Телефон: +7 (383)-235-94-57

АНАЛИЗ РИСКОВ ИПОТЕЧНОГО КРЕДИТОВАНИЯ

Опубликовано в журнале: Сибирский экономический журнал №2(2)

Автор(ы): Колесникова Инна Викторовна, Соколов Александр Владимирович

Рубрика журнала: Финансовые институты, рынки и платежные системы

Статус статьи: Опубликована 2 февраля

DOI статьи: 10.32743/2658-4107.2019.2.2.52

Библиографическое описание

Колесникова И.В., Соколов А.В. АНАЛИЗ РИСКОВ ИПОТЕЧНОГО КРЕДИТОВАНИЯ // Сибирский экономический журнал: эл.научный журнал. –2019 – №2(2). URL: https://sibeconom.com/archive/2/52 (дата обращения: 12.11.2019). DOI: 10.32743/2658-4107.2019.2.2.52

Колесникова Инна Викторовна

магистр института экономики и управления НИУ БелГУ,

РФ, г. Белгород

Соколов Александр Владимирович

магистр института экономики и управления НИУ БелГУ,

РФ, г. Белгород

MORTGAGE LENDING RISK ANALYSIS

 

Inna Kolesnikova

master of the Institute of Economics and Management, National Research University BelGU,

Russia, Belgorod

Alexander Sokolov

master of the Institute of Economics and Management, National Research University BelGU,

Russia, Belgorod

 

АННОТАЦИЯ

Ипотека – это основной рыночный инструмент для приобретения жилья в собственность. Отличительными особенностями ипотечного кредитования являются длительные сроки, большие объемы предоставляемых ссуд, необходимость правильной оценки залога, использование специфических инструментов кредитования, определение рисков, их оценка и управление ими. В статье предложен авторский вариант усовершенствования модели оценки кредитного риска на основе дискриминантного анализа. Особенностью модели является расчет на основе факторов, наиболее точно характеризующих платежеспособность потенциального клиента.

ABSTRACT

Mortgage - is the main market tool for home ownership. Distinctive features of mortgage lending are long terms, large amounts of loans provided, the need for proper assessment of collateral, the use of specific lending tools, the identification of risks, their assessment and management. The article proposes the author's version of improving the credit risk assessment model based on discriminant analysis. A feature of the model is the calculation based on the factors that most accurately characterize the potential client's solvency.

 

Ключевые слова: Ипотечное кредитование, дискриминантный анализ, оценка кредитного риска, отношение долга к доходам.

Keywords: Mortgage lending, discriminant analysis, credit risk assessment, debt-to-income ratio.

 

Ипотечное кредитование как одна из основных сфер банковской деятельности занимает важную роль в развитии социальной и экономической сферы страны. Но при этом существует большое количество ипотечных рисков, которым подвержены все участники процесса кредитования, как на первичном, так и на вторичном рынке. И для заемщиков, и для кредиторов имеются риски ипотечного кредитование по целому ряду взаимосвязанных причин. Знание всех вероятных рисков в этой области, могут помочь оценить свои возможности. И, что еще важно, заранее от них по максимуму застраховаться.

Точность оценки кредитного риска не только определяет рентабельность ипотечных кредитов, но и объем отвергнутых заявок на потенциально выгодные ипотечные кредиты.

По этой причине предлагается один из возможных способов оценки кредитного риска в области ипотечного кредитования, отличающийся от других набором отобранных факторов. Инструментом, используемым для облегчения оценки кредитного риска в ипотечном кредитовании, является кредитный скоринг на основе кредитной истории и других данных, и в данной статье представлена новая модель оценки кредитного риска с использованием дискриминантного анализа [3].

Просрочка возникает, когда заемщик не производит запланированный платеж по кредиту. Так как кредитные платежи как правило, ежемесячные, кредитная индустрия обычно делит просроченные кредиты на категории 30, 60, 90 и 120 или более дней просрочки в зависимости от продолжительности времени с последней уплаты по просроченному платежу. Неплатежеспособность имеет место технически, в то же время, что и просрочка, то есть кредит становится неуплаченным, как только заемщик пропускает запланированный платеж. Термин "неплатежеспособность" используется в любой из следующих четырех ситуаций:

  • Кредитор был вынужден провести взыскание и получить право собственности на имущество, обеспечивающее кредит.
  • Заемщик решает отдать кредитору право собственности вместо взноса
  • Заемщик продает дом и производит оплату по ипотечному обязательству меньше полной.
  • Кредитор соглашается пересмотреть или изменить условия кредита и прощает часть или всю просрочку основного долга и процентных платежей [8]

Так как неплатежеспособность заемщика дорого обходится банку, процентные ставки, взимаемые кредиторами, включают в себя премию за риск. Для заемщиков неплатежеспособность обычно приводит к снижению кредитного рейтинга и доступа к кредитам в будущем, потере активов[5].

Для того, чтобы оценить риск неплатежеспособности клиента, используется кредитный скоринг. Оценка производится с помощью ключевых переменных, то есть факторов. Если оценка кредитного риска достигает значения выше критического ориентира, заявка отвергается или подвергается тщательному анализу (андеррайтинг) [7].

До сих пор доминирующим подходом при оценке риска является дискриминантный анализ. Наиболее распространенная форма дискриминантного анализа необходима для поиска линейной функции рыночных переменных, которая наилучшим образом проводит различие между двумя группами классификации заемщиков по кредитам: возврат денег и неуплата [4].

Цель дискриминантного анализа - это различение (дискриминация) объектов наблюдения на классы по заранее определенным признакам. Применительно к скорингу класс является статусом заемщика: кредитоспособный/некредитоспособный (зависимая переменная у);

Результатом анализа является построение дискриминантной функции. С помощью пятифакторной модели Альтмана исследуется прогнозная достоверность переменных модели дискриминантного анализа.

Целью применения модели является определение характеристик и их приоритетов, указывающих на людей, которые, скорее всего, неплатежеспособны, а также классификация потенциальных заемщиков на клиентов с хорошим или плохим кредитным риском.

Для оценки кредитоспособности заемщика и распределения по группам использовалась программа статистического обеспечения STATISTICA. В качестве обучающей выборки использовались данные о 400 клиентах, которые уже воспользовались ипотечным кредитом, предоставленные ранее ПАО «Сбербанк». Информация о потенциальных клиентах была собрана методом опроса. Затем с помощью модели потенциальные клиенты классифицировались как имеющие высокий или низкий кредитный риск. Полученные в результате ввода данных коэффициенты дискриминантной функции при факторах (bn, а) представлены в таблице 1, при этом учитываются предыдущие неуплаты.

Таблица 1.

Коэффициенты дискриминантной модели с учетом предыдущей задолженности

Факторы

Ранее имели неуплату по ипотечному кредиту?

Нет

Да

Число лет работы на нынешнего работодателя

0,28

0.069

Число лет проживания по текущему адресу

0,127

0,078

Отношение задолженности к доходу (*100)

0,26

0,397

Задолженность на кредитной карте (в тыс. руб.)

-0.503

0,015

Константа

-3.591

-4,27

Источник: Рассчитано автором при использовании обучающей выборки в программе STATISTICА

 

Для того, чтобы отнести каждый кейс к своей группе, используется функция классификации. Существует отдельная функция для каждой группы и оценка классификации вычисляется для каждой функции. Дискриминантная модель присваивает кейс к той группе, чья функция классификации получила наивысший балл.

Испытание равенства групповых значений измеряет потенциал каждой независимой переменной перед созданием модели. 

Таблица 2.

Значения критерия ANOYA

Факторы

Лямбда

Уилкса

Дисперсионный

анализ

df1

df2

Значимость

Число лет работы на нынешнего работодателя

0,858

22,062

1

133

0

Число лет проживания по текущему адресу

0,969

4.304

1

133

0,04

Отношение задолженности к доходу (*100)

0,774

38,84

1

133

0

Задолженность на кредитной карте (в тыс. руб.)

-0,899

15,022

1

133

0

Источник: составлено автором на основе дискриминантного анализа данных о потенциальных заемщиках

 

Каждый тест показывает результаты однофакторного дисперсионного анализа (ANOYA) для независимой переменной, используя групповую переменную в качестве фактора. Если значимость выше, чем 0,05, то переменная, вероятно, не вносит вклад в модель.

По результатам таблицы, каждая переменная в дискриминантной модели является значимой.

Таблица 3.

Результаты применения модели

Ранее были неплатежеспособны?

Спрогнозированное распределение по группам

Всего

Да

Нет

Выбранные

Человек

Нет

77

16

93

кейсы

 

Да

7

35

42

%

Нет

82,8

17,2

100

Да

16,7

83.3

100

Да

16,7

83.3

100

Не выбранные кейсы

Человек

Нет

33

11

44

Да

2

19

21

Не отнесенные к группе

37

13

50

%

Нет

75

25

100

Да

9.5

90.5

100

Не отнесенные к группе

74

26

100

Источник: составлено автором

 

Лямбда Уилкса является еще одним показателем потенциала переменной. Меньшие значения указывают, что переменная сильнее разделяет группы Да/Нет между собой [8].

В таблице классификации приведены практические результаты использования дискриминантной модели.

Из кейсов, используемых для создания модели, 35 из 42 человек, которые ранее совершали неуплату, классифицированы правильно. 77 из 93 человек, не являющиеся неплательщиками, классифицированы правильно. В целом в 83,0% случаев классификация верна.

Используя дискриминантный анализ, была предложена модель, которая классифицирует клиентов как имеющих высокий или низкий кредитный риск. Данная модель учитывает, являлся ли клиент неплательщиком, когда ранее брал кредит как дополнительный критерий оценки, что позволяет ей провести более четкую диверсификацию между двумя группами и убедить банк в нецелесообразности выдачи займа или в его отказе. Более 80% этих случаев были правильно классифицированы моделью. Это позволяет предположить, что модель производит правильную оценку риска в более чем трех из четырех раз.

Нами было выявлено, что модель в зависимости от наличия предыдущих неуплат по кредиту должна иметь другие коэффициенты при факторах, так как наличие или отсутствие этих неуплат является важным показателем платежеспособности клиента. Фактор разделения клиентов как уже имевших неуплату по кредиту применяется при андеррайтинге юридических лиц, и его следует применять при проверке платежеспособности потребителей в банках и других кредитных организациях.

 

Список литературы:

  1. Багаутдинова И.В., Токарева Г.Ф., Шалина О.И. Современные тенденции развития финансового посредничества в России// Экономика. Налоги. Право. - 2016. -№5. Том 9.- С. 90-99.
  2. Гулько А. А., Колесникова И. В. Современные реалии банковского ипотечного кредитования жилищного строительства в России // Молодой ученый. — 2016. — №7. — С. 827-833. — Режим доступа: URL: https://moluch.ru/archive/111/27388/ (дата обращения: 02.12.18).
  3. Ваганова О.В., Королькова Д.И. Методологические аспекты оценки развития территориально-локального рынка жилой недвижимости // Современная экономика: проблемы и решения. - 2017.- № 8 (92).- С. 98-106. – Режим доступа: URL: https://elibrary.ru/item.asp?id=32279272 (дата обращения: 02.12.2018).
  4. Шабанов Д.А. Онлайн-конспект курса "Биометрическая обработка данных в зоологии и экологии". Тема 5.1 Что такое дисперсионный анализ? [Электронный ресурс]. Режим доступа: URL: https://batrachos.com/Biometria_8_ANOVA (дата обращения: 02.12.18).
  5. Ожегов Е.М., Порошина А.М. Оценка кредитного риска при ипотечном жилищном кредитовании. Прикладная эконометрика№ 3 (35) / 2014
  6. Токарева Г.Ф., Багаутдинова И.В., Палаткин Ю.С. Основные тенденции в сфере кредитования физических лиц в России // Российское предпринимательство. — 2017. — Том 18. —№5. —doi: 10.18334/ip. 18.5.37604
  7. Токарева Г.Ф., Багаутдинова И.В. Роль кредитных продуктов банков в условиях инновационного типа развития российской экономики // Креативная экономика. — 2014. — № 10(94). —с. 92-102
  8. Rajeev Sirohi, Pankaj Chauhan. Credit risk assessment for mortgage lending. IMPACT: International Journal of Research in Business Management Vol. 3, Issue 4, Apr 2015