Потребительское кредитование физических лиц в современных условиях российского банковского сектора: управление рисками, цифровые стратегии и экономическая эффективность (2022–2025)

метки: Кредитование, Модель, Кредитный, Кредит, Оценка, Необеспеченный, Потребительский, Регулирование

Введение: Актуальность, Цель и Задачи Исследования

Рынок потребительского кредитования в России переживает один из самых динамичных периодов своей истории. Если в период с 2004 по 2010 годы рост определялся экстенсивным расширением клиентской базы и недостаточным регулированием, то после 2022 года вектор развития кардинально изменился. Под влиянием геополитической и макроэкономической нестабильности, а также беспрецедентно жесткой политики Банка России, рынок перешел в фазу интенсивной цифровой трансформации и фундаментального ужесточения оценки рисков, что требует от банковской системы немедленной адаптации.

Актуальность данного исследования определяется необходимостью преобразования устаревших методологий анализа в актуальный научный инструментарий, соответствующий требованиям 2025 года. В условиях, когда совокупный портфель необеспеченных потребительских ссуд в I квартале 2025 года достиг 13,9 трлн рублей, а затем, под влиянием регуляторных мер, снизился на 1,6% во II квартале, критически важно понять, как именно банки могут не только выжить, но и оптимизировать свою деятельность. Традиционные статистические модели и ручные процессы андеррайтинга оказались неспособны оперативно реагировать на столь резкие изменения риск-профиля заемщиков, именно поэтому внедрение современных FinTech-решений становится безальтернативным путём.

Цель работы — провести комплексный анализ текущего состояния рынка потребительского кредитования в Российской Федерации (2022–2025 гг.), оценить влияние макропруденциального регулирования ЦБ РФ и разработать современные, экономически обоснованные рекомендации по оптимизации кредитного портфеля на основе передовых FinTech-решений.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Актуализировать теоретико-правовой базис, проанализировав ключевые изменения в ФЗ-353 и макропруденциальную политику ЦБ РФ в 2024–2025 гг.
2. Проанализировать динамику и структуру кредитного портфеля, выявив тенденции, обусловленные регуляторным ужесточением.
3. Детально исследовать архитектуру современных скоринговых моделей (ML, Big Data) и оценить их эконометрическую эффективность.
4. Провести проактивный анализ новых цифровых продуктов (BNPL) и их влияния на системный риск.
5. Разработать методологию оценки экономической эффективности (ROI) внедрения автоматизированных систем управления рисками.

Структура работы построена на последовательном переходе от нормативно-правового поля к макроэкономическому анализу, затем к технологическому инструментарию и, наконец, к разработке практических рекомендаций и оценке их финансового эффекта.

Оценка качества кредитного портфеля коммерческого банка в условиях ...

... освоения цифровых инструментов, позволяющих управлять риском превентивно. Современная регуляторная и методологическая основа оценки кредитного риска Оценка качества кредитного портфеля современного российского коммерческого банка ... для заемщика. Эта детализированная матрица, действующая с конца 2024 года, позволяет точечно сдерживать выдачу наиболее рискованных займов. Пример применения ...

Теоретико-правовые Основы и Макропруденциальное Регулирование Потребительского Кредитования в РФ

Текущий ландшафт потребительского кредитования определяется тремя ключевыми факторами: законодательной базой, направленной на защиту прав заемщиков, жесткой денежно-кредитной политикой и новыми инструментами макропруденциального регулирования, которые ЦБ РФ использует для охлаждения рынка и снижения системного риска.

Эволюция Правового Регулирования: Ключевые Положения ФЗ-353

Основополагающим документом, регулирующим отношения между кредитором и физическим лицом-заемщиком, является Федеральный закон № 353-ФЗ «О потребительском кредите (займе)» от 21 декабря 2013 года. Этот закон заложил основы прозрачности, обязав кредиторов раскрывать полную стоимость кредита (ПСК) и стандартизировав информационное наполнение договора. Однако в последние годы ФЗ-353 претерпел значительные изменения, направленные на усиление социальной защиты и контроля рисков:

Изменение в ФЗ-353	Дата Вступления в Силу	Суть и Влияние на Риск-Менеджмент
Кредитные Каникулы	С 1 января 2024 г.	Предоставление гражданам, оказавшимся в трудной жизненной ситуации или при наступлении ЧС, права на приостановление обязательств на срок до шести месяцев. Влияние: Увеличивает операционный риск, но снижает риск дефолта в период кризиса ликвидности заемщика.
Корректировка Очередности Погашения	С 1 июля 2024 г.	Изменение приоритетов погашения: 1) Проценты; 2) Основной долг; 3) Штрафы/пени. Ранее неустойка стояла на третьей очереди. Влияние: Снижает стимул для заемщика быстро погашать просроченную задолженность (так как штрафы отодвинуты), потенциально увеличивая период Collection, но защищает заемщика от быстрого роста долга за счет штрафов.
Регулирование BNPL	С 1 апреля 2026 г.	Введение надзора ЦБ РФ за сервисами BNPL, обязательство передавать данные о долгах (свыше 50 тыс. руб.) в БКИ. Влияние: Революционное изменение для risk-менеджмента, так как позволяет банкам впервые учитывать эту задолженность при расчете ПДН, снижая риск необъективной оценки кредитоспособности.

Макропруденциальная Политика ЦБ РФ и Показатель Долговой Нагрузки (ПДН)

После периода быстрого роста кредитного портфеля в 2021–2022 годах Банк России ввел беспрецедентно жесткие инструменты макропруденциального регулирования для снижения закредитованности населения — Макропруденциальные Лимиты (МПЛ) и связанные с ними надбавки к коэффициентам риска. Механизм МПЛ: ЦБ устанавливает для банков количественные ограничения на выдачу необеспеченных потребительских кредитов заемщикам с высоким Показателем Долговой Нагрузки (ПДН).

ПДН, рассчитываемый как отношение ежемесячных платежей по всем кредитам к среднемесячному доходу заемщика, стал ключевым инструментом контроля рисков.

Эффективность политики ЦБ РФ (2023–2025 гг.): Введенные меры быстро дали результат. Доля выдаваемых необеспеченных потребительских кредитов с ПДН более 50% резко сократилась:

• II квартал 2023 г.: 60%
• IV квартал 2024 г.: 26%
• II квартал 2025 г.: 22%

Это снижение на 38 процентных пунктов всего за два года свидетельствует о фундаментальном улучшении структуры кредитного портфеля, поскольку кредиты теперь выдаются более платежеспособным категориям заемщиков. В I и II кварталах 2025 года ЦБ РФ сохранил значения МПЛ на действующих уровнях, что является прямым сигналом рынку: политика по предотвращению роста высокорискованного кредитования будет продолжена как минимум до конца 2025 года. Параллельно, с декабря 2024 года, регулятор снизил надбавки к коэффициентам риска по потребкредитам, демонстрируя гибкость в управлении ликвидностью сектора, чтобы избежать избыточной нагрузки на капитал банков в условиях высоких процентных ставок.

Анализ Динамики, Структуры и Рисков Рынка Потребительского Кредитования (2022–2025 гг.)

Анализ динамики рынка потребительского кредитования за последние три года показывает переход от бурного роста к контролируемому охлаждению, что является прямым следствием регуляторного вмешательства.

Динамика и Структура Портфеля Необеспеченных Потребительских Ссуд

В период 2022–2025 гг. наблюдается четкий тренд на замедление темпов роста. Если в 2021 году совокупный портфель кредитов населения вырос на 23,2%, то в 2022 году этот показатель замедлился до 9,5%.

Особый интерес представляет динамика портфеля необеспеченных потребительских ссуд, который является наиболее рискованным сегментом:

Показатель	Конец 2022 г.	Конец 2024 г.	I Кв. 2025 г.	II Кв. 2025 г.	Динамика II кв. 2025 к I кв. 2025
Объем портфеля необеспеченных ссуд (трлн руб.)	12,0	13,9	13,9	13,4	-1,6%
Темп прироста (2022 г. к 2021 г.)	+2,7%	н/д	н/д	н/д	н/д
Уровень одобрения заявок (%)	н/д	17% (IV кв. 2024 г.)	н/д	н/д	н/д

Источник: ЦБ РФ, аналитические агентства

В 2024 году, несмотря на ужесточение, совокупный портфель необеспеченных кредитов показал рост на 11%. Однако месячная динамика с осени 2024 года начала демонстрировать стагнацию и даже сокращение. В октябре 2024 года прирост стал отрицательным (-0,3%), а в декабре 2024 года задолженность сократилась на 1,9%.

Ключевой вывод 2025 года: Во II квартале 2025 года портфель необеспеченных потребительских ссуд снизился до 13,4 трлн рублей, уменьшившись за квартал на 1,6%. Это снижение является прямым доказательством эффективности макропруденциальной политики, так как банки вынуждены были резко сократить выдачи, что привело к снижению объема задолженности (за счет погашения существующих кредитов, превышающего новые выдачи).

Уровень одобрения заявок на кредиты наличными снизился с 29% в III квартале 2023 года до 17% в IV квартале 2024 года, что отражает избирательность банков, и не может ли это снижение уровня одобрения привести к дальнейшему сокращению рынка?

Анализ Кредитных Рисков: Изменение Риск-Профиля Заемщиков

Снижение доли высокорисковых кредитов с ПДН более 50% с 60% до 22% кардинально улучшило структуру кредитного портфеля. Это означает, что в 2025 году в портфелях банков преобладают кредиты, выданные заемщикам, чьи обязательства не превышают половины их ежемесячного дохода. Это смещение фокуса к более надежным клиентам является ключевым фактором стабильности банковской системы.

Текущие Вызовы Кредитного Риска: Несмотря на улучшение структуры, банки сталкиваются с новыми вызовами, обусловленными макроэкономической ситуацией:

1. Высокие Процентные Ставки: Высокая ключевая ставка ЦБ РФ (в 2024–2025 гг.) приводит к высокой полной стоимости кредита (ПСК).

   Это увеличивает финансовую нагрузку даже на заемщиков с низким ПДН в случае непредсказуемых шоков.

2. Скрытая Задолженность (До Регулирования BNPL): До вступления в силу регулирования BNPL-сервисов (апрель 2026 г.) банки не могли точно оценить общую долговую нагрузку клиентов, пользующихся рассрочками. Это создавало эффект «отложенного риска», когда заемщик мог выглядеть благонадежным по данным БКИ, но иметь значительные обязательства перед BNPL-операторами.
3. Дефицит Качественных Заемщиков: В условиях снижения уровня одобрения заявок (до 17%), банки вынуждены конкурировать за ограниченный сегмент высококачественных заемщиков, что сдерживает темпы роста и усложняет прогнозирование дефолтов в «серых зонах» (заемщики с ПДН 30–50%).

Современный Кредитный Скоринг как Инструмент Управления Рисками (FinTech-Подход)

В ответ на ужесточение регулирования и потребность в более точной оценке риска, российские банки произвели фундаментальный сдвиг от классических статистических моделей скоринга (на основе линейной регрессии) к гибридным системам, интегрирующим машинное обучение (ML) и технологии Big Data. Это позволяет им принимать более взвешенные и оперативные решения.

Архитектура и Функционал Комплексного Скоринга

Современная скоринговая система — это не единый алгоритм, а комплекс взаимосвязанных моделей, настроенных на разные этапы жизненного цикла клиента. Выделяют три ключевых вида скоринга:

Вид Скоринга	Назначение	Входные Данные	Целевая Задача
Application Scoring (Аппликационный)	Первичная оценка кредитоспособности нового заемщика.	Заявка, БКИ, паспортные данные, данные из ФНС.	Принятие решения о выдаче/отказе, определение лимита и ставки.
Behavioral Scoring (Поведенческий)	Оценка риска существующих клиентов.	Транзакционная активность, использование банковских продуктов, депозиты, история погашений.	Принятие решения о повышении/снижении лимита, предложение новых продуктов.
Collection Scoring (Коллекционный)	Оценка вероятности погашения долга после возникновения просрочки.	Глубина просрочки (DPO), история попыток взыскания, контактные данные, данные о занятости.	Определение оптимальной стратегии взыскания (автоматическое SMS, звонок оператора, продажа долга).

Использование всех трех моделей позволяет банку создать замкнутый цикл управления риском, где информация, полученная на этапе взыскания, используется для уточнения Application Scoring для новых клиентов.

Применение Алгоритмов Машинного Обучения и Big Data

Переход к ML-моделям обусловлен их способностью обрабатывать огромные объемы неструктурированных данных (Big Data) и выявлять сложные, нелинейные зависимости, которые невозможно учесть в традиционной логистической регрессии.

Ключевые Технологии ML в Скоринге:

1. Ансамблевые Методы (Gradient Boosting): В России наиболее распространены алгоритмы, основанные на градиентном бустинге, такие как LightGBM и XGBoost. Они строят предсказание на основе множества слабых решающих деревьев, что значительно повышает точность прогнозирования вероятности дефолта (PD — Probability of Default).
2. Нейронные Сети: Крупные банки внедряют нейросетевые модели для повышения разделяющей способности PD-моделей. Нейронные сети особенно эффективны при работе с временными рядами и сложными векторными представлениями данных (эмбеддингами).

Оценка Эффективности ML-моделей: Эффективность скоринговой модели измеряется метрикой Gini (или коэффициентом Джини), который показывает разделительную способность модели между «хорошими» и «плохими» заемщиками. Практический пример: Внедрение нейронных сетей в скоринговые модели крупного российского банка привело к повышению качества PD-моделей на 6 процентных пунктов (п.п.) Gini по сравнению с предыдущими статистическими моделями. Использование единой нейросетевой модели, которая обрабатывает информацию из различных последовательных источников (транзакции, счета, БКИ) на уровне эмбеддингов, дало дополнительный апплифт в +1,8 п.п. Gini.

Такое повышение метрики Gini, даже на 1–2 п.п., приводит к существенному финансовому эффекту, позволяя банку либо снизить уровень кредитных потерь, отсеивая больше недобросовестных клиентов, либо увеличить объем выдач, одобряя клиентов, которые были бы ошибочно отклонены старой моделью.

Цифровая Трансформация и Новые Продукты: Регулирование BNPL

Цифровая трансформация позволила банкам автоматизировать до 90% решений по кредитным заявкам. Однако она также породила новые, ранее нерегулируемые продукты, такие как BNPL-сервисы (Buy Now, Pay Later).

Динамика BNPL-рынка: BNPL-сервисы, предоставляющие рассрочку на короткий срок без процентов (при своевременном погашении), стали альтернативой потребительским ссудам на фоне высоких ставок.

Период	Объем Рынка BNPL (млрд руб.)	Примечание
2023 год	~187,5	Базовый уровень
2024 год	300	Рост в 1,6 раза
I полугодие 2025 года	300	Рост вдвое по сравнению с I полугодием 2024 г.
Прогноз на весь 2025 год	1200 – 1500	Пересмотр прогнозов на фоне активного роста

Рост BNPL до 1,2–1,5 трлн рублей за 2025 год создал значительный системный риск, поскольку эти обязательства не отражались в БКИ и, следовательно, искажали реальный ПДН заемщика.

Проактивный Анализ Регулирования BNPL: Осознавая этот риск, ЦБ РФ ввел Федеральные законы № 283-ФЗ и № 284-ФЗ, которые вступают в силу с 1 апреля 2026 года. Эти законы устанавливают надзор ЦБ за BNPL-операторами и, главное, обязывают их передавать данные о долгах (при превышении 50 тыс. рублей) в бюро кредитных историй. Для банков это означает следующее:
1. Повышение Точности ПДН: После 2026 года банки получат полную картину долговой нагрузки, что позволит моделям скоринга (Application Scoring) работать с более точными данными, существенно снижая риск дефолта, вызванного «скрытыми» BNPL-обязательствами.
2. Интеграция Данных: Банкам необходимо проактивно готовить свои скоринговые системы к интеграции новых типов данных из БКИ, чтобы обеспечить их корректное использование в формуле расчета ПДН.

Методология Оценки Экономической Эффективности Цифровых Рисковых Решений

Любое внедрение дорогостоящих ИТ-решений (разработка и поддержка ML-моделей, Big Data-инфраструктуры) должно быть обосновано с точки зрения экономической эффективности. Традиционно, эффективность оценивается через анализ двух ключевых метрик: снижение потерь и сокращение операционных расходов.

Критерии Оценки Эффективности и Расчет ROI

Основным инструментом для оценки окупаемости инвестиций в автоматизированные системы управления кредитными рисками является ROI (Return on Investment).

ROI = (Выгода - Затраты) / Затраты × 100%

Ключевые переменные для расчета ROI в банковской сфере:

Компонент	Источник Выгоды (Benefit)	Источник Затрат (Cost)
B1: Снижение Кредитных Потерь	Уменьшение показателя Bad Rate (доли дефолтов) за счет повышения точности скоринга (рост Gini).
B2: Сокращение Операционных Расходов	Автоматизация андеррайтинга (отка�� от ручного труда), оптимизация процедур взыскания (Collection).
C1: Инвестиционные Затраты		Стоимость разработки/покупки ПО, лицензии, внедрение, интеграция, покупка/аренда GPU.
C2: Операционные Затраты		Поддержка (Maintenance), обучение персонала, оплата труда Data Scientists.

Пример Расчета Эффективности (Гипотетический Кейс):

Предположим, банк инвестировал 50 млн рублей (C1) в новую ML-скоринговую систему.
* Объем кредитного портфеля: 100 млрд руб.
* Текущий Bad Rate (до внедрения): 8%.
* Прогнозируемое снижение Bad Rate (за счет апплифта Gini): на 0,5 п.п. (с 8% до 7,5%).
* Годовая экономия на кредитных потерях (B1): 100 млрд руб. × 0,005 = 500 млн руб.
* Годовая экономия на операционных расходах (автоматизация): 10 млн руб. (B2).
* Общая годовая выгода: 500 млн руб. + 10 млн руб. = 510 млн руб.

ROI = (510 млн руб. - 50 млн руб.) / 50 млн руб. = 9,2

ROI = 920%

Это означает, что инвестиции окупятся менее чем за год (50 млн руб. / 510 млн руб. ≈ 0,1 года).

Такая методология позволяет менеджменту принимать обоснованные решения, доказывая, что вложения в ИИ являются не расходами, а высокодоходными инвестициями.

Кейс-анализ: Оценка Внедрения Автоматизированной Системы (на примере крупного российского банка)

Практика крупнейших российских банков подтверждает высокую эффективность автоматизации. Кейс: Автоматизация Взыскания (Collection): Внедрение систем ИИ и машинного обучения в процесс взыскания просроченной задолженности (Collection Scoring) в крупном российском банке из ТОП-20 позволило сэкономить около 1 млрд рублей за счет оптимизации стратегий взаимодействия с должниками (выбор оптимального времени звонка, канала связи, персонализированного предложения).

Барьеры Внедрения ИИ: Несмотря на доказанную эффективность (проникновение ИИ в кредитные продукты российского розничного бизнеса достигает 78%), существуют серьезные ограничения, которые замедляют полную цифровую трансформацию:

1. Дефицит Кадров: 91% банков отмечают острую нехватку квалифицированных специалистов уровня Senior и выше в области Data Science и ML-инженерии.
2. Стоимость Инфраструктуры: Высокая стоимость высокопроизводительных вычислительных ресурсов (GPU) и ограничения на использование зарубежных облачных сервисов увеличивают инвестиционные затраты (С1), замедляя масштабирование нейросетевых моделей.

Заключение и Рекомендации по Оптимизации Кредитного Портфеля

Проведенный анализ подтверждает, что рынок потребительского кредитования в России в период 2022–2025 гг. радикально изменился. Эпоха экстенсивного роста сменилась эпохой жесткого контроля рисков, определяемой макропруденциальной политикой ЦБ РФ, что привело к снижению объема портфеля необеспеченных ссуд во II квартале 2025 года и улучшению риск-профиля заемщиков.

Ключевой Вывод: В условиях жесткого регулирования и снижения доли выдач (до 17%), конкурентное преимущество получают банки, которые способны максимально точно идентифицировать «хороших» заемщиков среди ограниченного пула претендентов. Это возможно только через внедрение гибридных FinTech-моделей.

Рекомендации по Совершенствованию Системы Управления Рисками

Для оптимизации кредитного портфеля и повышения экономической эффективности предлагаются следующие рекомендации, основанные на лучших практиках FinTech:

1. Внедрение Единой Нейросетевой Модели Скоринга (PD-модель): Банк должен перейти от разрозненных статистических моделей к единой нейросетевой архитектуре, способной обрабатывать мультимодальные данные.
* Действие: Использовать ансамблевые методы ML (Gradient Boosting) и нейронные сети для создания PD-модели на основе векторных представлений (эмбеддингов) транзакционных данных, БКИ и альтернативных источников.
* Ожидаемый Эффект: Повышение метрики Gini минимум на 1,5–2 п.п., что даст прямое снижение кредитных потерь (B1) и обеспечит высокий ROI.

2. Проактивная Подготовка к Регулированию BNPL: Необходимо заранее подготовить скоринговые системы к интеграции данных о задолженности по BNPL-сервисам, которые начнут поступать в БКИ с апреля 2026 года.
* Действие: Обновить формулы расчета Показателя Долговой Нагрузки (ПДН) и разработать новые признаки (features) в скоринговой модели, которые будут учитывать историю использования BNPL как фактор риска или, наоборот, как индикатор ответственного финансового поведения.
* Ожидаемый Эффект: Снижение риска, связанного с ранее «скрытой» задолженностью, и повышение точности Application Scoring.

3. Инвестиции в Автоматизацию Collection Scoring: Для снижения операционных расходов и повышения эффективности взыскания необходимо масштабировать применение ИИ в Collection-процессах.
* Действие: Использовать ML для автоматической сегментации просроченной задолженности, прогнозирования вероятности погашения (Collection Scoring) и выбора оптимального канала коммуникации с должником.
* Ожидаемый Эффект: Сокращение операционных расходов (B2) за счет снижения потребности в ручных операциях и повышение коэффициента возврата просроченной задолженности (Recovery Rate).

Внедрение этих рекомендаций позволит банку не просто адаптироваться к текущим регуляторным ограничениям, но и создать высококонкурентную, экономически эффективную систему управления кредитными рисками, способную обеспечить стабильный рост портфеля за счет качественных заемщиков.

Список использованной литературы

1. «Гражданский кодекс Российской Федерации (часть первая)» от 30.11.1994 N 51-ФЗ (ред. от 09.10.2025).
2. «Гражданский кодекс Российской Федерации (часть вторая)» от 26.01.1996 N 14-ФЗ (ред. от 09.10.2025).
3. «Налоговый кодекс Российской Федерации (часть первая)» от 31.07.1998 N 146-ФЗ (ред. от 09.10.2025).
4. «Налоговый кодекс Российской Федерации (часть вторая)» от 05.08.2000 N 117-ФЗ (ред. от 09.10.2025).
5. Федеральный закон от 02.12.1990 N 395-1 «О Банках и банковской Деятельности» (ред. от 09.10.2025).
6. Закон РФ от 07.02.1992 N 2300-1 «О Защите прав потребителей» (ред. от 09.10.2025).
7. Закон РФ от 29.05.1992 N 2872-1 «О Залоге» (утратил силу).
8. Федеральный закон от 07.08.2001 N 115-ФЗ «О Противодействии легализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма» (ред. от 09.10.2025).
9. Федеральный закон от 10.07.2002 N 86-ФЗ «О Центральном Банке Российской Федерации (Банке России)» (ред. от 09.10.2025).
10. Федеральный закон от 26.10.2002 N 127-ФЗ «О Несостоятельности (Банкротстве)» (ред. от 09.10.2025).
11. Федеральный закон от 30.12.2004 N 218-ФЗ «О Кредитных историях» (ред. от 09.10.2025).
12. Федеральный закон от 21.12.2013 N 353-ФЗ «О потребительском кредите (займе)» (последняя редакция).

    Доступ из СПС «КонсультантПлюс».

13. Инструкция ЦБ РФ от 14.01.2004 N 109-И «О Порядке принятия Банком России решения о государственной регистрации кредитных организаций и выдаче лицензий на осуществление банковских операций» (утратила силу).
14. Положение ЦБ РФ от 26.03.2004 N 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» (ред. от 09.10.2025).
15. «Письмо» ЦБ РФ от 23.06.2004 N 70-Т «О Типичных банковских рисках» (утратило силу).
16. «Письмо» ЦБ РФ от 26.05.2005 N ИА/7235, 77-Т «Рекомендациях по стандартам раскрытия информации при предоставлении потребительских кредитов» (утратило силу).
17. «Письмо» ЦБ РФ от 29.12.2006 N 175-Т «Об определении эффективной процентной ставки по ссудам, предоставленным физическим лицам» (утратило силу).
18. Информационное сообщение Банка России от 28.02.2025 «Банк России сохранил значения макропруденциальных лимитов…» // СПС «КонсультантПлюс».
19. Решение Совета директоров Банка России от 24 мая 2024 г. «Об установлении макропруденциальных лимитов…». Доступ из СПС «Гарант».
20. Боровков В. STATISTICA. Искусство анализа данных на компьютере. СПб.: Питер, 2003.
21. Жамбю М. Иерархический кластер-анализ и соответствия. М.: Финансы и статистика, 2004.
22. Иода Е. В. Экономическая теория. 2-е изд., испр., перераб. Тамбов: Изд-во Тамб. гос. техн. ун-та, 2002. 120 с.
23. Степанова Н. В., Финансы И. К. Финансы и кредит: Краткий курс лекций. Оренбург: ГОУ, 2004. 112 с.
24. Слуцкий А. А. Риски потребительского кредитования: принципы построения системы страхования с учетом негативного опыта РОСНО // Банковское кредитование. 2007. N 2.
25. Давыдова А. В. Невозврат кредитов — возможно ли решение проблемы? // Юридическая работа в кредитной организации. 2007. N 2.
26. Литвиненко А. Розничные банковские услуги и банковская и информационная система кредитования физических лиц // Бухгалтерия и банки. 2006. N 7.
27. Сперанский А. К вопросу о регулировании потребительского кредитования // Бухгалтерия и банки. 2007. N 8.
28. Скробов Б. В. Товарный и коммерческий кредит // Все для бухгалтера. 2007. N 4.
29. Сведенцов В. Л. Эффективная процентная ставка и ее применение в розничном кредитовании // Банковский ритейл. 2007. N 2.
30. Лепетиков Д. В. Потребительское кредитование: общие тенденции и особенности поведения лидеров рынка // Банковский ритейл. 2006. N 3.
31. Фомин Д. Е. Организация залоговой работы в Банке // Банковское кредитование. 2007. N 2.
32. Шевчук Д. Кредитование физических лиц для любых целей использование под залог недвижимости, находящейся в собственности заемщика или третьих лиц // Финансовая газета. 2007. N 32.
33. Соложенцев Е. Д. Бюро оценки и анализа кредитных рисков и его модели // Управление в кредитной организации. 2007. N 4.
34. Смирнов Е. Е. Аспекты доступности финансовых услуг // Организация продаж банковских продуктов. 2007. N 2.
35. Панченко З. В. Потребительское кредитование: сравнительный анализ опыта России и Прибалтики // Юридическая работа в кредитной организации. 2006. N 1.
36. Смирнов И. Е. Кредит-Россия 2007: В Русле новых тенденций // Банковское кредитование. 2007. N 3.
37. Смирнов И. Е. Банки и Страховые компании: на главных направлениях сотрудничества // Организация продаж страховых продуктов. 2007. N 4.
38. Смирнов И. Е. Потребительское кредитование в России: тенденции и перспективы // Банковский ритейл. 2007. N 1.
39. Титова И. М. Банковский кредит глазами юриста и бухгалтера // Налоговый учет для бухгалтера. 2006. N 5.
40. Готовчиков И. Ф. Практика использования математических методов при управлении кредитными рисками в розничном кредитовании // Банковское кредитование. 2006. N 5.
41. Елина Л. А. 0% за кредит // Главная книга. 2006. N 14.
42. Миронова Л. Д. Продажа товаров в кпедит // Торговля: бухгалтерский учет и налогообложение. 2007. N 7.
43. Наумов М. Ф. Так дальше кредитовать нельзя: социальные аспекты продуктовой политики ритейлового Банка // Банковский ритейл. 2007. N 1.
44. Шацкая М. Контроль и управление проблемной задолженностью // Банки и деловой мир. 2007. N 5.
45. Мониторинг законодательства // Банковское кредитование. 2007. N 4.
46. Каурова Н. Н. Рынок розничных продуктов: тенденции, перспективы, риски // Банковский ритейл. 2007. N 1.
47. Новости кредитно-финансового рынка // Организация продаж банковских продуктов. 2007. N 1.
48. Новости розничного рынка // Банковский ритейл. 2007. N 2.
49. Попова О. Понятие процентов в кредитном договоре // Финансовая газета. 2005. N 39.
50. Давыдов Р. А. Управление кредитными рисками и методы их оценки при кредитовании // Банковское кредитование. 2007. N 2.
51. Хейнсворт Р., Белозерова В. Обзор «Российские банки в розничном бизнесе» // Банковский ритейл. 2006. N 4.
52. Система управления рисками розничного кредитования // Банковский ритейл. 2007. N 1.
53. Сферы кредитования физических лиц // Регламентация банковских операций. Документы и комментарии. 2007. N 4.
54. Иванова Т. Н. Продажа товаров в кредит в 2006 году // Главбух. Приложение «Учет в торговле». 2006. N 3.
55. Мальцев Э. В. Скоринговые системы в кредитовании физических лиц // Банковский ритейл. 2006. N 1.
56. Ходжаева И., Ларин С. Оценка кредитоспособности физических лиц с использованием деревьев решений // Банковское дело. 2004. N 3. С. 30—33.
57. Рынок сервисов оплаты частями вырос на 60% за 2024 год. URL: https://tochka.com (дата обращения: 09.10.2025).
58. По итогам марта 2025 года объем выдач кредитов составил 611 млрд руб. URL: https://frankrg.com (дата обращения: 09.10.2025).
59. Интерфакс. ЦБ РФ сохранил макролимиты по потребкредитам на II квартал на уровне I квартала. URL: https://interfax.ru (дата обращения: 09.10.2025).
60. beeline.ru. Что такое скоринг и как работает кредитная скоринговая модель. URL: https://beeline.ru (дата обращения: 09.10.2025).
61. BNPL в России и мире: все новости на тему. URL: https://frankmedia.ru (дата обращения: 09.10.2025).
62. Об изменениях в Федеральный закон О потребительском кредите (займе) // Госуслуги. URL: https://gosuslugi.ru (дата обращения: 09.10.2025).
63. Закон о потребительском кредите 353-ФЗ: права сторон, основные условия кредитного договора. URL: https://raiffeisen.ru (дата обращения: 09.10.2025).
64. Vapnik V. Statistical Learning Theory. John Wiley & Sons, 2004.
65. Klecka W.R. Discriminant Analysis. Beverly Hills, Sage Publications, 1980.
66. Greene W.H. Econometric Analysis. 3nd ed. Prentice-Hall, 1997.
67. www.cbr.ru/statistics/bank_system.
68. www.ubrr.ru.