Эволюция скорингового метода управления кредитным риском в России: от статистических моделей к интегрированным ML/XAI-решениям для корпоративного и МСБ-сегмента (2025 г.)

метки: Модель, Скоринг, Данные, Дефолт, Система, Задолженность, Убыток, Решение

Введение: Пересмотр парадигмы кредитного скоринга в условиях новых вызовов

В начале 2010-х годов управление кредитным риском в российском банковском секторе базировалось на подходах, заложенных в рамках Базеля II и отечественной регуляторной базы, представленной, в частности, Положением ЦБ РФ № 254-П. Основным методологическим инструментом оценки вероятности дефолта (PD) служила логистическая регрессия, а акцент делался на моделировании понесенных убытков. С 2018 года финансовая система России пережила фундаментальную трансформацию, инициированную переходом к международному стандарту МСФО (IFRS) 9 и обновлением национального регулирования, кульминацией которого стало принятие Положения ЦБ РФ № 590-П. Эти изменения потребовали от кредитных организаций смещения фокуса с ретроспективного анализа на прогнозное моделирование ожидаемых кредитных убытков (ECL).

Актуальность настоящего исследования продиктована необходимостью деконструкции и обновления устаревших академических представлений о скоринге. Сегодня, в условиях высокой экономической волатильности и рекордного роста просроченной задолженности в сегменте малого и среднего бизнеса (МСБ), традиционные статистические модели демонстрируют недостаточную прогностическую силу, требуя внедрения технологий Machine Learning (ML), обработки Big Data и интеграции принципов Explainable AI (XAI) для обеспечения регуляторного комплаенса. И что из этого следует? Следует то, что банки, не освоившие эти технологии, неизбежно столкнутся с повышенными требованиями к капиталу и не смогут эффективно управлять растущими резервами.

Целью работы является комплексный анализ эволюции скорингового метода, его регуляторных основ (Базель III/IV, ЦБ РФ) и технологической трансформации в контексте кредитования корпоративных и МСБ-клиентов в 2025 году. Научная новизна заключается в синтезе регуляторных требований (ECL, 590-П) с практическими аспектами внедрения сложных ML-моделей и архитектурных решений (MLOps, BRMS), а также в обосновании острой необходимости использования специализированного скоринга на основе актуальной статистики NPL.

Методология анализа и стратегического управления дебиторской ...

... что из этого следует? Предприятию необходимо немедленно пересмотреть кредитную политику и усилить ... финансовых инструментов (факторинг, цессия, скоринг) для оптимизации ДЗ и КЗ. ... Этот показатель должен быть сопоставлен с условиями коммерческого кредита, предоставленного покупателям (например, ... сомнительным долгам позволяет списать потенциальные убытки на финансовый результат отчетного периода ...

Регуляторно-теоретические основы управления кредитным риском (Basel III/IV и ЦБ РФ)

Переход от Базеля II к Базелю III и IV ознаменовал ужесточение требований к капиталу, ликвидности и, что критически важно для скоринга, к качеству и гранулярности оценки кредитного риска. МСФО (IFRS) 9 «Финансовые инструменты» стал главным методологическим драйвером в оценке риска, требуя от банков перехода от модели понесенных убытков к модели ожидаемых кредитных убытков (ECL).

Сравнительный анализ Базель II, Базель III/IV и МСФО (IFRS) 9

В таблице ниже представлено ключевое влияние регуляторных изменений на методологию скоринга:

Характеристика	Базель II (Контекст 2009–2010 гг.)	Базель III/IV (Контекст 2025 г.)	Влияние на скоринг
Основная цель	Обеспечение минимальной достаточности капитала.	Повышение устойчивости, снижение системных рисков.	Усиление требований к точности моделей PD, LGD, EAD.
Подход к риску	Модель понесенных убытков.	Усиленный IRB-подход, стандартизация LGD/EAD.	Требование к большей прогнозной силе моделей.
Роль IFRS 9	Не применим.	Обязателен с 2018 года в РФ.	Ключевой драйвер: переход к модели ожидаемых кредитных убытков (ECL).
Калибровочный период	Относительно гибкий.	Более строгие требования к калибровке моделей на полных экономических циклах.	Необходимость использования Big Data и долгосрочных рядов.

ECL требует от банков прогнозировать убытки на основании будущих макроэкономических сценариев и оценки вероятности дефолта на следующие 12 месяцев или на весь оставшийся срок действия финансового инструмента. Это прямо обусловило необходимость внедрения более точных, прогнозных, динамических и калибруемых моделей скоринга, способных учитывать как внутренние, так и внешние факторы риска.

Нормативная база ЦБ РФ и ключевые метрики риска

В Российской Федерации основополагающим документом, регламентирующим порядок формирования резервов на возможные потери, является Положение Банка России № 590-П от 28 июня 2017 года, которое заменило ранее действовавшее Положение № 254-П. Положение № 590-П жестко регламентирует классификацию ссуд по категориям качества (от I до V), требуя формирования адекватных резервов. В частности, ссуды, отнесенные ко II–V категориям, признаются обесцененными, а по портфелям однородных ссуд, отнесенных к V (низшей) категории качества, кредитная организация обязана сформировать резерв в размере свыше 50% совокупной балансовой стоимости.

Требования 590-П, особенно в части оценки портфелей однородных ссуд, тесно коррелируют с требованиями МСФО 9 и требуют расчета трех ключевых параметров кредитного риска:

1. PD (Probability of Default) — Вероятность дефолта.
2. LGD (Loss Given Default) — Потери в случае дефолта.
3. EAD (Exposure at Default) — Сумма, подверженная кредитному риску на момент дефолта.

Формула ожидаемых потерь (Expected Loss, EL или ECL) является основой для расчета резервов:

EL = PD * LGD * EAD

Внедрение Продвинутого подхода IRB (AIRB), который позволяет банкам использовать собственные модели для расчета всех трех параметров (PD, LGD, EAD), дает наибольшую свободу в согласовании внутренних расчетов с требованиями МСФО (IFRS) 9 и обеспечивает конкурентное преимущество за счет оптимизации капитала. Однако этот подход требует от банка высочайшего качества моделей и их постоянной валидации регулятором.

Трансформация скоринговых моделей: превосходство Machine Learning над традиционной статистикой

Критический анализ традиционных моделей и их ограничений

Исторически основой кредитного скоринга служила логистическая регрессия. Ее преимуществами являются простота, высокая интерпретируемость и низкая вычислительная сложность. Однако для оценки риска корпоративных и МСБ-клиентов в 2025 году логистическая регрессия демонстрирует серьезные ограничения:

1. Неспособность обработки нелинейности: Финансовое состояние крупных компаний или МСБ зависит от множества факторов, имеющих сложную, нелинейную взаимосвязь, которую линейные модели не могут адекватно захватить.
2. Ограничение по размерности и типу данных: Традиционные модели плохо работают с большими массивами разнородных данных (Big Data), включая текстовые, графовые или высокочастотные поведенческие факторы.
3. Проблема мультиколлинеарности: Сильная корреляция между независимыми переменными вносит нестабильность в оценки коэффициентов, что снижает надежность модели.

Эти ограничения обусловили необходимость перехода к более мощным и гибким методам, способным извлекать скрытые зависимости из массивов данных. Но разве не является само собой разумеющимся, что в условиях сегодняшней динамики рынка устаревшие инструменты просто обязаны уступить место более адаптивным технологиям?

Применение ансамблевых и нейросетевых моделей (XGBoost)

Современный скоринг, особенно в сегменте МСБ, где данные зачастую скудны или неполны, базируется на технологиях машинного обучения. Ведущие российские банки внедрили ИИ для автоматизации до 80–90% решений по кредитам малому и микробизнесу.

Наиболее высокую предсказательную силу в практике российского банковского скоринга демонстрируют ансамблевые модели на основе решающих деревьев, в частности, Градиентный Бустинг (XGBoost, Cat Boost).

Преимущества Градиентного Бустинга:

• Высокая точность прогноза (PD): ML-модели позволяют достигнуть точности, превосходящей логистическую регрессию, и способствуют снижению уровня дефолта в кредитном портфеле на 18–22% за счет более точного отсева рисковых заемщиков.
• Учет нелинейных взаимодействий: Моделирование через деревья решений естественно захватывает сложные взаимодействия между сотнями признаков (например, сочетание низкого оборота и высокой текучести кадров).
• Обработка разнородных данных: Эффективно работают как с числовыми, так и с категориальными признаками, включая альтернативные данные (Alternative Data).

Именно эти ML-алгоритмы являются основой для построения продвинутых моделей PD, LGD и EAD, требуемых Базелем III и МСФО 9.

Комплаенс, интерпретируемость и расширение периметра данных в скоринге 2025 года (Закрытие «Слепой Зоны» XAI)

Интерпретируемость (XAI) как инструмент модельного комплаенса

Ключевым препятствием на пути внедрения сложных ML-моделей является проблема непрозрачности или интерпретируемости («черный ящик»).

Регуляторы, включая ЦБ РФ, требуют, чтобы банки могли не только получить прогноз (PD), но и объяснить, почему модель приняла то или иное решение, особенно в случае отказа в кредите. Это требование критически важно для управления модельным риском и соблюдения принципов справедливого кредитования. Без возможности объяснить, почему конкретный клиент получил высокий или низкий рейтинг, модель не может быть допущена к использованию в рамках IRB-подхода.

Для решения этой задачи активно применяются методы Explainable AI (XAI):

1. LIME (Local Interpretable Model-agnostic Explanations): Позволяет создать локально интерпретируемую модель, объясняя прогноз сложной модели для конкретного заемщика путем аппроксимации поведения сложной модели вокруг точки данных.
2. SHAP (SHapley Additive exPlanations): Основывается на теории игр Шепли и позволяет количественно оценить вклад каждого входного признака в конечный прогноз модели.

Использование SHAP-значений является ключевой мерой для достижения прозрачности и объяснимости. Это не просто техническое улучшение, а обязательное условие для прохождения процедуры валидации моделей со стороны регулятора.

Интеграция ESG- и альтернативных данных в скоринг корпоративных и МСБ-клиентов

Современный скоринг выходит за рамки традиционного анализа финансовой отчетности. В условиях 2025 года решающую роль играют нефинансовые факторы и альтернативные данные (Alternative Data).

Альтернативные данные

Для МСБ и микробизнеса, где финансовая отчетность может быть неполной или нерегулярной, активно используются альтернативные источники, которые являются более актуальными и динамично обновляются:

• Данные от телеком-операторов (паттерны активности, геолокация).
• Данные с маркетплейсов и платежных систем (динамика продаж).
• Информация из открытых государственных реестров (ФНС, арбитражи).

В случае небольших компаний, особенно микробизнеса, при оценке кредитных рисков часто используются паттерны поведения собственника (его личная кредитная история, транзакционная активность) как прокси-показатель для оценки возможного поведения самой компании, поскольку граница между кредитованием малого ЮЛ и ФЛ часто размыта.

ESG-скоринг

Крупнейшие российские банки интегрируют ESG-скоринг (Environmental, Social, Governance) в управление рисками, признавая, что несоблюдение принципов устойчивого развития может привести к финансовым потерям и репутационным рискам.

Конкретные ESG-факторы, используемые в скоринговых моделях для корпоративных клиентов:

Категория	Факторы риска	Влияние на PD/LGD
E (Экология)	Объемы выбросов парниковых газов, наличие сертификатов ISO 14001.	Повышенный риск штрафов и регуляторных ограничений.
S (Социальные)	Текучесть кадров, уровень оплаты труда, безопасность труда.	Высокая текучесть может сигнализировать о нестабильности управления и операционных рисках.
G (Управление)	Практики противодействия коррупции, структура совета директоров, прозрачность отчетности.	Низкое качество управления увеличивает вероятность мошенничества и операционных сбоев.

Интеграция этих факторов позволяет создать более устойчивую и прогнозную модель, учитывающую долгосрочные риски, не отраженные в традиционных балансах.

Специализированный скоринг и его роль в управлении кредитным портфелем МСБ (Рыночная Драматика)

Анализ критической статистики просроченной задолженности (NPL) МСБ (2023–2025 гг.)

Рынок кредитования МСБ в России в 2024–2025 годах столкнулся с серьезными вызовами, связанными с высокой ключевой ставкой и замедлением потребительского спроса. Эти факторы оказали прямое влияние на качество кредитного портфеля, что подтверждается критической статистикой. По состоянию на середину 2025 года (июль), общий объем просроченной задолженности (NPL) в сегменте МСБ достиг рекордных 767 млрд рублей. Этот показатель на 14% превышает результат годичной давности.

Показатель	Начало 2024 г.	Середина 2025 г.	Динамика
Объем NPL в МСБ	~670 млрд руб.	767 млрд руб.	Рост на 14%
Доля просрочки в портфеле МСБ	4,4%	5,0%	Рост на 0,6 п.п.
Рост числа заемщиков с просрочкой (2023–2024 гг.)	—	—	Рост на 54%

Такой драматический рост просроченной задолженности свидетельствует о том, что традиционный Application Scoring (первичная оценка на этапе выдачи) уже недостаточен. Необходимо внедрение комплексной системы динамического скоринга, который отслеживает состояние заемщика на протяжении всего жизненного цикла ссуды и оперативно реагирует на ухудшение его финансового положения. Именно поэтому все больше внимания уделяется поведенческим моделям, о которых мы поговорим в следующем разделе.

Behavioral, Collection и Fraud Scoring

Для комплексного управления риском в условиях высокой волатильности используются специализированные типы скоринга, которые применяются после выдачи кредита:

1. Behavioral Scoring (Поведенческий скоринг)

• Цель: Динамическая оценка вероятности дефолта уже действующего заемщика.
• Функционал: Оценивает изменение паттернов поведения клиента (частота использования лимита, количество счетов, динамика оборотов по расчетным счетам, изменения в транзакциях).
• Результат: Регулярная перекалибровка внутреннего рейтинга клиента (PD), что позволяет банку своевременно принять меры: предложить реструктуризацию, изменить лимит или увеличить резервы по конкретной ссуде, в соответствии с требованиями 590-П.

2. Collection Scoring (Скоринг взыскания)

• Цель: Максимизация возврата проблемной задолженности (снижение LGD).
• Функционал: Применяется к заемщикам, уже допустившим просрочку (ключевой показатель — наступление просрочки 90+ дней (PD90+), классифицирующей ссуду как неработающую — NPL).

  Модель оценивает вероятность погашения при различных стратегиях воздействия (звонок, СМС, судебное взыскание) и определяет приоритетность дела (на какой ссуде сосредоточить усилия).

• Результат: Выбор оптимальной и наиболее экономически эффективной стратегии работы с проблемным заемщиком.

3. Fraud Scoring (Скоринг мошенничества)

• Цель: Своевременное выявление и предотвращение мошенничества.
• Функционал: Используется на этапе подачи заявки (Application Fraud Scoring) и на этапе обслуживания (Transaction Fraud Scoring).

  Основан на анализе Big Data, ML и поведенческой аналитике в реальном времени для выявления аномалий в документах, транзакциях или структуре собственности.

• Результат: Минимизация потерь, связанных с умышленным невозвратом кредита.

Архитектура современных скоринговых систем и инструменты MLOps

Внедрение сложных ML-моделей требует кардинальной модернизации системной архитектуры. Современная скоринговая система в крупном российском банке представляет собой двухуровневый комплекс, построенный на базе Big Data платформ.

Big Data-платформы и Кредитный конвейер

Современная архитектура включает:

1. Аналитическая Скоринговая Система (Платформа ML): Это среда для разработки, обучения, оценки эффективности и валидации моделей (PD, LGD, EAD).

   Она базируется на Big Data платформах (например, Hadoop, Spark), что позволяет обрабатывать петабайты данных, необходимых для обучения сложных ML-алгоритмов.

2. Кредитный Конвейер (Система Управления Решениями): Это сервер принятия решений (Decision Management System, DMS), который обеспечивает высокую скорость и надежность работы обученных моделей в режиме реального времени.

MLOps (Machine Learning Operations) — это набор практик и инструментов (MLflow, Kubeflow), критически важных для эффективной работы системы. MLOps обеспечивает автоматизацию, мониторинг и управление всем жизненным циклом ML-моделей: от разработки до промышленного внедрения и мониторинга дрейфа. Внедрение MLOps-практик и CI/CD-конвейеров в финансовом секторе позволяет добиться кратного ускорения процесса (в 2–3 раза) вывода новых или перекалиброванных моделей в продакшн. В некоторых FinTech-проектах было достигнуто сокращение Time-to-Market на 17% за счет оптимизации архитектуры и автоматизации развертывания.

BRMS и управление логикой кредитования бизнес-пользователями

Ключевым архитектурным элементом, обеспечивающим гибкость и скорость адаптации к меняющимся рыночным и регуляторным условиям, является BRMS (Business Rule Management System) — Система управления бизнес-правилами.

BRMS интегрируется с Кредитным конвейером и выполняет роль "дирижера", управляя логикой принятия решений, которая включает:

• Запуск скоринговых моделей (ML-моделей).
• Определение пороговых значений (cut-offs).
• Управление исключениями и стоп-факторами.

Преимущество BRMS заключается в том, что она позволяет бизнес-пользователям (риск-менеджерам, не ИТ-специалистам) самостоятельно описывать и управлять логикой принятия решений в виде декларативных утверждений. Это кардинально ускоряет настройку процессов кредитования, сокращая зависимость от ИТ-подразделений при изменении регуляторных требований (например, при корректировке требований Положения № 590-П) или рыночной стратегии.

Заключение: Перспективы развития скорингового метода

Актуализация скорингового метода управления кредитным риском в России, проведенная в настоящем исследовании, демонстрирует полный отход от устаревшей парадигмы, основанной на статистических моделях и ретроспективном анализе. К 2025 году скоринг превратился в высокотехнологичный, интегрированный процесс, жестко регламентированный требованиями Базеля III/IV, МСФО (IFRS) 9 (ECL) и Положением ЦБ РФ № 590-П.

Главные тенденции, определившие современный скоринг:

1. Технологический сдвиг: Доминирование ML-алгоритмов (Градиентный Бустинг, нейронные сети) для повышения точности прогнозирования PD, LGD и EAD.
2. Регуляторный фокус: Обязательность внедрения методов XAI (SHAP-значения) для обеспечения прозрачности моделей и управления модельным риском, что является условием комплаенса.
3. Расширение данных: Активная интеграция нефинансовых факторов (ESG) и альтернативных данных (Alternative Data) для создания более устойчивых моделей, особенно в корпоративном и МСБ-сегментах.
4. Комплексность управления: Необходимость внедрения специализированных скоринговых решений (Behavioral, Collection, Fraud) для динамического управления кредитным портфелем, что подтверждается рекордным ростом NPL в сегменте МСБ.

Дальнейшее развитие скорингового метода, как видно, будет проходить по пути усиления этих тенденций. Ожидается рост использования графовых нейронных сетей для анализа скрытых связей между юридическими лицами, аффилированными сторонами и физическими лицами-собственниками, что позволит более точно оценить системный риск. Кроме того, по мере ужесточения политики ЦБ РФ в области устойчивого финансирования, интеграция ESG-рисков в скоринг станет не просто конкурентным преимуществом, а обязательным элементом оценки кредитоспособности крупного бизнеса, что делает необходимым пересмотр привычных процедур оценки рисков.

Список использованной литературы

1. Российская Федерация. Законы. О Центральном банке Российской Федерации (Банке России): Федеральный закон от 10 июня 2002 г. № 86-ФЗ (с последующими изменениями).
2. Российская Федерация. Законы. О банках и банковской деятельности: Федеральный закон от 2 декабря 1990 г. № 395-1-ФЗ (с последующими изменениями).
3. Российская Федерация. Законы. О залоге: Закон РФ от 29 мая 1992 г. № 2872-1 (в ред. от 19.07.2007).
4. Российская Федерация. Гражданский кодекс Российской Федерации. Москва: Проспект, 2009. 646 с.
5. Об обязательных нормативах банков: Инструкция Банка России от 16 января 2004 г. № 110-И (с последующими изменениями).
6. О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности: Положение Банка России от 28.06.2017 № 590-П (ред. от 15.03.2023).

   Доступ из справочно-правовой системы «КонсультантПлюс».

7. МСФО (IFRS) 9 «Финансовые инструменты»: первый опыт применения. KPMG. URL: https://kpmg.com
8. IFRS 9 — Методы коэффициента убытков и вероятности дефолта для оценки ожидаемого кредитного убытка (ECL).

   URL: http://fin-accounting.ru/

9. Лаврушин О.И., Мамонова И.Д., Валенцева Н.И. и др. Банковское дело: Учебник. 2-e изд., перераб. и доп. Москва: Финансы и статистика, 2005. 232 с.
10. Балабанова И.Т. Банки и банковская деятельность: Учебник для вузов. Санкт-Петербург: Питер, 2006. 455 с.
11. Молчанов А.В. Коммерческий банк в современной России: теория и практика. Москва: Финансы и статистика, 2006. 279 с.
12. Беляков А.В. Банковские риски. Москва: БЦД – Пресс, 2007. 256 с.
13. Грюнинг Х. ван, Брайович Братанович С. Анализ банковских рисков. Система оценки корпоративного управления и управления финансовым риском. Пер. с англ. Москва: Весь мир, 2007. 304 с.
14. Как банки используют искусственный интеллект в обслуживании бизнеса. URL: https://www.vedomosti.ru
15. Что такое скоринг и как работает кредитная скоринговая модель. URL: https://beeline.ru
16. Современный скоринг: использование big data и machine learning. URL: https://nbj.ru
17. Машинное обучение в оценке кредитных рисков: как ML меняет правила игры? URL: https://habr.com
18. МЕТОДЫ EXPLAINABLE AI И ИХ ПРИМЕНЕНИЕ В ФИНАНСОВЫХ И УПРАВЛЕНЧЕСКИХ РЕШЕНИЯХ. URL: https://7universum.com
19. Применение методов машинного обучения для решения задачи кредитного скоринга. URL: https://hse.ru
20. Обзор методов кредитного скоринга. URL: https://cyberleninka.ru
21. Как мы строили самую большую модель кредитного скоринга в сегменте МСБ. URL: https://habr.com
22. Лекция 13. Симуляция и оценка кредитного риска в проектном финансировании. URL: https://mgimo.ru
23. Разъяснения по Положениям № 590-П (254-П) и 283-П/611-П. URL: https://profbanking.com
24. Методика оценки кредитного риска контрагента. URL: https://naufor.ru
25. Кредитование МСБ в 2023–2024 годах: на правах драйвера рынка. URL: https://roscongress.org
26. ESG-банкинг в России. Исследование. URL: https://asros.org
27. Обзор рынка кредитования МСП на 01.12.2024. URL: https://fskmb.ru
28. Как в 2024 году подорожали кредиты для малого и среднего бизнеса. URL: https://expert.ru
29. Sber Private Banking начал проводить ESG-скоринг в рамках инвестиционного консультирования. URL: https://sber.pro
30. БАНКОВСКИЙ СЕКТОР (Обзор).

    Банк России. URL: https://cbr.ru

31. Fraud scoring. Библиотека Банка России. URL: https://cbr.ru