Кредитный анализ

Можно заключить, что  МДА-методики имеют, в отличие от рейтинговых, серьезное статистическое обоснование. Некоторое неудобство составляет то, что эти методики не предполагают детальной классификации заемщиков по уровню кредитоспособности. Для использования МДА-методик в банке можно порекомендовать устанавливать классы кредитоспособности на основании статистической обработки кредитных досье заемщиков, ранее бравших в этом банке кредиты.

Разработано достаточно много методик МДА. В одних  используется линейная, в других – так называемая логистическая регрессия. Рассмотрим некоторые наиболее известные из них: методики Альтмана, Лиса, Таффлера и методику Чессера.

Методика Альтмана. Американский экономист Эдвард Альтман разработал пятифакторную модель для прогнозирования банкротства в 1968 г. на основе анализа состояния 66 фирм, отобранных им по следующему принципу: половина из этих фирм к моменту начала его исследований обанкротилась, а вторая – продолжала успешно функционировать. Изначально эта методика позволяла дать достаточно точный прогноз банкротства на 2-3 года вперед. В более поздних работах ученый исследовал  различные факторы банкротства и корректировал состав показателей модели; применял сглаживание данных для устранения случайных колебаний. Более поздние варианты модели Альтмана с высокой степенью точности предсказывают банкротство на 2 года вперед и с меньшей точностью (примерно 70 %) – на 5 лет вперед. Они также позволяют выделить 4 уровня вероятности банкротства.

Использование оригинальной методики Альтмана в российских условиях ограничено различием современных экономических условий России и условий экономики в США в 1960-е годы. В модели для России должны быть другими и индикаторы банкротства, и коэффициенты регрессии при них. В частности, Г.В. Савицкая [5, 6] приводит один из вариантов модели Альтмана, адаптированный к нашим условиям:

Z = 0,717 Х1 + 0,847Х2 + 3,107Х3 + 0,42Х4 + 0,995Х5,

где Х1 = Собственные оборотные средства / Сумма активов;

Х2 = Нераспределенная прибыль / Сумма активов;

Х3 = Прибыль до уплаты процентов / Сумма активов;

Х4 = Собственный капитал / Заемный капитал;

Х5 =  Выручка / Сумма активов.

Поясним, как рассчитываются показатели «Прибыль до уплаты процентов» (обозначим ее Пр^{до %}) и «Нераспределенная прибыль» для показателей Х3 и Х2 по данным финансовой отчетности. В отчете о прибылях и убытках при подсчете прибыли до налогообложения (строка 140) уже учтена сумма такого расхода организации, как проценты к уплате (строка 070 формы № 2), т.е. этот расход вычтен. Чтобы получить величину прибыли до уплаты процентов, достаточно произвести обратное прибавление этого расхода:

Пр^{до %} =  с.140 + с.070 (форма № 2).

Нераспределенная прибыль (непокрытый убыток) (обозначим ее Пр^{нераспр}) отражается в бухгалтерском балансе (строка 470). Согласно правилам составления отчетности, здесь отражается сумма прибыли (убытка) и отчетного, и прошлых лет. Чтобы получить сумму прибыли (убытка) отчетного года, нужно из суммы на конец года вычесть сумму на начало года:

Пр^{нераспр}_отч.г. =  с.470_к.г. – с.470_н.г. (форма № 1).

Одним из препятствий  для использования модели Альтмана в России было то, что в ее оригинальном варианте для расчета показателя Х4 требовалась величина собственного капитала в рыночной оценке (по курсу акций компании на фондовом рынке на дату оценки). В приведенном здесь варианте все показатели рассчитываются по данным финансовой отчетности в бухгалтерской (или, как ее еще называют, в балансовой) оценке.  

Пороговое значение Z-функции (Z-счета) Альтмана – 1,23. Если значение Z < 1,23, то это признак высокой вероятности банкротства оцениваемой организации (а значит, такая организация некредитоспособна); если Z ≥ 1,23 – вероятность банкротства мала, и организацию можно считать кредитоспособной.

Методика Лиса. Данная методика была разработана для Великобритании. Дискриминантная функция в ней имеет следующее выражение:

Z = 0,063Х1 + 0,092Х2 + 0,057Х3 + 0,001Х4,

где Х1 = Оборотный капитал / Сумма активов;

Х2 = Прибыль от продаж / Сумма активов;

Х3 = Нераспределенная прибыль / Сумма активов;

Х4 = Собственный капитал / Сумма активов.

Здесь пороговое значение Z-функции равняется 0,037. Из направленности показателей Х1 – Х4 понятно, что чем выше значение Z-счета, тем выше уровень кредитоспособности заемщика.

Методика Таффлера. Таффлер разработал следующую модель:

Z = 0,53Х1 + 0,13Х2 + 0,18Х3 +0,16Х4,

где Х1 = Прибыль от продаж / Краткосрочные обязательства;

Х2 = Оборотные активы/ Заемный капитал;

Х3 = Краткосрочные обязательства / Сумма активов;

Х4 = Выручка / Сумма активов.

Если величина Z-счета больше 0,3, это говорит о том, что у фирмы-заемщика неплохие долгосрочные перспективы, а если меньше 0,2, то банкротство более чем вероятно (а значит, фирма-заемщик некредитоспособна). Соответственно, диапазон значений от 0,2 до 0,3 является зоной неопределенности.

Методика Чессера. Чессер разработал методику прогноза невыполнения фирмой – клиентом банка условий договора о кредите в 1974 году.  В понятие «невыполнение условий» им был включен не только факт непогашения ссуды, но и любые другие отклонения, которые делают ссуду менее выгодной для кредитора, чем было предусмотрено первоначально (например, несвоевременная уплата клиентом процентов за пользование кредитом). Чессер использовал данные четырех коммерческих банков из трех штатов за период 10 лет. В процессе исследования им были рассмотрены данные по 37 успешным и 37 неудачным кредитам (по которым не были выполнены начальные условия договора). Исходные данные исследования характеризовали положение фирм-заемщиков за 1 год до нарушения условий соглашения. Также им были проанализированы данные по 21 паре кредитов за 2 года до нарушения условий договора. В модель Чессера вошли следующие шесть показателей:

Х1 = (Наличность + Легко реализуемые ценные бумаги) / Сумма активов;

Х2 = Выручка от реализации / (Наличность + Легко реализуемые ценные бумаги);

ХЗ = Прибыль до вычета процентов и налогов / Сумма активов;

Х4 = Заемный капитал / Сумма активов;

Х5 = Основной капитал / Сумма активов;

Х6= Собственные оборотные средства / Выручка от реализации.

Вероятность невыполнения условий договора Р рассчитывается по формуле:

,

где число е = 2,71828;

Y = –2,0434 +

+ (–5,24Х1 + 0,0053Х2 – 6,6507ХЗ + 4,4009Х4 – 0,791Х5 – 0,102Х6).

Y представляет собой уравнение линейной регрессии. Нетрудно видеть:

если Y = 0, то  Р = 0,5 (вероятность невыполнения заемщиком условий договора равна 50 %).

Формула Р такова, что чем больше значение Y, тем больше значение Р:

если Y = 5, то Р > 0,99 (вероятность выше 99 %);

если Y = –5, то Р < 0,07 (вероятность ниже 7 %).

В Приложении 2 приведены таблицы значений Р при значениях Y от –5 до 5.

Чессер установил следующее правило классификации заемщиков:

• если Р > 0,5, заемщика следует отнести к группе, которая не выполнит условий договора;
• если Р < 0,5, заемщика следует отнести к группе надежных клиентов.

Модель Чессера за 1 год до нарушения условий кредитного договора способна правильно предугадать судьбу 3 из каждых 4 кредитов. За 2 года до нарушения договора точность методики составляет 57 %.

 

Методики системы  показателей. Это достаточно условное название присвоено группе упрощенных прогнозных методик анализа кредитоспособности, в основе которых – экспертным путем отобранная система показателей. Типичным их представителем является методика У. Бивера, изначально разработанная для прогнозирования банкротства и широко известная в зарубежной практике анализа. Основой этой методики является система из 5 показателей:

 Х1 = (Чистая прибыль + Годовая амортизация) / Заемный капитал;

Х2 = Оборотные активы / Краткосрочные обязательства;

ХЗ = Чистая прибыль / Сумма активов ´ 100;

Х4 = Заемный капитал / Сумма активов ´ 100;

Х5 = Собственные оборотные средства / Сумма активов.

Показатель Х1 называется коэффициентом Бивера и характеризует степень покрытия обязательств суммой чистого дохода компании за период (имеется ввиду, что сумма начисленной амортизации, которая в системе бухгалтерского учета при расчете прибыли вычитается, поскольку по правилам бухгалтерского учета признается расходом, на самом деле никуда не перечисляется и находится в обороте компании).

В зависимости  от того, какие значения принимают  показатели оцениваемой компании, им присваивается одна из 3 групп:

группа I – благополучные компании;

группа II – компания находится за 5 лет до банкротства;

группа III – компания находится за 1 год до банкротства.

Критерии отнесения  показателей к той или иной группе определены экспертным путем. Они  приведены в таблице 3.1. Таблица 3.1

Методика  Бивера

Название показателя	Обозна- чение	Значения  показателей и границы групп
		Группа I	Группа II	Группа III
Коэффициент Бивера	Х1	0,4 – 0,45	0,17	–0,15
Коэффициент текущей ликвидности	Х2	2 – 3,2	1 – 2	< 1
Экономическая рентабельность, %	Х3	6 – 8	4 – 6	–22
Финансовый леверидж, %	Х4	< 37 %	40 – 50	≥ 80
Коэффициент покрытия активов собственными оборотными средствами	Х5	0,4	0,3 – 0,4	около 0,06

 

В описаниях методики Бивера в русскоязычной литературе сказано, что группу, к которой принадлежит компания в целом, следует определять по тому, к какой группе при расчетах отнесено большинство показателей. Однако не исключены случаи, когда возникнет неопределенная ситуация. Например, пусть показателям Х1 – Х5 присвоены следующие группы: I, II, III, II, III, соответственно. Как видим, есть два значения «II» и два значения «III». Чтобы избежать неопределенности при окончательном выводе, предлагаем определять группу, к которой принадлежит компания-заемщик, как среднюю арифметическую между значениями групп по всем показателям (с округлением получаемого значения, в целях предосторожности,  в большую сторону).

По таблице  видно, что критерии отнесения к  группам для большинства показателей  в данной методике заданы некорректно (например, к какой группе отнести значение коэффициента Бивера, если он равен 0.3? Или 0,1?) Мы приводим методику Бивера по описанию из учебника Л.В. Донцовой и Н.А. Никифоровой [3], где она была дана именно в таком виде. К сожалению, в других исследованных нами источниках описания методики Бивера либо столь же некорректны, либо неподробны. Возможно, ошибки вкрались в нее при переводе и последующих пересказах. Во всяком случае, в таком виде методика Бивера представляется нам непригодной к практическому использованию в кредитном анализе. Предлагаем читателю самостоятельно обдумать, как скорректировать границы групп, чтобы они имели примерно равный интервал, и как сформулировать словесные характеристики групп, чтобы они соответствовали цели анализа – оценке степени кредитоспособности заемщика.

 

Методики CART. Название этой группы методик представляет собой аббревиатуру термина classification and regression trees (англ.), что в переводе означает «классификационные и регрессионные деревья». В основе методик CART лежит метод построения дерева решений (см. рис. 3.2), который был описан в предыдущей главе в группе методов теории принятия решений. Эти методики гораздо более обоснованны, чем методики системы показателей, поскольку для отбора характеристик, определяющих кредитоспособность клиентов банка (К₁ – К₄ на рис. 3.2), в них исследуются большие массивы данных о прошлых клиентах и применяются статистические методы обработки этих данных, в результате чего факторы отбираются алгоритмом автоматически (т.е. объективно, а не на основе экспертного мнения аналитика). Наиболее трудоемким моментом является как раз подготовка этих массивов данных, в которых должно быть зафиксировано как можно больше характеристик заемщиков, из которых алгоритм отберет наиболее значимые.

При построении дерева решений о выдаче кредита алгоритм анализирует данные о прошлых заемщиках, выбирает те их характеристики, которые были значимыми с точки зрения результатов кредитования (они образуют узлы дерева), и формирует правила реагирования на те или иные значения этих характеристик (ветви дерева). Каждая ветвь заканчивается определенным решением.

При оценке заемщика последовательно проверяется соответствие характеристик К₁ – К₄ условиям  Р₁ – Р₄, и в зависимости от соответствия или несоответствия, заемщик «проходит» те или иные ветви классификационного дерева, в конце которых – одно из решений: Y или N («давать кредит» или «не давать кредит»).

Точность  классификации при использовании методик CART – высокая, примерно 90 %. Еще одно их достоинство – минимальные (по сравнению, например, с методиками кредитного скоринга, которые будут описаны ниже) затраты на адаптацию дерева решений к изменению условий оценки. Если макроэкономическая ситуация или какие-то еще условия кредитования заемщиков изменяются, применяется технология самоадаптации: алгоритм автоматически определяет новые значимые факторы и строит новое дерево; для этого нужна только подготовленная база данных о клиентах.

Для решения  задач классификации применяются  и другие экономико-математические методы, например, нейронные сети. Преимуществом перед ними метода дерева решений является то, что он позволяет аналитику увидеть всю цепочку рассуждений, которая приводит к тому или иному решению, в то время как нейронные сети представляют собой «черный ящик»: они предлагают готовое решение без объяснения того, почему оно выбрано.