Оценка кредитоспособности заемщиков в ПАО Сбербанк России: Теория, Практика и Пути Совершенствования с учетом международного опыта и цифровизации

метки: Кредитный, Страхование, Сбербанк, Оценка, Данные, Заемщик, Https, Анализ

В условиях беспрецедентной динамики глобального финансового рынка и стремительной цифровой трансформации банковского сектора, оценка кредитоспособности заемщиков перестала быть просто формальной процедурой.

Она превратилась в ключевой фактор устойчивости банковской системы и краеугольный камень эффективного управления рисками. Ошибки в этом процессе чреваты колоссальными потерями, способными подорвать стабильность не только отдельных финансовых институтов, но и всей экономики.

В этом контексте, ПАО Сбербанк России, как крупнейший финансовый институт страны, является образцовой площадкой для глубокого анализа и исследования текущих методик и потенциальных путей совершенствования оценки кредитоспособности.

Данная работа ставит своей целью не только систематизировать теоретические основы кредитоспособности и кредитного риска, но и детально рассмотреть практические аспекты их оценки в ПАО Сбербанк России. Особое внимание будет уделено влиянию цифровизации, внедрению искусственного интеллекта и адаптации международных стандартов, таких как Базельские соглашения, на отечественную банковскую практику. Структура исследования включает теоретический блок, аналитическую часть, посвященную текущим методикам Сбербанка, и, наконец, раздел, предлагающий конкретные рекомендации по совершенствованию с учетом передового мирового опыта и технологических инноваций. Научная значимость работы заключается в комплексном подходе к анализу проблемы, интеграции различных исследовательских парадигм и актуализации данных. Практическая значимость выражается в разработке применимых рекомендаций, которые могут быть использованы как для повышения эффективности кредитной политики Сбербанка, так и для улучшения риск-менеджмента в целом.

Теоретические основы и концептуальные подходы к оценке кредитоспособности

В основе любой кредитной операции лежит доверие, но в мире больших финансов этого недостаточно. Необходима строгая, методологически выверенная система оценки, способная предсказать, вернется ли заемщик к своим обязательствам. Именно здесь на сцену выходит концепция кредитоспособности и сопутствующие ей риски. Отсюда и возникает вопрос, что же на самом деле является ключевым фактором успеха в банковском деле?

Понятие, сущность и функции кредитоспособности заемщика

В самом широком смысле, кредитоспособность – это объективная способность и готовность заемщика погасить взятый долг, включая как основную сумму, так и проценты, в строгом соответствии с условиями кредитного договора. Это не просто наличие средств, но и финансовая устойчивость, управленческая эффективность, и, что не менее важно, добросовестность и ответственность – без этих качеств даже самая сильная компания может столкнуться с проблемами в долгосрочной перспективе.

Статистические методы анализа кредитных отношений: всестороннее ...

... Целью данного исследования является проведение всестороннего академического анализа статистических методов, используемых для изучения кредитных отношений. Мы стремимся не только систематизировать теоретические основы этих ... статистический инструментарий используется для изучения всех аспектов кредита: от оценки кредитоспособности заёмщиков до выявления макроэкономических тенденций и расчёта ...

Оценка кредитоспособности, по своей сути, является прогнозом – попыткой заглянуть в будущее и определить вероятность того, что клиент вернет заемные средства. Это отличает кредитоспособность от платежеспособности, которая характеризует текущую способность предприятия или физического лица выполнять свои финансовые обязательства в данный момент времени. Платежеспособность – это состояние «здесь и сейчас», тогда как кредитоспособность – это потенциал «на протяжении срока кредита», то есть способность генерировать денежные потоки в будущем.

Неразрывно связан с кредитоспособностью и кредитный риск – это вероятность возникновения возможных потерь для банка, вызванных невозвратом кредитных ресурсов, полным или частичным, в результате ухудшения финансового состояния клиента-заемщика. Управление этим риском — стержень банковской деятельности, ведь именно от него зависит финансовое здоровье кредитной организации.

Эффективное управление кредитным риском невозможно без четко сформулированной кредитной политики банка. Это комплекс принципов, методов и инструментов, определяющих стратегию банка в области кредитования, устанавливающих требования к заемщикам, лимиты выдачи, условия предоставления и порядок мониторинга кредитов, что в конечном итоге определяет рисковую стратегию банка.

В условиях нестабильного рынка возникает и понятие проблемной задолженности – это совокупность кредитов, по которым заемщики не выполняют свои обязательства в срок, что приводит к возникновению просрочки или дефолта, требуя от банка специальных мер по взысканию или реструктуризации, что зачастую является индикатором неэффективной системы оценки.

Наконец, для минимизации концентрации рисков и обеспечения стабильности кредитного портфеля, банки активно применяют диверсификацию кредитного портфеля. Это распределение кредитных вложений между различными типами заемщиков, отраслей, регионов и видов кредитных продуктов с целью снижения общего уровня риска и повышения устойчивости к неблагоприятным событиям в одном сегменте, что позволяет банку не зависеть от отдельных крупных заемщиков.

Классические модели оценки кредитоспособности

История банковского дела изобилует попытками систематизировать и упростить процесс оценки кредитоспособности. Некоторые из этих моделей стали настоящими «классиками», несмотря на развитие технологий, оставаясь основой для современных подходов.

Одной из наиболее известных и широко применяемых является система «Пять С кредита» (Five Cs of Credit). Эта американская методика акцентирует внимание на пяти ключевых аспектах, каждый из которых начинается с буквы «С» (на английском языке):

Управление кредитным риском и обеспечение возвратности кредитов ...

... риска многомерна: По типу заемщика: Риск корпоративный (юридические лица), розничный (физические лица), межбанковский (риск контрагента). По ... базы и практических механизмов обеспечения возвратности кредитов, фокусируясь на последних изменениях в регуляторной ... РФ является регуляторная база, установленная Центральным банком. Основным документом, определяющим порядок формирования резервов на ...

1. Характер (Character): Этот элемент касается репутации, порядочности и добросовестности заемщика. Для физического лица это его личные качества, ответственность, история исполнения обязательств. Для юридического лица – репутация компании, степень ответственности высшего менеджмента, их опыт и деловая этика, а также ясность и обоснованность цели кредита. Это субъективный, но крайне важный фактор, ведь цифры могут быть скорректированы, а намерение – нет.
2. Емкость (Capacity): Отражает способность заемщика генерировать достаточные денежные потоки для своевременного погашения кредита. Для физического лица это анализ доходов, расходов, стабильности занятости. Для юридического лица – это анализ операционной деятельности, финансового состояния, прибыльности и ликвидности, показывающий, насколько эффективно компания способна зарабатывать средства для обслуживания долга.
3. Капитал (Capital): Оценивает финансовую прочность заемщика с точки зрения его собственного капитала. Это не только размер собственного капитала, но и его структура, соотношение с заемными средствами (коэффициент финансового левериджа).

   Наличие достаточного собственного капитала снижает риск для кредитора, так как показывает степень вложения заемщика в кредитуемую операцию и его способность абсорбировать потенциальные убытки.

4. Залог (Collateral): Представляет собой активы, которые заемщик предлагает в качестве обеспечения кредита. В случае дефолта, банк может реализовать эти активы для компенсации своих потерь. Важными аспектами являются ликвидность залога, его рыночная стоимость и возможность быстрого обращения в денежные средства. К этой категории также относятся поручительства и банковские гарантии.
5. Условия (Conditions): Это внешние факторы, влияющие на способность заемщика погасить долг. Сюда входят общая экономическая ситуация (рост или рецессия), состояние отрасли, в которой работает заемщик, политическая стабильность, изменения в законодательстве, конкурентная среда и другие макроэкономические и рыночные условия, что особенно актуально в современном нестабильном мире.

Помимо «Пяти С», существуют и другие, не менее значимые комплексные модели, например:

• Методика CAMPARI: Широко применяется в европейских и американских банках, представляя собой расширенный взгляд на кредитоспособность:
  • Character (Характер): Аналогично «Пяти С».
  • Ability (Способность): Способность генерировать прибыль и денежные потоки для погашения долга.
  • Means (Средства): Наличие достаточных ресурсов и активов для обеспечения деятельности.
  • Purpose (Цель): Четко определенная и экономически обоснованная цель кредита.
  • Amount (Сумма): Обоснованность запрашиваемой суммы кредита.
  • Repayment (Возврат): Реалистичность и четкость плана погашения.
  • Insurance (Страхование): Наличие страхования рисков (например, залога, жизни заемщика).
• Методика PARTS: Применяется банками Великобритании и фокусируется на практических аспектах кредитной сделки:
  • Purpose (Цель): Цель, на которую запрашивается кредит.
  • Amount (Сумма): Размер требуемого кредита.
  • Repayment (Возврат): Механизм и источник погашения долга.
  • Term (Срок): Продолжительность кредитного договора.
  • Security (Обеспечение): Наличие и качество залога или иных гарантий.

Эти модели, хотя и разработаны десятилетия назад, остаются актуальными, поскольку охватывают фундаментальные аспекты взаимодействия кредитора и заемщика, предоставляя универсальный каркас для принятия кредитных решений, ведь базовые принципы финансовой стабильности не меняются.

Количественные методы оценки: Z-коэффициент Альтмана

Когда речь заходит о количественной оценке финансового состояния компании и прогнозировании вероятности ее банкротства, одним из наиболее известных и влиятельных инструментов является Z-коэффициент Альтмана. Разработанный Эдвардом Альтманом в 1968 году, этот мультипликативный дискриминантный анализ стал революцией в финансовом анализе, предлагая простой, но мощный способ оценить «финансовое здоровье» предприятия.

Оригинальная формула Z-коэффициента Альтмана была разработана для публичных производственных компаний и выглядит следующим образом:

Z = 1.2X1 + 1.4X2 + 3.3X3 + 0.6X4 + 1.0X5

Каждый компонент формулы имеет четкий экономический смысл:

• X₁ = Оборотный капитал / Сумма активов. Этот коэффициент характеризует ликвидность компании и ее способность покрывать краткосрочные обязательства за счет текущих активов. Чем выше значение, тем лучше.
• X₂ = Нераспределенная прибыль / Сумма активов. Показатель кумулятивной прибыльности и зрелости компании. Он отражает объем прибыли, реинвестированной в бизнес, а не выплаченной акционерам. Высокое значение указывает на длительную и успешную деятельность.
• X₃ = Операционная прибыль / Сумма активов. Этот коэффициент измеряет операционную рентабельность активов, то есть способность компании генерировать прибыль от основной деятельности до вычета процентов и налогов. Это ключевой индикатор эффективности управления активами.
• X₄ = Рыночная стоимость акций / Задолженность. Этот показатель отражает рыночную оценку стоимости собственного капитала компании по отношению к ее долговым обязательствам. Для публичных компаний он демонстрирует доверие инвесторов. (Задолженность здесь = Общие обязательства).
• X₅ = Выручка / Сумма активов. Коэффициент оборачиваемости активов, показывающий, насколько эффективно компания использует свои активы для генерации выручки.

Интерпретация Z-коэффициента Альтмана:

• Z > 2.99: Компания считается финансово устойчивой, риск банкротства низкий.
• Z < 1.81: Высокий риск банкротства.
• 1.81 ≤ Z ≤ 2.99: «Серая зона» или зона неопределенности, где вероятность банкротства возрастает, и требуется более глубокий анализ.

Пример применения Z-коэффициента:

Допустим, у нас есть гипотетическая производственная компания «Альфа» с данными за 2024 год:

Показатель	Значение, млн руб.
Оборотный капитал	150
Сумма активов	400
Нераспределенная прибыль	80
Операционная прибыль (EBIT)	60
Рыночная стоимость акций (капитализация)	250
Общая задолженность	180
Выручка	300

Рассчитаем компоненты:

• X₁ = 150 / 400 = 0.375
• X₂ = 80 / 400 = 0.200
• X₃ = 60 / 400 = 0.150
• X₄ = 250 / 180 ≈ 1.389
• X₅ = 300 / 400 = 0.750

Теперь подставим значения в формулу Z:

Z = (1.2 * 0.375) + (1.4 * 0.200) + (3.3 * 0.150) + (0.6 * 1.389) + (1.0 * 0.750)

Z = 0.450 + 0.280 + 0.495 + 0.833 + 0.750

Z ≈ 2.808

Интерпретация: Z = 2.808 находится в «серой зоне» [1.81-2.99]. Это означает, что компания «Альфа» находится в зоне неопределенности с повышенным риском банкротства, и банку потребуется более тщательный анализ ее финансового состояния и перспектив перед принятием решения о кредитовании. Такая ситуация всегда требует более глубокого погружения в детали, ведь цифры не всегда говорят о полной картине.

Ограничения Z-коэффициента:

Несмотря на свою популярность, модель Альтмана имеет ряд ограничений:

• Применимость: Оригинальная модель наиболее эффективна для крупных, публичных производственных компаний. Для малых и средних предприятий, а также для компаний в других секторах экономики (например, сфера услуг) или с отличными стандартами учета (как в России), могут потребоваться модифицированные версии или другие модели.
• Актуальность: Модель основана на исторических данных, что может не отражать текущие или будущие изменения в экономике или в самой компании.
• Искажения: Искусственная «подгонка» отчетности для улучшения показателей может исказить результаты.
• Отсутствие качественных факторов: Z-коэффициент игнорирует нефинансовые факторы, такие как качество управления, конкурентная среда, инновации, которые могут быть критически важны для долгосрочной устойчивости, что является его существенным недостатком в комплексной оценке.

Тем не менее, Z-коэффициент Альтмана остается ценным инструментом экспресс-анализа, который позволяет быстро выявить потенциально проблемные компании и направить усилия на более глубокое исследование их финансового положения.

Методология оценки кредитоспособности в ПАО Сбербанк России

ПАО Сбербанк, как флагман российской банковской системы, постоянно совершенствует свои подходы к оценке кредитоспособности, адаптируясь к меняющимся экономическим условиям и регуляторным требованиям. Его методология представляет собой многогранную систему, сочетающую автоматизированные скоринг-модели для физических лиц и комплексный количественно-качественный анализ для корпоративных заемщиков. Разве можно представить себе крупный банк без такой сложной и постоянно развивающейся системы?

Оценка кредитоспособности физических лиц: скоринг-модели и показатель долговой нагрузки (ПДН)

В современном розничном кредитовании, где ежедневно обрабатываются миллионы заявок, ручная оценка кредитоспособности физических лиц становится неэффективной и экономически нецелесообразной. На смену ей пришел кредитный скоринг – автоматизированная система, которая присваивает каждому потенциальному заемщику баллы (скоринговый балл) на основе различных параметров. Сбербанк России активно использует скоринг как основную методику для физических лиц.

Процесс скоринга в Сбербанке включает анализ широкого спектра данных, позволяющих сформировать комплексное представление о потенциальном клиенте:

1. Сведения из кредитной истории: Это, пожалуй, один из наиболее важных параметров. Кредитная история, получаемая из бюро кредитных историй (БКИ), содержит информацию о прошлых и текущих кредитах заемщика, его платежной дисциплине, наличии просрочек, дефолтов, а также о количестве запросов на кредит. Положительная кредитная история является мощным индикатором надежности.
2. Информация из анкеты заемщика: Здесь собираются данные о:
   • Уровне дохода: Подтвержденный доход (справки 2-НДФЛ, выписки из Пенсионного фонда) играет ключевую роль.
   • Профессии и стаже работы: Стабильная работа в престижной отрасли и длительный стаж повышают скоринговый балл.
   • Возрасте: Определенные возрастные группы могут иметь более высокую или низкую вероятность дефолта.
   • Семейном положении и наличии иждивенцев: Эти факторы влияют на свободный доход заемщика.
   • Образовании, наличии имущества: Дополнительные данные, косвенно указывающие на финансовую стабильность.
3. Анализ собственных данных банка: Сбербанк, будучи крупнейшим банком, обладает огромным объемом информации о своих клиентах. Это включает:
   • Данные о зачислениях и тратах с дебетовых и кредитных карт: Анализ регулярности поступлений, объемов трат, категории расходов может дать ценные инсайты о финансовом поведении.
   • История взаимодействия с банком: Наличие депозитов, инвестиционных продуктов, своевременность платежей по другим продуктам банка (например, коммунальные услуги через Сбербанк Онлайн) – все это формирует внутренний «портрет» клиента.

Особое внимание в последние годы уделяется Показателю Долговой Нагрузки (ПДН). С 1 октября 2019 года Центральный банк России обязал все кредитные организации рассчитывать ПДН при рассмотрении каждой заявки на кредит. Этот показатель представляет собой отношение суммы ежемесячных платежей заемщика по всем его кредитным обязательствам (включая потенциальный новый кредит) к его среднемесячному доходу.

Формула расчета ПДН:

ПДН = (Суммаежемесячных_платежей_по_всем_кредитам / Среднемесячный_доход) * 100%

Пример расчета ПДН:

Допустим, заемщик Иван Петров со среднемесячным доходом 80 000 рублей имеет следующие обязательства:

• Платеж по ипотеке: 25 000 рублей/месяц
• Платеж по автокредиту: 10 000 рублей/месяц
• Потенциальный новый потребительский кредит: 15 000 рублей/месяц

Сумма ежемесячных платежей = 25 000 + 10 000 + 15 000 = 50 000 рублей.

ПДН = (50 000 / 80 000) * 100% = 62.5%

С 1 января 2024 года требования к ПДН стали еще строже: банки и микрофинансовые организации обязаны информировать заемщика о превышении ПДН, если на выплаты по кредитам будет уходить более 50% дохода. Это требование направлено на предотвращение чрезмерной закредитованности населения. В случае Ивана Петрова (ПДН 62.5%), банк обязан проинформировать его о высоком уровне долговой нагрузки. Такой подход помогает снизить риски невозврата и поддерживает финансовую стабильность граждан.

Сбербанк настраивает свою систему скоринга с учетом этих требований, автоматически сравнивая данные клиента с установленными требованиями и ПДН. Высокий ПДН может стать причиной отказа в кредите или предложить кредит на менее выгодных условиях.

Оценка кредитоспособности юридических лиц: количественный и качественный анализ

Оценка кредитоспособности юридических лиц в Сбербанке – это значительно более сложный и многоступенчатый процесс, требующий глубокого анализа финансово-хозяйственной деятельности предприятия. Здесь применяется двухуровневый подход: количественный (оценка финансового состояния) и качественный анализ рисков.

Количественный анализ финансового состояния

Этот этап направлен на объективную оценку финансового положения заемщика с использованием бухгалтерской отчетности. Анализ проводится с учетом динамики оценочных показателей, структуры статей баланса, качества активов и направлений хозяйственно-финансовой политики.

Сбербанк традиционно использует три основные группы финансовых показателей:

1. Коэффициенты ликвидности: Характеризуют способность предприятия покрывать свои краткосрочные обязательства за счет текущих активов.
2. Коэффициент наличия собственных средств: Отражает финансовую независимость компании, ее способность функционировать за счет собственного капитала.
3. Показатели оборачиваемости и рентабельности: Измеряют эффективность использования активов, капитала и способность генерировать прибыль.

Согласно методике Сбербанка для корпоративных заемщиков, основными оценочными показателями являются следующие коэффициенты:

• K₁ – Коэффициент абсолютной ликвидности:
  (Стр. 260 + Стр. 253(частично)) / (Стр. 690 - Стр. 640 - Стр. 650)
  Показывает, какая часть краткосрочных долговых обязательств может быть погашена немедленно за счет имеющихся денежных средств, средств на депозитных счетах и высоколиквидных краткосрочных ценных бумаг. Это самый строгий показатель ликвидности.
  • Где: Стр. 260 – Денежные средства и денежные эквиваленты; Стр. 253_{(частично)} – Финансовые вложения (краткосрочные), часть которых высоколиквидна; Стр. 690 – Итого краткосрочные обязательства; Стр. 640 – Доходы будущих периодов; Стр. 650 – Оценочные обязательства (краткосрочные).
• K₂ – Коэффициент срочной ликвидности (промежуточный коэффициент покрытия):
  (Стр. 260 + Стр. 250 + Стр. 240) / (Стр. 690 - Стр. 640 - Стр. 650)
  Характеризует способность предприятия оперативно высвободить денежные средства из хозяйственного оборота для погашения долговых обязательств. Учитывает денежные средства, краткосрочные финансовые вложения и дебиторскую задолженность.
  • Где: Стр. 250 – Финансовые вложения (краткосрочные); Стр. 240 – Дебиторская задолженность.
• K₃ – Коэффициент текущей ликвидности:
  Стр. 290 / (Стр. 690 - Стр. 640 - Стр. 650)
  Наиболее общий показатель ликвидности, показывающий, насколько текущие активы покрывают краткосрочные обязательства.
  • Где: Стр. 290 – Итого оборотные активы.
• K₄ – Коэффициент соотношения собственных и заемных средств:
  Стр. 490 / (Стр. 590 + Стр. 690 - Стр. 640 - Стр. 650)
  Отражает финансовую независимость компании, долю собственного капитала в общих источниках финансирования. Высокое значение указывает на низкую зависимость от внешних займов.
  • Где: Стр. 490 – Итого капитал и резервы; Стр. 590 – Итого долгосрочные обязательства.
• K₅ – Рентабельность продукции:
  (Стр. 050 формы №2 / Стр. 010 формы №2) * 100%
  Показывает эффективность основной деятельности, отношение прибыли от продаж к выручке.
  • Где: Стр. 050 формы №2 – Прибыль (убыток) от продаж; Стр. 010 формы №2 – Выручка.

Пример расчета коэффициентов для юридического лица:

Предположим, у компании «Гамма» за 2024 год следующие данные из бухгалтерского баланса (Форма №1) и отчета о финансовых результатах (Форма №2), млн руб.:

Форма №1 (Баланс):

• Стр. 260 (Денежные средства) = 20
• Стр. 253 (Краткосрочные фин. вложения, высоколиквидные) = 5
• Стр. 250 (Краткосрочные фин. вложения) = 15
• Стр. 240 (Дебиторская задолженность) = 70
• Стр. 290 (Итого оборотные активы) = 180
• Стр. 490 (Итого капитал и резервы) = 150
• Стр. 590 (Итого долгосрочные обязательства) = 100
• Стр. 690 (Итого краткосрочные обязательства) = 120
• Стр. 640 (Доходы будущих периодов) = 5
• Стр. 650 (Оценочные обязательства) = 3

Форма №2 (Отчет о финансовых результатах):

• Стр. 050 (Прибыль от продаж) = 30
• Стр. 010 (Выручка) = 200

Рассчитаем коэффициенты:

• K₁ (Коэффициент абсолютной ликвидности):
  K₁ = (20 + 5) / (120 — 5 — 3) = 25 / 112 ≈ 0.223
  Нормативное значение Сбербанка обычно > 0.2-0.3
• K₂ (Коэффициент срочной ликвидности):
  K₂ = (20 + 15 + 70) / (120 — 5 — 3) = 105 / 112 ≈ 0.938
  Нормативное значение Сбербанка обычно > 0.7-1.0
• K₃ (Коэффициент текущей ликвидности):
  K₃ = 180 / (120 — 5 — 3) = 180 / 112 ≈ 1.607
  Нормативное значение Сбербанка обычно > 1.0-1.5
• K₄ (Коэффициент соотношения собственных и заемных средств):
  Для корректной интерпретации формулы Сбербанка, предположим, что в знаменателе должна быть общая сумма заемных средств. Тогда:
  K₄ = Стр. 490 / (Стр. 590 + Стр. 690 — Стр. 640 — Стр. 650) = 150 / (100 + 120 — 5 — 3) = 150 / 212 ≈ 0.707.
  Нормативное значение Сбербанка варьируется, но как правило, значение > 1.0 считается хорошим показателем финансовой независимости.
• K₅ (Рентабельность продукции):
  K₅ = (30 / 200) * 100% = 15%
  Нормативное значение Сбербанка варьируется в зависимости от отрасли, но положительное значение всегда желательно.

Обязательным условием для отнесения к первому классу кредитоспособности является значение коэффициента K₅ на уровне, установленном для первой категории, а для второго класса – не ниже уровня второй категории. Другие показатели оборачиваемости и рентабельности рассматриваются как дополнительные, но их динамика также важна.

Качественный анализ рисков

Помимо сухих цифр, Сбербанк проводит тщательный качественный анализ рисков, который охватывает факторы, не поддающиеся прямому количественному измерению, но критически важные для оценки долгосрочной устойчивости заемщика. Источниками информации являются данные, предоставленные самим заемщиком, заключения подразделения безопасности банка, а также информация из внутренних баз данных и внешних открытых источников.

Ключевые аспекты качественного анализа включают:

• Оценка качества управления компанией: Эффективность менеджмента, наличие четкой стратегии, опыт и квалификация руководящего состава. Это может включать анализ организационной структуры, системы принятия решений, прозрачности корпоративного управления.
• Характер кредитуемой сделки: Обоснованность цели кредита, ее соответствие бизнес-модели заемщика, потенциальная доходность и риски проекта, на который запрашивается финансирование.
• Опыт работы банка с данным клиентом (кредитная история): Внутренняя кредитная история заемщика в Сбербанке – это бесценный источник информации о его платежной дисциплине, поведении в кризисные периоды, а также о том, как он взаимодействовал с банком ранее.
• Состояние отрасли и региона: Перспективы развития отрасли, наличие системных рисков, влияние государственной политики, конкурентная среда. Для региона – экономическая стабильность, инвестиционный климат, наличие инфраструктуры.
• Конкурентоспособность клиента и его положение в отрасли: Рыночная доля компании, ее уникальные преимущества, лояльность клиентов, наличие инноваций, устойчивость к конкурентному давлению.

Интеграция количественного и качественного анализа позволяет Сбербанку формировать всестороннее представление о кредитоспособности корпоративного заемщика, минимизируя риски и принимая обоснованные кредитные решения. Ведь только так можно получить полную картину, а не только отдельные фрагменты.

Нормативно-правовая база и внутренние регламенты Сбербанка

Деятельность Сбербанка в области кредитования строго регламентируется как внешними нормативными актами, так и внутренними документами. Это обеспечивает единообразие подходов, минимизацию субъективизма и соответствие лучшим практикам риск-менеджмента.

На федеральном уровне основу регулирования закладывают:

• Гражданский кодекс РФ: Определяет общие нормы договорного права, включая кредитные договоры.
• Федеральный закон «О банках и банковской деятельности»: Устанавливает правовые основы функционирования банковской системы, требования к деятельности кредитных организаций.
• Положения Центрального банка Российской Федерации: Являются ключевыми документами, детализирующими требования к оценке кредитного риска, формированию резервов, достаточности капитала и другим аспектам банковской деятельности. Именно ЦБ РФ ввел обязательный расчет ПДН для всех кредитных организаций.

Внутри Сбербанка эти внешние регуляторные требования трансформируются в детализированные внутренние регламенты, которые определяют порядок работы каждого подразделения, процедуры принятия решений и механизмы контроля. Например, Регламент предоставления кредитов юридическим лицам и индивидуальным предпринимателям Сбербанком России и его филиалами, который неоднократно обновлялся и дополнялся (в частности, № 285-3-р от 30.06.2006), является ключевым документом, описывающим:

• Процедуры обработки кредитных заявок: От первоначального обращения до выдачи кредита.
• Требования к заемщикам: Критерии отбора, необходимые документы, финансовые нормативы.
• Методики оценки кредитоспособности: Детализация количественного и качественного анализа, применяемые коэффициенты, их пороговые значения.
• Порядок принятия решений: Уровни компетенции кредитных комитетов, процедура согласования.
• Мониторинг кредитов: Механизмы отслеживания финансового состояния заемщика после выдачи кредита.
• Управление проблемной задолженностью: Процедуры реструктуризации, взыскания, формирования резервов.

Эти внутренние регламенты играют роль «дорожной карты» для кредитных специалистов, обеспечивая стандартизацию процессов, прозрачность и предсказуемость в принятии кредитных решений, что в конечном итоге способствует снижению кредитного риска для банка.

Цифровизация и искусственный интеллект в оценке кредитоспособности ПАО Сбербанк России

Современный мир невозможно представить без цифровых технологий, и банковский сектор — один из первых, кто принял этот вызов. Сегодня искусственный интеллект (ИИ) и машинное обучение не просто автоматизируют процессы, но и принципиально меняют саму парадигму оценки кредитоспособности, превращая её из рутинной и ресурсоемкой задачи в динамичный, прогностический и высокоточный механизм. ПАО Сбербанк, будучи лидером цифровизации в России, активно интегрирует эти технологии в свою кредитную политику.

Влияние ИИ и машинного обучения на процесс кредитования

Внедрение искусственного интеллекта и машинного обучения в кредитный процесс – это не просто эволюция, а настоящая революция. Эти технологии позволяют банкам выйти за рамки традиционных методов оценки, предлагая беспрецедентные возможности:

1. Повышение точности и скорости оценки: ИИ способен анализировать огромные объемы данных, значительно превышающие человеческие возможности. Он выявляет скрытые закономерности и взаимосвязи, которые остаются незамеченными при ручном анализе. Это приводит к более точным прогнозам вероятности дефолта и значительно сокращает время на принятие решения. Если раньше заявка могла рассматриваться дни или недели, то теперь это происходит за минуты, а иногда и секунды, что является критическим конкурентным преимуществом.
2. Автоматизация процессов: ИИ автоматизирует рутинные операции, такие как сбор и верификация данных из различных источников (кредитные бюро, государственные реестры, внутренние базы банка), анализ документов на соответствие требованиям. Это не только ускоряет процесс оформления кредитной заявки и проверки кредитной истории, но и снижает операционные затраты и минимизирует риски человеческих ошибок.
3. Анализ неформальных источников информации: Одно из ключевых преимуществ ИИ – способность обрабатывать «нетрадиционные» данные. Это могут быть платежная история за коммунальные услуги, данные об аренде, активность в социальных сетях (при соблюдении этических и правовых норм), история покупок. Такой подход позволяет оценивать кредитоспособность даже для заемщиков без традиционной кредитной истории (например, молодых людей, самозанятых), расширяя доступ к финансовым услугам.
4. Разработка персонализированных условий кредитования: Благодаря глубокому анализу индивидуального профиля заемщика, ИИ позволяет создавать персонализированные предложения. Это может выражаться в адаптации процентных ставок, графика платежей, суммы кредита под конкретную финансовую ситуацию клиента. Такой подход не только привлекает клиентов, но и снижает риск дефолта, поскольку условия более реалистичны для заемщика.
5. Раннее выявление потенциальных рисков и адаптация: ИИ-модели постоянно обучаются на новых данных. Они способны выявлять изменения в поведении заемщиков или макроэкономической ситуации, которые могут сигнализировать о растущих рисках, и адаптироваться к ним. Это позволяет банку проактивно управлять портфелем, предотвращая переход кредитов в категорию проблемных.

Опыт Сбербанка по внедрению ИИ в скоринг

ПАО Сбербанк является одним из пионеров в области применения ИИ в кредитном скоринге в России. Банк начал активно интегрировать технологии искусственного интеллекта в свою систему оценки кредитоспособности еще в 2018 году. Этот шаг был частью масштабной стратегии цифровой трансформации и повышения операционной эффективности.

Результаты внедрения оказались впечатляющими:

• Сокращение персонала: К 2019 году, всего через год после старта активного внедрения ИИ, Сбербанку удалось заменить до 70% персонала среднего звена, занимавшегося рутинной обработкой кредитных заявок и анализом данных. Это свидетельствует о значительном уровне автоматизации и централизации процессов.
• Ускорение принятия решений: Если раньше процесс рассмотрения заявки мог занимать часы или даже дни, то с ИИ он сократился до нескольких минут, что критически важно в условиях высокой конкуренции на рынке розничного кредитования.
• Повышение точности: ИИ-модели Сбербанка, обучаясь на огромных массивах данных о миллионах клиентов, достигли высокой точности в прогнозировании дефолтов, что напрямую влияет на снижение кредитных потерь банка.

Преимущества использования ИИ в скоринге Сбербанка:

• Сокращение времени и затрат на бизнес-процессы: Автоматизация и оптимизация рутинных операций ведут к значительной экономии ресурсов.
• Снижение рисков ошибок: Исключение человеческого фактора в рутинных операциях значительно повышает надежность оценки.
• Оптимизация принятия решений: ИИ предоставляет более глубокие и обоснованные аналитические данные, что позволяет принимать более взвешенные и эффективные кредитные решения.
• Расширение клиентской базы: Возможность оценивать кредитоспособность новых сегментов заемщиков, не имеющих традиционной кредитной истории.

Сбербанк продолжает инвестировать в развитие ИИ-технологий, что позволяет ему сохранять лидирующие позиции на рынке и постоянно совершенствовать свои кредитные продукты и сервисы.

Риски и этические аспекты применения ИИ в финансовой сфере

Несмотря на очевидные преимущества, широкое применение ИИ в финансовой сфере, особенно в оценке кредитоспособности, сопряжено с рядом серьезных рисков и этических дилемм, которые требуют тщательного рассмотрения и регулирования.

1. Риски, связанные с обработкой больших объемов личной информации:
   • Утечки данных: Чем больше данных собирает и обрабатывает ИИ, тем выше риск их несанкционированного доступа и утечки. В случае финансового института, это может привести к серьезным репутационным и финансовым потерям, а также нанести ущерб миллионам клиентов.
   • Неправомерное использование данных: Существует риск использования данных для целей, отличных от заявленных, или передачи их третьим сторонам без должного согласия.
   • Кибератаки: ИИ-системы, оперирующие конфиденциальной информацией, становятся привлекательными целями для хакеров, требуя постоянного усиления кибербезопасности.
2. Этические аспекты:
   • Проблема «черного ящика» (Black Box): Многие сложные ИИ-модели, особенно глубокие нейронные сети, принимают решения, которые сложно или невозможно интерпретировать и объяснить человеку. Это создает проблему отсутствия прозрачности: как банк может объяснить клиенту, почему ему отказано в кредите, если даже сами разработчики ИИ не могут точно указать все факторы, приведшие к такому решению? Это подрывает доверие и затрудняет оспаривание решений.
   • Дискриминация и предвзятость (Bias): Если обучающие данные, на которых тренируется ИИ, содержат исторические предвзятости (например, если в прошлом определенные группы населения чаще получали отказы по причинам, не связанным с их реальной кредитоспособностью), ИИ может воспроизводить и даже усиливать эти предвзятости. Это может привести к дискриминации по полу, расе, возрасту или месту жительства, что является неприемлемым с этической и юридической точек зрения.
   • Ответственность: Кто несет ответственность за ошибки или несправедливые решения, принятые ИИ? Банк, разработчик алгоритма, или сам алгоритм? Этот вопрос остается открытым и требует четкого законодательного регулирования.
   • Вторжение в частную жизнь: Сбор и анализ все более широкого круга данных, включая активность в социальных сетях или поведенческие паттерны, может восприниматься как чрезмерное вторжение в частную жизнь, вызывая беспокойство у граждан.

Для минимизации этих рисков необходима разработка строгих регуляторных рамок, внедрение принципов «ответственного ИИ» (Responsible AI), включающих прозрачность, справедливость, подотчетность и безопасность, а также постоянный аудит и мониторинг работы ИИ-систем. Сбербанк, как и другие крупные финансовые институты, сталкивается с необходимостью балансировать между инновациями и обеспечением защиты прав и интересов клиентов.

Международный опыт и Базельские соглашения в контексте российской банковской системы

Глобализация финансовых рынков и осознание системных рисков после мировых кризисов привели к необходимости унификации подходов к банковскому регулированию. Именно эту роль играют Базельские соглашения – международные стандарты, разработанные Базельским комитетом по банковскому надзору, которые оказали и продолжают оказывать глубокое влияние на формирование риск-менеджмента и оценки кредитоспособности во всем мире, включая российскую банковскую систему.

Эволюция Базельских соглашений (Базель I, II, III) и их роль в регулировании кредитного риска

Эволюция Базельских соглашений – это история поиска все более совершенных механизмов для обеспечения стабильности мировой банковской системы через адекватное регулирование достаточности капитала и управление рисками.

Базель I (1988 год)

Первое соглашение, принятое в 1988 году, стало вехой в международном банковском регулировании. Оно заменило простой коэффициент левериджа (соотношение капитала и активов банка) на более сложный показатель, известный как «отношение Кука», который впервые учитывал степень рискованности активов.

Ключевые положения Базеля I:

• Классификация капитала: Предполагал разделение капитала на два уровня по степени надежности:
  • Капитал 1-го уровня (Tier 1): Основной (наиболее надежный) капитал, включающий оплаченный акционерный капитал и публикуемые резервы, образованные за счет нераспределенной прибыли. Он предназначен для поглощения убытков в ходе текущей деятельности банка. Это «подушка безопасности» для покрытия текущих потерь.
  • Капитал 2-го уровня (Tier 2): Дополнительный капитал, менее надежные источники, такие как непубликуемые резервы, резервы переоценки активов, общие резервы на покрытие убытков, гибридные инструменты, сочетающие характеристики капитала и долга, а также долгосрочная субординированная задолженность. Этот капитал способен покрывать убытки в случае ликвидации банка.
• Минимальный коэффициент достаточности капитала: Был установлен на уровне 8% от активов, взвешенных по риску (risk-weighted assets, RWA).

  При этом Капитал 1-го уровня должен был составлять не менее 4%. Активы взвешивались по риску в зависимости от категории: например, наличные и государственные облигации имели нулевой риск, тогда как корпоративные кредиты – 100%.

Базель I успешно повысил общий уровень банковского капитала, но его упрощенный подход к оценке рисков (все корпоративные кредиты имели одинаковый риск) привел к необходимости более совершенных моделей, что и обусловило его дальнейшую эволюцию.

Базель II (2004 год)

Базель II, принятый в 2004 году, был призван устранить недостатки предшественника, предложив более чувствительный к риску подход. Он базировался на «трех столпах»:

1. Минимальные требования к капиталу (Pillar 1): Более сложное взвешивание активов по риску, учитывающее не только кредитный, но также операционный и рыночный риски. Банкам предоставлялась возможность использования внутренних рейтинговых систем (IRB-подход) для оценки кредитного риска, что стимулировало развитие внутренних моделей.
2. Надзорный процесс (Pillar 2): Требование к банкам разрабатывать и внедрять внутренние процедуры оценки достаточности капитала (ICAAP) с учетом всех значимых рисков, а также расширение полномочий регуляторов по оценке этих процедур.
3. Рыночная дисциплина (Pillar 3): Требование к банкам раскрывать ключевую информацию о своих рисках, капитале и риск-менеджменте, чтобы повысить прозрачность и доверие участников рынка.

Внедрение Базеля II требовало от банков значительно более сложных систем управления рисками и сбора данных, что подготовило почву для следующих, еще более строгих изменений.

Базель III (2010-2017 годы)

Финансовый кризис 2008 года выявил новые уязвимости мировой банковской системы, показав, что Базель II, несмотря на свои улучшения, оказался недостаточным. В ответ на это был разработан Базель III, значительно ужесточивший требования и расширивший инструментарий регулирования.

Ключевые изменения и новые требования Базеля III:

• Повышенные требования к качеству и достаточности капитала: Увеличена доля базового капитала (Common Equity Tier 1, CET1) в капитале 1-го уровня, введены более строгие критерии для включения инструментов в состав капитала. Минимальные границы нормативов достаточности базового и основного капитала были повышены.
• Коэффициент левериджа (Leverage Ratio): Введен как дополнительный, не взвешенный по риску показатель, представляющий собой отношение капитала 1-го уровня к общему объему активов и забалансовых обязательств. Цель – предотвратить чрезмерное наращивание забалансовых обязательств и снизить системные риски, которые не всегда улавливались взвешиванием по риску.
• Буферы капитала:
  • Буфер консервации капитала (Capital Conservation Buffer): Дополнительный капитал (2.5% от RWA), который банк должен накапливать в периоды роста и может использовать в кризисные времена. Его исчерпание ведет к ограничениям на выплату дивидендов и бонусов.
  • Контрциклический буфер капитала (Counter-cyclical Capital Buffer): Переменный буфер (от 0% до 2.5%), который регуляторы могут вводить в периоды кредитного бума для предотвращения перегрева экономики и ослаблять в периоды спада для стимулирования кредитования.
• Нормативы ликвидности:
  • Показатель краткосрочной ликвидности (Liquidity Coverage Ratio, LCR): Требует, чтобы банк имел достаточный объем высококачественных ликвидных активов для покрытия чистого оттока денежных средств в течение 30-дневного стрессового сценария.
  • Показатель чистого стабильного фондирования (Net Stable Funding Ratio, NSFR): Направлен на обеспечение стабильной структуры фондирования на горизонте одного года, требуя, чтобы банк финансировал свою долгосрочную деятельность за счет стабильных источников.

Базельские соглашения, особенно Базель III, стали фундаментальной основой для построения устойчивой и надежной системы управления кредитными рисками, требуя от банков глубокой трансформации своих внутренних процессов и моделей.

Адаптация Базельских стандартов в российской банковской практике и проблемы внедрения

Россия, как член мирового финансового сообщества, последовательно интегрирует Базельские стандарты в свою банковскую систему. Банк России активно работает над внедрением требований Базеля II и III, адаптируя их к особенностям национальной экономики и регуляторного поля.

Этапы внедрения в России:

• Базель II: Внедрение началось с середины 2000-х годов, стимулируя российские банки к развитию внутренних систем оценки кредитных рисков и повышению качества риск-менеджмента.
• Базель III: Нормативы Базеля III вступили в силу в России с 1 января 2014 года. Банк России постепенно ужесточал требования, устанавливая минимальные границы нормативов достаточности базового и основного капитала для кредитных учреждений. Например, с 2015 года минимальный норматив основного капитала был повышен до 6%. При этом общий норматив достаточности совокупного капитала в 10% сохраняется.

Ключевые особенности адаптации в России:

• Усиленные требования Банка России: Российский регулятор часто устанавливает более жесткие требования по сравнению с международными стандартами. Например, минимальный норматив достаточности совокупного капитала в РФ составляет 10% против 8% по Базелю III. Это делается для повышения устойчивости национальной банковской системы.
• Влияние на системно значимые банки: Системно значимые банки в России (к которым, безусловно, относится Сбербанк, а также ВТБ, Альфа-Банк и другие) подлежат еще более усиленным требованиям, включая дополнительные надбавки к капиталу.
• Развитие внутренних рейтинговых моделей: Внедрение Базеля III подтолкнуло российские банки к активному развитию собственных внутренних рейтинговых моделей (IRB-подход), которые позволяют более точно оценивать кредитные риски.

Проблемы внедрения Базельских стандартов в российских банках:

Несмотря на прогресс, российские банки, включая Сбербанк, сталкиваются с рядом вызовов при полном внедрении Базельских стандартов:

1. Адекватность статистических данных: Для построения и калибровки сложных внутренних рейтинговых моделей требуются обширные и качественные статистические данные о дефолтах, убытках и других риск-событиях за длительный период. В России исторические данные могут быть менее полными или менее качественными, что затрудняет полноценное применение IRB-подхода.
2. Высокие затраты: Разработка и внедрение сложных ИТ-систем, методологий и привлечение квалифицированных специалистов для соответствия требованиям Базеля III сопряжены со значительными финансовыми и временными затратами.
3. Недостаток квалифицированных кадров: Наличие экспертов по риск-моделированию, валидации, аудиту сложных риск-систем является критически важным, но их дефицит ощущается на рынке труда.
4. Сложность нормативного регулирования: Постоянные изменения и уточнения в регуляторной базе Банка России требуют от банков гибкости и постоянной адаптации внутренних процессов.
5. Бюрократические барьеры: В некоторых случаях внедрение международных стандартов может быть осложнено административными процедурами и недостаточной координацией между различными ведомствами.

Для Сбербанка, как для системно значимого банка, эти вызовы особенно актуальны. Банк активно инвестирует в развитие риск-менеджмента, ИТ-инфраструктуры и обучение персонала, чтобы полностью соответствовать как российским, так и международным регуляторным требованиям, а также использовать их как конкурентное преимущество.

Зарубежные методики оценки кредитоспособности

Помимо общих регуляторных рамок, в разных странах сформировались свои специфические подходы и методики оценки кредитоспособности, которые дополняют Базельские принципы и могут служить источником вдохновения для совершенствования отечественной практики.

• «Пять С кредита» (Five Cs of Credit): Как уже упоминалось, эта американская методика остается краеугольным камнем оценки кредитоспособности, фокусируясь на Характере, Емкости, Капитале, Залоге и Условиях. Ее универсальность и логичность позволяют применять ее в различных контекстах.
• CAMPARI (Character, Ability, Means, Purpose, Amount, Repayment, Insurance): Распространена в европейских и американских банках, предоставляя более детализированный фреймворк, особенно в части анализа средств, цели кредита и страхования как инструмента снижения риска.
• PARTS (Purpose, Amount, Repayment, Term, Security): Широко используется в банках Великобритании, концентрируясь на практических аспектах кредитной сделки, ее целях, сроках и обеспечении.
• FICO scores в США: Это, пожалуй, наиболее известный пример комплексного кредитного скоринга для физических лиц. FICO score – это трехзначное число (от 300 до 850), которое формируется на основе данных из кредитных отчетов, предоставляемых тремя основными бюро кредитных историй в США: Experian, TransUnion и Equifax. FICO учитывает такие факторы, как платежная история (самый значимый), используемая сумма кредита, продолжительность кредитной истории, типы кредитов и новые кредиты. Высокий FICO score открывает доступ к более выгодным условиям кредитования.

Международный опыт наглядно демонстрирует, что для получения наиболее точного и объективного результата оценка кредитоспособности должна проводиться по совокупности различных коэффициентов и показателей, которые рассматриваются в комплексе. Ни одна отдельная модель или коэффициент не может дать полного представления о рисках. Важно сочетать количественный анализ финансовых показателей с качественной оценкой нефинансовых факторов, учитывать как внутренние данные банка, так и информацию из внешних источников, а также постоянно адаптировать методики к изменяющимся рыночным условиям и технологическим инновациям.

Роль кредитных бюро и страхования кредитных рисков в минимизации потерь

В сложной экосистеме банковского кредитования банки редко действуют в вакууме. На помощь им приходят внешние институты, которые играют ключевую роль в повышении точности оценки кредитоспособности и минимизации потенциальных потерь. Среди них особое место занимают кредитные бюро и механизмы страхования кредитных рисков.

Деятельность кредитных бюро в системе оценки кредитоспособности

Кредитные бюро (БКИ) – это независимые организации, которые являются центральным звеном в обмене кредитной информацией. Они играют абсолютно ключевую роль в современной системе оценки кредитоспособности заемщиков, выполняя функцию своеобразного «информационного хаба», ведь без них каждый банк действовал бы вслепую.

Основные функции и значение кредитных бюро:

1. Сбор и хранение данных: Кредитные бюро собирают и хранят детальную информацию о кредитной истории каждого заемщика (физического или юридического лица) от всех кредитных организаций, с которыми тот имел дело. Это включает данные о выданных кредитах, лимитах, сроках, суммах платежей, а также, что критически важно, информацию о наличии и характере просроченных платежей, реструктуризациях и дефолтах.
2. Предоставление кредитных отчетов: По запросу банков (с согласия заемщика) или самого заемщика, бюро предоставляют кредитные отчеты. Эти отчеты содержат комплексную информацию, позволяющую финансовым учреждениям проводить детальный анализ финансового состояния клиентов.
3. Формирование кредитных рейтингов/скорингов: Многие БКИ также разрабатывают собственные скоринг-модели (например, национальный кредитный скоринг), которые присваивают заемщикам баллы на основе их кредитной истории. Эти баллы являются быстрым и стандартизированным индикатором кредитного риска.

Значение кредитной истории для банка:

Информация из кредитных бюро – это бесценный ресурс для банка, поскольку она позволяет:

• Оценить моральные качества и ответственность заемщика: Наличие своевременных платежей, отсутствие просрочек – прямой индикатор финансовой дисциплины и ответственности.
• Узнать об опыте кредитования: Банк видит, насколько активно заемщик пользовался кредитами ранее, как он управлял своими обязательствами.
• Выявить проблемные паттерны: Наличие частых просрочек, особенно длительных, или дефолтов является серьезным предупреждением о высоком риске.
• Оценить общую долговую нагрузку: Кредитная история показывает все действующие кредитные обязательства заемщика, что позволяет рассчитать его реальную долговую нагрузку и избежать чрезмерной закредитованности.
• Снизить асимметрию информации: Банк получает доступ к информации, которая в противном случае была бы ему недоступна, что снижает риск принятия неверных решений.

В России действует несколько крупных кредитных бюро, таких как Национальное бюро кредитных историй (НБКИ), Объединенное кредитное бюро (ОКБ) и другие, которые играют центральную роль в информационном обеспечении процесса оценки кредитоспособности, в том числе и для ПАО Сбербанк.

Механизмы страхования кредитных рисков

Даже самая тщательная оценка кредитоспособности не может полностью исключить риски. Непредвиденные события (потеря работы, болезнь, экономический кризис) могут привести к неспособности заемщика обслуживать долг. В таких случаях на помощь приходит страхование кредитных рисков – мощный инструмент минимизации потерь для банка, обеспечивающий дополнительную защиту от рисков, связанных с кредитными отношениями.

Целью страхования кредитных рисков является перенос неблагоприятных последствий нарушения условий договора из имущественной сферы банка в имущественную сферу страховой компании.

Виды кредитного страхования:

1. Страхование риска непогашения кредита (страхование ответственности заемщика):
   • Страхователем выступает банк: В этом случае банк страхует себя от невозврата кредита за счет клиента. Если заемщик не может погасить долг, страховая компания компенсирует банку потери. В России этот вид страхования ответственности заемщика ограничен законодательством, так как прямое страхование ответственности является риском, который должен нести сам банк.
   • Страхователем выступает заемщик: Заемщик добровольно (или по требованию банка) страхует свою ответственность за невозврат кредита. В случае наступления страхового события (например, потеря работы, временная нетрудоспособность), страховая компания погашает часть или весь долг перед банком.
2. Страхование на случай смерти заемщика или потери трудоспособности:
   Это один из самых распространенных видов страхования, особенно при долгосрочных кредитах (ипотека, крупные потребительские кредиты).

   В случае смерти заемщика или получения им инвалидности, страховая компания полностью или частично погашает его задолженность перед банком. Это защищает как банк, так и наследников заемщика от финансового бремени.

3. Страхование залога (обеспечения):
   Этот вид страхования является обязательным при крупных покупках в кредит, таких как ипотека (страхование недвижимости от рисков утраты или повреждения) или автомобиль (КАСКО).

   Страхование залога гарантирует, что в случае его повреждения или утраты (например, пожар, угон), банк сможет получить компенсацию от страховой компании, а не остаться без обеспечения по кредиту.

   • Страхование финансового риска кредитора: Обеспечивает банку защиту от убытков, связанных с недостаточной стоимостью заложенного имущества (например, при падении рыночной стоимости недвижимости в ипотечном кредитовании) или при возникновении других финансовых рисков, которые не покрываются стандартным страхованием залога.

Кто платит за страховку?

Как правило, расходы по страхованию несет заемщик, особенно в случае индивидуального страхования жизни, здоровья или залога. Однако, в некоторых случаях, банки могут страховать кредиты за свой счет, особенно если речь идет о крупных портфелях или кредитах с высоким риском. В этом случае для клиента такой кредит фактически становится «без обеспечения» в части его личного риска, поскольку банк берет на себя страховые издержки.

Страхование кредитных рисков – это не просто дополнительная услуга, а неотъемлемая часть комплексной системы риск-менеджмента, позволяющая банкам, включая Сбербанк, эффективно управлять своим кредитным портфелем и минимизировать финансовые потери в неблагоприятных сценариях.

Стратегические направления совершенствования оценки кредитоспособности и управления проблемными активами в ПАО Сбербанк России

В условиях постоянно меняющегося ландшафта финансового рынка, усиления конкуренции и стремительного развития технологий, ПАО Сбербанк, как лидер отрасли, не может стоять на месте. Постоянное совершенствование методологии оценки кредитоспособности и управления проблемными активами является залогом его долгосрочной устойчивости и конкурентоспособности. Ниже представлены конкретные, практически применимые рекомендации, учитывающие выявленные проблемы и международный опыт.

Совершенствование существующих методик: сочетание количественного и качественного анализа

Текущие методики Сбербанка, безусловно, эффективны, но всегда есть возможности для их углубления и адаптации.

1. Углубление качественной оценки:
   • Расширение критериев: В дополнение к традиционным параметрам, следует разработать более детализированные шкалы оценки качества управления, корпоративной культуры, инновационного потенциала компании-заемщика. Это может включать анализ отчетов по устойчивому развитию (ESG-факторов), оценки репутационных рисков через анализ медийного поля, а также оценку гибкости бизнес-модели к внешним шокам.
   • Интервью и кейс-стади: Для крупных корпоративных заемщиков рекомендуется более активно применять методы глубинных интервью с ключевым менеджментом, а также проводить анализ кейс-стади успешного и неуспешного преодоления кризисов.
   • Методы прогнозной оценки кредитоспособности: Внедрение инструментов, позволяющих оценивать не только текущее, но и будущее финансовое состояние предприятий. Это включает:
     • Расчет индекса кредитоспособности: Разработка интегрального показателя, который бы агрегировал различные финансовые и нефинансовые коэффициенты в единый индекс, отражающий вероятность дефолта на определенном горизонте. Такой индекс может строиться на основе взвешенной суммы нормализованных показателей, где веса определяются экспертно или через статистические методы.
     • Прогнозирование показателей платежеспособности и финансовой устойчивости: Использование эконометрических моделей и методов машинного обучения для прогнозирования динамики ключевых коэффициентов (например, ликвидности, рентабельности) на основе исторических данных, макроэкономических прогнозов и специфики отрасли.
   • Анализ денежных потоков (Cash Flow Analysis): Переход к более глубокому анализу денежных потоков заемщика (прямым и косвенным методом) как основного источника погашения кредита, а не только балансовых показателей. Разработка моделей прогнозирования денежных потоков с учетом различных стресс-сценариев.
2. Развитие внутренних методик, соответствующих Базелю II и III:
   • Имплементация IRB-подхода: Для крупных корпоративных клиентов необходимо дальнейшее развитие и валидация внутренних рейтинговых моделей (Internal Ratings-Based, IRB-подход), которые позволят банку самостоятельно оценивать вероятность дефолта (PD), уровень потерь при дефолте (LGD) и объем подверженности риску при дефолте (EAD).

     Это требует значительных инвестиций в данные и аналитику, но дает банку гораздо более гибкое и точное управление капиталом.

   • Усиление требований к капиталу и буферам: Обеспечение полного соответствия требованиям Банка России по достаточности базового и основного капитала, а также формирование контрциклических и консервационных буферов капитала. Это не только регуляторное требование, но и стратегическая мера для повышения устойчивости банка к макроэкономическим шокам.
   • Внедрение коэффициента левериджа и нормативов ликвидности (LCR, NSFR): Полная интеграция этих показателей в систему внутреннего управления рисками и ежедневный мониторинг для обеспечения стабильности и ликвидности банка.

Интеграция передовых технологий: расширение применения ИИ и больших данных

Сбербанк уже активно использует ИИ, но потенциал для дальнейшего роста огромен.

1. Расширение использования анализа больших данных и ИИ:
   • Нестандартные данные: Интеграция в скоринг-модели для физических лиц данных из источников, не традиционных для кредитной истории: платежи за коммунальные услуги, регулярные платежи за аренду, активность в социальных сетях (с соблюдением этических норм и согласия клиента), использование онлайн-сервисов, данные из телекоммуникационных компаний. Это позволит более точно оценивать кредитоспособность клиентов с «тонкой» кредитной историей.
   • Прогнозная аналитика: Разработка ИИ-моделей для прогнозной оценки поведения заемщиков. Например, модели, предсказывающие вероятность просрочки на основе анализа микротранзакций, изменения паттернов потребления или активности в банковских приложениях.
   • Обнаружение мошенничества: Усиление ИИ-систем для выявления мошеннических схем и подозрительных операций на этапе подачи заявки и в процессе обслуживания кредита.
2. Персонализация финансовых услуг с помощью машинного обучения:
   • Гибкие кредитные продукты: Разработка динамических кредитных предложений, где процентная ставка, срок и график платежей могут адаптироваться в режиме реального времени на основе изменяющегося финансового состояния клиента, прогнозируемых рисков и рыночной конъюнктуры.
   • Проактивное управление риском: Использование ИИ для идентификации клиентов, находящихся на грани просрочки, и предложение им превентивных решений (реструктуризация, кредитные каникулы) до того, как проблема станет критической.
3. Постоянное совершенствование скоринг-моделей и экспертно-аналитического ПО:
   • Автоматизированное переобучение: Внедрение систем автоматического переобучения ИИ-моделей на новых данных и постоянная их калибровка с учетом рыночных тенденций и изменений в поведении заемщиков.
   • Облачные технологии: Переход на облачные платформы для повышения масштабируемости, скорости обработки данных и гибкости в разработке и развертывании новых аналитических инструментов.

Адаптация международного опыта и Базельских стандартов

Российская банковская система уже интегрирована в глобальный финансовый ландшафт, и дальнейшая адаптация мирового опыта является стратегическим императивом.

1. Улучшение сбора и анализа статистических данных:
   • Создание единых баз данных: Инвестиции в создание централизованных, высококачественных баз данных по дефолтам, убыткам и другим риск-событиям за длительный период, необходимых для точной калибровки внутренних рейтинговых моделей в соответствии с Базелем III.
   • Методология стресс-тестирования: Развитие собственных моделей стресс-тестирования, учитывающих специфику российской экономики и потенциальные макроэкономические шоки, а также их регулярное проведение.
2. Адаптация элементов CAMPARI и PARTS:
   • Систематизация качественных факторов: Использование фреймворков CAMPARI и PARTS для более структурированного подхода к качественному анализу корпоративных заемщиков. Например, создание детализированных чек-листов и систем оценки по каждому из компонентов (Purpose, Amount, Repayment, Insurance в CAMPARI; Term, Security в PARTS), чтобы ни один важный аспект не был упущен.
   • Внедрение стандартизированных оценок: Разработка внутренних шкал для оценки «Характера» или «Способности» менеджмента, чтобы сделать этот процесс менее субъективным и более сопоставимым между разными кредитными аналитиками.

Улучшение взаимодействия с кредитными бюро и использование страхования рисков

Внешние партнеры играют важную роль в минимизации рисков.

1. Оптимизация сотрудничества с кредитными бюро:
   • Расширенный обмен данными: Инициирование пилотных проектов по обмену более глубокими и детализированными данными с кредитными бюро (например, микротранзакциями, историей коммунальных платежей) для формирования более полных кредитных отчетов и повышения точности скоринга.
   • Разработка совместных продуктов: Сотрудничество с БКИ для разработки новых аналитических продуктов, например, индустриальных бенчмарков или специализированных отчетов по сегментам заемщиков.
2. Расширение и диверсификация портфеля кредитного страхования:
   • Продукты с интегрированным страхованием: Разработка новых кредитных продуктов, где страхование кредитного риска уже включено в условия, делая его более доступным и понятным для заемщика.
   • Партнерство со страховыми компаниями: Расширение сотрудничества с ведущими страховыми компаниями для создания инновационных страховых продуктов, покрывающих специфические риски (например, страхование от потери дохода для самозанятых).
   • Анализ экономической целесообразности: Регулярный анализ эффективности различных видов страхования кредитных рисков для банка и оптимизация стратегии страхования с учетом текущей конъюнктуры и уровня рисков в кредитном портфеле.

Экономическое обоснование и ожидаемый эффект от предложенных мер

Внедрение вышеизложенных рекомендаций, безусловно, потребует инвестиций, но потенциальный экономический эффект значительно превзойдет затраты.

Ожидаемый эффект:

• Снижение уровня проблемной задолженности: За счет более точной оценки рисков и проактивного управления, банк сможет снизить процент просроченных и безнадежных кредитов. Например, снижение уровня просроченной задолженности на 0.5-1% может высвободить миллиарды рублей из резервов, которые можно направить на кредитование или инвестиции.
• Оптимизация затрат: Автоматизация процессов с помощью ИИ и машинного обучения приведет к сокращению операционных расходов на обработку заявок, снижение ошибок и высвобождение человеческих ресурсов для более сложных аналитических задач.
• Повышение конкурентоспособности: Быстрое принятие решений, персонализированные предложения и более эффективное управление рисками позволят Сбербанку предлагать более привлекательные условия кредитования, привлекая новых клиентов и удерживая существующих.
• Улучшение качества кредитного портфеля: Более глубокий анализ и прогностические модели позволят формировать более здоровый и устойчивый кредитный портфель, снижая общую подверженность риску.
• Укрепление репутационного капитала: Прозрачные и справедливые процессы оценки, а также ответственное использование ИИ повысят доверие клиентов и регуляторов к банку.
• Увеличение прибыли: Совокупность всех этих факторов – снижение потерь, оптимизация затрат, рост клиентской базы и улучшение качества портфеля – приведет к значительному увеличению чистой процентной маржи и общей прибыльности банка.

Пример экономического обоснования (гипотетический):

Допустим, текущий объем кредитного портфеля Сбербанка составляет 30 трлн рублей, а уровень проблемной задолженности (NPL) – 5%. Если за счет внедрения предложенных мер удастся снизить NPL всего на 0.5 процентных пункта до 4.5%, это означает снижение объема проблемных активов на 0.5% от 30 трлн рублей, то есть на 150 млрд рублей. Сокращение резервов под эти активы и потенциальные доходы от их обслуживания (вместо потерь) принесет банку существенную экономию и прибыль.

Таблица 1: Прогнозный эффект от внедрения рекомендаций

Показатель	Текущее значение (гипотетическое)	Прогнозное значение после внедрения	Ожидаемый эффект
Уровень NPL в портфеле	5%	4.5%	Снижение на 0.5 п.п.
Среднее время на рассмотрение заявки (физ. лица)	15 минут	5 минут	Сокращение на 66%
Операционные затраты на андеррайтинг	X	X — 10%	Снижение затрат на 10%
Доходность кредитного портфеля	Y	Y + 0.2%	Увеличение на 0.2 п.п.
Доля клиентов с «тонкой» кредитной историей, получивших кредит	15%	25%	Рост на 10 п.п.

Визуализация предложений

Для наглядности и аргументации предложенных мер, можно использовать различные визуальные инструменты.

Схема 1: Модель комплексной оценки кредитоспособности с ИИ

graph TD
    A[Заявка на кредит] --> B{Сбор данных};
    B --> C1[Кредитные бюро];
    B --> C2[Анкета заемщика];
    B --> C3[Внутренние данные банка];
    B --> C4[Нестандартные данные (коммуналка, соцсети)];
    C1 & C2 & C3 & C4 --> D[Модуль ИИ и машинного обучения];
    D --> E{Z-коэффициент Альтмана};
    D --> F{Скоринг-модели (физ. лица)};
    D --> G{Коэффициенты Сбербанка (юр. лица)};
    D --> H{Качественный анализ (юр. лица)};
    E & F & G & H --> I[Интегральный индекс кредитоспособности];
    I --> J{Кредитный комитет / Автоматическое решение};
    J --> K[Выдача кредита / Отказ / Персонализированные условия];
    K --> L[Мониторинг и прогнозная аналитика];
    L --> M[Управление проблемными активами];
    L --> N[Переобучение модели ИИ];

Таблица 2: Сравнительный анализ методик оценки кредитоспособности

Критерий / Методика	«Пять С кредита»	CAMPARI	PARTS	Z-коэффициент Альтмана	Скоринг Сбербанка (ФЛ)	Количественный Сбербанка (ЮЛ)
Тип анализа	Качественный/Экспертный	Качественный/Экспертный	Качественный/Экспертный	Количественный	Количественный/Автоматизированный	��оличественный
Объект оценки	ФЛ/ЮЛ	ФЛ/ЮЛ	ФЛ/ЮЛ	ЮЛ (производственные)	ФЛ	ЮЛ
Основные факторы	Характер, Емкость, Капитал, Залог, Условия	Характер, Способность, Средства, Цель, Сумма, Возврат, Страхование	Цель, Сумма, Возврат, Срок, Обеспечение	Ликвидность, Прибыльность, Задолженность, Оборачиваемость	Кредитная история, Доход, Анкета, ПДН, Внутренние данные	Ликвидность, Собс. средства, Оборачиваемость, Рентабельность
Прогностический потенциал	Средний	Средний	Средний	Высокий (банкротство)	Высокий	Средний
Требуемые данные	Субъективные, финансовые	Субъективные, финансовые	Субъективные, финансовые	Бухгалтерская отчетность	Кредитная история, Анкета, Транзакции	Бухгалтерская отчетность
Преимущества	Комплексность, универсальность	Детализация, учет страхования	Практичность, фокус на сделке	Объективность, прогнозирование банкротства	Скорость, автоматизация, массовость	Объективность, стандартные показатели
Недостатки	Субъективность, трудоемкость	Субъективность, трудоемкость	Субъективность, трудоемкость	Ограниченная применимость, игнорирование качественных факторов	«Черный ящик», зависимость от данных, риски ИИ	Игнорирование качественных факторов, статичность

Эти визуализации помогают быстрее усвоить сложную информацию и демонстрируют комплексный характер предлагаемых изменений.

Заключение

Исследование оценки кредитоспособности заемщиков в ПАО Сбербанк России выявило многогранный и динамично развивающийся процесс, критически важный для устойчивости крупнейшего банка страны. Мы детально рассмотрели теоретические основы кредитоспособности, разграничив ее с платежеспособностью и подчеркнув фундаментальную роль в минимизации кредитных рисков. Анализ классических моделей, таких как «Пять С кредита», CAMPARI и PARTS, показал их неустаревающую актуальность как каркаса для формирования современных систем оценки. Количественные методы, представленные Z-коэффициентом Альтмана, продемонстрировали способность прогнозировать финансовую несостоятельность, хотя и с определенными ограничениями для российской действительности.

Практическая часть работы углубилась в методологию ПАО Сбербанк. Для физических лиц основой является скоринг, который комплексно анализирует кредитную историю, анкетные данные и внутренние транзакции клиента. Особое внимание уделено Показателю Долговой Нагрузки (ПДН), внедрение которого Банком России значительно повысило требования к оценке способности заемщика обслуживать долг. Для юридических лиц Сбербанк применяет двухуровневый подход, сочетающий строгий количественный анализ финансовых коэффициентов (ликвидности, достаточности собственного капитала, рентабельности) и детализированную качественную оценку нефинансовых рисков (качество управления, состояние отрасли, кредитная история).

Нормативно-правовая база и внутренние регламенты Сбербанка обеспечивают стандартизацию и прозрачность этого сложного процесса.

Мы также исследовали революционное влияние цифровизации и искусственного интеллекта на кредитный процесс. Опыт Сбербанка по внедрению ИИ в скоринг с 2018 года наглядно продемонстрировал его способность к значительному сокращению операционных затрат и повышению точности оценки, что привело к существенному сокращению персонала среднего звена. Вместе с тем, были обсуждены и риски, связанные с ИИ: вопросы конфиденциальности данных, «черный ящик» алгоритмов и потенциальная предвзятость, требующие тщательного этического и регуляторного контроля.

Международный опыт, воплощенный в Базельских соглашениях (I, II, III), показал эволюцию подходов к регулированию достаточности капитала и управлению рисками. Россия активно адаптирует эти стандарты, хотя и сталкивается с вызовами, такими как более жесткие требования ЦБ РФ и необходимость улучшения статистической базы для внутренних рейтинговых моделей. Роль кредитных бюро и страхования кредитных рисков была оценена как важнейшие внешние инструменты для повышения точности оценки и минимизации потерь для банка.

В заключительном разделе работы были сформулированы стратегические направления совершенствования. Мы предложили углубить существующие методики Сбербанка за счет более детального качественного анализа и внедрения прогнозных моделей, расширить применение ИИ и анализа больших данных, включая нестандартные источники информации. Также были предложены шаги по более эффективной адаптации Базельских стандартов и усилению взаимодействия с кредитными бюро и страховыми компаниями. Экономическое обоснование и визуализация предложенных мер подчеркнули их потенциальную эффективность в снижении уровня проблемной задолженности, оптимизации затрат и повышении конкурентоспособности банка.

Таким образом, данное исследование подтверждает, что оценка кредитоспособности в современном банковском деле – это сложный, многофакторный процесс, находящийся на стыке экономики, финансов и передовых технологий. ПАО Сбербанк России демонстрирует лидирующие позиции в этом направлении, но постоянное развитие, интеграция инноваций и адаптация к международным стандартам остаются ключевыми задачами для поддержания его устойчивости и роста в будущем. Перспективы дальнейших исследований могут включать углубленный анализ этических аспектов ИИ, разработку конкретных моделей прогнозной оценки для различных сегментов заемщиков и исследование влияния новых регуляторных инициатив на кредитную политику банков.

Список использованной литературы

1. Батракова, Л.Г. Экономический анализ деятельности коммерческого банка. М.: Логос, 2008. 187 с.
2. Белоглазова, Г.Н., Кроливецкая, Л.П. Банковское дело. Организация деятельности коммерческого банка: учебник. М.: Издательство Юрайт, 2009. 422 с.
3. Деньги, кредит, банки / под ред. Г.Н. Белоглазовой. Москва: Юрайт-издат, 2008. 620 с.
4. Деятельность коммерческих банков / под ред. А.В. Калтырина. Ростов н/Д: Феникс, 2008. 412 с.
5. Динамика задолженности по кредитам, выданным банками Российской Федерации по секторам экономики // Бюллетень банковской статистики. 2012. №1(224).
6. Драгомирецкая О.В. Стратегическое управление в коммерческом банке // Сибирская финансовая школа. 2009. №2. С. 88-91.
7. Жарковская Е.П. Банковское дело: учебник для студентов ВУЗов, обучающихся по специальности «Финансы и кредит». 5-е изд., испр. и доп. Москва: Омега-Л, 2007. 476 с.
8. Кроливецкая Л.П. Банковское дело. Кредитная деятельность коммерческих банков: учебник. М.: Кнорус, 2009. 280 с.
9. Кредитный портфель банка: что это? / Трубович Е.В. 2010.
10. Кредитный портфель коммерческого банка / Москвин В.В. 2010.
11. Лаврушин О.И. Банковские риски. М.: Кнорус, 2007. 231 с.
12. Лыкова Н.М. Подходы к классификации проблемных кредитов и методы управления ими в коммерческом банке // Банковские услуги. 2010. № 11. С. 18-24.
13. Ольхова Р.Г. Банковское дело: учебник. М.: Кнорус, 2009. 304 с.
14. Савко П. Ситема регулирования рисков в банковской деятельности // Банковский вестник. 2009. № 1. С. 38-43.
15. Семенова М.В. Система страхования вкладов и стратегии вкладчиков российских банков // Деньги и кредит. 2009. № 10. С. 21-31.
16. Славянский А.В. Управление проблемной задолженностью банка // Аудит и финансовый анализ. 2009. № 1. С. 303-308.
17. Смирнова О.С. Банковский риск // Банковское дело. 2009. №25. С.11.
18. Смулов А.М. Анализ основных показателей проблемной ссудной задолженности // Банковское дело. 2011. № 7. С. 65-70.
19. Смулов А.М. О перспективных подходах банков к работе с проблемной и просроченной ссудной задолженностью // Финансы и кредит. 2010. № 33. С. 2-18.
20. Смулов А.М. Проблемная задолженность: понятие, основные признаки и меры повышения эффективности возврата проблемных кредитов // Финансы и кредит. 2009. № 35. С. 2-11.
21. Соловьев Л. Банковский риск // Налоговый вестник. 2009. № 23. С. 5-9.
22. Стародубцева Е.Б. Основы банковского дела. Москва: Инфра-М, 2005. 256 с.
23. Суэтин А.Г. Новые тенденции формирования рынка финансово-банковских услуг // Аудитор. 2007. №9. С. 40.
24. Тарасов В.И. Взаимосвязь кредитной политики, депозитного и ссудного процента и риска // Вестник ассоциации российских банков. 2009. № 27. С. 24-30.
25. Томкович Р. Банковский кредит и оценка его риска // Главный бухгалтер. Банковская деятельность. 2009. № 6. С. 19-21.
26. Турбанов А.В., Евстратенко Н.Н. Ключевые принципы для эффективных систем страхования кредитов для снижения банковского риска // Деньги и кредит. 2009. № 10. С. 15.
27. Тарасов, В.М. Современные формы обеспечения возврата кредита // Банковский вестник. 2010. №11. С. 47-52.
28. Управление кредитным портфелем банка. 2012.
29. Ханниван Г., Братанович С.Б. Анализ банковских рисков. Система оценки корпоративного управления и управления финансовым риском. Москва: Весь Мир, 2007. 304 с.
30. Челноков В.А. Банки и банковские операции: учебник. М.: Высшая школа, 2008. 296 с.
31. Emagia. Как генеративный ИИ меняет оценку кредитоспособности? URL: https://www.emagia.com/ru/insights/how-generative-ai-changes-credit-underwriting/ (дата обращения: 08.10.2025).
32. Emagia. Как кредиторы оценивают пять показателей кредитоспособности? URL: https://www.emagia.com/ru/insights/how-do-lenders-evaluate-the-five-cs-of-credit/ (дата обращения: 08.10.2025).
33. Emagia. Пять «С» кредита: полное руководство по пониманию кредитоспособности. URL: https://www.emagia.com/ru/insights/5-cs-of-credit-complete-guide/ (дата обращения: 08.10.2025).
34. Finrepo. Модель или Z-оценка Альтмана, Altman Z-Score. URL: https://finrepo.ru/model-altmana-z-score/ (дата обращения: 08.10.2025).
35. Insur-info.ru. Страхование кредитных рисков. URL: https://www.insur-info.ru/press/52251/ (дата обращения: 08.10.2025).
36. Ipoteka-expert.com. Методика CAMPARI при проверке клиента в банке. URL: https://ipoteka-expert.com/metodika-campari-pri-proverke-klienta-v-banke/ (дата обращения: 08.10.2025).
37. Ippnou.ru. Z-модель Альтмана (Z-счет Альтмана) — формула и пример методики подсчета. URL: https://www.ippnou.ru/lenta/z-model-altmana-z-schet-altmana-formula-i-primer-metodiki-podscheta.html (дата обращения: 08.10.2025).
38. IQ Media. Кредитный скоринг на базе ИИ: как нейросети помогают оценить кредитоспособность клиентов. URL: https://iq.hse.ru/news/880299650.html (дата обращения: 08.10.2025).
39. Mir-procentov.ru. Оценка кредитоспособности заемщика или как принимается решение о выдаче кредита. URL: https://mir-procentov.ru/kredity/kreditosposobnost-zaemshhika.html (дата обращения: 08.10.2025).
40. Prezi. Система CAMPARI by Ayzirek Muratova. URL: https://prezi.com/p/t6q9u70u8v17/campari/ (дата обращения: 08.10.2025).
41. ProfSafety. Роль искусственного интеллекта в будущем микрофинансирования. URL: https://profsafety.ru/rol-iskusstvennogo-intellekta-v-budushchem-mikrofinansirovaniya/ (дата обращения: 08.10.2025).
42. Rencredit.ru. Кредитоспособность: понятие, методы оценки, отличия от платёжеспособности. URL: https://rencredit.ru/articles/kreditosposobnost-ponyatie-metody-otsenki-otlichiya-ot-platezhesposobnosti/ (дата обращения: 08.10.2025).
43. Sberbank.ru. Что такое скоринг в банке: как работает и зачем нужен. URL: https://www.sberbank.ru/ru/person/credits/scoring (дата обращения: 08.10.2025).
44. Sea.ru. Система оценки кредитоспособности заемщика: что это такое и как оценивается показатель для юридических лиц. URL: https://sea.ru/o-banke/novosti/sistema-ocenki-kreditosposobnosti-zaemshchika-chto-eto-takoe-i-kak-ocenivaetsya-pokazatel-dlya-yuridicheskih-lic/ (дата обращения: 08.10.2025).
45. Tks.ru. Оценка кредитоспособности заемщика и экономической эффективности кредита по системе CAMPARI. URL: http://www.tks.ru/nat/credit/campari.html (дата обращения: 08.10.2025).
46. Vc.ru. Новая эра в кредитном скоринге: как ИИ помогает оценивать заемщиков? Спросили экспертов и рассказали про опыт JetLend. URL: https://vc.ru/finance/1109355-novaya-era-v-kreditnom-skoringe-kak-ii-pomogaet-ocenivat-zaemshchikov-sprosili-ekspertov-i-rasskazali-pro-opyt-jetlend (дата обращения: 08.10.2025).
47. Wikipedia. Кредитное страхование. URL: https://ru.wikipedia.org/wiki/%D0%9A%D1%80%D0%B5%D0%B4%D0%B8%D1%82%D0%BD%D0%BE%D0%B5_%D0%A1%D1%82%D1%80%D0%B0%D1%85%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5 (дата обращения: 08.10.2025).
48. Wikipedia. Модель Альтмана. URL: https://ru.wikipedia.org/wiki/%D0%9C%D0%BE%D0%B4%D0%B5%D0%BB%D1%8C_%D0%90%D0%BB%D1%8C%D1%82%D0%BC%D0%B0%D0%BD%D0%B0 (дата обращения: 08.10.2025).
49. Znatok-banka.ru. Как банки оценивают кредитоспособность своих клиентов. URL: https://znatok-banka.ru/kredity/kak-banki-otsenivayut-kreditosposobnost-svoix-klientov.html (дата обращения: 08.10.2025).
50. Официальный сайт Центрального банка Российской Федерации.
51. Печникова, А.В., Стародубцева, Е.Б., Маркова, О.М. Банковские операции: учебник. М.: Инфра-М, 2009. 352 с.
52. Лаврушин, О.И., Мамонова, О.И., Валенцева, Н.И. [и др.] Банковское дело: учебник / под ред. д-ра экон. наук, проф. О.И. Лаврушина. М.: Кнорус, 2008. 768 с.
53. Александрова, Н.Г. [и др.] Банковское дело: учебник / под ред. Г.Н. Белоглазовой, Л.П. Кроливецкой. 2-е изд. Санкт-Петербург: Питер, 2009. 400 с.
54. Белоглазова, Г.Н. Банковское дело: учебник для вузов / под ред. проф. Г.Н. Белоглазовой. 2-е изд. Санкт-Петербург: Питер, 2010. 400 с.
55. Applied-research.ru. Методы оценки кредитоспособности корпоративных клиентов коммерческого банка: российский и зарубежный опыт. URL: https://applied-research.ru/ru/article/view?id=9898 (дата обращения: 08.10.2025).
56. Author24.ru. Оценка кредитоспособности заемщика при помощи американской методики 5С. URL: https://author24.ru/blog/ocenka-kreditosposobnosti-zaemshchika-pri-pomoshchi-amerikanskoy-metodiki-5s/ (дата обращения: 08.10.2025).
57. Audit-it.ru. Оценка кредитоспособности заемщика (методика СберБанка России).

    URL: https://www.audit-it.ru/finanaliz/terms/kredit/creditworthiness_sberbank.html (дата обращения: 08.10.2025).

58. Banki.ru. Страхование финансового риска кредитора. URL: https://www.banki.ru/wikibank/strahovanie_finansovogo_riska_kreditora/ (дата обращения: 08.10.2025).
59. Bankrotstvo.info. Оценка кредитоспособности заемщика по методике Сбербанка. URL: https://bankrotstvo.info/stati/ocenka-kreditosposobnosti-zaemshhika-po-metodike-sberbanka/ (дата обращения: 08.10.2025).
60. Base.garant.ru. Приложение N 8. Методика определения кредитоспособности Заемщика. URL: https://base.garant.ru/18021074/097a9f8f43054178a9c336b970ac7795/ (дата обращения: 08.10.2025).
61. Begemot AI. Роль кредитных бюро в системе информационного обеспечения о кредитоспособности заемщика. URL: https://begemot.ai/rol-kreditnyh-byuro-v-sisteme-informatsionnogo-obespecheniya-o-kreditosposobnosti-zaemshchika/ (дата обращения: 08.10.2025).
62. Begemot AI. Роль кредитных бюро в системе информационного обеспечения кредитоспособности заемщика на примере ВТБ банка. URL: https://begemot.ai/rol-kreditnyh-byuro-v-sisteme-informatsionnogo-obespecheniya-kreditosposobnosti-zaemshchika-na-primere-vtb-banka/ (дата обращения: 08.10.2025).
63. Cyberleninka.ru. Использование информационных технологий и искусственного интеллекта при оценке кредитоспособности заемщиков в коммерческих банках. URL: https://cyberleninka.ru/article/n/ispolzovanie-informatsionnyh-tehnologiy-i-iskusstvennogo-intellekta-pri-otsenke-kreditosposobnosti-zaemschikov-v-kommercheskih-bankah (дата обращения: 08.10.2025).
64. Cyberleninka.ru. Методика оценки кредитоспособности Заемщика, используемая Сбербанком РФ. URL: https://cyberleninka.ru/article/n/metodika-otsenki-kreditosposobnosti-zaemschika-ispolzuemaya-sberbankom-rf (дата обращения: 08.10.2025).
65. Cyberleninka.ru. Методы оценки кредитоспособности заемщиков и способы их применения. URL: https://cyberleninka.ru/article/n/metody-otsenki-kreditosposobnosti-zaemschikov-i-sposoby-ih-primeneniya (дата обращения: 08.10.2025).
66. Cyberleninka.ru. Модели анализа кредитоспособности заемщиков. URL: https://cyberleninka.ru/article/n/modeli-analiza-kreditosposobnosti-zaemschikov (дата обращения: 08.10.2025).
67. Cyberleninka.ru. Основные понятия и содержание кредитоспособности. URL: https://cyberleninka.ru/article/n/osnovnye-ponyatiya-i-soderzhanie-kreditosposobnosti (дата обращения: 08.10.2025).
68. Cyberleninka.ru. Обобщение зарубежного опыта организации оценки кредитоспособности и финансовой состоятельности заемщика – юридического лица. URL: https://cyberleninka.ru/article/n/obobschenie-zarubezhnogo-opyta-organizatsii-otsenki-kreditosposobnosti-i-finansovoy-sostoyatelnosti-zaemschika-yuridicheskogo-litsa (дата обращения: 08.10.2025).
69. Cyberleninka.ru. Ретроспектива подходов к оценке кредитного риска: Базель I, II, III. URL: https://cyberleninka.ru/article/n/retrospektiva-podhodov-k-otsenke-kreditnogo-riska-bazel-i-ii-iii-1 (дата обращения: 08.10.2025).
70. Cyberleninka.ru. Ретроспектива подходов к оценке кредитного риска: Базель I, II, III. URL: https://cyberleninka.ru/article/n/retrospektiva-podhodov-k-otsenke-kreditnogo-riska-bazel-i-ii-iii (дата обращения: 08.10.2025).
71. Cyberleninka.ru. Страхование банковских рисков. URL: https://cyberleninka.ru/article/n/strahovanie-bankovskih-riskov (дата обращения: 08.10.2025).
72. Depozit.uz. Страхование риска невозврата кредита: зачем нужно и от каких рисков защитит такой полис. URL: https://depozit.uz/blog/strahovanie-riska-nevozvrata-kredita (дата обращения: 08.10.2025).
73. Elibrary.ru. Анализ методики, применяемой ПАО «Сбербанк России», для оценки кредитоспособности корпораций-заемщиков. URL: https://www.elibrary.ru/item.asp?id=43932731 (дата обращения: 08.10.2025).
74. Elibrary.ru. Оценка кредитоспособности заемщика-физического лица в ПАО «Сбербанк России». URL: https://www.elibrary.ru/item.asp?id=38198759 (дата обращения: 08.10.2025).
75. Fin-accounting.ru. Сводный индекс предсказания банкротства (Z-счет Альтмана) | Показатели ликвидности | Финансовые коэффициенты. URL: https://fin-accounting.ru/likvidnost-predpriyatiya/svodnyy-indeks-predskazaniya-bankrotstva-z-schet-altmana.html (дата обращения: 08.10.2025).
76. Finzz.ru. Индекс кредитоспособности. URL: https://finzz.ru/indeks-kreditosposobnosti.html (дата обращения: 08.10.2025).
77. Ppt-online.org. Оценка кредитоспособности коммерческим банком юридических лиц на примере ПАО «Сбербанк России». URL: https://ppt-online.org/397334 (дата обращения: 08.10.2025).
78. Prepod24.ru. Роль кредитных бюро в системе информационного обеспечения о кредитоспособности заемщика — Банковское дело, Дипломная работа. URL: https://prepod24.ru/bgd/bankovskoe-delo/rol-kreditnyh-byuro-v-sisteme-informatsionnogo-obespecheniya-o-kreditosposobnosti-zaemshchika.html (дата обращения: 08.10.2025).
79. Scienceforum.ru. Анализ и оценка кредитоспособности физических лиц ОАО «Сбербанк России». URL: https://scienceforum.ru/2014/article/2014002622 (дата обращения: 08.10.2025).
80. Vital.lib.tsu.ru. Untitled. URL: http://vital.lib.tsu.ru/vital/access/manager/Repository/vtls:000494165 (дата обращения: 08.10.2025).