки залоговых средств приходится привлекать личное имущество руководителей, хотя, по существу, это не совсем правильно. Зачастую приходится выступать в качестве аудитора, иногда проблемы решаются даже путем замены сотрудников в компании».

Названные факторы носят скорее субъективный характер. При серьезном и обдуманном подходе к бизнесу и процедуре оформления ссуды большинство вопросов может быть снято с повестки. Но сложности, возникающие при кредитовании малого бизнеса, могут носить и объективный характер, и даже «бывалых» сотрудников могут поставить в тупик. В частности, начальник департамента малого и среднего бизнеса Русского банка развития Наталья Голованова отметила, что при оценке предприятий, применяющих специальные налоговые режимы, сложнее проверить некоторые финансовые показатели заемщика.

Перед банкирами возникает вопрос, как проверить предприятия, работающие по так называемой «упрощенке». Некоторые эксперты полагают, что по минимальному набору документов оценить реальное состояние заемщика бывает крайне сложно. Так, даже полная бухгалтерская отчетность может не содержать необходимых сведений и не отражать полностью текущие бизнес-процессы, поэтому, считают специалисты, только на основе официальной документации нельзя сделать однозначные выводы.

Поэтому банки, основываясь на мировом опыте и на собственных данных, разрабатывают различные методики оценки кредитоспособности малого предприятия.

От частного к общему

В банковской сфере существует закономерность: если банк переходит к скоринговой модели оценки заемщика, значит, продукт становится массовым. Например, после введения скоринговой оценки в ипотечном кредитовании, этот продукт стал доступным широким слоям населения.

При кредитовании малого бизнеса задача несколько усложняется. Во-первых, речь зачастую идет о более крупных суммах. Во-вторых, проверить сведения и оценить физическое лицо гораздо проще, нежели бизнес. Если при кредитовании физического лица на большинство вопросов можно получить однозначные ответы (возраст, семейное положение, количество детей и т. д.), то при оценке предприятия немаловажными факторами являются личные качества руководителя, отношения с партнерами, форма ведения отчетности, взаимоотношения в коллективе, перспективность развития отрасли и т. п.

Тем не менее сегодня, когда интерес банков к кредитованию малого и среднего бизнеса постоянно растет (подогреваемый в том числе и государственными программами), а желающие получить ссуду практически выстраиваются в очередь, автоматизированные системы оценки заемщиков могут оказаться как нельзя кстати.

Формально существует два основных метода оценки заемщика: индивидуальный анализ и скоринг. Не секрет, что скоринговая модель имеет два основных преимущества: высокая скорость обработки и низкая стоимость. Но в то же время, по закону «жанра», качество проверки при таком подходе снижается. Начальник отдела кредитования малого и среднего бизнеса банка «Москва-кредит» Иван Хоменко пояснил: «Себестоимость скоринговой оценки, безусловно, ниже, так как рассмотрение заявки проходит за меньший срок и для ее анализа можно использовать сотрудников с более низким уровнем квалификации и заработной платы. При увеличении сумм кредитов анализ заемщика становится более индивидуальным, так как доходность кредита в абсолютном выражении увеличивается».

На первоначальном этапе банку важно соотнести возможные риски и затратные статьи. Именно по этой причине в большинстве кредитных организаций используют смешанную систему оценки заемщиков.

Так, в банке ВТБ 24, Русском банке развития, ЮниКредит Банке, банке «Москва-кредит», банке «Союз» используется скоринговая система оценки заемщиков при осуществлении «микрокредитования», то есть по программам, в которых сумма займа является минимальной для данного сегмента в этой кредитной организации.

В Инвестторгбанке выбор методики оценки заемщика зависит не только от суммы кредита, но и от того, в каком регионе и как долго клиент работает в этом бизнесе. Председатель правления Инвестторгбанка Владимир Гудков пояснил такой подход: «Регионы очень сильно отличаются друг от друга по уровню заработной платы, прожиточному минимуму, развитию инфраструктуры и сферы обслуживания… Это накладывает определенные особенности на принципы ведения бизнеса. Московский регион практически на 90% перешел на «прозрачную» схему ведения бизнеса, поэтому в столичном округе можно использовать скоринг. В регионах, напротив, преобладают «серые» схемы, а значит, там необходимо производить индивидуальную оценку заемщика».

Однако применяемую банками методику не всегда можно назвать скоринговой. Как отметила начальник отдела по работе с предприятиями МСБ Александра Бугаева (Сведбанк), рынок кредитования МСБ в России молод: «Необходимая кредитная история не накоплена, работа бюро кредитных историй пока неэффективна. К тому же скоринг применим только для стандартных заявок и, принимая решение, использует конечное число факторов, предусмотренных при разработке программы, а значит, не учитывает специфику предприятий, возможные дополнительные факторы, что для МСБ очень важно, и на которые кредитный аналитик обратил бы внимание». В Русь Банке была создана специальная упрощенная процедура оценки заемщика, приближенная к скоринговой. Анна Малышева (Русь Банк) пояснила, что данная процедура основывается на анализе определенных стоп-факторов и их соответствия параметрам программы кредитования.

Наталья Голованова (Русский банк развития) обратила внимание на другую сторону проблемы оценки заемщика: «Скоринговые системы оценки не способны до конца объективно оценить бизнес заемщика, и часто так бывает, что «хорошим» заемщикам скоринговая система отказывает, а «плохим» или даже мошенникам, наоборот, дает положительный ответ. Это нежелательно как для банков, так и для самих заемщиков».

Грань между «надежным» и «ненадежным» заемщиком может быть очень тонкой. Два продуктовых магазина в одном городе могут оказаться абсолютно разными, так как у них разные поставщики, разный ассортимент продуктов, разные менеджеры, разные точки продаж, разный сервис и т. д. Учесть все эти нюансы механическим путем крайне сложно. Поэтому сотрудники банков предпочитают делать выезды на место и там знакомиться с производством и руководством предприятия. Порой один визит может дать больше информации, чем кипа документов.

Многие банки разрабытывают собственную методику взаимодействия работы с клиентами, не требующую от потенциального заемщика множества справок из всевозможных ведомств. Персональный менеджер отправляется на место и там самостоятельно анализирует управленческую отчетность. Таким образом удается, во-первых, минимизировать временные потери со стороны заемщика, во-вторых, проанализировать и предусмотреть все возможные риски и, в-третьих, оптимизировать процесс. Данные сводятся в стандартную форму, на основании которой принять судьбоносное решение уже не составит труда.

Конечно, при таком подходе, затраты неизмеримо выше. Но на выбор методики может влиять множество факторов: от размеров филиальной сети и объема бизнеса до определенного банком размера минимальной суммы кредита. Как отметил член правления ЮниКредит Банка Эдуард Иссопов, кредитование малого бизнеса может быть привлекательным для банка в том случае, если в нем четко настроена система управления рисками: либо набрано необходимое количество людей на андеррайтинг, либо отработана система скоринга.

Как соотнести затраты и допустимые риски — сегодня кредитные организации решают этот вопрос самостоятельно.

Резервы оптом и в розницу

Повышение качества кредитного портфеля для банков связано не только с предотвращением невозвратов, но и с понижением суммы резервных средств.

Положение Центрального банка № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» допускает в целях резервирования объединять незначительные (не более 0,5% от капитала банка) ссуды, сходные по условиям кредитования, в портфели однородных ссуд.

Александра Бугаева (Сведбанк) отметила общую тенденцию на рынке кредитования: «Банки стремятся увеличить число стандартных ссуд путем разработки широкой продуктовой линейки. Это позволяет группировать ссуды в портфели с целью формирования резервов на весь портфель, что экономит время и силы банка, а также удешевляет кредитный продукт как для банка, так и для заемщика». Поэтому основная часть кредитов принадлежит к категории так называемых стандартных ссуд.

Анна Малышева (Русь Банк) констатировала: «В соответствии с возможностью, предоставляемой ЦБ, Русь Банк объединяет все кредиты, выдаваемые по программе кредитования среднего и малого бизнеса, в портфели однородных ссуд, а также формирует резерв по данным портфелям с размером ставок резервирования, начиная от 1%. Данный механизм значительно упрощает работу банка с данным сегментом бизнеса, снижает трудоемкость и позволяет более гибко подходить к процессу выдачи и сопровождения большого количества стандартных кредитов».

Банкам важно точно определить, к какой категории заемщиков относится клиент, на этапе оценки и прикрепить его к соответствующему портфелю. Если система дала сбой и при обслуживании долга возникли просрочки, данный кредит выводится из портфеля однородных ссуд, заемщику присваивается более низкая категория качества, и по кредиту закладываются дополнительные резервы. Конечно, такая процедура для банков нежелательна.

Если же ссуда не соответствует по ряду признаков ни одному портфелю однородных ссуд (например, размер кредита превышает допустимый объем или отмечается нехватка залоговых средств), банком используется индивидуальное резервирование. Как правило, доля таких нестандартных кредитов в банке незначительна.

Банкам удобнее придерживаться стандартизированного подхода и не выдавать кредиты повышенного риска. Однако, как отмечает Александра Бугаева (Сведбанк), кредитные организации часто идут навстречу предприятиям, учитывая при анализе их управленческую отчетность: «Если банк готов принять на себя более высокий риск, то это удорожает кредит как для заемщика, так и для банка. Банк вынужден увеличивать размер резервирования, что влечет дополнительные расходы, и предусматривать компенсацию за риск. Для заемщика это выражается в увеличении процентной ставки по кредиту и более жестких условиях кредитования. С подобными ситуациями банки сталкиваются достаточно часто».

Как показывает практика, за гуманностью в банках всегда стоит логическое обоснование и финансовые гарантии. Возможно, именно благодаря такому подходу риски при кредитовании малого и среднего бизнеса на сегодняшний день остаются достаточно низкими.

Каким образом оцениваются риски, связанные с кредитованием малого бизнеса? Какие требования установлены Банком России по созданию резервов на возможные потери по ссудам? Специально по запросу «БО» на эти вопросы ответили в департаменте банковского регулирования и надзора Банка России.

Оценка риска по ссудам, предоставленным субъектам малого бизнеса, осуществляется в порядке, установленном Положением Банка России от 26.03.2004 № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» (далее — Положение № 254-П).

В соответствии с п. 3.1.1 и п. 3.1.2 Положения № 254-П оценка кредитного риска по выданной ссуде (профессиональное суждение) должна производиться кредитной организацией по результатам комплексного и объективного анализа деятельности заемщика с учетом его финансового положения, качества обслуживания долга по ссуде, а также всей имеющейся в распоряжении кредитной организации информации о любых рисках заемщика, о функционировании риска, на котором работает заемщик.

Положение № 254-П не предусматривает каких-либо специальных требований по созданию минимальных резервов на возможные потери по ссудам, предоставленным субъектам малого бизнеса.

Вместе с тем Банк России уделяет должное внимание вопросам создания условий для реализации банком более эффективных процедур оценки рисков и формирования резервов на возможные потери по ссудам, предоставленным данным субъектам. Реализация указанных подходов способствует экономии трудозатрат банков на кредитование малого и среднего бизнеса, одновременно применение современной техники оценки рисков позволяет формировать адекватные резервы на потери по ссудам.

Так, например, в рамках уточнения подходов к оценке ссуд и формированию резервов на возможные потери по ссудам в соответствии с Указанием Банка России от 12.12.2006 № 1759-У «О внесении изменений в Положение Банка России от 26.03.2004 № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности», вступившим в силу с 1 июля 2007 года, предусмотрено выведение из-под требований п. 3.14.1 Положения № 254-П, в котором установлен перечень ссуд, в отношении которых резерв формируется в размере не менее 21% ссуд, предоставленных ломбардам, кооперативам, фондам поддержки малого предпринимательства и использованных ими на предоставление займов субъектам малого предпринимательства и физическим лицам. Данное уточнение дает возможность не относить ссуды, предоставленные указанным субъектам и использованные на предоставление займов субъектам малого предпринимательства, в III категорию качества с формированием резерва в отношении таких ссуд.

Указанием Банка России от 28.12.07 № 1960-У «О внесении изменения в пункт 6.3 Положения Банка России от 26 марта 2004 года № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» предусмотрена возможность признания обеспечением в целях Положения № 254-П поручительств образованных субъектами Российской Федерации фондов поддержки предпринимательства и фондов содействия кредитованию субъектов малого и среднего предпринимательства, что позволяет формировать резерв на возможные потери по ссудам с учетом такого обеспечения (то есть уменьшать величину резерва на сумму обеспечения).

Кроме того, в целях упрощения оценки ссуд, не существенных по величине, к которым, как правило, относятся ссуды, предоставленные субъектам малого бизнеса, Положение № 254-П (пункт 1.5 глава 5) предусматривает возможность объединения однородных ссуд в портфели. Данный подход предполагает оценку риска в отношении всего портфеля ссуд на основании данных о величине потерь по группе однородных ссуд за прошлый период при обеспечении сопоставимости всех существенных обстоятельств, касающихся характера, объема ссуд, условий деятельности заемщиков и иных обстоятельств.

В настоящее время рассматривается вопрос о распространении на ссуды, предоставленные юридическим лицам — субъектам малого бизнеса, подхода, предусматривающего возможность формирования портфеля ссуд с общим уровнем обесценения, обусловленным наличием и определенной длительностью просроченных платежей, установленного пунктом 5.1 Положения № 254-П.

В настоящее время такой подход реализован в отношении ссуд, предоставляемых физическим лицам.

Мнение эксперта

Перспективы развития системы кредитования малого бизнеса и существующую систему резервирования средств на возможные потери по ссудам оценил президент Ассоциации региональных банков «Россия» Анатолий Аксаков :

В настоящее время банки самостоятельно определяют размер резервов по кредитам, выдаваемым малым и средним предприятиям, на основе тщательного анализа финансово-хозяйственной деятельности предприятий. Безусловно, это замедляет процесс. Стремясь упростить процедуру, некоторые банки выдают кредиты индивидуальным предпринимателям, оформляя их как кредиты физическим лицам. Ведь кредит физическому лицу можно выдать в течение суток, тогда как при получении заявки от предпринимателя необходимо проводить финансовый анализ заемщика. Ассоциацией «Россия» во взаимодействии с банкирами подготовлены предложения о внесении изменений в Положение Банка России 254-П «О порядке формирования резервов на возможные потери по ссудам». По нашему мнению, размер резервов на возможные потери по ссудам для расчета оптимальной процентной ставки по кредитам малому и среднему бизнесу должен составлять минимум 1-1,5% (для портфеля ссуд без просроченных платежей) и увеличиваться в зависимости от продолжительности просрочки.

Кредиты малому и среднему бизнесу относятся к категории высокой степени риска. Скорее всего они подорожают, а заемщики столкнутся с ужесточением условий и отказами. Однако в целом реализация инициативы ЦБ будет способствовать развитию кредитования малого и среднего бизнеса и стимулирует активность банков в этом секторе, ведь индивидуальное резервирование массового заемщика является слишком дорогостоящим для банков, а введение единого алгоритма позволит автоматизировать процесс.

По-прежнему актуальна проблема отчетности и прозрачности малого и среднего бизнеса. Многие предприниматели до сих пор предпочитают работать по «серым» и «черным» схемам, не раскрывая свои обороты. Разумеется, это влияет на возможность получения кредита, существенно снижая ее. Увеличение резервов на возможные потери по ссудам повлечет за собой ужесточение условий кредитования — ведь банкиры станут еще более детально проверять заявленную потенциальным заемщиком информацию. Возможно, эта мера подтолкнет многих участников рынка, все еще работающих по «серым» и «черным» схемам, легализоваться.

Кредитный риск - это риск невозврата или просрочки платежа по банковской ссуде.

Основные причины возникновения риска невозврата ссуды:

§ снижение (утрата) кредитоспособности заемщика;

§ ухудшение деловой репутации заемщика.

Кредитный риск может возникнуть по каждой отдельной ссуде, предоставленной банком, или по всему кредитному портфелю банка (совокупный кредитный риск). Поэтому банку важно разработать кредитную политику - документально оформленную схему организации и систему контроля над кредитной деятельностью.

Главным требованием к формированию кредитного портфеля является сбалансированность последнего, которая должна компенсировать повышенный риск по одним ссудам надёжностью и доходностью других ссуд. Структура кредитного портфеля формируется под воздействием следующих факторов:

§ доходность и риск отдельных ссуд;

§ спрос заёмщика на отдельные виды кредитов;

§ нормативы кредитных рисков, установленные Центральным банком;

§ структура кредитных ресурсов банка в разрезе сроков погашения кредитов.

Кредитные операции банков сами по себе являются рисковыми, поэтому управление кредитными рисками должно быть нацелено на их снижение, основными методами которого являются:

§ оценка кредитоспособности заёмщика и установление его кредитного рейтинга;

§ проведение политики диверсификации ссуд (по размерам, видам, группам заёмщиков);

§ страхование кредитов и депозитов;

§ формирование резервов для покрытия возможных потерь по предоставленным ссудам;

§ формирование эффективной организационной структуры банка в целях минимизации кредитного риска.

В современных условиях функционирования российских банков необходимо учитывать развитие внешних источников информации о кредитоспособности заёмщиков, зарубежный опыт корпоративного управления рисками и оценки платёжеспособности потенциальных банковских клиентов.

При оценке кредитного риска на предварительном этапе нужно пользоваться определенными критериями. Выделяются пять основных критериев оценки риска :

§ репутация , т.е. выяснение взаимоотношений заемщика - банковского клиента с кредиторами (поставщиками). Оценка данного состояния может производиться как на основе письменной информации, представленной заемщиком, так и устной беседы и исходя из рекомендаций, представленных заемщиком, особенно когда речь идет о личном кредите или кредите группе лиц (например, товариществу);

§ возможности , т.е. выяснение платежеспособности заемщика за последний период (или несколько лет) в зависимости от объема предстоящей кредитной сделки;

§ Капитал . Наличие собственного (акционерного) капитала и согласие заемщика использовать его в какой-то части, в случае необходимости, на погашение кредита;

§ Условия . Выяснение текущего состояния экономики (региональной, в масштабах страны), но особенно отраслевой, куда входит заемщик;

§ Залог - это одно из надежных обеспечений кредита. Иногда оно дает возможность преодолеть слабость других критериев оценки кредитного риска.

Кредитный риск находится в прямой зависимости от качества кредитного портфеля. Кредитный портфель - это результат деятельности банка по предоставлению кредитов, который включает в себя всю совокупность всех выданных банком кредитов за определенный период времени.

Любой коммерческий банк заинтересован в высокой доходности кредитного портфеля. Поскольку кредитный риск оказывает прямое воздействие на эту доходность, то важным является оценка влияния кредитного риска на доходность кредитного портфеля. Эту работу следует проводить систематически, чтобы иметь возможность для принятия оперативных мер по предотвращению негативных процессов, сопровождающихся кредитным риском.

Для количественной оценки влияния кредитного риска на доходность кредитного портфеля можно использовать систему коэффициентов.

Важнейшим интегральным коэффициентом, определяющим доходность кредитного портфеля, является чистая процентная маржа (ЧПМ). С учетом кредитного риска он определяется следующим образом:

§ ЧПМ - чистая процентная маржа;

§ Д п - процентные доходы;

§ Р п - процентные расходы;

§ У к - потери по кредитам;

§ KB - кредитные вложения.

Особенность данного показателя в том, что он дает оценку результативности системы управления кредитным риском в банке в целом. Он учитывает как потери в результате кредитного риска, так и доходы, полученные вследствие принятия кредитного риска банком.

Говоря о проблемах кредитования бизнеса малых предприятий, необходимо понимать, что все имеющиеся на сегодняшний день проблемы тесно связаны между собой и перетекают одна в другую.

Мнение о высокой степени риска при работе с малыми заемщиками довольно широко распространено. Во-первых, банкам трудно объективно оценить степень стабильности потенциального заемщика. Во-вторых, зачастую деятельность малого бизнеса не является прозрачной, а значит, банку не всегда предоставляется достоверная информация о доходах и расходах предприятия, о положении дел в бизнесе.

Здесь сразу же стоит сделать следующую оговорку: риск кредитования малого бизнеса, связанный с непредоставлением достоверной информации не так высок, как риск потребительского кредитования, где займы выдаются физическим лицам при предъявлении паспорта и весьма ограниченной информации о месте работы, доходах и т.д.

Особое место здесь занимает и формирующийся бизнес. Эта категория малого бизнеса связана с очень высокими рисками. У формирующегося бизнеса нет ни кредитной истории, ни залога, да и непонятно, сможет ли он развиться так, чтобы выплатить кредит.

Проблему залогового обеспечения ставят на одно из первых мест все банки, работающие в сфере кредитования малого бизнеса. Довольно редко небольшие компании могут предоставить банку в качестве залога ликвидное имущество, поэтому банкам приходится идти на риск и выдавать необеспеченные или частично обеспеченные кредиты.

Если же предприятие интересуют суммы 10-20 млн. руб. и сроки кредитования 5-10 лет, то в этом случае банки потребуют залог, оценочная стоимость которого составляет не менее 200% от суммы кредита. Такой залог могут предоставить единицы, соответственно, получить такой кредит большинству предприятий малого бизнеса не представляется возможным.

Впрочем, ряд банков иногда при поддержке государственных структур выдают ссуды без залога. Но зачастую такие ссуды выдаются на довольно непривлекательных условиях: суммы небольшие – до 50 тыс. долл. (микрокредиты), эффективная ставка довольна высокая (28-30% годовых в рублях), сроки ограниченные – как правило, не превышают 1,5 года. Впрочем, некоторые проблемы предпринимателей этот кредит все же решает. Например, с его помощью можно ликвидировать кассовые разрывы, когда денег в кассе не хватает для ведения текущей финансовой деятельности.

Кроме того, предприятия малого бизнеса может поддержать Фонд содействия кредитованию малого бизнеса. Условия предоставления поручительства Фонда: регистрация в Реестре субъектов малого и среднего предпринимательства Москвы (для субъектов малого и среднего предпринимательства, имеющих место нахождения в городе Москве), в соответствующем Реестре субъектов малого и среднего предпринимательства на территории субъекта РФ (за исключением территории Северного Кавказа) или иным образом подтвердившим свой статус малого и среднего предприятия (в том случае, если в субъекте РФ не ведется реестр СМП);

Срок осуществления хозяйственной деятельности - не менее 6 месяцев;

Сфера деятельности - не игорный бизнес, производство и реализация подакцизных товаров, а также добыча и реализация полезных ископаемых, предприятия не должны являться участниками соглашений о разделе продукции; отсутствие просроченной задолженности перед бюджетами всех уровней, также нарушений условий по ранее заключенным кредитным договорам, договорам займа, лизинга и т.п.

Размер поручительства Фонда - не более 50% от суммы обязательств в части возврата фактически полученной суммы кредита и уплаты процентов на нее по кредитному договору и в любом случае - не более 30 млн. рублей. Размер вознаграждения Фонда за предоставленное поручительство - 1,75% годовых от суммы поручительства. Но в любом случае вопрос о предоставлении кредита и достаточности обеспечения остается на усмотрение банка. Кроме того, и Фонд содействия кредитованию малого бизнеса, и большинство банков не работают по программам "старт-ап" . Предприятие должно просуществовать и вести хозяйственную деятельность не менее шести месяцев, чтобы получить кредит в банке и, соответственно, поручительство Фонда (об условиях предоставления кредитов ниже).

Банкам господдержка малого бизнеса дает возможность увеличить упавшие за последнее время объемы кредитования малого бизнеса. Если раньше это направление развивалось с целью завоевания доли рынка, то сейчас это становится выгодным с точки зрения прибыли и рисков - государство дало понять, что не бросит малый бизнес и поможет рефинансировать кредиты.

Малый и средний бизнес в современных условиях является одним из самых выгодных целевых сегментов для российских банков. Причин этого повышенного интереса несколько:

более низкий уровень конкуренции в данном секторе по сравнению с обслуживанием крупного бизнеса;

более «рыночный» характер взаимоотношений с клиентом, меньший риск использования «административного ресурса» при разрешении споров;

отсутствие рынка «покупателя», соответственно возможность получения более высоких процентов и комиссий (при повышенном риске, разумеется);

наличие как государственных, так и международных (ЕБРР, Международная финансовая корпорация) программ рефинансирования кредитов малому и среднему бизнесу - возможность для банков привлекать относительно дешевые финансовые ресурсы;

возможность реализации массовых банковских продуктов, что снижает издержки и ведет к повышению эффективности банковского бизнеса.

Но потенциально высокие доходы связаны и с высокими реальными рисками. Безусловно, кредитование малого и среднего бизнеса является значительно более рискованным по сравнению с крупным бизнесом. И причины не только в несравнимой финансовой мощи предприятий этих секторов. Многие риски связаны со спецификой деятельности предприятий малого и среднего бизнеса в России. Один из наиболее очевидных рисков связан с отсутствием прозрачности (недостоверностью) финансовой отчетности, использованием схем налоговой оптимизации и т. д., иными словами, невозможностью оценить истинное финансовое положения предприятия по официальной отчетности, при этом стандартные методики кредитного анализа, применяемые для оценки потенциальных заемщиков, либо не работают, либо дают искаженную картину. Причина данного положения - в стремлении предприятий избежать налогообложения. Уход от налогообложения или серьезное снижение налогового бремени с 90-х годов рассматривается как конкурентное преимущество, поэтому использование «специальной бухгалтерии» и «налогосберегающих технологий» остается широко распространенным явлением в среде малого и среднего бизнеса. Конечно, масштабы уклонения и степень агрессивности в оптимизации налогообложения в настоящее время гораздо ниже по сравнению с 90-ми годами. Причем значительную роль сыграла востребованность кредитов и распространение банковского кредитования. Каковы же наиболее часто встречающиеся проблемы с финансовой отчетностью небольших российских предприятий:

ничтожная величина собственного капитала предприятия;

непрозрачная структура собственности компании;

наличие фиктивного заемного капитала либо задолженности, не отраженной в балансе;

сокрытие «убытков» в активе баланса или отсутствие отражения в балансе реальных активов;

фиктивные расходы предприятия, призванные сократить налогооблагаемую базу;

наличие «забалансовых» обязательств предприятия, не отраженных в отчетности;

отсутствие стандартных форм отчетности (баланс, отчет о прибылях и убытках и т. д.) в случае использования упрощенной системы налогообложения (УСН).

Важнейшая роль банков в развитии малого бизнеса объясняется сложностью для малых и средних предприятий получить финансовые средства из других источников. На современном этапе в России насчитывается более 5 миллионов малых и средних предприятий, основная масса которых функционирует в таких отраслях как оптовая и розничная торговля, сфера услуг, строительство, обрабатывающее производство.

Данный сегмент имеет огромный запас роста, и объемы кредитования малого и среднего бизнеса будут расти. Рост рынка кредитования МСБ является прямым следствием общей стабилизации ситуации в экономике, увеличения спроса на кредиты, а также повышения доступа представителей МСБ к заемным средствам.