Оценка кредитоспособности корпоративных заемщиков в российских банках: от регуляторных инноваций 2025 года до технологий искусственного интеллекта

метки: Заемщик, Модель, Финансовый, Оценка, Кредитоспособность, Актив, Применение, Система

Теоретико-методологические основы оценки кредитного риска

Финансовая стабильность любого коммерческого банка напрямую зависит от качества его кредитного портфеля, а оценка кредитоспособности корпоративного заемщика является краеугольным камнем системы управления кредитным риском. В условиях волатильности российского рынка, осложненного геополитическими и макроэкономическими шоками, актуальность разработки и применения точных, риск-чувствительных методик возрастает многократно, что находит свое отражение в ужесточении регуляторных требований Банка России в 2024–2025 годах. В результате банки вынуждены переходить от формальных проверок к проактивному, динамическому риск-менеджменту.

Кредитоспособность — это комплексная правовая и финансовая характеристика заемщика, позволяющая кредитной организации оценить его способность в будущем полностью и в срок рассчитаться по своим долговым обязательствам, включая основную сумму долга и проценты. По сути, кредитоспособность определяет степень кредитного риска, который принимает на себя банк.

При этом необходимо строго разграничивать два тесно связанных, но не тождественных понятия:

• Платежеспособность: Характеризует способность компании погашать текущие обязательства за счет имеющихся в наличии ликвидных активов. Это статичный, сиюминутный срез финансового положения.
• Кредитоспособность: Понятие более широкое и прогностическое. Оно включает не только текущую платежеспособность, но и потенциал генерирования достаточных денежных потоков в долгосрочной перспективе, а также возможность погашения долга за счет реализации залогового обеспечения, поручительства или страховых возмещений.

Кредитный риск — это риск потерь, которые может понести банк вследствие неисполнения или ненадлежащего исполнения заемщиком своих обязательств. Итогом неспособности заемщика обслуживать долг является дефолт. В контексте оценки корпоративных клиентов, дефолт часто определяется регуляторами как просрочка исполнения обязательств более чем на 90 дней.

Актуальная задача российского риск-менеджмента состоит в отходе от формальных, статичных оценок коэффициентов к построению динамических, прогностических моделей, способных интегрировать как финансовые, так и нефинансовые факторы, отражая реальное экономическое содержание сделки.

Кредит в рыночной экономике: теоретические основы, динамика и ...

... кредита, а также проведение углубленного анализа современного состояния, динамики и стратегических рисков кредитной системы РФ в период макроэкономической нестабильности (2023–2025 гг.). Для ... риск Повышение ключевой ставки увеличивает стоимость фондирования для коммерческих банков, что вынуждает их повышать процентные ставки для конечных заемщиков. Это, в свою очередь, сдерживает кредитную ...

Актуальная регуляторная база Банка России и риск-чувствительность капитала (2024–2025 гг.)

Стержнем оценки кредитного риска в российских коммерческих банках является система нормативных актов Банка России, которая непрерывно эволюционирует в сторону повышения риск-чувствительности и соответствия Базельским принципам. Ключевыми документами, регулирующими процесс оценки, являются Положение Банка России от 28.06.2017 № 590-П, Положение Банка России от 23.10.2017 № 611-П и решения Совета директоров ЦБ РФ, направленные на макропруденциальное регулирование.

Несмотря на то, что Инструкция Банка России № 199-И, ранее устанавливавшая нормативы достаточности капитала, утратила силу с августа 2025 года, ее принципы, как и положения Положения № 729-П, продолжают формировать каркас оценки активов.

Применение макропруденциальных надбавок к кредитам крупным корпорациям

Одной из наиболее значимых и актуальных регуляторных инноваций 2024–2025 годов стало введение макропруденциальных мер, направленных на сдерживание накопления системного риска в сегменте крупных корпоративных кредитов.

Банк России, осознавая потенциальную угрозу для финансовой стабильности, связанную с чрезмерной долговой нагрузкой крупнейших игроков рынка, принял следующее решение:

С 1 апреля 2025 года вводится надбавка к коэффициентам риска в размере 20% на прирост кредитных требований к крупным компаниям с повышенной долговой нагрузкой.

Эта мера является прямым стимулом для банков к ужесточению собственных методик оценки кредитоспособности. Банки вынуждены не просто констатировать факт финансового положения, но и проводить стресс-тестирование, анализируя способность заемщика обслуживать долг при различных макроэкономических сценариях, иначе их капитальная нагрузка возрастет.

Механизм влияния на банки:

1. Повышение стоимости кредитования: Увеличение коэффициентов риска ведет к росту величины активов, взвешенных по риску, что, в свою очередь, требует от банка держать больше капитала для соблюдения норматива достаточности.
2. Стимулирование диверсификации: Банки будут стремиться снизить концентрацию кредитов, выдаваемых высокозакредитованным крупным корпорациям, в пользу более устойчивых или менее крупных заемщиков, либо требовать более жестких условий (залог, ковенанты).

Влияние оценки кредитоспособности на формирование резервов (РВПС)

Оценка кредитоспособности является прямой основой для классификации ссуды по категориям качества, что, в свою очередь, определяет размер формируемого Резерва на возможные потери по ссудам (РВПС). Данный процесс регламентируется Положениями № 590-П и № 611-П.

В соответствии с этими нормативными актами, ссуды классифицируются от I (высшая) до V (безнадежная) категории качества. Чем ниже категория, тем выше требуемый процент резервирования.

Актуальные регуляторные требования к РВПС:

Категория качества ссуды	Характеристика заемщика	Требуемый размер РВПС (Не менее)
I	Стандартная (отсутствие риска)	0% (до 1%)
II	Нестандартная (умеренный риск)	5%
III	Сомнительная (значительный риск)	21% – 50%
IV	Проблемная (высокий риск)	51% – 100%
V	Безнадежная (дефолт)	100%

Регуляторное ограничение также касается целевого использования кредитных средств. Согласно п. 3.20 Положения № 590-П, ссуды, использованные заемщиком прямо или косвенно на осуществление вложений в уставные капиталы других юридических лиц, классифицируются не выше, чем в III категорию качества, вне зависимости от их экономического содержания и текущей финансовой устойчивости. Это является важным ограничением, направленным на пресечение рискованного использования заемных средств для финансирования непроизводственных инвестиций, поскольку подобные вложения не генерируют стабильного денежного потока для погашения долга.

Кроме того, Положение № 590-П допускает повышение категории качества ссуды (но не более чем на одну), если показатели операционной деятельности (рентабельность, платежеспособность, чистые активы) заемщика подтверждают его способность к своевременному погашению. Это подчеркивает, что внутренняя банковская оценка должна быть основана на фундаментальном анализе, а не только на формальном соответствии нормативам.

Критический анализ дискриминантных моделей прогнозирования банкротства

На протяжении десятилетий дискриминантный анализ, в первую очередь представленный моделью Z-счета Альтмана, служил основой для создания прогностических моделей кредитоспособности. Однако прямое, неадаптированное применение этих зарубежных инструментов в российской экономике сопряжено с серьезными методологическими проблемами.

Ограничения зарубежных моделей и специфика РСБУ/МСФО

Кредитоспособность по своей природе является функцией от макроэкономического контекста, отраслевой структуры и, что критически важно, стандартов финансовой отчетности. Оригинальная модель Альтмана (1968 г.) была откалибрована на основе данных американских компаний, использующих US GAAP, и оперирующих в стабильном рыночном окружении. До сих пор остается открытым вопрос, а могут ли универсальные модели эффективно работать в столь разных экономических системах?

При переносе этой модели на российскую почву возникает проблема интерпретации и сопоставимости бухгалтерских статей. Пересчет коэффициентов, основанных на РСБУ или даже МСФО, часто приводит к искажениям, поскольку:

1. Различия в структуре капитала: В России исторически наблюдается высокая доля скрытой и неявной государственной поддержки, а также особенности формирования уставного капитала и резервов.
2. Специфика отчетности: Российская отчетность (особенно РСБУ) часто носит фискальный, а не управленческий характер, что может приводить к массовому искажению или «оптимизации» финансовых показателей, делая их менее репрезентативными для целей прогнозирования дефолта.

Исследования российских ученых подтверждают низкую прогностическую силу неадаптированных моделей. Так, общий показатель верных предсказаний банкротства по оригинальному Z-счету Альтмана для российских промышленных предприятий составляет всего 71,3%. При этом доля ошибок II рода (пропуск дефолта) остается неприемлемо высокой для банковского риск-менеджмента.

Отечественные многофакторные модели и их прогностическая сила

Низкая эффективность зарубежных моделей стимулировала разработку отечественных адаптаций и оригинальных методик, откалиброванных на российских данных. Эти модели учитывают специфику коэффициентов, расчет которых ведется на основе показателей РСБУ, и обладают более высокой прогностической силой.

Одним из примеров успешной адаптации является четырехфакторная модель R Давыдова и Беликова, которая, по оценкам, достигает точности прогнозирования до 81%.

Для иллюстрации принципов построения отечественных дискриминантных моделей, рассмотрим распространенную двухфакторную модель, являющуюся одной из адаптаций Z-счета для упрощенного анализа:

R = -0,3877 - 1,0736 * X₁ + 0,0579 * X₂

Где:

• R — интегральный показатель кредитоспособности (прогноза банкротства).
• X₁ — Коэффициент текущей ликвидности (отношение текущих активов к краткосрочным обязательствам).
• X₂ — Коэффициент финансовой зависимости (отношение заемного капитала к пассивам, или коэффициент концентрации заемных средств).

Аналитическое применение:

Диапазон R	Интерпретация
R < 0	Высокая вероятность банкротства
R = 0	Неопределенная зона
R > 0	Низкая вероятность банкротства

Ключевым преимуществом отечественных моделей является то, что коэффициенты, такие как X₂ (коэффициент финансовой зависимости), выбраны и взвешены таким образом, чтобы наилучшим образом отражать российскую практику финансирования и задолженности. Именно учет национальных особенностей в выборе факторных переменных позволяет повысить точность прогнозирования на 10–15% по сравнению с прямым применением зарубежных аналогов.

Интеграция качественных и нефинансовых факторов: от деловой репутации до ESG-рисков

В то время как дискриминантные модели сосредотачиваются на количественном финансовом анализе, практика показала, что полностью автоматизированный скоринг, основанный исключительно на финансовых коэффициентах, неспособен адекватно реагировать на системные кризисы. Неэффективность моделей, основанных только на исторических финансовых показателях, привела к тому, что пик роста просроченной задолженности по корпоративным рублевым кредитам пришелся на август 2016 года. Банки, которые игнорировали нефинансовые факторы (например, отраслевой риск или качество управления в условиях девальвации рубля), понесли наибольшие потери. Почему же финансовые показатели оказываются недостаточными для прогнозирования долгосрочной устойчивости?

Роль балльно-весовых методик в учете качества менеджмента и отраслевых рисков

Для преодоления ограниченности чисто количественного подхода коммерческие банки активно используют балльно-весовые методики (экспертные системы), которые позволяют интегрировать в оценку качественные (нефинансовые) факторы. Эти системы позволяют дополнить математический анализ субъективной экспертной оценкой, которая критически важна для прогнозирования в условиях нестабильности.

Балльно-весовая система позволяет вычленять и ранжировать такие факторы, как:

1. Деловой престиж (Репутация): Отсутствие судебных разбирательств, конфликтов с налоговыми органами, положительная история сотрудничества с банками и партнерами.
2. Качество менеджмента: Опыт, стабильность руководящего состава, наличие стратегического плана, способность оперативно реагировать на изменения рынка.
3. Устойчивость учредителей: Финансовое положение и надежность конечных бенефициаров.
4. Отраслевой риск и диверсификация: Положение компании в отрасли (лидер, аутсайдер), уровень диверсификации деятельности и спроса на продукцию.
5. Кредитная история: Сведения из кредитных бюро и внутренняя история погашений (если применимо).

Каждому фактору присваивается определенный вес (значимость) и балл, который суммируется с баллами, полученными в результате количественного анализа. Таким образом, даже при наличии пограничных финансовых показателей, высокое качество управления или низкий отраслевой риск могут стать причиной повышения категории качества ссуды, как это предусмотрено регуляторными нормами ЦБ РФ.

Учет климатических и ESG-рисков в корпоративном кредитовании (Новый тренд)

С 2024 года в российском финансовом секторе активно развивается новый вектор оценки кредитоспособности, связанный с внедрением ESG-метрик (Environmental, Social, Governance). Этот тренд инициирован Банком России, который стимулирует банки учитывать климатические и социальные риски, несущие угрозу долгосрочной финансовой устойчивости заемщиков.

Ключевым событием в этом направлении стало проведение ЦБ РФ первого «top-down» климатического стресс-теста, результаты которого были опубликованы в феврале 2024 года. Этот тест показал острую необходимость интеграции ESG-факторов:

Без принятия необходимых мер по адаптации и декарбонизации, одна треть крупнейших российских компаний может столкнуться с серьезными финансовыми проблемами на горизонте до 2040 года из-за переходных и физических климатических рисков.

Таким образом, оценка кредитоспособности крупной корпорации теперь должна включать:

• Оценка переходного риска: Степень зависимости компании от углеродоемких технологий, потенциальные затраты на соответствие экологическим стандартам и риск введения трансграничного углеродного налога.
• Оценка физического риска: Уязвимость активов компании к экстремальным погодным явлениям (наводнения, засухи), влияющим на операционную деятельность.

Интеграция ESG-метрик в балльно-весовые модели является не просто данью моде, а критически важным инструментом долгосрочного риск-менеджмента, требующим от банков разработки новых внутренних методик скоринга.

Перспективы и роль технологий AI/ML и кредитных бюро в повышении точности оценки

Современный риск-менеджмент немыслим без использования технологий искусственного интеллекта (ИИ) и машинного обучения (ML), а также данных из национальных кредитных бюро. Эти инструменты обеспечивают высокую скорость обработки данных, интеграцию альтернативных источников и, самое главное, значительно повышают прогностическую силу моделей.

Количественная оценка превосходства моделей машинного обучения

Банковская сфера в России является одним из лидеров по внедрению ИИ. По данным исследования Ассоциации «Финтех» (АФТ) за 2023 год, инвестиции крупнейших российских банков (Топ-5 по активам) в развитие ИИ составляют около $1 млрд (80 млрд рублей) ежегодно.

С точки зрения методологии, модели машинного обучения (нейронные сети, случайные леса, LightGBM) показывают существенное превосходство над традиционными статистическими моделями (дискриминантный анализ и логистическая регрессия).

1. Повышенная точность: Прогнозная сила современных AI/ML моделей в среднем на 10–20% выше, чем у традиционных. На практике, передовые алгоритмы демонстрируют метрику качества прогноза AUC (Area Under the Curve) до 0,785, что является высоким показателем для финансового сектора.
2. PD-скоринг НБКИ: Национальное бюро кредитных историй (НБКИ) активно использует нейронные сети для разработки индустриального скоринга. Модель «Скоринг бюро 3.0» для розничного сегмента, разработанная с применением нейронных сетей, демонстрирует высокий индекс GINI, составляющий 70,7 пункта. Подобные разработки для корпоративного сегмента позволяют банкам получать высокоточную оценку Probability of Default (PD) — вероятности дефолта, основанную на кредитной дисциплине заемщика.

Использование AI/ML позволяет обрабатывать не только структурированную финансовую отчетность, но и обширный спектр альтернативных данных, включая транзакционную активность, «цифровой след» клиента, данные из открытых источников и даже анализ тональности коммуникаций. Именно в этом заключается принципиальное отличие ИИ-систем от классических регрессионных моделей.

Масштабы инвестиций и автоматизация процессов

Масштабные инвестиции в ИИ не просто повышают качество моделей, но и радикально меняют операционную эффективность банков.

Примеры автоматизации, достигнутые крупными российскими банками:

• Автоматизация обслуживания: Применение генеративного ИИ в крупных банках, таких как ПСБ, позволило достичь 50% автоматизации обработки обращений в текстовых каналах и 40% — в голосовых.
• Ускорение принятия решений: Технология RAG (Retrieval-Augmented Generation) значительно ускорила ответы на сложные клиентские запросы (например, по кредитным условиям) — до 8 раз, что сокращает цикл рассмотрения кредитной заявки.

Таким образом, AI/ML в корпоративном кредитовании выполняет две ключевые функции: повышает точность и сокращает время от принятия заявки до выдачи средств, что является критическим конкурентным преимуществом.

Предложения по совершенствованию методики оценки кредитоспособности в российских коммерческих банках

На основе проведенного критического анализа, синтеза актуальной регуляторной базы и оценки перспективных технологий, можно сформулировать комплексные предложения по совершенствованию методики оценки кредитоспособности корпоративных заемщиков в российских коммерческих банках.

Ключевым направлением должно стать создание Гибридной, адаптивной и риск-чувствительной рейтинговой системы, объединяющей методологические, регуляторные и технологические достижения:

1. Переход на Гибридные Прогностические Модели: Банкам необходимо отказываться от монофакторных или устаревших дискриминантных моделей в пользу гибридных систем, в которых:
   • Базовый уровень: Используются отечественные многофакторные дискриминантные модели (например, модификации R Давыдова), адаптированные к специфике РСБУ/МСФО и демонстрирующие точность прогнозирования выше 80%.
   • Углубленный уровень: Внедряются прогностические слои на основе AI/ML (нейронные сети, LightGBM), обрабатывающие альтернативные данные и PD-скоринг из кредитных бюро, что обеспечивает повышение точности на 10–20% и позволяет точнее определить вероятность дефолта (PD).
2. Обязательная Интеграция ESG и Качественных Факторов: Балльно-весовая методика должна быть формализована и включена в кредитный процесс как обязательный элемент, а не как дополнительный экспертный взгляд.
   • Разработать шкалы оценки для ключевых нефинансовых факторов (качество менеджмента, репутация, диверсификация).
   • Внедрить ESG-модуль оценки, который присваивает штрафные или поощрительные баллы в зависимости от климатических рисков и уровня устойчивого развития. Это позволит банкам заранее оценить и снизить риск потерь, указанный в стресс-тестах ЦБ РФ (риск, что 1/3 компаний столкнется с проблемами к 2040 году).
3. Автоматизированный Контроль Регуляторных Лимитов: Процесс оценки должен быть полностью интегрирован с новыми макропруденциальными требованиями ЦБ РФ.
   • Создание IT-системы, которая автоматически проверяет присвоенный рейтинг на предмет соответствия требованиям по формированию РВПС (например, автоматический расчет 5% резерва для II категории).
   • Внедрение автоматических предупреждений при оценке кредитов, которые могут попасть под 20% надбавку к коэффициентам риска (с 01.04.2025), что позволит менеджменту скорректировать условия кредитования или снизить долю высокорисковых активов.
   • Жесткий автоматический контроль целевого использования кредитов, не допуская классификации выше III категории качества для ссуд, направленных на вложения в уставные капиталы.

Заключение

Современная система оценки кредитоспособности корпоративных заемщиков в российских коммерческих банках находится на этапе глубокой трансформации, обусловленной ужесточением макропруденциального регулирования и технологическим прорывом в сфере искусственного интеллекта.

Проведенный анализ подтверждает, что традиционные методы, особенно неадаптированные зарубежные дискриминантные модели (такие как Z-счет Альтмана), демонстрируют недостаточную точность в российских реалиях. Ключевой вывод заключается в необходимости перехода к гибридной модели оценки, которая синтезирует три основных компонента:

1. Регуляторная строгость: Неукоснительное соблюдение и проактивное применение последних норм ЦБ РФ, включая макропруденциальные надбавки 2025 года и жесткие требования к РВПС.
2. Методологическая адаптированность: Отказ от прямого копирования зарубежных моделей в пользу отечественных адаптаций, обладающих доказанной прогностической силой в российском контексте, и обязательная интеграция качественных факторов (деловая репутация, ESG-риски).
3. Технологическое превосходство: Масштабное внедрение AI/ML-технологий, которые, обладая на 10–20% более высокой точностью, позволяют банку эффективно управлять большими данными и оперативно принимать риск-чувствительные решения.

Только такая комплексная, технологически оснащенная и нормативно актуальная система оценки кредитоспособности способна обеспечить устойчивость кредитного портфеля российских коммерческих банков и гарантировать финансовую стабильность в условиях высокой волатильности рынка.

Список использованной литературы

1. Антикризисное управление: от банкротства – к финансовому оздоровлению / Под ред. Г.П. Иванова. М.: Закон и право, ЮНИТИ, 2004. 226 с.
2. Балдин К.В. Антикризисное управление: макро и микроуровень. М.: Дашков, 2005. 316 с.
3. Бердникова Т.Б. Анализ и диагностика финансово-хозяйственной деятельности предприятия: Учебное пособие. М.: ИНФРА-М, 2005. 215 с.
4. Бондаренко С.В., Сапрунова Е.А. Сравнительный анализ методик кредитоспособности заемщиков // Финансы и кредит. 2008. 248 с.
5. Вакуленко Т.Г., Фомина Л.Ф. Анализ бухгалтерской (финансовой) отчётности для принятия управленческих решений. СПб.: Издательский дом «Герда», 2005. 288 с.
6. Власова М.А. Система инвестиционного обеспечения реального сектора российской экономики в современных условиях // Финансы и кредит. 2006. 65 с.
7. Ендовицкий Д.А., Бочарова И.В. Анализ и оценка кредитоспособности заемщика: учебно-практическое пособие. М.: Кнорус, 2005. 354 с.
8. Казьмин А.И. Банковская система и Сбербанк России: новые вызовы и импульсы роста // Деньги и кредит. 2006. 26 с.
9. Кирисюк Г.М., Ляховский В.С. Оценка банком кредитоспособности Заемщика // Деньги и кредит. 2004. 217 с.
10. Ковалев А.И., Привалов В.П. Анализ финансового состояния предприятия. М.: Центр экономики и маркетинга, 2001. 256 с.
11. Ковалев А.И., Привалов В.П. Безубыточность, кредитоспособность, банкротство // Бизнес, прибыль, право. 2000. 232 с.
12. Кондраков Н.П. Бухгалтерский учёт: Учебное пособие. 2-е изд., перераб. и доп. М.: ИНФРА-М, 2006. 584 с.
13. Крейнина М.Н. Финансовый менеджмент: учебное пособие. М.: Дело и сервис, 2004. 138 с.
14. Лаврушин О.И., Афанасьева О.Н., Корниенко С.Л. Банковское дело: современная система кредитования : учебное пособие. 3-е изд., доп. М. : КНОРУС, 2007. 264 с.
15. Ольшаный А.И. Банковское кредитование — российский и зарубежный опыт. М.: РДЛ, 2003. 267 с.
16. Остапенко В.В., Мешков В.М. Кредитование банками предприятий: потребности, возможности, интересы // Финансы. 2006. 364 с.
17. Пареная В.А., Долгалев И.А. К вопросу о прогнозировании финансового состояния предприятия // Аналитический банковский журнал. 2002. 56 с.
18. Пареная В.А., Долгалев И.А. Экспресс-оценка вероятности банкротства предприятия // Аудит и финансовый анализ. 2002. 84 с.
19. Парушина Н.В. Анализ финансовых результатов по данным бухгалтерской отчётности // Бухгалтерский учёт. 2005. 348 с.
20. Семеней А. Проблемы прогнозирования банкротства на отечественных предприятиях // Люди дела XXI. 2003. 154 с.
21. Федеральный закон от 26 октября 2002 г. № 127-ФЗ «О несостоятельности (банкротстве)».
22. Филиппов И. Оценка кредитоспособности предприятия // АПК: экономика, управление. 2005. 185 с.
23. Челышев А.Н. Разработка инструментальных методов прогнозирования банкротства предприятий: дис. … канд. экон. наук. М., 2006. 116 c.
24. Шеремет А.Д., Сайфулин Р.С. Методика финансового анализа. М.: ИНФРА-М, 2006. 176 с.
25. Решение Совета директоров Банка России о подходах к оценке риска по кредитным требованиям и требованиям по получению начисленных (накопленных) процентов в целях расчета обязательных нормативов банков (банковских групп) (23.06.2025) [Электронный ресурс] // Официальный сайт Банка России (cbr.ru).
26. Решение Совета директоров Банка России от 24.12.2024 «О подходах к оценке риска по кредитным требованиям…» [Электронный ресурс] // КонсультантПлюс (consultant.ru).
27. Банк России подготовит нормативные изменения, направленные на ограничение кредитных рисков крупных компаний [Электронный ресурс] // КонсультантПлюс (consultant.ru).
28. Обзор банковского регулирования IV квартал 2024 (24.02.2025) [Электронный ресурс] // Официальный сайт Банка России (cbr.ru).
29. Применение искусственного интеллекта на финансовом рынке (30.10.2023) [Электронный ресурс] // Официальный сайт Банка России (cbr.ru).
30. Методы оценки кредитоспособности корпоративных клиентов коммерческого банка: российский и зарубежный опыт [Электронный ресурс] // Applied-research.ru.
31. Применение существующих дискриминантных моделей прогнозирования банкротства в организациях сельского хозяйства [Электронный ресурс] // Cyberleninka.ru.
32. Прогнозирование банкротства методами машинного обучения [Электронный ресурс] // Iis.ru.
33. Анализ отечественных дискриминантных моделей прогнозирования банкротств [Электронный ресурс] // Studwood.net.
34. Методики оценки кредитоспособности заемщиков коммерческими банками в РФ и зарубежом [Электронный ресурс] // Cyberleninka.ru.
35. Прогнозирование банкротства: эконометрическая модель для российских страховщиков [Электронный ресурс] // Oaji.net.
36. Критерии оценки кредитоспособности предприятия [Электронный ресурс] // Cyberleninka.ru.
37. Новая эра в кредитном скоринге: как ИИ помогает оценивать заемщиков? [Электронный ресурс] // Jetlend.ru.
38. Анализ российских рейтинговых моделей оценки кредитоспособности заёмщика [Электронный ресурс] // Izron.ru.
39. Оценка кредитоспособности заёмщика с учётом нейрокогнитивных факторов [Электронный ресурс] // Urfu.ru.
40. Разработка алгоритма оценки кредитоспособности корпоративных заемщиков с учетом факторов устойчивого развития [Электронный ресурс] // Cyberleninka.ru.
41. Выпускная квалификационная работа по оценке кредитоспособности предприятия (08.01.2024) [Электронный ресурс] // Mmu.ru.
42. ИИ «опрозрачил» кредитные истории россиян (01.03.2024) [Электронный ресурс] // Comnews.com.