Комплексный анализ рынка потребительского кредитования РФ (2024-2025): от исторического кейса к FinTech-стратегиям управления кредитным риском

метки: Кредит, Анализ, Https, Доступ, Режим, Обращение, Ресурс, Электронный

Начало 2024 года ознаменовалось беспрецедентным ужесточением финансового ландшафта: цикл повышения ключевой ставки, запущенный Банком России в июле 2023 года, и последовательное усиление макропруденциальных мер привели к тому, что Полная стоимость потребительских кредитов (ПСК) во II квартале 2024 года взлетела до 32,3%, превысив показатель предыдущего квартала на 4,3 процентных пункта. Эта статистика не просто цифра, она — прямое отражение регуляторного давления, направленного на охлаждение рынка и снижение уровня закредитованности населения, чья долговая нагрузка стала системным риском.

В условиях, когда прежние методики кредитного анализа и риск-менеджмента, актуальные еще 10–15 лет назад (например, в период деятельности ОАО «НОМОС-БАНК»), окончательно устарели, перед современным финансовым сектором стоит задача не просто адаптироваться, но и совершить технологический скачок. Данное исследование призвано деконструировать устаревшие принципы анализа кредитования на примере исторического кейса, чтобы разработать комплексные, актуальные стратегии управления риском, основанные на достижениях FinTech и последних регуляторных требованиях 2024–2025 гг.

Теоретические основы и методологический подход к исследованию рынка

Актуальность темы анализа кредитования физических лиц в современной России обусловлена двумя ключевыми факторами: ужесточением денежно-кредитной политики (ДКП) и стремительной цифровизацией, которая трансформирует сам процесс банковского обслуживания. Если в 2010–2012 годах, когда функционировал ОАО «НОМОС-БАНК», анализ кредитного риска основывался преимущественно на экспертных оценках, бумажных документах и ограниченном наборе данных, то сегодня доминируют AI/ML-скоринг, Big Data и экосистемный подход. И что из этого следует? Без глубокой интеграции этих технологий управление риском в условиях современных регуляторных ограничений становится невозможным, а банк теряет конкурентоспособность.

Методологическая основа данного исследования базируется на принципе деконструкции устаревшего кейса. Анализ кредитной политики ОАО «НОМОС-БАНК» (2010–2012 гг.) позволяет выявить универсальные, не зависящие от технологий, принципы качественного анализа (например, необходимость диверсификации портфеля, зависимость от макроэкономического цикла), а также критически оценить ограничения того времени (длительность принятия решений, высокая доля ручного труда, уязвимость перед мошенничеством).

Ревизия и аудит дебиторской и кредиторской задолженности: Методологическая ...

... резерва по сомнительным долгам (РСД) и критический анализ рисков фальсификации Аудит резерва по сомнительным долгам (РСД) ... краткосрочная задолженность (со сроком погашения до одного года) может признаваться по номинальной стоимости, без применения ... выполнить альтернативные процедуры, например: Проверка последующих поступлений: Анализ выписок банка и кассовых документов, чтобы убедиться, что ...

На этой базе формируется современный комплексный анализ, включающий: макроэкономический обзор, структурно-динамический анализ портфеля, оценку FinTech-инноваций и разработку количественно обоснованных рекомендаций.

Эволюция потребительского кредитования в РФ: ключевые этапы, понятия и продукты

Потребительское кредитование прошло путь от зарождения в начале 2000-х годов, через стадию экстенсивного роста (2007–2014 гг.), когда банки активно наращивали портфели, часто жертвуя качеством (период работы НОМОС-БАНКа), до современного этапа — интенсивного, технологически ориентированного развития в условиях жесткого регуляторного контроля.

Ключевые продукты на современном рынке:

1. Необеспеченные потребительские кредиты (НПС): Традиционные кредиты наличными, наиболее чувствительные к росту ключевой ставки и макропруденциальным лимитам (МПЛ).
2. Кредитные карты: Продукт с высокой револьверной природой, ставший драйвером роста портфеля в 2024 году, часто используемый для управления ликвидностью в условиях высокой инфляции.
3. Автокредиты: Демонстрируют резкий рост (51,7% в 2024 году) на фоне потребительской активности и использования их как способа обхода МПЛ (кредиты под залог транспортного средства).
4. Buy Now Pay Later (BNPL): Новая категория, не являющаяся традиционным кредитом, но играющая роль в формировании долговой нагрузки, интегрированная в электронную коммерцию.

Методы и инструменты анализа кредитного портфеля в условиях макропруденциального регулирования

Современный анализ кредитного портфеля невозможен без оперирования регуляторными метриками, введенными Банком России для снижения системного риска. Главные инструменты:

Метрика	Определение и Роль	Влияние на Кредитный Процесс
Показатель Долговой Нагрузки (ПДН)	Отношение ежемесячных платежей заемщика по всем кредитам к его среднемесячному доходу.	Ограничивает выдачу кредитов заемщикам с ПДН > 50% и > 80% через повышенные надбавки к капиталу.
Макропруденциальные Лимиты (МПЛ)	Количественное ограничение доли выдачи новых необеспеченных кредитов заемщикам с высоким ПДН и/или длительным сроком кредита.	Вынуждают банки снижать аппетит к риску и улучшать стандарты кредитования, сокращая выдачу рисковым заемщикам.
Полная Стоимость Кредита (ПСК)	Общая сумма, которую заемщик выплатит, включая проценты, комиссии и страховки, выраженная в процентах годовых.	Регуляторный потолок, ограничивающий чрезмерно высокие ставки и повышающий прозрачность для потребителя.

Эти метрики являются основой для расчета достаточности капитала, что кардинально отличает современный риск-менеджмент от практики 2010 года, когда капитал не был так жестко привязан к рисковым характеристикам конкретного заемщика.

Макроэкономический ландшафт и динамика кредитного портфеля в 2024–2025 гг.

Влияние макропруденциальной политики ЦБ РФ на рынок и стоимость кредитов

В 2024–2025 годах рынок кредитования находится под доминирующим влиянием жесткой денежно-кредитной политики и беспрецедентного ужесточения макропруденциального регулирования.

Анализ повышения надбавок к коэффициентам риска (МПН)

Банк России последовательно повышал надбавки к коэффициентам риска по необеспеченным потребительским кредитам, сделав их выдачу крайне капиталоемкой. Эти меры были направлены на то, чтобы сделать кредитование заемщиков с высокой долговой нагрузкой (ПДН > 50%) экономически невыгодным.

Результат регуляторного воздействия налицо: Доля вновь выдаваемых необеспеченных потребительских кредитов заемщикам с ПДН > 50% снизилась с 60% во II квартале 2023 года до 26% в IV квартале 2024 года. Это свидетельствует об успешном оздоровлении стандартов кредитования и переориентации банков на менее рисковых клиентов. Однако платой за это стало существенное удорожание займов: рост ПСК до 32,3% (II квартал 2024 г.).

Перспективное рассмотрение регуляторных изменений с 1 апреля и 1 июля 2025 года

Для профессионального анализа критически важен учет будущих изменений, которые трансформируют методы оценки риска:

1. С 1 апреля 2025 года: Вступило в силу новое Указание Банка России № 6993-У, закрепившее обновленный порядок применения МПЛ, который учитывает не только ПДН, но и срок, и сумму кредита, что делает регулирование более таргетированным.
2. С 1 июля 2025 года: Запланировано исключение возможности использования данных из кредитных отчетов БКИ для оценки дохода заемщика при расчете ПДН. Это кардинально меняет подход к оценке платежеспособности, заставляя банки полагаться только на собственные данные, данные ФНС, Пенсионного фонда или подтвержденные справки о доходах, что усиливает потребность в продвинутых ИИ-моделях для верификации.

Также в 2025 году вступили в силу изменения (ФЗ № 31 от февраля 2024 года), обязывающие банки проверять наличие в кредитной истории заемщика «самозапрета» на заключение договора потребительского кредита (займа), что является важной мерой защиты от мошенничества и чрезмерной закредитованности по инициативе самого гражданина.

Динамика и структура портфеля: парадокс кредитных карт и автокредитование

Несмотря на охлаждение рынка из-за жесткого регулирования, портфель необеспеченных потребительских кредитов в 2024 году вырос на 11,2%. Этот рост был менее интенсивным, чем в 2023 году (15,7%), но его структура демонстрирует интересные поведенческие и регуляторные аномалии. Не является ли этот рост, несмотря на все ужесточения, сигналом того, что регуляторное давление лишь сместило, но не устранило фундаментальный спрос на заемные средства?

Парадокс кредитных карт

Кредитные карты стали главным драйвером роста необеспеченного портфеля, их доля достигла 27% НПС. Парадокс заключается в следующем:

• Регуляторный лаг: На 74% задолженность по кредитным картам в I квартале 2024 года приходилась на карты, выданные до введения макропруденциальных лимитов, что позволяло заемщикам наращивать использование уже одобренных лимитов, не попадая под новые ограничения.
• Поведенческий парадокс сбережения: Население использует кредитные карты для оплаты текущих расходов в течение льготного периода, предпочитая сохранять собственные средства на высокодоходных накопительных счетах или вкладах. В условиях высокой ключевой ставки это рациональная финансовая стратегия.
• Обратная сторона: Рост просроченной задолженности по кредитным картам (до 500 млрд рублей в ноябре 2024 года) показывает, что значительная часть заемщиков не успевает закрыть долг в льготный период, переходя на дорогостоящий револьверный долг.

Активный рост автокредитования

Автокредитование показало впечатляющий рост в 51,7% в 2024 году. Частично это объясняется потребительской активностью, но также — стратегией банков по обходу МПЛ. Банки стали активно предлагать нецелевые потребительские кредиты под залог транспортного средства, которые не подпадают под жесткое регулирование МПЛ. Как будет показано далее, именно в этом сегменте доля рисковых заемщиков с ПДН > 80% остается критически высокой. Какой важный нюанс здесь упускается? Этот обход МПЛ создает иллюзию снижения системного риска, в то время как фактическая долговая нагрузка смещается в сегмент обеспеченных, но высокорисковых займов, что требует немедленного внимания регулятора.

Цифровая трансформация и применение FinTech-технологий в кредитном процессе

Современный банк — это уже не просто финансовый институт, а высокотехнологичная платформа. Переход от устаревших экспертных систем, которыми пользовался НОМОС-БАНК, к технологиям Искусственного интеллекта (ИИ) является ключевым элементом конкурентоспособности и эффективного риск-менеджмента.

Искусственный интеллект (AI/ML) и нейронные сети в кредитном скоринге

Россия опережает среднемировые показатели по проникновению ИИ в финансовый сектор: более 95% отечественных финансовых компаний используют ИИ, в то время как глобальный показатель составляет 85%.

Сравнение AI-моделей с устаревшими системами

Традиционные экспертные скоринговые системы работали по жестким логическим правилам (например, «возраст от 25 до 55», «стаж работы > 1 года»).

Они были просты, но имели низкую прогностическую силу, особенно в отношении новых групп заемщиков.

Современные AI/ML-модели, включая нейронные сети, обеспечивают:

1. Повышение точности PD-скоринга: Модели машинного обучения (PD — Probability of Default) способны обрабатывать нелинейные связи между сотнями параметров (включая альтернативные данные: геолокация, поведенческие паттерны в мобильном приложении, история транзакций).

   Это позволяет значительно точнее прогнозировать вероятность дефолта (просрочки более 90 дней).

2. Мгновенное принятие решений: Ведущие банки, такие как Сбербанк, используют ИИ для принятия 100% решений по кредитным заявкам частных заемщиков, что исключает субъективные факторы и сокращает время выдачи кредита до нескольких минут.
3. Эффективный Fraud Scoring: ИИ-модели активно применяются для Fraud Scoring, анализируя паттерны мошеннических заявок и управляя киберугрозами в непрерывном режиме.

В корпоративном сегменте (МСБ) ИИ также доминирует: Тинькофф Банк принимает более 90% решений для бизнеса без ручной оценки, что демонстрирует полное доверие к алгоритмам.

Инновационные каналы продаж и Встроенные Финансы (BaaS, BNPL)

Цифровые каналы стали доминирующим способом взаимодействия с клиентами. Более половины российских клиентов предпочитают мобильный банкинг. Однако ключевой тренд — это интеграция банковских услуг в нефинансовые экосистемы, известная как Встроенные Финансы (BaaS — Banking-as-a-Service).

Крупные ритейлеры и маркетплейсы (Ozon, Wildberries) активно используют партнерство с банками для предложения финансовых продуктов, интегрированных непосредственно в процесс покупки. Самым ярким примером является BNPL (Buy Now Pay Later) — покупка частями.

Экспоненциальный рост BNPL

Рынок BNPL в России демонстрирует взрывной рост, выступая альтернативой традиционным потребительским кредитам:

• Объем российского рынка BNPL-сервисов удвоился в первом полугодии 2025 года, достигнув приблизительно 300 млрд рублей (по сравнению с 155 млрд рублей за аналогичный период 2024 года).

Рост BNPL обусловлен удобством, отсутствием жестких проверок, характерных для банковского кредита, и скоростью. Для банков участие в BaaS и BNPL — это возможность расширения клиентской базы и снижения стоимости привлечения, однако это также требует разработки специализированных моделей риска для микротранзакций.

Актуальные проблемы управления кредитным риском и разработка предложений

Анализ рисков: региональная закредитованность и обход макропруденциальных лимитов

Несмотря на общее снижение закредитованности в среднем по стране (до 13,9%), риск распределен крайне неравномерно.

Региональный дисбаланс

В 2024 году в отдельных регионах наблюдался тревожный рост уровня долговой нагрузки, в первую очередь в Республике Тыва, Калмыкии и Карачаево-Черкесии. Высокая региональная закредитованность требует от банков применения географически таргетированных стратегий скоринга и учета локальных макроэкономических факторов.

Критика практики обхода МПЛ

Самым значительным системным риском является попытка банков обхода жестких макропруденциальных лимитов. В условиях, когда выдавать НПС заемщикам с ПДН > 50% стало дорого, банки активно переключились на:

1. Нецелевые потребительские кредиты под залог транспортного средства. Эти продукты формально считаются обеспеченными и не подпадают под самые строгие МПЛ.
2. Критический риск: Во II квартале 2024 года доля заемщиков с ПДН более 80% в сегменте кредитов под залог ТС достигла ~40%. Это показывает, что МПЛ эффективно перекрыли один канал риска, но спровоцировали его перемещение в другой, менее регулируемый сегмент, что потенциально может привести к росту дефолтов и необходимости продажи залогов.

Киберриски и мошенничество в цифровых каналах

Массовый переход на цифровые каналы (мобильный банк, онлайн-заявки) привел к росту киберрисков и цифрового мошенничества. Банки вынуждены инвестировать в ИИ-технологии для Fraud Scoring и антифрод-процедур. Данные меры обеспечивают прямую защиту капитала, снижая потери от криминальных схем.

Разработка рекомендаций по совершенствованию кредитной политики и риск-менеджмента

Для современного российского банка, работающего в условиях жесткого регуляторного контроля и высокой конкуренции, совершенствование кредитной политики должно базироваться на двух столпах: технологической эффективности и регуляторной адаптивности.

1. Внедрение системы количественной оценки FinTech-эффекта (на основе ИИ-технологий)

Недостаточно просто внедрить ИИ-скоринг; необходимо измерять его экономическую эффективность.

Рекомендация: Разработать внутреннюю методику оценки финансовых эффектов от внедрения ИИ-технологий, ориентируясь на проект, запущенный Альянсом в сфере ИИ совместно с Банком России в июне 2025 года.

Цель: Количественно измерить, насколько улучшение точности Fraud Scoring и PD-скоринга (например, снижение доли ложных срабатываний и дефолтов) перекрывает затраты на разработку и поддержку AI-моделей.

Модель расчета экономического эффекта от внедрения нового скоринга:

Эффект (Э) = (Снижение потерь от дефолтов + Снижение потерь от мошенничества + Увеличение объема выдач рисковому сегменту) - Затраты на ИИ-инфраструктуру.

Пример применения (Гипотетический расчет):

Пусть банк, внедрив новый ИИ-скоринг, снизил уровень дефолта (PD) в рисковом сегменте с 12% до 8% при объеме выдач 10 млрд руб.

Экономия на дефолтах = 10 млрд руб. × (12% — 8%) = 400 млн руб.

Если затраты на ИИ составили 50 млн руб., чистый эффект составит 350 млн руб.

2. Адаптация кредитного процесса к новым регуляторным требованиям 2025 года

Рекомендация: Срочно пересмотреть методики расчета ПДН и верификации доходов в преддверии 1 июля 2025 года (исключение данных БКИ для расчета ПДН).

Меры:

• Переход на приоритетное использование данных ФНС/Пенсионного фонда или данных, полученных через цифровые сервисы (например, Госуслуги), для подтверждения дохода, что повышает надежность оценки ПДН.
• Интеграция в скоринговый конвейер обязательной проверки наличия «самозапрета» на кредиты (ФЗ № 31), что позволит минимизировать юридические и репутационные риски.

3. Разработка мер по противодействию обходу МПЛ

Рекомендация: Ввести внутренние лимиты и повышенные коэффициенты риска для сегмента нецелевых кредитов под залог ТС (или иных залоговых продуктов), если ПДН заемщика превышает 80%.

Цель: Снизить концентрацию риска в сегментах, которые используются для обхода регуляторных ограничений, и предотвратить рост системной закредитованности. Риск-менеджмент должен быть проактивным, а не реактивным.

Модель для экономического обоснования эффективности внедрения нового цифрового канала продаж

Внедрение нового цифрового канала (например, полностью удаленная выдача кредитов через мобильное приложение) требует экономического обоснования.

Формула расчета эффективности нового канала (NPV-подход):


NPV = Σt=1T [ (Rt - Et) / (1 + r)t ] - IC


Где:

• NPV — Чистая приведенная стоимость проекта.
• Rt — Доходы (выручка от процентов, комиссий) в период t.
• Et — Операционные расходы (включая затраты на обслуживание, маркетинг, персонал) в период t.
• r — Ставка дисконтирования (стоимость капитала).
• IC — Начальные инвестиционные затраты (разработка ПО, интеграция).

Ключевые преимущества нового цифрового канала, включаемые в расчет:

1. Снижение Customer Acquisition Cost (CAC): Цифровые каналы в среднем на 30–50% дешевле традиционных (отделения, агенты).
2. Ускорение Time-to-Market и Time-to-Money: Ускоренная выдача кредита увеличивает конверсию.
3. Повышение лояльности и проникновения услуг в экосистеме.

Заключение и практическая значимость исследования

Проведенный анализ подтверждает, что рынок потребительского кредитования РФ в 2024–2025 гг. функционирует в условиях «идеального шторма»: жесткого регуляторного контроля (МПЛ, высокая ставка ЦБ РФ) и стремительной технологической трансформации (доминирование ИИ и BaaS).

Ключевые выводы исследования:

1. Регуляторное влияние доминирует: Макропруденциальная политика ЦБ РФ успешно снизила долю высокорисковых заемщиков в сегменте необеспеченных кредитов (снижение с 60% до 26% ПДН > 50%), но спровоцировала рост стоимости кредита (ПСК до 32,3%) и смещение риска в менее регулируемые сегменты (кредиты под залог ТС с ПДН > 80%).
2. Технологическая необходимость: ИИ-технологии (AI/ML) стали не просто конкурентным преимуществом, а обязательным условием выживания, обеспечивая 100% автоматизацию решений и эффективное управление рисками.
3. Структурные аномалии: На рынке наблюдается парадокс кредитных карт, используемых населением как инструмент управления ликвидностью в условиях высокой инфляции и ставок по вкладам, что требует от банков более тонкого поведенческого скоринга.

Практическая значимость работы заключается в разработке комплекса конкретных, актуальных и количественно обоснованных рекомендаций для современного банковского сектора. Эти предложения, включая внедрение системы количественной оценки эффективности ИИ-риск-менеджмента и адаптацию к новым регуляторным требованиям 2025 года (самозапрет, исключение данных БКИ из ПДН), позволяют финансовым учреждениям не только соблюдать ужесточающиеся нормативы, но и сохранять прибыльность за счет повышения качества портфеля и снижения операционных издержек.

Список использованной литературы

1. БАНКОВСКИЙ СЕКТОР (обзор от 2025-03-10) [Электронный ресурс] // Банк России. — Режим доступа: https://www.cbr.ru/ (Дата обращения: 09.10.2025).
2. Банк по подписке [Электронный ресурс] // Ведомости. – Режим доступа: https://www.vedomosti.ru/ (Дата обращения: 09.10.2025).
3. Банк России установил более строгие ограничения на кредитование заемщиков с высокой долговой нагрузкой [Электронный ресурс] // Банк России. — Режим доступа: https://www.cbr.ru/ (Дата обращения: 09.10.2025).
4. Банк России повысил прогноз по росту потребкредитования в 2024 году до 12-17% [Электронный ресурс] // Интерфакс. — Режим доступа: https://www.interfax.ru/ (Дата обращения: 09.10.2025).
5. Банковские технологии и тренды мобильного банкинга 2024 [Электронный ресурс] // in-aim.ru. — Режим доступа: https://in-aim.ru/ (Дата обращения: 09.10.2025).
6. Гражданский кодекс Российской Федерации (часть вторая) от 26.01.1996 N 14-ФЗ (ред. от 01.07.2021) // Собрание законодательства РФ. 1996. N 5. Ст. 410.
7. Закон РФ «О банках и банковской деятельности» от 3 февраля 1996 N 17-ФЗ (ред. от 29.12.2004) // Собрание законодательства РФ. 1996. N 6. Ст. 492.
8. Закредитованность россиян снижается. Но не везде [Электронный ресурс] // Банки.ру. – Режим доступа: https://www.banki.ru/ (Дата обращения: 09.10.2025).
9. Заседания по ключевой ставке в 2025: график, прогнозы SberCIB [Электронный ресурс] // sbercib.ru. — Режим доступа: https://www.sbercib.ru/ (Дата обращения: 09.10.2025).
10. ИИ «опрозрачил» кредитные истории россиян [Электронный ресурс] // ComNews. — Режим доступа: https://www.comnews.ru/ (Дата обращения: 09.10.2025).
11. Использование искусственного интеллекта в кредитном скоринге: … О. М. Маркова // Финансовые рынки и банки. — 2024. — № 10. — С. 162-166.
12. Инструкция Банка России от 16.01.2004 г. №110-И «Об обязательных нормативах банков» (с изм. от 13.08.2004 г.) // Вестник Банка России. 2004. № 11.
13. Как банки используют искусственный интеллект в обслуживании бизнеса [Электронный ресурс] // Ведомости. — Режим доступа: https://www.vedomosti.ru/ (Дата обращения: 09.10.2025).
14. Как искусственный интеллект помогает выдавать кредиты [Электронный ресурс] // IQ Media. — Режим доступа: https://iqmedia.ru/ (Дата обращения: 09.10.2025).
15. Какой будет ключевая ставка ЦБ в октябре: прогноз депутата [Электронный ресурс] // Финансы Mail. — Режим доступа: https://finance.mail.ru/ (Дата обращения: 09.10.2025).
16. Когда ключевая ставка опустится до 10%: прогнозы меняются [Электронный ресурс] // Банки.ру. – Режим доступа: https://www.banki.ru/ (Дата обращения: 09.10.2025).
17. Национальная платежная система: от карточного бума к зрелости рынка [Электронный ресурс] // IT-World.ru. — Режим доступа: https://www.it-world.ru/ (Дата обращения: 09.10.2025).
18. Не сдержали: почему ЦБ ждет роста потребительского кредитования [Электронный ресурс] // Эксперт РА. — Режим доступа: https://www.raexpert.ru/ (Дата обращения: 09.10.2025).
19. Новая эра в кредитном скоринге: как ИИ помогает оценивать заемщиков? Спросили экспертов и рассказали про опыт JetLend [Электронный ресурс] // jetlend.ru. — Режим доступа: https://jetlend.ru/ (Дата обращения: 09.10.2025).
20. Отчет Банка России за 2024 год: приток средств физлиц и юрлиц, объемы кредитования [Электронный ресурс] // Финансы Mail. — Режим доступа: https://finance.mail.ru/ (Дата обращения: 09.10.2025).
21. Письмо Банка России от 5 марта 2025 г. N 44-19/1691 “О порядке применения Федерального закона N 31-ФЗ” [Электронный ресурс] // ГАРАНТ. — Режим доступа: https://www.garant.ru/ (Дата обращения: 09.10.2025).
22. Планируемые изменения МПЛ с 1 апреля 2025 года [Электронный ресурс] // ПрофБанкинг. — Режим доступа: https://www.profbanking.com/ (Дата обращения: 09.10.2025).
23. Положение ЦБ РФ от 31 августа 1998 года №54-П «О порядке предоставления (размещения) кредитными организациями денежных средств и их возврата (погашения)» (с изм. от 27.07.2001 г.) // Вестник Банка России. 1998. № 70.
24. Положение ЦБ РФ от 26 марта 2004 года №254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам…» // Вестник Банка России. 2004. № 27.
25. Рост потребительского кредитования в РФ в 2024 году замедлился до 11,2% [Электронный ресурс] // Finmarket. — Режим доступа: https://www.finmarket.ru/ (Дата обращения: 09.10.2025).
26. ЦБ выявил три региона с ростом долговой нагрузки населения в 2024 году [Электронный ресурс] // frankmedia.ru. — Режим доступа: https://frankmedia.ru/ (Дата обращения: 09.10.2025).
27. Число заемщиков и закредитованность граждан снизились во втором полугодии 2024 года [Электронный ресурс] // Банк России. — Режим доступа: https://www.cbr.ru/ (Дата обращения: 09.10.2025).
28. Что будет с ключевой ставкой в 2025 году [Электронный ресурс] // domclick.ru. — Режим доступа: https://www.domclick.ru/ (Дата обращения: 09.10.2025).