Методология анализа кредитоспособности заемщиков коммерческого банка в 2024–2025 гг.: Интеграция регуляторных требований (Банк России), скоринговых технологий и макроэкономического контекста

метки: Анализ, Оценка, Заемщик, Кредитный, Данные, Коэффициент, Https, Россия

В первом полугодии 2025 года количество первичных дефолтов по корпоративным облигациям в России (около 14–16 эмитентов) превысило их общее число за весь 2024 год (11 эмитентов), а совокупный объем просроченной задолженности (NPL 90+) по кредитным картам впервые превысил критическую отметку в 0,5 трлн рублей. Эти шокирующие цифры служат мощным индикатором того, что традиционные методы оценки кредитоспособности, не адаптированные к ультражесткой денежно-кредитной политике и растущему финансовому стрессу, становятся недостаточно эффективными.

Настоящая работа посвящена разработке и совершенствованию методологии оценки кредитоспособности заемщиков коммерческого банка (юридических и физических лиц) в специфических финансово-экономических условиях 2024–2025 годов. В период высокой волатильности, геополитических рисков и беспрецедентно высоких процентных ставок, традиционный подход, основанный на статическом анализе отчетности, демонстрирует явную ограниченность. Цель исследования — создать исчерпывающую, научно обоснованную и практически применимую систему оценки, интегрирующую жесткие требования Банка России, динамичный макроэкономический контекст и инновационные цифровые скоринговые технологии.

Теоретические основы и нормативно-правовое поле оценки кредитного риска в РФ

Актуальность темы анализа кредитоспособности прямо проистекает из природы банковской деятельности, где кредитный риск является системообразующим. Эффективное управление этим риском не только обеспечивает финансовую устойчивость конкретного банка, но и поддерживает стабильность всей финансовой системы, что является ключевым условием для соблюдения нормативов достаточности капитала.

Основные понятия: Определение кредитного риска и кредитоспособности согласно Банку России (Положение 590-П)

В рамках российского регулирования, ключевым документом, регламентирующим оценку качества кредитных активов, является Положение Банка России № 590-П от 28.06.2017 «О порядке формирования кредитными организациями резервов на возможные потери по ссудам…».

Двухуровневая система ограничения кредитного риска коммерческих ...

... 86-ФЗ «О Центральном банке Российской Федерации (Банке России)» и статье 24 Федерального закона «О банках и банковской деятельности». Эти статьи обязывают кредитные организации соблюдать установленные ЦБ ... коэффициенты риска — это механизм, который масштабирует риск. Например: Кредитные требования к Правительству РФ или Банку России могут иметь коэффициент 0% (риск минимален). Кредиты, выданные ...

• Кредитный риск определяется как риск возникновения у кредитной организации потерь вследствие неисполнения, несвоевременного или неполного исполнения должником финансовых обязательств.
• Кредитоспособность (или финансовое положение заемщика) — это способность и готовность заемщика полностью и своевременно исполнить свои обязательства по кредитному договору.

Согласно Положению 590-П, оценка кредитного риска осуществляется кредитной организацией самостоятельно на основе профессионального суждения, которое должно быть подкреплено всесторонним анализом.

Классификация ссуд и требования к резервированию

Оценка кредитного риска напрямую связана с необходимостью формирования резервов на возможные потери (РВПС).

В соответствии с регуляторными требованиями, ссуды классифицируются в одну из пяти категорий качества:

Категория качества	Определение риска (590-П)	Требуемый процент резерва (РВПС)
I (Стандартные)	Отсутствие кредитного риска. Вероятность финансовых потерь равна нулю.	0%
II (Нестандартные)	Умеренный кредитный риск. Своевременное исполнение обязательств зависит от ряда факторов.	1% – 20%
III (Сомнительные)	Значительный кредитный риск. Вероятность потерь велика.	21% – 50%
IV (Проблемные)	Высокий кредитный риск. Исполнение обязательств практически невозможно без продажи обеспечения.	51% – 100%
V (Безнадежные)	Кредитный риск, по которому ожидается полная потеря.	100%

Ключевым принципом является то, что чем ниже категория качества ссуды, тем выше должен быть размер обязательных резервов, что напрямую влияет на достаточность капитала банка.

Требования к информации: Анализ примерного перечня для оценки заемщика

Положение 590-П (Приложение 2) устанавливает примерный, но исчерпывающий перечень информации, необходимой для объективной оценки финансового положения заемщика. Для корпоративного сегмента это не только данные официальной отчетности (бухгалтерский баланс, отчет о финансовых результатах), но и:

1. Сравнительные данные: Информация о финансовом положении заемщика в динамике (не менее трех лет), а также сравнительный анализ с показателями предприятий, работающих в сопоставимых отраслях и условиях.
2. Качественные данные: Сведения о деловой репутации, составе собственников, качестве менеджмента и структуре управления.
3. Специфика сегментов: Отдельно детализированы требования для оценки кредитоспособности заемщиков-застройщиков, использующих счета эскроу. В этом случае банк обязан учитывать объем средств, заблокированных на счетах эскроу, и прогнозируемый денежный поток от реализации проекта.

Обзор планируемых изменений в регулировании

Важно отметить, что методология анализа должна быть гибкой и учитывать будущие регуляторные изменения. С 1 октября 2025 года планируется расширение перечня обеспечения I категории качества, которое существенно снижает кредитный риск. В этот перечень будут включены такие инструменты, как залог прав по счету и обеспечительный платеж. Это изменение предоставляет банкам дополнительные возможности для структурирования сделок с минимальным резервированием, но требует от аналитиков умения корректно оценивать юридическую чистоту и ликвидность подобного обеспечения.

Макроэкономические реалии 2024-2025 гг. и их влияние на традиционный финансовый анализ корпоративных заемщиков

В условиях, когда мировая экономика переживает фрагментацию, а российская — адаптацию к внешним и внутренним шокам, традиционный финансовый анализ (основанный на исторических данных) теряет прогностическую силу, ведь только анализ динамики будущих денежных потоков позволяет адекватно оценить реальный риск в условиях беспрецедентно высоких ставок.

Влияние ультражесткой ДКП

Ключевым макроэкономическим фактором, определяющим кредитный риск в 2024–2025 годах, является политика Банка России по управлению инфляцией через ультражесткую денежно-кредитную политику (ДКП).

Ключевая ставка Банка России достигла своего максимума в 21% (на июнь 2025 года) и, хотя к сентябрю 2025 года была снижена до 17,00%, она остается на исторически высоком уровне.

Прямое воздействие на корпоративных заемщиков:

1. Рост стоимости обслуживания долга: Для компаний, имеющих кредиты с плавающей ставкой, высокие ставки автоматически ведут к критическому росту процентных расходов. Это резко снижает рентабельность и ухудшает показатель покрытия долга (Debt Service Coverage Ratio, DSCR).
2. Снижение инвестиционной активности: Высокая стоимость фондирования делает большинство новых инвестиционных проектов нерентабельными, что замедляет развитие заемщика и снижает его будущую способность генерировать денежные потоки.

Анализ кризисных тенденций 2025 года

Статистика подтверждает, что жесткая ДКП уже привела к росту системного риска. В первом полугодии 2025 года произошло резкое увеличение количества первичных дефолтов по корпоративным облигациям (около 14–16 эмитентов).

Совокупный объем проблемных облигационных выпусков в I квартале 2025 года оценивался в 17,2 млрд рублей.

Этот показатель является опережающим индикатором: если компании испытывают проблемы с обслуживанием публичного долга, это неминуемо скажется на их способности обслуживать банковские кредиты. Аналитик обязан использовать эту информацию для повышения коэффициентов риска и ужесточения требований к корпоративным заемщикам, особенно к тем, чья деятельность высокочувствительна к изменению процентных ставок (например, девелоперы, торговля).

Но является ли в таком случае традиционный анализ отчетности за предыдущий период достаточным инструментом для прогнозирования будущих проблем? Ответ очевиден – необходимо смещение фокуса на современные скоринговые методики, использующие транзакционные данные.

Адаптация финансовых коэффициентов

Для обеспечения методологической корректности необходимо пересмотреть нормативные значения и интерпретацию классических финансовых коэффициентов с учетом текущего макроэкономического давления.

Коэффициент текущей ликвидности (К_ТЛ)

Коэффициент текущей ликвидности показывает способность заемщика погасить свои краткосрочные обязательства за счет текущих активов.

Формула:

КТЛ = Текущие активы / Краткосрочные обязательства

Адаптация: В российской банковской практике идеальное значение К_ТЛ традиционно находится на уровне 2,0, однако минимально допустимый норматив часто устанавливается в диапазоне 1,7 – 2,0. В 2025 году, при росте стоимости запасов и затрудненном сбыте, аналитику следует более критично подходить к качеству текущих активов. Необходимо исключать из расчета сомнительную дебиторскую задолженность и залежавшиеся запасы, чтобы получить скорректированный коэффициент ликвидности, отражающий реальную платежеспособность.

Коэффициент финансового левериджа (К_ФЛ)

Коэффициент финансового левериджа (или коэффициент соотношения заемного и собственного капитала) отражает степень финансовой зависимости компании от внешних источников финансирования.

Формула:

КФЛ = Заемный капитал / Собственный капитал

Адаптация: Высокий коэффициент левериджа в условиях дорогих денег становится критически опасным. В РФ общепринятый «норматив» рекомендует не превышать значение 1,0 (то есть доля заемного капитала не должна превышать долю собственного).

Однако для крупных, капиталоемких компаний или компаний с государственным участием (например, в сфере энергетики или телекоммуникаций) допустимый уровень может быть выше.

В 2025 году для компаний с К_ФЛ > 1,0 банк должен применять надбавки к коэффициентам риска, увеличивая резервы в соответствии с требованиями Положения 590-П, поскольку вероятность дефолта таких заемщиков возрастает экспоненциально при ставке 17–21%.

Кейс-стади: Пример расчета кредитного рейтинга

Для иллюстрации интеграции макроэкономических рисков в традиционную методику рассмотрим смоделированное российское производственное предприятие ООО «МеталлТрейд» (средний бизнес, обработка металлов).

Показатель	Факт (2024 г.)	Норматив (2025 г.)	Вес фактора (%)	Балл (5-балльная шкала)
КТЛ	1,65	≥ 1,7	30%	3 (Незначительное отклонение)
КФЛ	1,15	≤ 1,0	30%	2 (Превышение норматива)
Рентабельность продаж (ROS)	8%	≥ 5%	20%	5 (Высокая)
DSCR (с учетом 17% ставки)	0,95	≥ 1,1	20%	1 (Недостаточное покрытие)
Итоговый кредитный рейтинг (взвешенный)			100%	2,7 (II категория качества)

Вывод по кейсу: Несмотря на удовлетворительную рентабельность, критическое снижение показателя покрытия долга (DSCR) ниже 1,0, вызванное высоким уровнем процентных платежей (ставка 17%), переводит заемщика из стандартной категории (I) в Нестандартную (II). Это требует от банка резервирования от 1% до 20% и установления более жестких ковенантов.

Сравнительный анализ традиционных и современных скоринговых методик оценки

Ключевой задачей модернизации банковской методологии является преодоление разрыва между традиционным, трудоемким анализом и требованиями рынка к скорости и объективности принятия решений.

Традиционная методика

Традиционный анализ кредитоспособности базируется на расчете десятков финансовых коэффициентов, детализированном качественном анализе (оценка менеджмента, рынка, деловой репутации) и вынесении экспертного суждения.

Преимущества	Недостатки
Глубина анализа: Позволяет понять причины финансового состояния (диагностика).	Субъективность: Сильное влияние профессионального суждения аналитика.
Универсальность: Применима к уникальным, крупным корпоративным заемщикам.	Низкая скорость: Процесс занимает от нескольких дней до недель.
Соответствие 590-П: Полностью соответствует регуляторным требованиям по документальному обоснованию резервов.	Использование устаревших данных: Анализ базируется на отчетности, которая может быть на 3–6 месяцев старше текущей даты.

Скоринговые модели: Application Scoring и Behavioral Scoring

Скоринговые модели представляют собой статистические или эконометрические инструменты, которые автоматизированно присваивают клиенту числовой балл (скор-балл), отражающий вероятность его дефолта в течение заданного периода.

1. Application Scoring (Аппликационный скоринг): Применяется на этапе подачи заявки. Использует ограниченный набор данных (анкетные, кредитная история) для принятия решения о выдаче кредита.
2. Behavioral Scoring (Поведенческий скоринг): Используется для оценки рисков действующих клиентов (например, при принятии решения о повышении лимита по кредитной карте).

   Анализирует поведение клиента — частоту операций, дисциплину погашения, использование других продуктов банка.

Математической основой скоринга, как правило, является бинарная классификация (клиент либо «хороший» — не дефолтный, либо «плохой» — дефолтный).

Эффективность моделей оценивается с помощью статистических метрик, таких как ROC AUC (Площадь под кривой рабочей характеристики приемника), где значение, близкое к 1,0, указывает на высокую прогностическую силу модели.

Использование альтернативных данных

Ключевое преимущество современного скоринга — способность перерабатывать Big Data и использовать альтернативные (нефинансовые) источники информации. Это особенно важно для оценки физических лиц и субъектов МСБ, которые часто не имеют сложной финансовой отчетности.

В соответствии с Федеральным законом № 218-ФЗ «О кредитных историях», в кредитные истории разрешено включать (и, соответственно, использовать в скоринге) следующие альтернативные данные:

• Сведения о задолженности по оплате жилья, коммунальных услуг и услуг связи (при наличии решения суда).
• Данные Федеральной службы судебных приставов (ФССП) о задолженности по исполнительным листам (например, по алиментам, налогам или штрафам).

Использование этих данных позволяет моделям машинного обучения строить более точные прогнозы, поскольку они отражают общую платежную дисциплину клиента, которая часто коррелирует с вероятностью дефолта.

Дифференцированная оценка рисков и эффективность регулирования по сегментам (Корпоративный, МСБ, Розница)

Эффективная методология должна быть сегментирована, так как риски и доступные данные для корпораций, МСБ и розничных заемщиков существенно различаются.

Сегмент розничных заемщиков (ФЛ)

Оценка рисков в розничном сегменте в 2024–2025 гг. характеризуется двумя ключевыми, противоположными тенденциями: критическим ухудшением качества портфеля, с одной стороны, и жестким регуляторным контролем, с другой.

Качество портфеля и регуляторный эффект

В период высоких ставок многие заемщики оказались неспособны обслуживать долг. Доля просроченной задолженности (NPL 90+) по потребительским кредитам достигла 10,5% на 1 апреля 2025 года.

Наиболее яркая иллюстрация этого кризиса — просроченная задолженность (90+) только по кредитным картам впервые превысила 0,5 трлн рублей, достигнув 510 млрд рублей к марту 2025 года. Этот масштабный рост невозвратов подтверждает, что даже самые совершенные скоринговые модели не могут полностью нивелировать макроэкономические шоки.

Оценка эффективности макропруденциальных лимитов (МПЛ):

В ответ на системные риски Банк России с 2023 года внедрил макропруденциальные лимиты (МПЛ), которые ограничивают долю кредитов, выдаваемых заемщикам с высоким показателем долговой нагрузки (ПДН).

ПДН = Среднемесячные платежи по всем кредитам / Среднемесячный доход заемщика

МПЛ доказали свою эффективность: доля выдаваемых необеспеченных потребительских кредитов с ПДН более 50% (наиболее рискованные заемщики) существенно снизилась — с 60% (II квартал 2023 г.) до 22% (II квартал 2025 г.).

Это означает, что регуляторные меры стали ключевым фактором, который фактически снизил системный риск в рознице, несмотря на ухудшение платежной дисциплины у уже существующих заемщиков.

Сегмент МСБ (Малый и средний бизнес)

Сегмент МСБ занимает промежуточное положение, требуя сочетания традиционных финансовых метрик и скоринговых подходов.

Из-за высоких ставок и ограниченной государственной поддержки количество заемщиков МСБ с просроченной задолженностью ускорилось в 2024 году (+54,4%).

Прогнозируется, что доля просроченной задолженности в кредитном портфеле МСБ увеличится до 5% к концу 2025 года.

Банки активно внедряют скоринговые модели для МСБ (SME-Scoring), которые используют:

1. Упрощенную финансовую отчетность.
2. Данные о движении средств по расчетным счетам (транзакционный анализ).
3. Оценку деловой репутации (через системы типа СПАРК/Контур).

Интенсивное использование скоринга в этом сегменте позволяет значительно ускорить принятие решения (с недель до 2-3 дней), что критически важно для конкуренции и обслуживания операционных нужд малого бизнеса.

Направления совершенствования методики: Интеграция ESG и методов машинного обучения

Современная методология анализа кредитоспособности должна выйти за рамки исключительно финансовых показателей и включить в себя оценку нефинансовых рисков и передовые аналитические инструменты.

Внедрение ESG-факторов в анализ кредитоспособности

Банк России активно рекомендует финансовым организациям интегрировать оценку воздействия ESG-факторов (Environmental, Social, Governance) в корпоративное управление и систему управления рисками.

Включение ESG-метрик в оценку кредитоспособности корпоративных заемщиков является не только вопросом этики, но и элементом управления долгосрочными рисками. Например, компания с низким рейтингом в области экологии (E) может столкнуться с высокими штрафами или отзывом лицензии, что напрямую влияет на ее денежные потоки и способность обслуживать долг. Следовательно, игнорирование таких факторов в оценке сегодня – это сознательное принятие повышенного риска завтра.

Специфика российских подходов:

В России отсутствует единая государственная методология присвоения ESG-рейтингов, однако ведущие рейтинговые агентства (АКРА, Эксперт РА, RAEX) разработали собственные подходы. Эти методологии доминирующим образом фокусируются не столько на «абсолютной» устойчивости, сколько на двух ключевых аспектах:

1. Подверженность ESG-рискам: Оценка того, насколько сильно отрасль и деятельность компании подвержены климатическим, социальным или управленческим рискам.
2. Качество управления этими рисками: Анализ внутренних систем, политик и процедур, направленных на минимизацию идентифицированных рисков.

Таким образом, модернизированная методика анализа корпоративного заемщика должна включать блок, где отсутствие или низкое качество управления ESG-рисками приводит к повышению внутреннего кредитного рейтинга (то есть ухудшению оценки) и увеличению требуемого уровня резерва.

Перспективы ML/Big Data

Внедрение методов машинного обучения (Machine Learning, ML) является наиболее эффективным путем модернизации скоринговых систем. ML-модели, такие как нейронные сети, случайный лес (Random Forest) или градиентный бустинг (XGBoost), обладают рядом критических преимуществ перед традиционной логистической регрессией:

1. Нелинейность: Они способны выявлять сложные, нелинейные взаимосвязи между сотнями переменных (включая неструктурированные данные) и вероятностью дефолта, что недоступно для классических линейных моделей.
2. Обработка Big Data: ML-модели эффективно используют не только традиционные, но и огромные объемы неструктурированных данных (цифровой след, информация из социальных сетей, поведенческие паттерны).
3. Повышение точности: Согласно исследованиям, ML-модели могут демонстрировать прирост точности прогнозирования (метрика ROC AUC) на 5–15% по сравнению с линейными методами, что в масштабах кредитного портфеля означает существенную экономию на резервах.

Разработка авторского набора ключевых показателей

Модернизированная методика анализа кредитоспособности должна представлять собой гибридную систему, в которой традиционные финансовые метрики дополнены цифровыми и качественными показателями, адаптированными к реалиям 2025 года.

Предлагаемый модернизированный перечень метрик:

Сегмент	Ключевые показатели (Метрики)	Цель учета в 2025 году
Физические лица (ФЛ)	1. Скор-балл (ML-модель): Расчет вероятности дефолта.	Скорость и объективность оценки.
	2. Показатель долговой нагрузки (ПДН): Факт и прогноз.	Соответствие МПЛ Банка России, контроль системного риска.
	3. Транзакционная активность: Анализ оборотов по счетам (Big Data).	Оценка реального уровня дохода и поведенческой дисциплины.
Корпоративные заемщики	1. Скорректированный КТЛ и КФЛ: С учетом макроэкономических надбавок.	Точный учет влияния высокой ключевой ставки.
	2. Покрытие долга (DSCR, с учетом 17% ставки): Прогнозный.	Оценка способности генерировать денежный поток для обслуживания дорогого долга.
	3. Интегральный ESG-индекс (Управление рисками): На основе методик российских агентств.	Учет долгосрочных нефинансовых рисков и регуляторных требований.
МСБ	1. SME-Скор (Гибридный): Сочетание фин. данных и транзакционных.	Ускорение принятия решений и минимизация субъективности.
	2. Анализ делового риска: Оценка стабильности контрагентов и рыночной ниши.	Снижение риска контрагентов в условиях высокой волатильности рынка.

Заключение и выводы

Проведенное исследование позволило разработать исчерпывающую, актуальную и научно обоснованную методологию анализа кредитоспособности заемщиков коммерческого банка, полностью адаптированную к нормативно-правовому полю Российской Федерации (Банк России) и беспрецедентным финансово-экономическим условиям 2024–2025 годов.

Резюме и основные выводы:

1. Регуляторная база и профессиональное суждение: Доказана центральная роль Положения Банка России № 590-П, требующего от банков не только формального анализа, но и профессионального суждения, подкрепленного глубоким, всесторонним анализом, включая учет планируемых изменений в обеспечении (залог прав по счету с 01.10.2025).
2. Влияние макроэкономики: Выявлено критическое влияние ультражесткой ДКП (ключевая ставка до 21% в 2025 г.) на корпоративный сегмент. Рост числа корпоративных дефолтов в I полугодии 2025 года требует пересмотра нормативных значений финансовых коэффициентов (К_ТЛ, К_ФЛ) и обязательного введения надбавок к риску для высокозаемных компаний.
3. Гибридный подход и сегментация: Установлено, что эффективность оценки кредитоспособности достигается только через дифференцированный, гибридный подход: традиционный анализ сохраняет приоритет для крупных корпораций, тогда как для розницы и МСБ критически важен современный, ML-основанный скоринг с использованием альтернативных данных (ЖКУ, ФССП).
4. Эффективность регулирования: Показано, что, несмотря на исторический максимум просроченной задолженности в рознице (NPL 90+ по картам > 0,5 трлн руб.), регуляторные меры (МПЛ, снижение выдач с ПДН > 50% до 22%) эффективно снижают системный риск в банковском секторе.
5. Модернизация через ESG и ML: Предложена модернизация методики через обязательное включение нефинансовых факторов (ESG-риски, фокусирующихся на подверженности и качестве управления) и внедрение продвинутых ML-алгоритмов (XGBoost, нейронные сети) для повышения прогностической силы скоринга, особенно в части использования Big Data.

Практическая значимость: Разработанная методология предоставляет практическим аналитикам и риск-менеджерам коммерческих банков актуализированный набор инструментов и критериев, позволяющих принимать обоснованные кредитные решения в условиях высокой экономической неопределенности, обеспечивая при этом соответствие жестким требованиям Банка России.

Направления дальнейших исследований: Перспективным направлением является разработка и калибровка конкретной модели градиентного бустинга (XGBoost) для скоринга сегмента МСБ, интегрирующей транзакционные данные и ESG-индекс, что позволит количественно оценить прирост точности по сравнению с классической логистической регрессией.

Список использованной литературы

1. Банк России принял ряд решений по макропруденциальной политике // Банк России. URL: https://www.cbr.ru/
2. Глава 2. Общие требования по оценке кредитных рисков по ссудам // КонсультантПлюс. URL: https://www.consultant.ru/
3. Как в 2024 году подорожали кредиты для малого и среднего бизнеса // Expert.ru. URL: https://expert.ru/
4. Как использовать машинное обучение для принятия решений о кредитовании? // Invento Labs. URL: https://invento-labs.by/
5. Министерство науки и высшего образования Российской Федерации Федер // Электронный научный архив УрФУ. URL: https://elar.urfu.ru/
6. Нормативные значения коэффициентов финансовой устойчивости: особенности видов экономической деятельности // КиберЛенинка. URL: https://cyberleninka.ru/
7. О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности от 28 июня 2017 // Портал Справочно-правовых систем. URL: https://cntd.ru/
8. ОБЗОР БАНКОВСКОГО РЕГУЛИРОВАНИЯ II квартал 2024 // Банк России. URL: https://www.cbr.ru/
9. ОБЗОР ФИНАНСОВОЙ СТАБИЛЬНОСТИ // Банк России. URL: https://www.cbr.ru/
10. Оценка кредитных рисков с применением методов машинного обучения // УрФУ. URL: https://urfu.ru/
11. Оценка кредитоспособности заемщиков с помощью big data: проблемы и перспективы внедрения в России // КиберЛенинка. URL: https://cyberleninka.ru/
12. Положение Банка России от 28.06.2017 N 590-П (ред. от 15.03.2023) // КонсультантПлюс. URL: https://www.consultant.ru/
13. Преимущества и недостатки кредитного скоринга как метода оценки кредитоспособности потенциального заемщика // eLIBRARY.RU. URL: https://elibrary.ru/
14. Прибыль банков в 2025 году снизится // Expert.ru. URL: https://expert.ru/
15. Прогноз банковского кредитования на 2025 год // Ассоциация российских банков. URL: https://asros.ru/
16. Прогноз банковского кредитования на 2025 год: под куполом ограничений // Эксперт РА. URL: https://raexpert.ru/
17. РАЗРАБОТКА АЛГОРИТМА ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ КОРПОРАТИВНЫХ ЗАЕМЩИКОВ С УЧЕТОМ ФАКТОРОВ УСТОЙЧИВОГО РАЗВИТИЯ // КиберЛенинка. URL: https://cyberleninka.ru/
18. Разработка скоринговой модели оценки кредитного риска // КиберЛенинка. URL: https://cyberleninka.ru/
19. Рейтинговые системы оценки кредитоспособности заемщиков банков: проблемы создания и перспективы развития // Молодой ученый. URL: https://moluch.ru/
20. Рекомендации по учету ESG-факторов // Банк России. URL: https://www.cbr.ru/
21. Рынок кредитования МСБ по итогам 2024 года и прогноз на 2025-й: ставки сделаны, ставок меньше нет // Эксперт РА. URL: https://raexpert.ru/
22. Что такое скоринг в банке: как работает и зачем нужен // СберБанк. URL: https://www.sberbank.com/
23. «Эксперт РА»: чистая прибыль банковского сектора сократится на 0,5 трлн рублей // Frank Media. URL: https://frankmedia.ru/
24. анализ рисков потребительских кредитов с помощью алгоритмов машинного обучения // Национальный Банк Казахстана. URL: https://nationalbank.kz/