2.4.2. установление шкалы классности показателя на основе его значения

2.4.2. установление шкалы классности показателя на основе его значения

Установление шкалы классности показателей (коэффициентов) — второй этап присвоения кредитного рейтинга. Для этого нужно определить, какое значение показателя считается высоким, средним, низким. Математическое обоснование шкалы классности коэффициентов состоит в определении значений средних показателей и анализа вариации. Вариация возникает в результате того, что индивидуальные значения показателя складываются под совокупным влиянием разнообразных факторов, которые по-разному сочетаются в каждом отдельном случае. Средняя величина — это абстрактная, обобщающая характеристика признака изучаемой совокупности. Расчет средних показателей производится по формуле средней арифметической взвешенной:

Из данной формулы видно, что средняя зависит не только от значений признака, но и от состава совокупности, ее структуры. При помощи средней происходит сглаживание различий в величине признака, которые возникают по тем или иным причинам у отдельных единиц наблюдения.

В отечественной банковской практике используются трехбалльные шкалы классности для каждого показателя. Средняя арифметическая взвешенная делит совокупность на две части: показатели выше и ниже среднего. Научно обоснованный переход от двухбалльной шкалы к трехбалльной становится возможным благодаря расчету показателей вариации. Анализ вариации позволяет оценить степень зависимости изменений в изучаемом признаке от определяющих ее факторов. Например, изучая силу и характер вариации в выделяемой совокупности, можно оценить, насколько однородной является данная совокупность в количественном, а иногда и качественном отношении, следовательно, насколько характерна исчисленная средняя величина. Степень близости данных отдельных единиц к средней измеряется рядом абсолютных, средних и относительных показателей. Основными обобщающими показателями вариации в статистике являются дисперсия и среднее квадратическое отклонение.

Дисперсия — это средняя арифметическая квадратов отклонений каждого значения признака от общей средней. Дисперсия обычно называется средним квадратом отклонений и обозначается как 52.

д - —j дисперсия взвешенная.

Среднее квадратическое отклонение представляет собой корень квадратный из дисперсии и обозначается S:

S = ±=±-—- среднее квадратическое отклонение взвешенное.

Среднее квадратическое отклонение — это обобщающая характеристика абсолютных размеров вариации признака в совокупности. Выражается оно в тех же единицах измерения, что и признак (в процентах, долях единицы и т.д.). Среднее квадратическое отклонение служит мерилом надежности средней. Чем меньше среднее квадратическое отклонение, тем лучше средняя арифметическая отражает всю представляемую совокупность.

Трехбалльная шкала классности имеет следующий вид:

X, < Хср 5; Хср 5 < Х-, < Хср + 5; X, > Хср + 5.

Среднеотраслевые фактические показатели могут быть с успехом использованы для установления шкалы классности. Ранее неоднократно отмечалось, что сравнение показателей между собой правомерно проводить только в пределах заемщиков одной отрасли, причем определить, высокое или низкое значение имеет тот или иной показатель, можно лишь сопоставив полученное значение со среднеотраслевой величиной. Например, по расчетам, средняя оборачиваемость активов в торговле составляет 78 дней, в промышленности — 192 дня. Для правильной интерпретации данного показателя необходимо знать отраслевую принадлежность предприятия, так как хорошее значение показателя для промышленности для торговли будет считаться плохим. Установить шкалу классности, отражающую реально сложившиеся уровни показателей, позволяет расчет среднеотраслевой дисперсии и среднего квадратического отклонения, которые характеризуют степень вариантности показателя.

Приведем итоговые значения расчетов для торговых предприятий: SROI) = 2,3\%;

S(ROI) = 15,2\%;

52(Об) = 1 887 да.;

5(Об) = 43 дн.;

52(КШ) 0,04;

5(Л-кл) = 0,202;

52(левередж) = 0,052;

5(левередж) = 0,228.

Таким образом, шкала классности количественных показателей приобретает следующий вид (табл. 2.21).

Таблица 2.21

Данная шкала может быть с успехом использована для оценки кредитоспособности снабженческо-сбытовых предприятий нефтяной отрасли России. Очевидно, что показатели промышленных предприятий не поддаются классификации по данной шкале. Это объясняется как различием в средних значениях показателей промышленности (и любой другой отрасли), так и неодинаковыми величинами среднего квадратического отклонения. Думается, можно сделать следующий вывод: руководствуясь целью проведения эффективного и достоверного анализа кредитоспособности, целесообразно рассчитывать разные шкалы классности в зависимости от вида деятельности заемщика.

2.4.3. Распределение весов между показателями и определение кредитного рейтинга

Выбор весов финансовых показателей, принимающих участие в определении кредитного рейтинга,— один из недостатков статистических методов анализа. Это обусловлено невозможностью достоверно определить «вклад» каждого показателя в итоговое значение рейтинга. Значения весов сильно колеблются в зависимости от кредитной политики банка. Так, коммерческие банки, уделяющие основное внимание способности заемщика получать доход, увеличивают вес показателей рентабельности. В случае, например, повышенного внимания к способности предприятия отвечать по своим обязательствам увеличивается значение коэффициентов ликвидности. Неодинаковое распределение весовых пропорций повышает допустимый уровень риска, делает оценку кредитоспособности субъективной, затрудняет оценку заемщиков. Так, кредитный рейтинг предприятия, определяемый на основе четырех финансовых коэффициентов, принимает разные значения в зависимости от изменения системы используемых весов (табл. 2.22).

Таблица 2.22

Вариация показателя кредитного рейтинга достаточно существенна — от 1,8 до 2,6 балла. В случае классификации заемщиков по значению кредитного рейтинга в размере четырех групп одно и то же предприятие может получить различный кредитный рейтинг, что объясняется не характером деятельности, а субъективными различиями системы весов, принятой в данном кредитном учреждении.

Итак, можно сделать заключение о том, что статистические методы присвоения кредитных рейтингов заемщикам не решают проблему искажения результатов оценки из-за чрезмерной субъективности процесса анализа.

Каким же образом можно перейти от набора финансовых показателей к обобщенному интегрированному значению кредитного рейтинга? Мировой опыт в области моделирования этого процесса выделяет два основных способа перехода от состояния оценки финансового положения заемщика к уровню кредитоспособности.

Наличие линейной зависимости между финансовыми показателями и значением кредитного рейтинга. Впервые данная модель была предложена в 1966 г. Э. Альтманом. Рейтинг кредитоспособности построен с помощью аппарата мультипликативного дискриминантно-го анализа (MDA) и позволяет в первом приближении разделить хозяйствующие субъекты на стабильные предприятия и потенциальных банкротов. При построении рейтинга Альтман обследовал 66 предприятий, половина которых обанкротилась в 1946—1965 гг., а половина работала успешно, и исследовал 22 аналитических коэффициента, которые могли быть полезны для прогнозирования возможного банкротства. Из этих показателей он отобрал пять наиболее значимых и построил многофакторное регрессионное уравнение. Таким образом, рейтинг кредитоспособности представляет собой функцию от некоторых показателей, характеризующих экономический потенциал предприятия и результаты его работы за истекший период.

Моделирование на основе нейронных сетей. Нейронная сеть представляет собой многослойную сетевую структуру, состоящую из однотипных элементов — нейронов, имитирующих работу головного мозга человека. Нейроны, связанные между собой сложной топологией межсоединений, группируются в слои, из которых выделяются входной и выходной слои. В нейронных сетях, применяемых для анализа и прогнозирования кредитоспособности, нейроны входного слоя воспринимают информацию о финансовых показателях предприятия, а выходной слой сигнализирует о возможной реакции на эту ситуацию. Сначала нейронная сеть проходит специальный этап настройки — обучение. Как правило, сети предъявляется большое количество заранее подготовленных примеров, для каждого из которых известна требуемая реакция в виде присвоения того или иного значения рейтинга. После определенного периода обучения сеть достигает состояния, в котором с высокой долей точности возможно присвоение предприятию рейтинга кредитоспособности.

Итак, исследование данной темы параграфа позволяет сформулировать следующие выводы:

1. Алгоритм присвоения кредитного рейтинга заемщика включает в себя несколько этапов, а именно: определение количественных и качественных показателей, установление шкалы класс ности коэффициентов, выбор весов, расчет рейтинга и его корректировка на основании качественных факторов.

С экономической точки зрения основными финансовыми пока^ зателями, характеризующими деятельность заемщика, служат показатели рентабельности, ликвидности, оборачиваемости и левереджа.

После расчета коэффициентов необходима их интерпретация. Какие значения считать оптимальными, а какие нет? Установление шкалы классности на основе показателей вариации — дисперсии и среднего квадратического отклонения — позволяют классифицировать значения коэффициентов. Рассчитанные показатели вариации правомерно использовать только для анализа заемщиков, принадлежащих к одной отрасли, так как средние значения показателей сильно различаются от отрасли к отрасли.

Основным инструментом перехода от группы финансовых коэффициентов к интегрированному показателю рейтинга до настоящего времени являлся метод дискриминантного анализа, согласно которому между коэффициентами и рейтингом существует линейная зависимость. Степень влияния коэффициента на значение рейтинга определяется весом коэффициента. Проблема оптимального выбора весов коэффициента — слабое звено данной методики. Субъективизм, присущий процессу присвоения весов, искажает результаты расчетов.

Линейная зависимость между финансовыми показателями и значением кредитного рейтинга является простейшей, но не самой точной формой связи, поскольку проблема выбора весов коэффициентов остается нерешенной. Дальнейшая корректировка кредитного рейтинга с учетом качественных показателей представляется не совсем разумной, так как изначально выбранный тип связи между количественными показателями (линейная зависимость) субъективен. Тем не менее кредитные организации, рассчитывающие кредитный рейтинг по данной методике, не вправе останавливаться на данном этапе, а должны дополнительно учитывать предложенные качественные показатели.

6. Присвоение кредитного рейтинга с использованием нейронных

сетей начинает применяться в мировой банковской практике.

Данная методика позволяет избежать проблемы выбора весов

коэффициентов. В процессе обучения нейронная сеть исследует нелинейную зависимость между финансовыми коэффициентами и значениями рейтингов. На основе выявленной зависимости и новых значений коэффициентов потенциального заемщика определяется рейтинг его кредитоспособности.

Вопросы для самоконтроля

Как для точности расчета следует взвешивать коэффициенты, используемые при определении финансовых показателей деятельности предприятий?

Каковы особенности, присущие предприятиям разных видов деятельности; следует ли учитывать их при оценке кредитоспособности заемщика?

Каково содержание трехбалльной шкалы классности каждого показателя, используемой в российской банковской практике?

В чем заключается суть перехода от набора финансовых показателей к обобщенному интегрированному значению кредитного рейтинга?