Проблема просроченной задолженности по потребительским кредитам в РФ (2023–2025 гг.): Анализ динамики, современных методов превенции и разработка экономически обоснованных решений

метки: Кредит, Взыскание, Потеря, Collection, Показатель, Обзор, Оценка, Просрочить

Введение в проблему и ее актуальность

К маю 2025 года объем просроченной задолженности по потребительским кредитам в Российской Федерации достиг рекордного за последние шесть лет уровня в 1,5 трлн рублей.

Этот факт — не просто статистический показатель, а тревожный индикатор системного напряжения в розничном кредитовании. В условиях повышенной геополитической и макроэкономической волатильности, а также агрессивного ужесточения регуляторной политики Центрального Банка РФ (ЦБ РФ) в 2023–2025 годах, проблема невозврата долгов приобрела критическое значение для устойчивости всего банковского сектора. Качество кредитного портфеля напрямую влияет на капитализацию банков, их способность выполнять обязательства перед вкладчиками и, в конечном счете, на стабильность финансовой системы. Рост просрочки (доля проблемных ссуд достигла 5,7% от портфеля) заставляет банки формировать крупные резервы на возможные потери (РВПС), что связывает капитал и снижает маржинальность кредитного бизнеса, а это, в свою очередь, ограничивает их возможности по дальнейшему кредитованию экономики.

Целью настоящего исследования является проведение глубокого, актуализированного теоретического и практического анализа причин, динамики и эффективных методов управления, а также превенции просроченной задолженности по потребительским кредитам.

Задачами исследования выступают:

1. Систематизация теоретико-правовых основ оценки кредитного риска с учетом новейших регуляторных требований (Положение № 845-П).
2. Количественный анализ динамики просрочки и оценка эффективности макропруденциального регулирования (МПЛ).
3. Изучение современных цифровых превентивных инструментов (AI/ML-скоринг).
4. Анализ стратегий взыскания и влияния актуальной судебной практики на показатель потерь в случае дефолта (LGD).
5. Разработка конкретных, измеримых и экономически обоснованных рекомендаций для коммерческого банка.

Исследование имеет высокую практическую значимость для коммерческих банков, позволяя им скорректировать свою кредитную политику и стратегии риск-менеджмента в соответствии с текущим экономическим и регуляторным ландшафтом, обеспечивая тем самым устойчивость их финансовых операций.

Учет в кредитной организации обязательных резервов: Анализ действующей ...

... обязательным резервам используется активный балансовый счет № 30202 «Обязательные резервы кредитных организаций, депонированные в Банке России». Этот счет отражает сумму средств, фактически обездвиженных и переведенных в ... 852-П) Ключевой задачей данного раздела является анализ действующей с 1 августа 2025 года методологии, изложенной в Положении Банка России № 852-П. Этот документ определяет новый ...

Теоретико-правовые основы управления кредитным риском

Нормативно-правовое регулирование потребительского кредитования и формирования резервов

Управление кредитным риском в российской банковской системе строго регламентировано. Фундаментом для розничного кредитования является Федеральный закон № 353-ФЗ от 21.12.2013 «О потребительском кредите (займе)», который определяет ключевые понятия и требования к кредиторам.

Согласно данному закону, потребительский кредит (заем) — это денежные средства, предоставляемые на основании договора в целях, не связанных с предпринимательской деятельностью. Закон устанавливает требования к раскрытию полной стоимости кредита (ПСК), порядку заключения договора и взаимодействия с заемщиком, что является первым уровнем защиты от избыточной долговой нагрузки.

Центральный Банк РФ, выступая в роли мегарегулятора, обязывает кредитные организации формировать Резервы на возможные потери по ссудам (РВПС). Порядок их формирования регламентирован Положением Банка России № 590-П от 28.06.2017. Этот механизм является краеугольным камнем риск-менеджмента, поскольку требует от банка заблаговременно отложить часть капитала для покрытия потенциальных потерь от обесценения ссуды. Величина РВПС зависит от категории качества ссуды, которая, в свою очередь, определяется финансовым положением заемщика и качеством обслуживания долга (наличием и сроком просрочки).

Чем выше риск, тем больше средств «замораживается» в резервах, что прямо влияет на финансовый результат банка.

Современные модели оценки кредитного риска в концепции Базель III (PD, LGD, EAD)

Современная методология оценки кредитного риска, гармонизированная с международными стандартами Базель III, сосредоточена на количественном прогнозировании ожидаемых потерь.

Ключевой метрикой является Ожидаемые потери (Expected Loss, EL), рассчитываемые по формуле:

EL = PD × LGD × EAD

В России с 18 февраля 2025 года в области внутренних рейтингов кредитного риска банки руководствуются **Положением Банка России № 845-П**, которое заменило ранее действовавшее Положение № 483-П. Данное Положение детализирует требования к методикам расчета величины кредитного риска с применением продвинутых внутренних моделей (IRB Approach).

1. Вероятность Дефолта (Probability of Default, PD)

PD — это вероятность того, что заемщик не выполнит свои кредитные обязательства в течение определенного горизонта времени (обычно 12 месяцев).
Критерии дефолта являются критически важными. Согласно Положению № 845-П, дефолт признается в двух основных случаях:

Денежно-кредитная эмиссия Банка России: Механизм, инструментарий ...

... -кредитной политики — защита и обеспечение устойчивости рубля. На практике эта цель достигается посредством поддержания ценовой стабильности (стабильно низкой инфляции). С 2014 года Банк ... денежной массы. Инструментарий денежно-кредитной политики Банка России как регулятора эмиссии Регулирование кредитной эмиссии коммерческих банков является ключевой задачей Банка России, которая реализуется через ...

1. Банк считает маловероятным полное исполнение обязательств заемщиком без реализации обеспечения.
2. Просрочка по существенной части обязательств превышает 90 календарных дней.

Для розничных портфелей оценка PD основана на сложных статистических моделях (логистические или пробит-модели), которые интегрируются в скоринговые карты. Методология оценки PD в российских банках включает анализ не только заявленных данных (доход, семейное положение), но и поведенческих характеристик клиента (история транзакций, обслуживание других продуктов банка).

Какой важный нюанс здесь упускается? Точность оценки PD напрямую зависит от качества и полноты исходных данных, и именно поэтому банки активно стремятся интегрировать альтернативные источники информации.

2. Потери в Случае Дефолта (Loss Given Default, LGD)

LGD — это доля убытков, которые понесет банк от непогашенного долга в случае наступления дефолта. Показатель LGD выражается в процентах от EAD.

LGD = 1 - RR

где RR (Recovery Rate) — ставка восстановления.

LGD критически зависит от качества обеспечения и эффективности процессов взыскания. Для необеспеченных потребительских кредитов LGD по определению выше, чем для ипотечных или автокредитов. На практике, LGD включает все расходы, связанные с взысканием (юридические, административные), и отражает чистую потерю.

3. Подверженность Дефолту (Exposure at Default, EAD)

EAD — это сумма, которую банк, вероятно, потеряет в момент дефолта. Для простых потребительских кредитов (без возобновляемой кредитной линии) EAD чаще всего равна остатку основного долга плюс начисленные, но не уплаченные проценты и штрафы. Для кредитных карт или овердрафтов EAD включает также потенциальный неиспользованный лимит, который может быть использован до момента фактического дефолта.

Комплексное применение этих метрик позволяет банку не только оценить текущий риск, но и проводить стресс-тестирование портфеля, моделируя потери при различных сценариях макроэкономического шока.

Динамика и макроэкономические факторы просроченной задолженности (2023–2025 гг.)

Структурный и количественный анализ просроченной задолженности в российском розничном портфеле

Период 2023–2025 годов ознаменовался резким ростом кредитного портфеля и, как следствие, увеличением объема просроченной задолженности. К маю 2025 года объем проблемных ссуд достиг **1,5 трлн рублей**, при этом доля просроченных ссуд (NPL) в розничном портфеле составила **5,7%**.

Этот рост не был равномерным. Анализ показывает, что основной вклад в ухудшение качества портфеля внесли кредиты, выданные в конце 2023 года и начале 2024 года. Это был период, когда:

1. Ключевая ставка ЦБ РФ стремительно росла (достигнув 16% к началу 2025 года), что привело к увеличению средней полной стоимости кредита (ПСК) в топ-20 банках до уровня **33–35%** годовых.
2. На фоне высокой инфляции и снижения реальных располагаемых доходов, заемщики, уже имеющие высокую долговую нагрузку, были вынуждены брать дорогие кредиты, чтобы «залатать» финансовые дыры.

Повышенная стоимость обслуживания долга, связанная с высокими процентными ставками, стала ключевым триггером ухудшения платежеспособности. Пик просрочек и дефолтов, связанных с «созреванием» этих рискованных кредитов (обычно 6–12 месяцев после выдачи), пришелся на первое полугодие 2025 года. Но разве это не свидетельствует о фундаментальном сдвиге в потребительском поведении, когда обслуживание даже умеренной долговой нагрузки становится непосильным бременем?

Показатель	Май 2024 г.	Май 2025 г.	Динамика
Объем просрочки (трлн руб.)	~1,3	1,5	+15,4%
Доля проблемных ссуд (NPL)	~5,2%	5,7%	+0,5 п.п.
Средняя ПСК (топ-20 банков)	~28%	~33-35%	Значительный рост

Источник: Фактические данные и аналитические оценки БКИ/ЦБ РФ.

Оценка влияния макропруденциальных лимитов и надбавок ЦБ РФ

В ответ на нарастающие риски и ускоренный рост необеспеченного кредитования, ЦБ РФ с 2023 года поэтапно вводил и ужесточал меры макропруденциального регулирования. Главными инструментами стали Макропруденциальные Лимиты (МПЛ) и макропруденциальные надбавки к коэффициентам риска.

Эффективность МПЛ: МПЛ — это прямое ограничение доли кредитов, выдаваемых заемщикам с высоким Показателем Долговой Нагрузки (ПДН).

Введение этих лимитов стало наиболее значимым фактором, изменившим структуру выдач в 2024–2025 годах.

Показатель выдачи	II кв. 2023 г.	IV кв. 2024 г.	II кв. 2025 г.
Доля кредитов с ПДН > 80%	45%	13%	~10% (Прогноз)
Доля кредитов с ПДН > 50%	60%	35%	22%

Источник: Данные ЦБ РФ и аналитика регулятора.

Как видно из таблицы, регулятор добился существенного сокращения выдачи наиболее рискованных ссуд (с ПДН более 80%), доля которых снизилась с 45% до 13% и продолжает падать. Это означает, что хотя историческая просрочка (по кредитам, выданным до введения жестких МПЛ) достигла пика в 2025 году, качество новых выдач (начиная со второй половины 2024 года) стало радикально лучше, что позволяет рассчитывать на снижение темпов роста NPL в среднесрочной перспективе.

Макропруденциальные надбавки (повышенные коэффициенты риска) выполняют функцию формирования буфера капитала. Они заставляют банки резервировать больше капитала под рискованные кредиты. Благодаря этим надбавкам, банки сформировали значительный макропруденциальный буфер капитала по потребительским кредитам в размере **834 млрд рублей**, что составляет около 7,1% от розничного портфеля.

Вывод: Регуляторная политика ЦБ РФ, хотя и привела к временному замедлению кредитования, эффективно снизила системный риск, принудив банки к более консервативному скорингу и обеспечив защиту от будущих потенциальных потерь через формирование капитальных буферов.

Цифровизация и современные превентивные методы снижения кредитного риска

Применение технологий искусственного интеллекта (AI/ML) в кредитном скоринге

В условиях жестких МПЛ и высокой стоимости фондирования, конкурентное преимущество банка полностью смещается в сторону точности оценки риска. Здесь на первый план выходят технологии искусственного интеллекта (ИИ) и машинного обучения (ML).

Российский финансовый сектор является мировым лидером по внедрению ИИ: по оценкам Ассоциации ФинТех, **более 95%** отечественных финансовых компаний задействуют ИИ/ML в своей работе. Крупнейшие банки используют свыше 2000 AI-моделей. Финансовый эффект от внедрения ИИ в одном из крупнейших банков за 2024 год оценивается в **450 млрд рублей**, что свидетельствует об их критической значимости.

В контексте превентивного управления риском, ИИ/ML-модели используются для:

1. Продвинутого PD-скоринга: Модели глубокого обучения способны обрабатывать сотни признаков одновременно, выявляя нелинейные зависимости, которые недоступны традиционным логистическим моделям.
2. Поведенческого скоринга (Behavioral Scoring): Оценка вероятности дефолта для уже действующих клиентов на основе их текущих транзакций и использования других продуктов банка.
3. Фрод-менеджмента: ИИ выявляет аномалии и подозрительные паттерны, снижая риск мошенничества, который часто сопряжен с будущей просрочкой.

Использование ИИ позволяет банку принимать более точные решения на этапе выдачи, значительно снижая риск дефолта и, соответственно, объем будущих потерь. Что из этого следует? Инвестиции в искусственный интеллект — это уже не опция, а необходимое условие выживания на рынке, ограниченном регулятором.

Использование альтернативных данных и поведенческого скоринга

Цифровизация кредитного процесса открыла доступ к огромным массивам альтернативных данных, которые существенно повышают точность скоринга. Традиционный скоринг опирается на кредитную историю (БКИ), доход и занятость. Современный же подход включает анализ нетрадиционных источников:

1. Коммунальные и телекоммуникационные платежи: В соответствии с **Федеральным законом № 218-ФЗ**, банки получили возможность запрашивать информацию о задолженности по коммунальным услугам, услугам связи и другим регулярным платежам. Наличие устойчивой дисциплины в этих платежах является мощным индикатором общей финансовой ответственности заемщика, улучшая прогноз PD.
2. Поведенческие паттерны на сайте/в приложении: Скорость заполнения заявки, частота исправлений данных, использование справки о доходе, время суток, когда подается заявка — все эти, казалось бы, незначительные факторы, обрабатываемые ML-моделями, могут служить предикторами высокого риска. Например, слишком быстрое заполнение заявки может указывать на мошенничество, а заполнение поздно ночью — на высокую финансовую тревожность.
3. Анализ транзакций: Глубокий анализ истории транзакций по дебетовым картам и счетам (при согласии клиента) позволяет оценить реальную долговую нагрузку, стабильность дохода и характер трат (например, зависимость от микрозаймов или азартные игры), что критично для расчета реального ПДН и PD.

Интеграция альтернативных данных в AI/ML-модели является ключевым превентивным инструментом, позволяющим банкам оставаться в рамках жестких МПЛ и при этом сохранять приемлемый уровень риска.

Эффективные стратегии работы с просроченной задолженностью и влияние судебной практики на LGD

Автоматизация Collection-процесса и ограничения ФЗ № 230-ФЗ

Работа с уже возникшей просроченной задолженностью (Collection) — это искусство балансирования между эффективностью взыскания и соблюдением законодательства. Процесс традиционно делится на четыре стадии, каждая из которых требует разного уровня автоматизации и ресурсов:

Стадия	Срок просрочки (D-N)	Метод	Цель
Pre-Collection	1–60 дней	Автоматизированные напоминания (SMS, E-mail, IVR-звонки).	Предотвратить переход в глубокую просрочку; информирование.
Soft-Collection	1–90 дней	Дистанционное взаимодействие, переговоры, предложение реструктуризации.	Установление контакта, выяснение причин, возврат в график.
Hard-Collection	91–180 дней	Специализированные отделы, выездные группы (роль снижается).	Агрессивное взыскание, подготовка к Legal-Collection.
Legal-Collection	180+ дней	Передача в суд, исполнительное производство.	Принудительное взыскание, получение исполнительного листа.

Современные, высокоавтоматизированные системы Collection способны удерживать до **97%** займов на стадии **Pre-Collection** за счет своевременных, персонализированных и проактивных коммуникаций. Это критически важно, так как стоимость работы с долгом экспоненциально растет с увеличением срока просрочки. Однако на стадии Soft- и Hard-Collection банки сталкиваются с жесткими ограничениями, установленными **Федеральным законом № 230-ФЗ** (о защите прав должников при взыскании).

Закон строго лимитирует интенсивность взаимодействия:

• Личные встречи: Не более 1 раза в календарную неделю.
• Телефонные переговоры: Не более 1 раза в сутки, 2 раз в неделю, 8 раз в месяц.

Эти ограничения, направленные на защиту прав граждан, парадоксальным образом мотивируют банки быстрее переходить от затратной и ограниченной Hard-Collection к **Legal-Collection** (судебному взысканию).

Судебный процесс, хотя и требует времени, снимает ограничения ФЗ № 230-ФЗ и является более предсказуемым путем к получению исполнительного листа и, соответственно, к реализации обеспечения (если оно есть) или удержанию средств из официаль��ых доходов.

Судебное взыскание, банкротство физических лиц и оптимизация LGD

Эффективность Legal-Collection напрямую влияет на показатель LGD (Loss Given Default). Чем больше средств удается вернуть через суд или в процессе банкротства, тем ниже чистые потери банка.

Банкротство физических лиц (ФЗ № 127-ФЗ) является ключевым инструментом, определяющим конечный LGD. Недавний **Обзор судебной практики Верховного Суда РФ от июня 2025 года** внес существенные уточнения, влияющие на стратегии кредиторов:

1. Приоритет реструктуризации долгов: Судебная практика подчеркивает приоритет процедуры **реструктуризации долгов** над их реализацией. Это соответствует концепции «нового старта» (fresh start), направленной на восстановление платежеспособности гражданина, а не на его полное финансовое уничтожение. Суд вправе утвердить план реструктуризации даже без согласия большинства кредиторов или самого должника (при наличии признаков его недобросовестности).

   Для банка это означает, что вместо полной потери (LGD=100%), он может получить частичное, гарантированное погашение в рамках утвержденного плана.

2. Ограничение исполнительского иммунитета: Существенным фактором, влияющим на LGD, является возможность реализации **единственного жилья** должника. Обзор ВС РФ 2025 года подтверждает, что для ограничения исполнительского иммунитета жилье должно быть признано **чрезмерным**. Суд подчеркнул, что простое превышение нормативной площади, даже в два раза, не является безусловным основанием для признания жилья «роскошным». Это ограничивает возможности банков по повышению LGD за счет дорогостоящего актива, если только не будет доказана явная избыточность площади, что делает взыскание по необеспеченным кредитам еще более сложным.

Таким образом, для оптимизации LGD банку необходимо активно участвовать в процедурах банкротства, предлагая реалистичные планы реструктуризации, и максимально автоматизировать Legal-Collection для оперативного получения исполнительных документов. Только так возможно снизить чистые потери.

Разработка конкретных, экономически обоснованных рекомендаций для коммерческого банка

На основе анализа динамики просрочки, эффективности макропруденциального регулирования и современных технологических возможностей, крупный коммерческий банк может принять ряд конкретных, измеримых мер для улучшения своей кредитной политики и минимизации потерь.

Рекомендации по совершенствованию системы кредитного скоринга

В условиях, когда регулятор (ЦБ РФ) жестко ограничивает выдачу кредитов с высоким ПДН, банку необходимо сосредоточиться на повышении качества скоринга в «разрешенном» сегменте (ПДН до 50%).

1. Внедрение продвинутых ML-моделей для PD-скоринга

Задача: Повысить точность прогнозирования дефолта (PD) на 10-15% по сравнению с традиционными логистическими регрессиями.
Мера: Разработать и ввести в промышленную эксплуатацию ансамблевые модели машинного обучения (например, Gradient Boosting или Random Forest) для оценки PD. Эти модели должны обучаться на полном объеме данных, включая поведенческие и альтернативные признаки.
Обоснование: Модели ML лучше обрабатывают нелинейные зависимости, позволяя банку выявить скрытые риски даже у клиентов с формально низким ПДН. Это позволяет более эффективно использовать ограниченные лимиты выдач, установленные ЦБ РФ.

2. Интеграция альтернативных данных и постоянный пересмотр весов

Задача: Снизить информационную асимметрию и повысить прогностическую силу скоринга.
Мера: Обязательно включить в скоринговые модели, используемые на этапе первичной выдачи, следующие группы данных:

• Сведения о задолженности по ЖКХ и услугам связи (при наличии согласия клиента, согласно ФЗ № 218-ФЗ).
• Параметры поведенческого скоринга (скорость заполнения, активность в мобильном приложении).

Обоснование: Эти данные предоставляют более полную картину финансовой дисциплины заемщика. При текущей высокой инфляции и стоимости кредитов, анализ истории оплаты коммунальных услуг может служить более надежным индикатором будущей просрочки, чем динамика зарплаты. Рекомендуется проводить ежеквартальный пересмотр весов параметров скоринговой модели для адаптации к меняющейся макроэкономической ситуации.

Оптимизация Collection-стратегии и минимизация LGD

Эффективное взыскание напрямую снижает LGD, который является вторым по значимости параметром ожидаемых потерь.

1. Усиление стадии Pre-Collection через высокую автоматизацию

Задача: Удержать максимальное количество займов в ранней просрочке (D+1 до D+60) и снизить операционные расходы на взыскание.
Мера: Инвестировать в полную автоматизацию Pre-Collection, используя предиктивную аналитику для определения оптимального канала и времени контакта.
Целевой показатель: Удержание не менее 97% займов в стадии Pre-Collection.
Инструменты: Персонализированные IVR-звонки (голосовые роботы), автоматические SMS с предложением «легкой» реструктуризации (например, отсрочка одного платежа) или перехода на онлайн-оплату.
Обоснование: Это самый экономически оправданный метод. Стоимость автоматизированного контакта в 10–20 раз ниже, чем стоимость работы оператора. Чем раньше клиент возвращается в график, тем ниже LGD и PD. Забывает ли банк о необходимости постоянной корректировки алгоритмов взаимодействия?

2. Стратегический переход к Legal-Collection для минимизации потерь

Задача: Минимизировать затраты и риски, связанные с длительной, но малоэффективной Hard-Collection, ограниченной ФЗ № 230-ФЗ.
Мера: Настроить внутренние процессы таким образом, чтобы при достижении максимального лимита контактов (например, после 90 дней просрочки), портфель незамедлительно передавался в автоматизированный Legal-Collection для подготовки судебного иска.
Обоснование: Ограничения ФЗ № 230-ФЗ делают Hard-Collection неэффективной и репутационно рискованной. Быстрый переход к судебному взысканию позволяет банку получить исполнительный лист, который обеспечивает более надежный инструмент для взыскания (например, через ФССП), повышая Recovery Rate (RR) и, соответственно, снижая LGD.

Направление	Рекомендация	Экономический эффект
Превенция (PD)	Внедрение ML-моделей с учетом альтернативных данных.	Снижение PD новых выдач на 10–15%, экономия на РВПС.
Взыскание (LGD)	Полная автоматизация Pre-Collection.	Снижение операционных расходов на взыскание на 30–40%.
Стратегия (LGD)	Оперативный переход к Legal-Collection при исчерпании лимитов ФЗ № 230-ФЗ.	Увеличение Recovery Rate, снижение LGD за счет исполнительного производства.

Заключение

Исследование подтвердило, что проблема просроченной задолженности по потребительским кредитам в РФ достигла своего пика в 2025 году, отразив последствия агрессивного кредитования 2023–2024 годов и высокую стоимость обслуживания долга, обусловленную ключевой ставкой ЦБ РФ. Объем просрочки в 1,5 трлн рублей и доля проблемных ссуд в 5,7% свидетельствуют о необходимости фундаментальной перестройки риск-менеджмента.

Была доказана высокая эффективность макропруденциального регулирования: введение МПЛ и надбавок ЦБ РФ стабилизировало ситуацию, резко сократив долю выдач наиболее рискованным заемщикам (с ПДН > 80% снизилась с 45% до 13%).

Однако этот успех требует от банков не просто следования лимитам, но и повышения точности скоринга в разрешенных сегментах.

Достижение поставленной цели (разработка экономически обоснованных решений) было реализовано через детализацию двух ключевых направлений:

1. Превенция (PD): Успешное управление кредитным риском невозможно без перехода к продвинутым технологиям. Рекомендовано внедрение ML-моделей с обязательной интеграцией альтернативных данных (ЖКХ, телекоммуникации) для более точного прогнозирования PD и эффективного использования регуляторных лимитов.
2. Работа с просрочкой (LGD): Оптимизация LGD требует высокой автоматизации на ранних стадиях (Pre-Collection) для снижения операционных затрат и стратегического, оперативного перехода к Legal-Collection при исчерпании возможностей, ограниченных ФЗ № 230-ФЗ. При этом банк должен учитывать новейшую судебную практику (Обзор ВС РФ, июнь 2025 г.), которая ставит приоритет на реструктуризацию долгов.

Практическая значимость исследования заключается в предоставлении коммерческим банкам актуализированной методологической базы, позволяющей им не только соответствовать жестким требованиям Положения ЦБ РФ № 845-П и МПЛ, но и максимизировать финансовый результат за счет снижения ожидаемых и фактических потерь от кредитного риска.

Список использованной литературы

1. Федеральный закон от 21.12.2013 N 353-ФЗ (ред. от 23.07.2025) «О потребительском кредите (займе)». URL: consultant.ru.
2. Положение Банка России от 28 июня 2017 г. № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности». URL: garant.ru.
3. Обзор судебной практики по делам о банкротстве граждан (утв. Президиумом Верховного Суда Российской Федерации 18 июня 2025 года).

   URL: garant.ru.

4. Анализ функциональных издержек (FCA) федеральных резервных банков.
5. Ахмедова М.А., Купцова Е.В. Проблемы потребительского кредитования и пути их решения // Вестник МИРБИС. 2013. № 2. С. 48–51.
6. Базиков Е.Х. Потребительский кредит: теоретические основы и практика применения: дис. … канд. экон. наук. М., 2005. 165 с.
7. Банк России принял решение сохранить значения МПЛ по необеспеченным потребительским кредитам (займам) на III квартал 2025 года и оставить неизменными значения макропруденциальных надбавок. URL: consultant.ru.
8. Банк России принял ряд решений по макропруденциальной политике. URL: cbr.ru.
9. Банк России установил более жесткие макропруденциальные лимиты на IV квартал. URL: interfax.ru.
10. Банкротство граждан — новый обзор, новые правила. URL: rkplaw.ru.
11. Голубков Е.П. Маркетинговые исследования: теория, методология и практика. М.: Финпресс, 2005. 496 с.
12. Доля обстоятельств: просрочка по кредитам достигла рекордных 1,5 трлн. URL: bki-okb.ru.
13. Искусственный интеллект в банках: настоящее и будущее технологии в финансовом секторе. URL: finam.ru.
14. Как микрозаймы влияют на кредитную историю. URL: banki.ru.
15. Клишина Ю.Е. Проблемы потребительского кредитования в России // Молодой ученый. 2013. № 3. С. 367–370.
16. Козлова Е.И. Кредит и банки. М.: Юрайт, 2013. 675 с.
17. Лекция 13. Симуляция и оценка кредитного риска в проектном финансировании. URL: mgimo.ru.
18. моделирование потерь в случае дефолта в концепции минимизации остаточного риска. URL: hse.ru.
19. Моделирование кредитного риска. URL: ibdarb.ru.
20. Обзор 4 систем автоматизации взыскания. URL: csbi.ru.
21. Официальный сайт ВЦИОМ: [Электронный ресурс]. URL: wciom.ru.
22. ПРИМЕНЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА НА ФИНАНСОВОМ РЫНКЕ. URL: cbr.ru.
23. Просроченная задолженность по потребкредитам достигла максимума за 6 лет. URL: frankmedia.ru.
24. Просрочка по кредитам россиян выросла до рекордных 1,5 трлн рублей. URL: forbes.ru.
25. Портфельный кредитный риск (расчет PD, LGD, Cost of Risk).

    URL: isbd.ru.

26. Реструктуризация задолженности в СберБанке: что это и как реструктурировать кредит. URL: sberbank.ru.
27. Судебная практика по банкротству физических лиц 2025 (Обзор).

    URL: 2lex.ru.

28. Технологии взыскания долгов с физических лиц. URL: isbd.ru.
29. Тренды автоматизации в Hard и Legal Collection: интервью с экспертом Банка ЗЕНИТ. URL: rvzrus.ru.
30. Фис Collection 2025: три технологии, которые меняют правила взыскания. URL: rvzrus.ru.
31. ЦБ РФ ужесточает макропруденциальные лимиты и ограничивает пути их обхода. URL: expert.ru.
32. Что такое реструктуризация долгов и как договориться с кредиторами? URL: fcbg.ru.