Кредитоспособность заемщика и методика ее определения в условиях регуляторных новаций и цифровой трансформации банковского сектора РФ (2024–2025 гг.)

метки: Коэффициент, Кредитный, Заемщик, Оценка, Финансовый, Метод, Качество, Устойчивость

По итогам 2024 года банковский сектор Российской Федерации получил рекордную прибыль в размере 3,8 трлн рублей. Этот финансовый успех, однако, сопровождался существенным ростом кредитного портфеля и, как следствие, увеличением рисков: объем просроченных розничных банковских кредитов (без учета ипотеки) за тот же период превысил 1,165 трлн рублей на начало января 2025 года. Этот факт недвусмысленно демонстрирует, что в условиях ужесточения денежно-кредитной политики и роста ключевой ставки (до 21% в октябре 2024 г.) проблема адекватной и своевременной оценки кредитоспособности заемщиков остается краеугольным камнем устойчивости банковской системы. И что из этого следует? Без точной и прогностической методики оценки кредитоспособности банки рискуют повторить сценарии прошлых кризисов, когда высокие прибыли быстро сменялись необходимостью масштабного досоздания резервов.

Настоящее исследование ставит своей целью не просто обзор, а глубокий, актуализированный анализ методик определения кредитоспособности, интегрируя традиционные финансовые подходы с современными регуляторными требованиями Центрального Банка РФ (ЦБ РФ) и инновационными предиктивными моделями, основанными на Big Data и машинном обучении. Акцент сделан на нормативно-правовых новациях 2024–2025 гг., включая внедрение IRB-подхода и анализ нефинансовых, в том числе ESG-рисков, ставших критически важными для корпоративного кредитования.

Теоретико-методологические основы оценки кредитоспособности

Актуальность проблемы оценки кредитоспособности возрастает пропорционально росту долговой нагрузки населения и бизнеса. Банк, как ключевой финансовый посредник, несет ответственность за минимизацию кредитного риска, поскольку невозврат долга влечет необходимость формирования резервов и прямые убытки. В рамках финансового анализа принципиально важно разграничивать два ключевых понятия:

1. Платежеспособность (Solvency): Отражает текущее состояние заемщика, то есть его способность своевременно и в полном объеме погашать свои краткосрочные обязательства за счет ликвидных активов в данный момент времени. Это ретроспективный и статический показатель.
2. Кредитоспособность (Creditworthiness): Представляет собой прогнозный показатель, оценивающий способность заемщика рассчитаться по своим долговым обязательствам (основному долгу и процентам) в полном объеме и в срок на ближайшую или долгосрочную перспективу. Кредитоспособность включает анализ финансовой устойчивости, деловой репутации и способности генерировать достаточный денежный поток.

Основная цель оценки кредитоспособности для банка — минимизация кредитного риска, который определяется как вероятность неисполнения заемщиком своих обязательств. Какова же практическая выгода этого разграничения? Оно позволяет банку не просто констатировать факт, что клиент «платежеспособен сегодня», но и прогнозировать его способность выдержать экономические шоки завтра, что критически важно для долгосрочных кредитов.

Комплексный статистический анализ кредитных отношений в экономике ...

... консалтинге, регулирующих органах или академической среде. Представленная работа предлагает исчерпывающий статистический анализ кредитных отношений. Мы начинаем с фундаментальных теоретических основ, погружаясь в историю ... свои обязательства. Обеспеченность снижает кредитный риск для кредитора, но при этом увеличивает бюрократическую нагрузку и требует тщательной оценки залога. Сущность и роль ...

Нормативно-правовое регулирование оценки кредитного риска в РФ (2024–2025 гг.)

Российская банковская система функционирует в строгих рамках, заданных мегарегулятором – Банком России. За последние годы произошли значительные изменения, направленные на повышение качества оценки кредитных рисков и стимулирование структурной адаптации экономики.

Ключевые регуляторные акты ЦБ РФ:

• Инструкция Банка России № 199-И от 29.11.2019 «Об обязательных нормативах и надбавках к нормативам достаточности капитала банков с универсальной лицензией» (и последующие изменения).

  Этот документ является основой для расчета обязательных нормативов, включая Н1.0 (достаточность капитала), и определяет подходы к взвешиванию активов по уровню риска.

• Положение Банка России № 845-П от 02.11.2024 «О порядке расчета величины кредитного риска банками с применением банковских методик управления кредитным риском и моделей количественной оценки кредитного риска».

Положение № 845-П ознаменовало собой начало активного внедрения в России подходов, основанных на внутренних рейтингах (IRB-подход), в соответствии с принципами Базель III. Суть IRB-подхода состоит в том, что банки, обладающие высококачественными внутренними моделями оценки рисков, могут использовать собственные оценки для расчета кредитного риска, а не стандартизированные веса, предписанные регулятором.

Для получения разрешения на применение IRB-подхода банк должен соответствовать строгим критериям, включая размер активов (не менее 500 млрд рублей на дату направления ходатайства) и доказанную способность внутренних моделей точно прогнозировать вероятность дефолта (PD), уровень потерь при дефолте (LGD) и величину кредитного требования при дефолте (EAD).

Стимулирующее регулирование. В 2024–2025 гг. Банк России также активно использует кредитный риск как инструмент стимулирования приоритетных секторов экономики. Регулятор допускает применение пониженных коэффициентов риска по кредитным требованиям, связанным с финансированием проектов технологического суверенитета и структурной адаптации экономики РФ. Например, для высококачественных проектов, соответствующих критериям инвестиционного уровня и определенной значимости, может применяться риск-вес 65% (вместо стандартного 100% или выше), а в общем случае пониженные коэффициенты могут достигать 75% в рамках Инструкции № 199-И. Таким образом, регулятор не просто контролирует риски, но и задает вектор развития банковского кредитования, направленный на стратегически важные отрасли.

Эволюция и классификация методов оценки

Методы оценки кредитоспособности исторически развивались от качественных экспертных оценок до сложнейших количественных моделей:

Класс методов	Характеристика и цель	Применение
Финансовые (Количественные)	Оценка способности генерировать финансовые ресурсы для погашения долга. Основаны на анализе бухгалтерской отчетности.	Корпоративное кредитование (МСБ и крупный бизнес).
Экспертные (Качественные)	Оценка нефинансовых рисков, которые трудно измерить (менеджмент, репутация, отрасль).	Корпоративное кредитование (5С, 6С).
Скоринговые (Статистические/ML)	Оценка вероятности дефолта на основе статистических/машинных моделей, использующих исторические и поведенческие данные.	Массовое розничное кредитование (физические лица), МСБ.

Эволюция методов всегда направлена на повышение точности прогнозирования дефолта, что является критически важным для адекватного формирования резервов на возможные потери по ссудам.

Традиционный анализ кредитоспособности корпоративных заемщиков: Финансовые коэффициенты и денежные потоки

В основе оценки кредитоспособности корпоративного заемщика лежит детальный анализ его финансовой отчетности. В российской практике это формы № 1 (Бухгалтерский баланс) и № 2 (Отчет о финансовых результатах).

При этом банк придерживается принципа осторожности, что может предполагать корректировку статей актива баланса в сторону их уменьшения (например, снижение стоимости неликвидных запасов) на основе экспертной оценки.

Методика анализа финансовых коэффициентов

Анализ коэффициентов позволяет провести экспресс-диагностику финансового здоровья предприятия. Коэффициенты традиционно делятся на три ключевые группы, отражающие разные грани устойчивости:

1. Коэффициенты ликвидности (К₁, К₂, К₃): Отражают способность заемщика выполнять свои краткосрочные обязательства.

Коэффициент абсолютной ликвидности (К₁) — показывает, какую часть краткосрочных обязательств заемщик может погасить немедленно за счет самых ликвидных активов.

K₁ = (ДС + ФВ) / КО

Где: ДС — денежные средства; ФВ — высоколиквидные финансовые вложения; КО — краткосрочные обязательства.

В российской банковской практике нормативное значение для К₁ чаще всего устанавливается в диапазоне 0,2–0,5. Значение ниже 0,2 может указывать на серьезные проблемы с мгновенной платежеспособностью.

2. Коэффициенты финансовой устойчивости (Леверидж): Характеризуют структуру капитала и степень зависимости от заемных средств.

Коэффициент соотношения собственных и заемных средств — показывает, какая часть активов финансируется собственниками, а какая – кредиторами.

3. Коэффициенты рентабельности и оборачиваемости: Отражают эффективность использования ресурсов и способность генерировать прибыль.

Алгоритм присвоения класса кредитоспособности

По результатам расчета основных финансовых коэффициентов, банк присваивает заемщику класс кредитоспособности. Одна из распространенных балльных методик использует взвешенную оценку шести ключевых коэффициентов (К₁–К₆).

Расчет общей суммы баллов (S) производится по формуле, где каждой категории коэффициента (определяемой по внутренним нормативам банка) присваивается определенный вес:

S = 0,05 * Категория K₁ + 0,10 * Категория K₂ + 0,40 * Категория K₃ + 0,20 * Категория K₄ + 0,15 * Категория K₅ + 0,10 * Категория K₆

В зависимости от полученной суммы S, заемщику присваивается один из классов:

Класс кредитоспособности	Диапазон суммы баллов (S)	Решение банка
Первый класс	S ≤ 1,25	Кредитование без сомнений, минимальный риск.
Второй класс	1,25 < S ≤ 2,35	Кредитование требует взвешенного подхода, повышенный мониторинг.
Третий класс	S > 2,35	Кредитование связано с повышенным риском, требует высокого обеспечения или отказа.

Анализ денежных потоков как прогнозный инструмент

Анализ денежных потоков (Cash Flow Analysis) является критически важным дополнением к анализу коэффициентов, поскольку коэффициенты оперируют данными баланса (на определенную дату), тогда как анализ Cash Flow позволяет оценить динамику ликвидности и, главное, способность предприятия генерировать достаточный поток для погашения долга в будущем. Разве не стоит признать, что именно прогноз будущих денежных потоков, а не просто взгляд на ретроспективные данные, является истинным мерилом кредитоспособности?

Ключевое различие между методами анализа денежных потоков (ДП) касается только операционного денежного потока (ДП от текущих операций), представленного в Отчете о движении денежных средств (ОДДС):

1. Прямой метод: Базируется на прямом учете всех основных поступлений (выручка от клиентов) и платежей (поставщикам, зарплата).
   • Преимущество: Максимально нагляден, полезен для краткосрочного планирования ликвидности и прогнозирования будущих потоков.
   • Особенность: Официальные формы отчетности в РФ (ОДДС) используют только прямой метод.
2. Косвенный метод: Начинается с чистой прибыли (из Отчета о финансовых результатах) и корректирует ее на неденежные статьи (амортизация, изменение резервов) и изменения в оборотном капитале.
   • Преимущество: Четко показывает взаимосвязь между прибылью и движением денежных средств, полезен для оценки качества прибыли.
   • Недостаток: Менее полезен для детального прогнозирования ликвидности, так как не показывает фактические источники поступлений.

Для кредитного аналитика прямой метод, используемый в российской отчетности, является более информативным, поскольку позволяет напрямую оценить объем реальной выручки и предсказать, как будущие изменения в операционной деятельности повлияют на способность обслуживать долг.

Интеграция качественных факторов и ESG-рисков в оценку кредитоспособности

Полноценная оценка кредитоспособности не может ограничиваться только количественными финансовыми показателями. Нефинансовые, или качественные, факторы часто являются индикаторами долгосрочной стабильности и устойчивости заемщика.

Роль деловой репутации, качества менеджмента и отраслевого риска

Экспертные методы, такие как «Правила пяти/шести Си» (5C/6C), являются основой для учета качественных факторов:

1. Character (Характер/Репутация): Оценка деловой репутации заемщика, его истории взаимоотношений с банками и партнерами, моральной готовности выполнять обязательства.
2. Capacity (Способность): Анализ управленческого опыта, качества менеджмента, способности адаптироваться к рыночным изменениям.
3. Capital (Капитал): Оценка достаточности собственного капитала.
4. Collateral (Обеспечение): Оценка качества и ликвидности залога.
5. Conditions (Условия): Анализ макроэкономических и отраслевых условий, в которых функционирует заемщик (отраслевой риск).
6. Control (Контроль): Дополнительный фактор, учитывающий правовые аспекты, регулирование и корпоративное управление.

Отраслевой риск, связанный с «Conditions», приобрел особое значение в период санкционного давления и структурной перестройки экономики РФ. Кредитный аналитик должен учитывать степень зависимости отрасли от импорта, волатильность цен на сырье и государственное регулирование. Какой важный нюанс здесь упускается? Что оценка качественных факторов, в отличие от финансовых коэффициентов, требует высокой квалификации аналитика и не поддается полной автоматизации, что сохраняет роль человеческого суждения в кредитном процессе.

ESG-риски как новый вектор оценки устойчивости

В условиях глобального перехода к устойчивому развитию, ESG-риски (Экологические, Социальные, Управленческие) стали неотъемлемой частью оценки кредитоспособности, особенно для крупного корпоративного бизнеса. Это факторы, которые могут напрямую трансформироваться в финансовые потери (например, штрафы за экологические нарушения, репутационные риски, связанные с несоблюдением социальных стандартов).

В России, несмотря на колебания интереса к ESG после 2022 года, банки продолжают развивать это направление, руководствуясь необходимостью управления рисками:

• Масштаб рынка: По оценке агентства «Эксперт РА», объем портфеля ESG-кредитов в России по состоянию на 01.07.2024 вырос в два раза за год и составил внушительные 5,5 трлн рублей.
• Связь с риском: Более половины этого портфеля (53%) приходится на кредиты, условия которых привязаны к выполнению ESG-ковенантов (специальных условий, связанных с устойчивым развитием).

  Это означает, что невыполнение экологических или социальных целей может привести к ужесточению условий кредитования.

• Корреляция: Исследования подтверждают значимую взаимосвязь: «Эксперт РА» выявил корреляцию на уровне 0,68 между уровнями ESG-рейтингов и кредитными рейтингами среди российских кредитных организаций.

Регуляторное стимулирование. ЦБ РФ активно стимулирует банковский сектор к интеграции ESG-рисков через стресс-тестирование. Банки обязаны оценивать кредитный портфель на предмет климатических рисков (физических, связанных с погодными явлениями, и переходных, связанных с изменением законодательства и переходом к низкоуглеродной экономике).

Таким образом, учет ESG-факторов перешел из категории «лучшая практика» в категорию «регуляторный императив».

Перспективные методы оценки кредитоспособности: Скоринг, Big Data и ML

Традиционные методы, основанные на ретроспективных финансовых данных, часто не обладают достаточной прогностической силой в быстро меняющихся условиях. Современная банковская практика, особенно в розничном и МСБ-сегментах, сместилась в сторону скоринговых систем, использующих огромные массивы данных.

Влияние кредитных бюро и роль Индивидуального Кредитного Рейтинга (ИКР)

Кредитные бюро (НБКИ, ОКБ, Скоринг Бюро) являются основой для оценки платежной дисциплины заемщиков. Банк обязан запрашивать сведения у всех основных квалифицированных бюро, чтобы получить полную картину долговой нагрузки заемщика.

Индивидуальный Кредитный Рейтинг (ИКР/скоринг) — это числовой показатель, рассчитываемый КБКИ на основе кредитной истории заемщика, который отражает вероятность возникновения просрочки в течение ближайших 12 месяцев.

• Значение ИКР: ИКР напрямую влияет на Full Cost of Credit (Полную Стоимость Кредита) и вероятность одобрения. Чем выше балл, тем ниже кредитный риск.
• Актуальная статистика: По данным ОКБ, средний ИКР российского заемщика в декабре 2024 года составил 732 балла. Снижение этого среднего показателя (по сравнению с предыдущим годом) сигнализирует об общем ухудшении качества кредитного портфеля и повышении долговой нагрузки.
• Новация 2025 года: С 1 марта 2025 года вводится механизм самозапрета на займы и кредиты, который расширяет состав кредитной истории и повышает защищенность граждан. Эта мера вводится для противодействия мошенничеству и чрезмерной закредитованности, становясь новым фактором, который банки обязаны учитывать при оценке рисков.

Машинное обучение (ML) и ансамблевые методы в кредитном скоринге

Наиболее перспективным направлением в повышении точности кредитного скоринга является использование технологий Big Data и Машинного Обучения (ML).

Традиционный кредитный скоринг исторически базировался на логистической регрессии, которая является легко интерпретируемой, но имеет ограничения в работе со сложными нелинейными зависимостями и неструктурированными данными.

ML-модели позволяют преодолеть эти ограничения, анализируя не только формальные параметры кредитной истории, но и поведенческие факторы, транзакционные данные и информацию из альтернативных источников.

Превосходство ансамблевых методов:

В последние годы в банковской практике наблюдается переход к ансамблевым методам машинного обучения, которые объединяют прогнозы множества базовых моделей (например, решающих деревьев) для повышения стабильности и точности результата. Среди наиболее эффективных ансамблевых алгоритмов выделяются: Случайный Лес (Random Forest), использующий множество деревьев решений, чтобы снизить переобучение, и Градиентный Бустинг (Gradient Boosting, XGBoost, CatBoost), который последовательно строит новые модели для коррекции ошибок предыдущих.

Сравнительные исследования показывают, что ансамблевые алгоритмы демонстрируют значительное превосходство над традиционными логит-моделями в предсказании дефолта (метрика AUC – Area Under the Curve):

Модель	Типичный показатель AUC (точность прогноза)	Преимущества
Логистическая регрессия (Традиционный скоринг)	До 0,70	Высокая интерпретируемость, скорость.
Ансамблевые алгоритмы (XGBoost, CatBoost)	До 0,785	Высокая точность, обработка нелинейных связей и пропущенных данных, стабильность.

Показатель AUC 0,785 означает, что модель способна правильно ранжировать заемщиков (от наименее до наиболее рискованных) с очень высокой степенью уверенности. Это позволяет банкам более точно определять цену кредитного риска, что критически важно в условиях высокой ключевой ставки.

Практические выводы и направления совершенствования методики

В 2024–2025 гг. российская банковская система продемонстрировала высокую адаптивность к макроэкономической волатильности (рост ключевой ставки до 21% в октябре 2024 г.).

Однако эта адаптивность имела свою цену, выраженную в замедлении отдельных сегментов кредитования и росте проблемной задолженности. По результатам анализа, для обеспечения долгосрочной устойчивости, банкам жизненно необходимо внедрять гибридные модели оценки, как это описано в разделе о качественных факторах.

Ключевые практические выводы (2024–2025 гг.):

1. Рост проблемной задолженности: Объем просроченных розничных кредитов превысил 1,165 трлн рублей на начало 2025 года. При этом доля проблемных потребительских кредитов (беззалоговых) возросла с 7,8% до 8,9%. Это свидетельствует о том, что традиционные методы оценки не всегда успевают за стремительным ростом долговой нагрузки граждан.
2. Дисциплинирующее влияние ЦБ РФ: В секторе МФО, который является наиболее рискованным, доля займов с просрочкой более 90 дней (NPL 90+) снизилась до 32,2% (по итогам I квартала 2024 г.).

   Это снижение является прямым результатом мер ЦБ РФ по ограничению долговой нагрузки и повышению требований к капиталу МФО.

3. Стимулирование приоритетов: Внедрение льготных коэффициентов риска (65–75%) для проектов технологического суверенитета в рамках Инструкции № 199-И показывает, что оценка кредитоспособности становится инструментом не только минимизации риска, но и стратегического экономического развития.

Направления совершенствования методики определения кредитоспособности:

1. Широкое внедрение ML и Big Data: Необходимо продолжать интеграцию ансамблевых алгоритмов (XGBoost, CatBoost) в кредитный конвейер, особенно в розничном и МСБ-кредитовании. Это позволит повысить точность прогнозирования дефолта (AUC до 0,785) и снизить операционные расходы.
2. Систематизация ESG-анализа: Учитывая высокую корреляцию между ESG- и кредитными рейтингами (0,68), необходимо разрабатывать стандартизированные, количественно измеримые метрики ESG-рисков. Это особенно актуально для крупных корпоративных заемщиков, подпадающих под требования регулятора по стресс-тестированию климатических рисков.
3. Гибридный подход: Оптимальная методика должна представлять собой гибрид, где традиционный анализ финансовых коэффициентов и Cash Flow (для проверки финансовой дисциплины) дополняется IRB-подходом, основанным на внутренних ML-моделях, и обязательной качественной оценкой, включая ESG-факторы и данные кредитных бюро.

Таким образом, современные методики оценки кредитоспособности в РФ требуют не просто следования нормам, но и проактивного внедрения технологий, способных обрабатывать нелинейные данные и обеспечивать высокую прогностическую точность в условиях высокой макроэкономической неопределенности.

Список использованной литературы

1. Банковское дело : учебник / О.И. Лаврушин, И.Д. Мамонова, Н.И. Веленцева [и др.] ; под ред. О.И. Лаврушина. 3-е изд., перераб. и доп. Москва : КНОРУС, 2005. 388 с.
2. Банки и банковское дело : учебник для вузов / под ред. А.И. Балабанова. Изд. с изм. Москва : Юнити, 2005. 121 с.
3. Кирисюк, Г. М. Оценка банком кредитоспособности заемщика / Г. М. Кирисюк, В. С. Ляховский // Деньги и кредит. 2000. № 7. С. 33.
4. Банковское дело : учебник / под ред. Г.Г. Коробовой. Изд. с изм. Москва : Экономистъ, 2006. С. 308–316.
5. Просроченная задолженность в МФО снижается: итоги I квартала 2024 года // Центральный банк Российской Федерации : [сайт]. URL: https://www.cbr.ru/press/event/?id=18491 (дата обращения: 08.10.2025).
6. Просроченные розничные долги: результат 2024 года // Ассоциация российских банков (АРБ) : [сайт]. URL: https://arb.ru/b2b/article/prosrochennye-roznichnye-dolgi-rezultat-2024-goda-10777977/ (дата обращения: 08.10.2025).
7. Машинное обучение в оценке кредитных рисков: как ML меняет правила игры? // Хабр : [сайт]. URL: https://habr.com/ru/articles/867623/ (дата обращения: 08.10.2025).
8. Денежные потоки и методы их оценки. Оценка финансовых активов. URL: http://ceae.ru/ocenka-denezhnogo-potoka.html (дата обращения: 08.10.2025).
9. Отчет о движении денежных средств прямым или косвенным методом: плюсы и минусы для аналитика // Tedo : [сайт]. URL: https://tedo.ru/blog/otchet-o-dvizhenii-denezhnykh-sredstv-pryamym-ili-kosvennym-metodom-plyusy-i-minusy-dlya-analitika (дата обращения: 08.10.2025).
10. Российские банки: финансовые итоги 2024 года // Банковское дело в Москве : [сайт]. URL: https://bdm.ru/rossijskie-banki-finansovye-itogi-2024-goda/ (дата обращения: 08.10.2025).
11. Решение Совета директоров Банка России об оценке кредитного риска по кредитным требованиям… // Центральный банк Российской Федерации : [сайт]. URL: https://www.cbr.ru/about_cbr/board_of_directors/r_2025-06-23_1/ (дата обращения: 08.10.2025).
12. Разработка алгоритма оценки кредитоспособности корпоративных заемщиков с учетом факторов устойчивого развития // КиберЛенинка : [сайт]. URL: https://cyberleninka.ru/article/n/razrabotka-algoritma-otsenki-kreditosposobnosti-korporativnyh-zaemschikov-s-uchetom-faktorov-ustoychivogo-razvitiya (дата обращения: 08.10.2025).
13. Заемщиков для получения ипотеки банки сейчас отбирают по кредитной истории // Сибдом : [сайт]. URL: https://sibdom.ru/journal/28059-zaemschikov-dlya-polucheniya-ipoteki-banki-seychas-otbirayut-po-kreditnoy-istorii/ (дата обращения: 08.10.2025).
14. Оценка кредитоспособности заемщика коммерческого банка // ПГУ : [сайт]. URL: https://pnzgu.ru/files/pedagogicheskiy_institut/e_biblioteka/pedagogicheskiy_institut/ekonomika/otsenka_kreditosposobnosti_zaemshchika.pdf (дата обращения: 08.10.2025).
15. Методы диагностики и прогнозирования кредитоспособности субъектов МСП с применением искусственного интеллекта // КиберЛенинка : [сайт]. URL: https://cyberleninka.ru/article/n/metody-diagnostiki-i-prognozirovaniya-kreditosposobnosti-subektov-msp-s-primeneniem-iskusstvennogo-intellekta (дата обращения: 08.10.2025).
16. Аналитический обзор системы кредитной информации по итогам первого полугодия 2024 года // Центральный банк Российской Федерации : [сайт]. URL: https://www.cbr.ru/Collection/Collection/File/49197/2024-Q2_csi.pdf (дата обращения: 08.10.2025).
17. Оценка кредитоспособности предприятия заемщика // КиберЛенинка : [сайт]. URL: https://cyberleninka.ru/article/n/otsenka-kreditosposobnosti-predpriyatiya-zaemschika (дата обращения: 08.10.2025).
18. Финансовые коэффициенты в системе оценки кредитоспособности заемщиков банками // КиберЛенинка : [сайт]. URL: https://cyberleninka.ru/article/n/finansovye-koeffitsienty-v-sisteme-otsenki-kreditosposobnosti-zaemschikov-bankami (дата обращения: 08.10.2025).
19. Sсоring аs а tооl fоr аssеssing tне rеliаbilitу оf а соuntеrраrtу // World Science : [сайт]. URL: https://world-science.ru/ru/article/view?id=26647 (дата обращения: 08.10.2025).