Как показывает практика, в современных условиях широкое распространение при кредитовании физических лиц находит скоринг, который более эффективен в сравнении с традиционными схемами принятия решения о кредитовании. При получении кредита, проводится собеседование и анкетирование. Целью такого собеседования становится сбор максимального количества информации о потенциальном заемщике, а также выяснение цели кредитования, возраста, семейного положения, места жительства, места работы, стажа, размера заработной платы и других параметров, характеризующих социальные и демографические аспекты.
После чего, собранные сведения дополняются данными, которые получают из бюро кредитных историй, сотрудников юридического отдела, службы безопасности, а затем обрабатываются. При проведении анализа всего объема данных, банки могут использовать либо экспертную, либо скоринговую модели. Однако, с развитием математического аппарата и программного обеспечения появились fuzzy-алгоритмы, которые находят все более широкое применение во всех сферах деятельности, например, при кредитование в механизме биржевых операций [1], совершенствовании системы кредитования юридических лиц в коммерческом банке [2, с. 163-165], при управлении финансовым риском в биржевых операциях с акциями компании [3, с. 1534-1538], в процессе управления финансовым риском предприятия на основе fuzzy-метода [4, с. 115-140.], а также при совершенствовании риск-менеджмента компании [5, с. 88-92]. Как показывают исследования, результативным является применение нечеткого контроллера Мамдани где формируются оценки искомых параметров [1].
Известно, что нечетким правилом называют классическое правило вида «ЕСЛИ… ТО …», где в качестве условий и заключений используются нечеткие высказывания. Записываются такие правила в следующем виде (условно), например: ЕСЛИ (заработок стабильный) И (имеется недвижимость), ТО (кредит можно выдавать).
Предложенный алгоритм описывает несколько последовательно выполняющихся этапов, при этом каждый последующий этап получает на вход значения, полученные на предыдущем шаге: старт, формирование базы, фаззификация, агрегирование подусловий, активация подзаключений, аккумулирование заключений, дефаззификация, финиш.
В разрабатываемую модель включены следующие факторы: количество иждивенцев, стаж на последнем месте работы, частота увольнений, доходы членов семьи, возраст заемщика, количество нарушений кредитной истории.
Таблица 1 – Оценка кредитоспособности клиента с помощью Fuzzy-модели
|
Факторы |
Диапазон значений |
| 1.Количество иждивенцев |
от 0 до 15 |
| 2.Стаж на последнем месте работы, лет |
от 0 до 30 |
| 3.Частота увольнений (отношение числа увольнений к общему трудовому стажу) |
от 0,3 до 1,0 |
| 4.Доходы членов семьи (отношение минимального к среднемесячному доходу) |
от 0 до 1,0 |
| 5.Возраст заемщика, лет |
от 18 до 60 |
| 6.Количество нарушений кредитной истории |
От 0 до N |
В основе работы модели лежат «лингвистические правила», которые позволяют запрограммировать процесс, отталкиваясь от значений факторов, включенных в модель. Следует отметить, что число включенных в модель факторов в значительной мере определяет количество сочетаний, в зависимости от величин рассматриваемых факторов, причем значения последних используются не в числовом, а в лингвистическом выражении. Формирование правил изменения переменных, то есть выстраивание крутизны трапецеидальных фигур, целесообразно осуществлять по данным базы клиентов, имеющейся у кредитного учреждения, что позволит выявить параметры как надежных, так и проблемных заемщиков.
На выходе модели функции принадлежности термов лингвистической переменой можно задать трапецеидальной (рисунок 1).
Рисунок 1 – Параметры формирования лингвистической переменной
Использование программного продукта Matlab.7.11.0 позволяет сформировать fuzzy-модель определения уровня кредитоспособности.
Параметры факторов в Fuzzy-модели представлены на рисунке 2.
Рисунок 2 – Fuzzy-модель
Причем уровень кредитоспособности (в долях от 0 до 1) будет определяться под действием ряда факторов: количество иждивенцев, стаж на последнем месте работы, частота увольнений, доходы членов семьи, возраст заемщика, количество нарушений кредитной истории.
Графическая интерпретация результатов Fuzzy-модели принятия решения о кредите по факторам возраст и количество нарушений кредитной истории представлена на рисунке 3.
Рисунок 3 – Графическая интерпретация результатов Fuzzy-модели
Так, например, при таких значениях переменных факторов, как: количество иждивенцев «много» – 81,3% , стаж на последнем месте работы «малый» – 20,4% , частота увольнений «малая» – 30,9, доходы членов семьи «средние» – к=0,265, возраст заемщика «старый» – 80%, количество нарушений кредитной истории «мало» – 10%, то величина финального параметра составит 0,8, то можно говорить скорее о положительном решении, касательно выдачи кредита – 50%.
Представляется целесообразным «привязать» входные переменные модели к Web-сайту банка, что даст дополнительные конкурентные преимущества банку, поскольку это позволит автоматизировать процесс выявления уровня кредитоспособности заемщика – физического лица.
Таким образом, представляется целесообразным использовать Fuzzy-алгоритмы для оценки кредитоспособности клиентов – физических лиц, поскольку использование нечетких множеств в условиях неопределенности позволяет, во-первых, увеличить скорость принятия решения о выдаче кредита, во-вторых, повысить эффективность кредитования, поскольку обеспечивает высокую точность оценки, что снижает риск ошибки.
Библиографический список
- Ломакин, Н.И. Кредитование в механизме биржевых операций [Электронный ресурс] : доклад / Ломакин Н.И., Степина Т.В. // Интернет-конф., декабрь 2013 г. / SWorld. – Режим доступа : http://www.sworld.com.ua/index.php/ru/economy-413/financial-cash-flow-and-credit-413/20506-413-0789.
- Ломакин, Н.И. Совершенствование системы кредитования юридических лиц в коммерческом банке / Спирова У.Я., Ломакин Н.И. // Экономическая стратегия промышленного развития региона : матер. науч.-практ. конф. студентов, г. Волжский, 26 апр. 2013 г. : тез. докл. / ВПИ (филиал) ВолгГТУ. – Волгоград, 2013. – C. 163-165.
- Ломакин, Н.И. Разработка fuzzy-алгоритма управления финансовым риском в биржевых операциях с акциями компании / Ломакин Н.И. // Фундаментальные исследования. – 2013. – № 10 (ч. 7). – C. 1534-1538.
- Ломакин, Н.И. Алгоритм управления финансовым риском предприятия на основе fuzzy-метода / Ломакин Н.И., Гришанкин А.И. // В мире научных открытий. – 2013. – № 12. – C. 115-140.
- Гришанкин, А.И. Fuzzy-метод в совершенствовании риск-менеджмента компании : монография / Гришанкин А.И., Ломакин Н.И. – Saarbrucken (Germany) : LAP LAMBERT Academic Publishing, 2013. – 108 с.
- Алгоритм Мамдани в системах нечеткого вывода // http://habrahabr.ru/post/113020/