WWW.PDF.KNIGI-X.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Разные материалы
 

Pages:   || 2 |

«ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ В СИСТЕМЕ КРЕДИТОВАНИЯ Омск 2010 Федеральное агентство по образованию ГОУ ВПО «Сибирская государственная ...»

-- [ Страница 1 ] --

Е.Ю. Андиева, И.И. Семенова

ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ

В СИСТЕМЕ КРЕДИТОВАНИЯ

Омск 2010

Федеральное агентство по образованию

ГОУ ВПО «Сибирская государственная автомобильно-дорожная

академия (СибАДИ)»

Е.Ю. Андиева, И.И. Семенова

ПОДДЕРЖКА ПРИНЯТИЯ РЕШЕНИЙ

В СИСТЕМЕ КРЕДИТОВАНИЯ

Монография

Омск

СибАДИ

УДК 004.89338.22.021.4:336.77 ББК 32.973:65.9(2)262.2 А 65

Рецензенты:

д-р техн. наук, проф., В.И. Глухов (ГОУ ВПО «Омский государственный технический университет»);

канд. экон. наук, доц., Г.Е. Чернобаева (ГОУ ВПО «Омский государственный университет путей сообщения») Монография одобрена редакционно-издательским советом СибАДИ.

Андиева Е.Ю., Семенова И.И.

А 65 Поддержка принятия решений в системе кредитования: монография.

Омск: СибАДИ, 2010. 168 с.

ISBN 978-5-93204-545-9 В работе рассматриваются вопросы разработки метода и алгоритмов интеллектуальной поддержки принятия решений на основе оценки рисков с учетом аспектов субъективного кредитного поведения.

Монография адресована студентам, аспирантам и специалистам в области кредитования.

ISBN 978-5-93204-545-9 ГОУ «СибАДИ», 2010 Оглавление Введение

Глава 1. Проблемный анализ состояния услуг кредитования



1.1. Анализ состояния услуг розничного кредитования

1.2. Сравнительный анализ методик для оценки рисков розничного кредитования

Глава 2. Разработка концепции системы оценки рисков розничного кредитования и структуры ИСППР, поддерживающей ее

2.1. Концепция оценки рисков розничного кредитования

2.2. Разработка структуры ИСППР

Глава 3. Извлечение и структурирование знаний, отражающих субъективное кредитное поведение

3.1. Определение структуры СПП для формирования анкеты КЗ

3.2. Разработка алгоритма извлечения и структурирования знаний с целью автоматизированного формирования анкеты КЗ

Глава 4. Разработка метода построения модели знаний на основе оценки кредитоспособности

4.1. Определение подхода к решению задачи оценки рисков

4.2. Определение формы представления данных для построения модели знаний

4.3. Построение модели знаний

Глава 5. Разработка алгоритма интеллектуальной поддержки принятия решений на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков

Глава 6. Разработка программного обеспечения ИСППР и анализ эффективности разработанного метода и алгоритмов

6.1. Анализ программного обеспечения, используемого банками для принятия решения о выдаче кредита физическому лицу

6.2. Описание состава разрабатываемого программного обеспечения в соответствии со структурой ИСППР и функциями аналитика и кредитного инспектора

6.3. Анализ эффективности разработанного метода и алгоритмов.............124 Определения

Библиографический список

ПРИЛОЖЕНИЯ

Обозначения и сокращения

БД – база данных;

БЗ – база знаний;

БП – база правил;

В – вероятностный;

ГНС – группа несовместных событий;

ДНФ – дизъюнктивная нормальная форма;

КЗ – кредитный заемщик;

Л – логический;

ЛВ – логико-вероятностный;

ЛПР – лицо, принимающее решение;

МЗ –модель знаний;

НС – нейронная сеть;

ПР – принятие решения;

ПЭВМ – персональная электронно-вычислительная машина;

СПП – семантическое пространство признаков;

СЗП – слова-значения-признаки;

ИСППР – интеллектуальная система поддержки принятия решений;

СУБД – система управления базами данных;

ТБД – таблица базы данных;

B – «плохая» кредитная история (bad);

СH – кредитная история (credit history);

G – «хорошая» кредитная история (good).

ВВЕДЕНИЕ

Специфика ведения бизнеса в российских рыночных условиях требует повышенного внимания к вопросу оценки рисков кредитования банками физических лиц. Как наиболее массовый вид банковских услуг, потребительский кредит, несомненно, оказывает большое влияние на состояние всей банковской системы, развитие среднего и малого бизнеса.

Следует определить, что в работе рассматривается вид потребительского кредита – розничный кредит, выдача которого осуществляется через торговые сети или филиалы банка (иначе называемый эксресс-кредит, необеспеченный, беззалоговый кредит или нецелевой кредит).

Актуальность разработки нового метода принятия решений на основе оценки рисков розничного кредитования подтверждается, с одной стороны, статистикой продолжающегося роста невозвратов кредитных средств (на 01.01.2007 г. – 1,88 трн. рублей; на 01.01.2008 – 2,97 трн. рублей [50, 129, 143]), выданных на основании существующих методов и методик оценки кредитных рисков [31, 48, 51, 64, 65, 90, 126, 144, 157], и, с другой стороны, существует необходимость сохранить кредитную деятельность, в том числе как возможность смягчения воздействия кризиса на малый и средний бизнес и как поддержку населения во времена депрессивной экономики [131, 104].

Главная составляющая повышения эффективности системы розничного кредитования – эффективность оценки риска данного вида услуг и, как следствие, снижение невозвратов заемных средств и оправданная диверсификация рисков.

Существующие методики оценки кредитного риска применительно к кредитованию физических лиц базируются на ряде общих принципов, что позволяет сгруппировать их в определенные направления: методики Центрального банка – платежеспособность соискателя определяется исходя из наличия залога или залогового имущества [29, 30, 80]; методы, предложенные Базельским комитетом по банковскому надзору, в том числе подход, наиболее приемлемый и широко используемый, основанный на рейтинговой оценке – скоринг [51, 124,125, 110].

Авторы работ по оценке рисков банковской системы Т.Н. Данилова, В.В. Карасев, Е.Д. Соложенцев [51, 124,125] отмечают основные проблемы существующих методик, а именно, в первом случае: непрозрачность, недостоверность доходов, как соискателей, так и поручителей, несоизмеримость предлагаемого залогового имущества и суммы кредита, сложность процедуры оформления услуги и во втором: использование нероссийских методик и недостоверность накопленной статистики.

Анализ материала, посвященного кредитному скорингу [1, 36, 51, 58, 90, 157, 162, 163, 164, 166, 175, и др.] как системе приоритетно регулирующей деятельность коммерческих банков, оказывающей услуги экспресс-кредитования, дает право предположить, что оценка кредитоспособности заёмщика происходит по двум паритетным направлениям: обработка классической анкеты заёмщика нетривиальными методами статистического анализа и/или более детальная формализация оценки кредитоспособности с использованием новейших исследований в макроэкономике, социологии и психологии. Однако, основываясь на заявленных данных разработчиками программного обеспечения оценки заемщика (Credit Scoring Solution, EGAR Application Scoring, Автоматизированная система РОСНО, «dm-Score – аналитические технологии для бизнеса», «Лаборатория НТР», Base Group Labs, Scorto) и проведенном анализе анкет банков, специализирующихся на данном виде услуг (Home Credit & Finance Bank, АБ «Газпромбанк», Банк «ЦентроКредит», Банк Интегро, АКБ «Московский Банк Реконструкции и Развития», Сбербанк России, Альфа-Банк, Банк Ренессанс и др.) [79, 160, 165, 174, и др.], которые используют данное программное обеспечение, следует отметить, что основным методом, который лежит в основе скоринговых систем, является «метод коэффициентов», его использование приводит к ошибкам классификации кредитных заемщиков на «хороших» и «плохих» и не позволяет оценить возможность диверсификации рисков среди соискателей; несомненно, наиболее важный для оценки физических лиц – аспект, связанный с субъективным кредитным поведением, используется недостаточно или не рассматривается вовсе.

На основании выводов из подробного анализа литературы, раскрывающей вопросы экономической, социальной психологии [4, 27, 37, 40, 45, 53, 54, 82, 85, 86 и др.], литературы, посвященной финансовым рискам [8, 41, 48, 51, 64, 71, 91, 108, 119, 123, 124, 126, 130, 157, 158], следует, что риск-менеджерам необходимо анализировать риски (качественно и количественно), в основе которых лежит симбиоз внешних воздействий и субъективного принятия решения, часто отличного от рационального.





При оценке риска выдачи соискателю кредита необходимо рассматривать его как субъект, который к моменту осуществления действия «кредит» уже имеет индивидуальный опыт взаимодействия с внешней средой в системе кредитномонетарных отношений.

Вопросы субъективного поведения человека наиболее актуальны на сегодняшний день в области разработки интеллектуальных информационных систем. Авторами работ [33, 35, 44] А.И. Башмаковым, И.А. Башмаковым, Т.А. Гавриловой, В.Ф. Хорошевским рассматриваются вопросы проектирования интеллектуальных систем, как систем направленных, в том числе на изучение и моделирование субъективного поведения человека.

Таким образом, вопрос о разработке метода и алгоритмов интеллектуальной поддержки принятия решений на основе оценки рисков с учетом аспектов субъективного кредитного поведения остается актуальным.

Глава 1. ПРОБЛЕМНЫЙ АНАЛИЗ СОСТОЯНИЯ УСЛУГ КРЕДИТОВАНИЯ

В первой главе выполнен всесторонний анализ состояния услуг розничного кредитования, выявлены проблемы принятия решений на основе оценки рисков розничного кредитования, определены возможные пути преодоления обозначенных проблем, определены задачи, решение которых позволит значительно повысить эффективность системы принятия решений о возможности выдачи кредита.

1.1. Анализ состояния услуг розничного кредитования

В работе рассмотрен потребительский кредит, как наиболее массовый вид банковских услуг и, несомненно, оказывающий большое влияние на состояние всей банковской системы и экономики страны в целом. Желание потреблять в России после продолжительной жизни в перманентном состоянии экономического кризиса, – особенность менталитета «среднего класса», привело к бурному развитию процесса розничного кредитования [34, 62, 70, 83, 104].

Банки быстро отреагировали на растущий спрос всевозможными предложениями на данном рынке услуг. Агрессивная динамика роста объемов потребительского кредитования, в том числе необеспеченных розничных кредитов, подтверждается аналитической отчетностью банков [104]: в 2004 г. – 617 млрд. рублей, 2005 год – 1 трлн.

рублей, 2006 – 2,1 трлн. рублей. По итогам 2007 г. объем кредитов физическим лицам уже составляет 3,3 трлн. рублей. В 2008 г. темпы роста выдачи кредитов замедлились в связи с изменившейся финансово-экономической ситуацией в мире.

Банки-лидеры по объему выданных кредитов физическим лицам широко известны в Западносибирском регионе: Сбербанк России (37 %), Русский Стандарт (8 %), Группа ВТБ (4 %), ХКБ БАНК (1 %).

Практически все ведущие универсальные банки активно развивают розницу. По данным аналитической отчетности в 2008 г. эти банки не прекратили данную деятельность и активно продолжают работать в данном направлении.

Далее рассмотрим проблему невозврата кредитов. Активизация банков в работе с коллекторскими агентствами по возврату «плохих»

долгов делает официальный уровень просроченной задолженности у банков все менее информативным. Рост невозвратов потребительских кредитов (не выделяя нецелевые кредиты) подтверждается следующей статистикой: на 01.01.2007 г. объем долгов банкам составил 1,88 трлн. рублей, а на 01.01.2008 г. – 2,97 трлн. рублей. Следует заметить, риски невозврата в разных сегментах рынка кардинально отличаются. Это связано с разными подходами банков к оценке кредитных заемщиков (КЗ) и страхованию своих рисков. В сегменте розничных кредитов риски невозврата наиболее высоки, у банков более высокая доходность портфелей кредитов: доходность розничных портфелей банков составляет 23–50 %, при этом, страхуя переоцененные риски, комиссионные доходы у ряда банков превышают процентные доходы (рис. 1.1).

Доходность по кредитам, %

–  –  –

Высокие риски невозврата в розничном кредитовании достигли той критической отметки, когда банки начали снижать объемы кредитов в данном сегменте. Свыше 50 % невозврата на рынке розничного кредитования приходится на банки, работающие преимущественно в сегменте кредитования до 1 года и кредитов до востребования, около 11 % объема невозврата по розничным кредитам на сроки 1–3 года и свыше трех лет.

Таким образом, политика банков в секторе розничного кредитования и несовершенность оценки рисков данного вида услуг приводит к опасному нестабильному состоянию всей финансово-кредитной системы в целом.

Торговые компании привлекают на договорной основе кредитные организации, которые и предлагают покупателям воспользоваться розничным кредитом. Процесс ужесточения оценки кредитоспособности соискателя или как альтернатива – повышение кредитной ставки, существенно влияет на развитие среднего и малого бизнеса [49, 91, 108].

На рис. 1.2 представлены зависимости количества отказов в выдаче кредита от процентной ставки по кредиту g r.

N r N r Доля отказов g 3 r 0,6 <

–  –  –

Если N r – число лиц, запросивших кредит по ставке r (предложенной банком), N r – число лиц, которым в кредите было отказано при той же процентной ставке, то доля отказов будет равна g r N r.

N r Зависимость g r также определяется качеством системы оценки заемщика. Если кредитование осуществляется через торговые сети, принято считать, что максимально допустимая доля отказов должна быть меньше принятой допустимой величины отказов в кредитах, например, на уровне 15 % для торговли бытовой техникой. Очевидно, что чем меньше величина отказов, тем больше товаров продадут торговые сети, с другой стороны – чем выше процентная ставка, тем более строгим должен быть отбор заемщиков и тем больше доля отказов. При аномально больших ставках доля отказов будет стремиться к единице (см. рис. 1.2).

Кривые g1 r, g 2 r и g 3 r соответствуют разным системам оценки в порядке возрастания их «жесткости». Для того чтобы доля отказа была ниже критического уровня банк должен понижать ставку так, чтобы она оказалась ниже критического значения, определяемого равенством g (r // ), где r// – верхнее критическое значение ставки по кредиту (точка пересечения кривой g r и уровня ).

Только при выполнении неравенства rr// доля отказов будет достаточно низкой, и торговая организация согласится продолжить работу с банком.

С одной стороны, по мере ужесточения системы оценки КЗ значение ставки по кредиту будет уменьшаться и, наконец, может стать столь маленькой, что работа банка с данной торговой организацией окажется убыточной, но и доля отказов в выдаче кредитов окажется неприемлемой для торговой организации. С другой стороны, снижение требований к кредитоспособности заемщиков естественным образом увеличивает вероятность невозврата кредитов из-за возможности их банкротства.

Далее обратимся к определению соотношения спроса и предложения – одному из основных ценообразующих факторов рыночной экономики. Цена кредита для заёмщика – его процентная ставка. Условие доходности банка от кредитной деятельности можно записать неравенством V (r ) (1 r ) (r ) V (r ) (1 r ) V (r ) (1 i) 0, (1.1) где r – ставка по кредиту, r 0,1; i – инфляция, i 0,1; V r – объем привлеченных средств, руб.; r – доля невозврата.

Первое слагаемое в левой части приведенного неравенства описывает ожидаемый доход банка от кредитования, то есть если бы все кредиты были возвратными («хорошими»), второй член – потери от невозвратных («плохих») кредитов, а третий – обесценивание финансовых средств от инфляции. Для определения пороговых значений ставок по кредиту рассмотрим динамику ставки по кредитам f r, выраженную также в долях, и доли невозвратов r.

Логично предположить, что «жесткость» системы оценки КЗ кредитной организацией определяет зависимость доли невозврата от кредитной ставки:

чем больше ставка по кредитам f r, тем больше доля их невозвратов r. Проанализируем графики, представленные на рисунке 1.3 (кривые 1, 2 и 3).

При аномально больших ставках доля невозврата стремится к единице, то есть при слишком больших ставках большинство заемщиков не может возвратить кредит по причине недостаточности своего кредитного качества. При ставках, близких к нулю, доля невозврата хоть и мала, но отлична от нуля, поскольку всегда есть вероятность, что некоторые заемщики не вернут кредит.

Решив предыдущее неравенство (1.1) относительно (r), получим r i (r) f (r ).

1 r

–  –  –

Как видим, и это неравенство накладывает ограничение на уровень невозвратов кредитов. Как только в силу каких-то причин данное неравенство перестает выполняться, кредитная деятельность становится убыточной и хеджирование риска за счет повышения кредитной ставки становится нецелесообразно.

Одной из основных причин наличия высокой кредитной ставки при получении розничного кредита является мошенничество в данной сфере.

Для банковского типа существует два основных случая невозврата (частичного возврата) кредита: мошенничество и финансовый крах клиента при отсутствии или недостаточном обеспечении залога. Основные потери в виде неполучения доходов от продажи товаров и невозврата предоставленных кредитов несут банки и торговые организации, осуществляющие торговлю в кредит. Простота и удобство получения потребительского кредита являются распространенными причинами злоупотреблений.

Для предварительного контроля банки и компании-продавцы разрабатывают правила оформления кредитной документации, а также проверки документов, представленных потенциальным КЗ. В них сотрудникам рекомендуется обратить внимание на поведение заемщика; его внешний вид; совпадение информации о КЗ, отраженной в различных документах; соразмерность доходов клиента с размерами кредита и стоимостью потенциальной покупки; действительность паспорта и видимые признаки подделки документов (например, потертости в паспорте, следы переклеивания фотографии, нечеткая печать, истечение срока действия паспорта, несоответствие подписей заемщика в различных документах). Кроме того, составляются с учетом наработанного опыта, совершенствуются рекомендации по выявлению недобросовестных лиц (отсеивание на первом этапе – метод визуального профайлинга) [48]. Ряд авторов отмечают внедрение автоматизированных систем оценки КЗ, как наиболее действенный метод выявления мошенничества [36, 64, 84, 90, 43, 114, 119, 120].

Необходимо отметить следующие проблемы выявления мошенничества:

нежелательное влияние человеческого фактора, так как визуальный контроль осуществляет кредитный инспектор;

необходимость содержания большого штата кредитных инспекторов в торговых точках;

средства, необходимые для борьбы с каждым из мошенников, значительно превышают сумму кредита;

отсутствие существенных признаков для выявления мошенников.

Большие надежды по решению данного вопроса возлагаются на создание централизованной базы данных по заёмщикам – Бюро кредитных историй.

Уже было отмечено, что именно заключение по запросу о надежности заёмщика через Бюро кредитных историй, является первичным в принятии решения в банках Европы и Америки, в странах с наиболее развитой кредитной системой. Большинство стран пришло к выводу о том, что эффективное развитие экономики невозможно без информационной открытости и прозрачности.

Бюро кредитных историй – специализированные организации, занимающиеся сбором и распространением информации о положительных и негативных сторонах деятельности юридических и физических лиц, претендующих на получение ссуды.

В России Закон №219-ФЗ «О кредитных историях» [142] вступил в силу 1 июня 2005 г. С 1 сентября 2005 г. все кредитные организации должны представлять информацию о кредитной истории своих заемщиков в бюро кредитных историй, с которыми будет заключен договор на оказание информационных услуг. Причем за непредставление подобной информации банкам грозят такие же санкции, как и за непредставление отчетности. Статья 4 Федерального закона от 30.12.04 № 219-ФЗ «О внесении изменений в некоторые законодательные акты Российской Федерации в связи с принятием Федерального закона «О кредитных историях» [144] устанавливает за подобное нарушение наказание в виде штрафа для должностных лиц в размере от 10 до 25 МРОТ. Более строгая ответственность грозит юридическим лицам – для них штраф составит уже от 200 до 500 МРОТ.

На основании анализа работ ряда банковских руководителей и аналитиков [46, 61, 76, 77, 89, 129] возможно выделить основные причины, которые затрудняют работу по созданию и работе кредитных бюро:

большое количество банков и их филиалов (характерен и такой поворот событий: не сумев вернуть в срок кредит, заемщик идет в другой банк и берет там средства, чтобы вернуть кредит первому банку);

недоработки в нормативно-правовой базе;

наличие «серых доходов» (многие банки отказались от требования справки о доходах из-за недостоверности данных);

отсутствие единой системы оценки заёмщиков и, как следствие, противоречивость предоставленных данных;

недостоверность заявленных данных о заемщике (даже проверка подлинности паспорта, как самая очевидная процедура, не может осуществляться достоверно из-за неготовности правоохранительных органов работать с любыми негосударственными структурами);

несовершенство автоматизированных систем выдачи информации по заёмщикам;

мобильность экономики страны;

взломы и распространение базы данных.

В сегменте кредитования физических лиц наметилась следующая тенденция: небывалыми темпами выросло количество выданных пластиковых кредитных карт при общем сокращении объемов розничного кредитования. Это объясняется тем, что риски невозврата по пластиковым картам в два раза меньше: по информации агентства «Рус-Рейтинг», максимальный уровень риска невозврата в сегменте краткосрочных кредитов до года составляет 28 %, а в сегменте кредитов по пластиковым картам всего 14 %. Например, лидер розничного кредитования банк «Русский стандарт» снизил кредитный портфель в торговых точках на 70 %, увеличив при этом портфель кредитов по картам на 40 %. Из-за высоких рисков многие крупные розничные банки вообще избегают вводить в ассортимент нецелевые кредиты деньгами, предпочитая сразу давать «пластиковые» ссуды. Сегодня банками выпущено порядка 62,5 млн. карт с общим лимитом 150 млрд. руб. [153,156].

Однако при всем видимом преимуществе пластиковых карт при обслуживании розничных кредитов, существуют ограничения по их применению в различных торговых точках, операционные издержки, взломы и распространение базы данных из-за несовершенства обеспечения безопасности информации.

1.2. Сравнительный анализ методик для оценки рисков розничного кредитования Свод правил для разделения потенциальных заемщиков на вернувших, или «хороших», и не вернувших, или «плохих», впервые предложил американец Дэвид Дюран в 1941 г. – прообраз сегодняшних скоринговых систем.

В модели Дюрана фигурируют группы факторов для определения степени кредитного риска и указаны коэффициенты для различных факторов, характеризующих кредитоспособность клиента, например:

пол: женский (0,4 балла), мужской (0); возраст: 20 лет и меньше (0), 21 год (0,1), 22 года (0,2), 23 года и выше (0,3); срок проживания на одном месте: по 0,042 балла за каждый год, но не больше чем 0,42 в сумме; профессия: 0,55 – за профессию с низким риском, 0 – за профессию с высоким риском, 0,16 – другие профессии; финансовые показатели: наличие банковского счета (0,45), наличие недвижимости (0,35), наличие страхового полиса (0,19); работа: предприятия в общественной отрасли (0,21), другие (0); занятость: по 0,059 балла за каждый год стажа на последнем месте работы.

Сам Дюран определял сумму в 1,25 балла как порог оценки кредитоспособности [31, 48]. Разумеется, в середине XX в. речь шла не об использовании специализированного программного обеспечения, а о схеме работы кредитных инспекторов.

Скоринг как метод оценки рисков в розничном кредитовании в настоящее время получил самое широкое применение. Риск, в первую очередь, зависит от того, насколько хорошо оценена возможность возвратности кредитных средств.

Наряду с очевидными преимуществами скоринговых моделей:

быстрота и беспристрастность принятия решений;

возможность диверсификации кредитного риска между заемщиками, то есть возможность эффективного управления кредитным портфелем;

отсутствие длительного обучения сотрудников кредитного департамента;

возможность провести экспресс-анализ заявки на кредит в присутствии клиента.

Эксперты отмечают и множество недостатков, которые в полной мере проявляются на российском рынке розничного кредитования, а именно:

скоринговые карты составляются для конкретных кредитных продуктов и задач анализа;

скоринговые карты имеют ограниченный срок применения:

длительность периода актуальности зависит от характера и масштаба изменений в экономике и может варьироваться от года до нескольких лет, если период смены тенденций сопоставим с периодом накопления данных статистического анализа, то скоринговая карта может стать устаревшей уже к моменту ее расчета;

скоринговые модели строятся на основе выборки из числа наиболее «ранних» клиентов, но на данный момент в процессе кредитования задействованы уже не только наиболее надежные (самые состоятельные, самые качественные) заемщики, далее этот процесс развивается лавинообразно и качество заёмщиков снижается;

скоринг не защищает от заемщиков, сообщающих о себе частично недостоверные данные, причем не для того чтобы обмануть банк, а просто, не умея рассчитать свои финансовые возможности;

выявляет мошенников лишь формально (например, использование одного и того же паспорта при неоднократном получении кредита);

разработка, внедрение, обслуживание скоринговых систем, содержащих централизованные базы данных, требует высоких трудозатрат, что значительно снижает рентабельность бизнеса;

определение оценивающих признаков производится только на базе информации о тех клиентах, которым банк уже предоставил кредит, и неизвестно, сколько клиентов упустил банк;

массовая недостоверность заявленных данных, например, рекомендации приоритета оценки заёмщика по финансовым документам, достаточно затруднительно на данный момент, то есть должен быть учтен каждый из источников дохода, в том числе и по величине, степени надежности источника, ожидаемой будущей тенденции изменения доходов.

Вышеперечисленные недостатки обуславливают повсеместно возникающую проблему – «казус заёмщика» [36, 58, 63, 84, 91, 108, 124, 125, 135]. Разработчики скоринговых продуктов заявляют, например, что в одном случае «идеальным» КЗ является женатый мужчина 30 лет, имеющий одного ребенка и т.п. В другом случае, отмечая переоценку своих сил, свойственную мужчинам в этом возрасте, тот же мужчина получает значительно худшую оценку надежности, нежели женщина того же возраста с двумя детьми. В различных статьях приводится множество аналогичных примеров. Это позволяет сделать вывод о необходимости уменьшить неопределенность самого процесса кредитного скоринга посредством выявления более актуальных признаков кредитоспособности заёмщика.

Анализ существующих анкет позволяет сделать вывод о том, что банки, осознавая возможности массовой недостоверности заявленных данных, положенных в основу анкет используют лишь минимум вопросов, оставляя многие поля анкет лишь для необязательного дозаявления, которые не играют роли при принятии решения о выдаче кредита.

Основная проблема современных скоринговых систем, заявленная многими авторами [36, 58, 63, 84, 91, 108, 124, 125, 135 и др.], в определении признаков, которые следует включать в скоринговую модель для определения надежности или ненадежности заемщика.

Многие эксперты отмечают, что нужны более тонкие и точные механизмы оценки. Скоринг, по сути, на данный момент в России имеет явно дискриминационный характер, т.е. опираясь на скоринговую оценку, банки продолжают перекладывать большую часть риска на «хороших» заёмщиков, перекладывая на них как свою долю ответственности, так и ответственность «плохих» заёмщиков. Следует отметить точку зрения большинства банковских аналитиков о необходимости более глубокой детализация в скоринге [108, 123, 153,158 и др.].

В западной банковской практике риски, связанные с возвратностью кредитных средств, определяются исходя из оценки кредитоспособности соискателя, что отлично от оценки его платежеспособности.

Кредитоспособность трактуется как желание, соединенное с возможностью своевременно погасить выданное обязательство, иными словами, насколько клиент creditworthy, т. е. насколько он «достоин»

кредита (иначе «кредитоспособный»).

Необходимо учитывать риски, связанные с сознательным уклонением от возвращения банку долгов, когда «человек сам себе позволяет не платить по кредиту» [4, 37, 86, 114, 128, 141]. В мировой практике это называется оценкой оппортунистического поведения как степени надежности и обязательности клиента.

Практика показывает существенное и систематическое отличие человеческих решений, основанных на субъективных эвристиках, от решений, основанных на оптимальном и рациональном выборе. В идеологию скоринга необходимо закладывать социальнопсихологические подходы.

Исходя из определения риска как степени вероятности невозврата кредита, процентов по нему или задержки выплат, которая может привести к существенным финансовым потерям со стороны кредитора, можно выделить несколько способов оценки риска.

Методики оценки кредитного риска базируется на ряде общих принципов, что позволяет их сгруппировать в определенные категории. В различных работах [80, 124, 51] анализируются в основном следующие методики: методика Центрального банка и методы, предложенные Базельским комитетом по банковскому надзору.

Метод Центрального банка. Деятельность кредитных организаций регламентируется рядом нормативно-правовых документов. Самым распространенным методом оценки кредитных рисков в российских банках является нормативный метод [111, 112, 113, 142], соответствующий инструкции Центрального банка России от 30.06.1997 № 62(а) «О порядке формирования и использования резерва на возможные потери по ссудам».

Для целей оценки риска по ссудам определяются критерии её обеспеченности. Качество обеспечения определяется рыночной стоимостью предметов залога и степенью их ликвидности. Реальная рыночная стоимость предметов залога определяется на момент оценки риска по конкретной ссуде. При определении рыночной стоимости залога принимается во внимание информация о фактическом и перспективном состоянии конъюнктуры рынка по видам имущества, предоставленного в залог, а также динамика цен.

Методика ЦБ РФ по оценке кредитного риска основана на доступной для банков информации о КЗ и проста в практике исполнения.

В то же время, она содержит в себе достаточную степень неопределенности, связанную с нечеткостью критериев, используемых при оценке залога, а также с недостаточно прозрачной процедурой оценки залога.

Методики Базельского соглашения [51, 110]. В 2004 г. Базельский комитет по банковскому надзору утвердил новый свод нормативов для финансовых организаций, известный как Базель-2, который заменит действующее на данный момент Базельское соглашение, принятое в 1998 г. Выполнение этих нормативов обязательно в Европейском союзе.

Главная цель соглашения – повышение качества управления рисками. Необходимо отметить следующие основные нововведения Базеля-2:

создание более чувствительной к рискам системы взвешенного расчета регулятивного капитала, основанной, по возможности, на количественных оценках рисков, проведенных самими банками;

более широкое признание инструментов снижения кредитных рисков;

новые требования к капиталу под операционный риск;

расширение роли органов надзора;

всестороннее раскрытие информации и методологии банками.

Базельский Комитет по банковской политике разрешил использование внутренних методов оценки банковских рисков, в том числе и кредитных. В связи с этим появилось довольно много различных методов оценки кредитного риска, основанных на математических методах.

Анализ современной практики кредитования позволяет сделать вывод о том, что в настоящее время в банковской практике не существует универсальной методики оценки кредитного риска. Банки не обладают единой методологической и нормативной базой организации кредитного процесса и вынуждены вырабатывать свою систему кредитования в соответствии с определенной политикой банка, выбирающего определенный сегмент данного рынка услуг. Нормативные документы Центрального банка не исключают возможности определения банками категорий КЗ самостоятельно. Базельский комитет по надзору за банковской деятельностью дает возможность оценки риска собственными методами.

Таким образом, тщательный анализ проблемы на основании рассмотренных работ, посвященных вопросам кредитования физических лиц, позволяет сделать следующие выводы:

анализ состояния услуг розничного кредитования, с точки зрения основных макроэкономических аспектов, показывает, что хеджирование рисков уже невозможно за счет повышения кредитной ставки или ужесточения требований к оценке КЗ;

анализ состояния вопроса предотвращения мошенничества при оказании услуг розничного кредитования, показал, что внедрение автоматизированных систем оценки КЗ, как наиболее действенный метод, на основании существующих признаков не приводит к желаемым результатам и, более того, как отмечают аналитики, является причиной повсеместно возникающего «казуса заемщика»;

на данный момент использование заключения Бюро кредитных историй по оценке КЗ не может быть основополагающим в принятии решения по выдаче кредита;

опыт предоставления кредитных услуг по пластиковым картам показал, что существует множество ограничений по их применению в различных торговых точках, операционные издержки;

используемые анкетные данные недостаточно достоверны, не отражают реальные намерения КЗ и, соответственно, способствуют не только ошибочно принятому решению, но и накоплению противоречивой статистики;

оценка КЗ, по сути, в России имеет явно дискриминационный характер, т.е. опираясь на скоринговую оценку, банки продолжают перекладывать большую часть риска на «хороших» заёмщиков, включая в него свою долю ответственности и «плохих» заёмщиков;

сам соискатель кредита, как субъект, который к моменту осуществления действия «кредит» уже имеет индивидуальный опыт взаимодействия с внешней средой в системе кредитно-монетарных отношений исключается из оценки рисков, то есть аспект субъективного кредитного поведения используется недостаточно или не рассматривается вовсе.

Определение характера риска и его величины является основным элементом для повышения эффективности управления кредитными рисками банка. Наиболее полное отражение рисков данного вида деятельности банков лежит в симбиозе внешних воздействий и субъективного принятия решений. Следует изменить подход к оценке рисков, то есть разработать концепцию системы оценки рисков розничного кредитования на основе оценки кредитоспособности заемщика с учетом аспектов его субъективного кредитного поведения.

Глава 2. РАЗРАБОТКА КОНЦЕПЦИИ СИСТЕМЫ

ОЦЕНКИ РИСКОВ РОЗНИЧНОГО КРЕДИТОВАНИЯ

И СТРУКТУРЫ ИСППР, ПОДДЕРЖИВАЮЩЕЙ ЕЕ

Во второй главе предложена новая концепция системы оценки рисков розничного кредитования, которая подтверждена анализом работ, посвященных вопросам кредитно-монетарных отношений;

обоснован выбранный подход выделения семантического (ментального, смыслового) пространства признаков (СПП) для определения существенного влияния собственных убеждений КЗ на его кредитное поведение. Разработана структура системы, которая поддерживает предложенную концепцию.

2.1. Концепция оценки рисков розничного кредитования

Исходя из анализа актуальности обозначенной проблемы задача состоит в разработке метода и инструментария его реализующего, который позволит выявить, оценить и спрогнозировать кредитное поведение соискателя розничного кредита, исключая данные о его финансовой состоятельности, которые не представляется возможным подтвердить однозначно на момент получения кредита, но при этом не исключая возможность дальнейшего их дополнения.

Для решения аналогичных задач анализа, интерпретации и прогнозирования, широкое применение находят интеллектуальные информационные системы [44].

Центральная парадигма интеллектуальных технологий сегодня – обработка знаний, системным ядром которых является база знаний (БЗ) или модель предметной области [44].

Для определения подхода извлечения знаний для построения БЗ, которая отражает поведение КЗ, определяющее в свою очередь принятие решений при осуществлении им действия «кредит», воспользуемся классификацией систем приобретения знаний из работы [44].

Назначение интеллектуальной системы определим согласно представленной схеме (рис. 2.1) как совокупность процедур, решающих задачи анализа (анализ фактических данных, интерпретация полученных связей и зависимостей, прогнозирование на их основании), обеспечивающих лицо, принимающее решение (ЛПР), необходимой информацией для принятия решения о выдаче/отказе кредитных средств.

Системы приобретения знаний

–  –  –

Далее в ходе работы был осуществлен поиск подхода к изучению человека как личности, а в данном конкретном случае, как субъектаиндивида, вступающего в кредитно-монетарные отношения с точки зрения реализации интеллектуальных информационных технологий, в связи с такими направлениями науки, как социология, экономика и психология.

В целом, социология и экономическая психология исследует отражение человеком и группами экономической реальности, особенности и механизмы экономического поведения, экономикопсихологической адаптации, готовности к риску и неопределенности [8, 128]. Определение рыночного поведения индивида в экономике отражено в работах [78, 80], в которых главным условием является его рациональное поведение. Но существенное влияние психологии на экономическую теорию способствовало известным открытиям плеяды ученых экономистов, которые сумели выйти за рамки упрощенной схемы «экономического человека», отказавшись от формализованного описания экономического поведения [4, 8, 37, 52, 54, 74, 78, 85, 86].

Не отрицая совершенно ранее заявленного рационального экономического поведения в рамках последних исследований, экономическое действие оценивается как вектор с координатами затрат и результатов в денежной и психологической системах. Более того, отмечено доминирующее эмоциональное отношение конкретно к экономическим событиям, противоречивость развития экономического мышления на нынешнем этапе, детерминированную преимущественно эмоциональными (а не рациональными) оценками и восприятием экономической действительности [52].

Здесь следует заметить точку зрения банковских аналитиков о назревшей необходимости учитывать положения социологии и экономической психологии [58, 63, 108 и др.].

В теории экономической психологии дано определение оппортунистического поведения [141], которое наиболее полно отражает риски при оценке кредитоспособности кредитного заемщика. Под оппортунизмом понимаются многочисленные случаи нарушения контрактных (договорных) отношений в системе партнерства. Оппортунистическое поведение определяется как «преследование собственного интереса, доходящее до вероломства» [141]. К нему относятся любые формы обмана и нарушения взятых на себя обязательств, для которых в неоклассической теории не находилось места. В случае невозврата кредита роль данного понятия при дальнейшем переходе к оценке риска кредитного заемщика, который по определению сам себе позволяет не платить по долгам, возрастает.

Таким образом, если стандартное определение кредита для экономической теории звучит как «экономическая сделка, при которой один партнер предоставляет другому денежные средства или имущество на условиях срочности, возвратности и платности» [30], то в настоящей работе «кредит» следует понимать более широко, не только как заявленный документально долг, но и как межличностный долг, где параметром оценки риска доверия заёмщику служит его желание платить.

С точки зрения проблемы экономического риска в отечественной социологии и социальной философии наиболее значимыми являются исследования, предпринятые А.П. Альгиным [8].

Риск в современной экономической теории определяется как вероятность возможного убытка или ущерба в результате действия как субъективных, так и объективных факторов.

Применительно к кредитному заемщику как физическому лицу в контексте кредит – долг – межличностные отношения, возможно наиболее общее определение риска, как «возможность опасности, неудачи» либо как «действие наудачу в надежде на счастливый исход»

[128], которое исходит из обобщенного представления о риске и наиболее полно выявляет его сущность.

Необходимо отметить ряд особенностей риска розничного кредитования физических лиц:

риск проявляется в конкретных ситуациях, имеет при этом четкие границы и в то же время распространяется на весь процесс погашения долга;

риск проявляется двояко, с одной стороны, является объективной категорией и существует независимо от воли и сознания человека, однако риск можно рассматривать и как субъективную категорию (психологический дискомфорт ЛПР, целенаправленное мошенничество соискателя);

с риском ассоциируется только часть угроз, о существовании которых субъект риска уведомлен (в данном случае наиболее ярким примером является наличие «серых» доходов заемщиков);

риск предусматривает соотнесение определенных качественных показателей – возможных вариантов событий, обладающих разной ценностью для субъекта риска, из чего следует проблема сравнения различных ценностей в различные периоды (например, со стороны заемщика существует множество «стечений обстоятельств» и «выходов» из них);

риск недостаточной информированности и, как следствие, проблема неадекватного восприятия ценности (например, знание заемщика и адекватная оценка своих возможностей лежит в основе своевременных выплат по кредиту).

Таким образом, самое существенное и заключается в особенностях взаимодействия объективного и субъективного компонентов – характере реализации экономических законов через механизмы их сознательного использования в конкретных ситуациях, необходимо анализировать риски качественно и количественно, в основе которых лежит симбиоз внешних воздействий и субъективного принятия решения отличного от рационального.

Кредитоспособность следует трактовать как желание, соединенное с возможностью своевременно погасить выданное обязательство.

С точки зрения теории принятия решений, дифференциация ментальных (мысленных) представлений человека и формальнологического представления знаний служит фундаментом для выделения понятия модели знаний (МЗ), определяющей способ формального описания знаний в БЗ [33].

Вновь обращаясь к классификации систем приобретения знаний (см. рис. 2.1), определим метод построения БЗ, которая отражает поведение КЗ, через смысловое (ментальное) пространство признаков, которое определяет принятие решений при осуществлении им действия «кредит».

Данные вопросы рассматриваются психосемантикой, которая позволяет исследовать структуры сознания через моделирование индивидуальной системы знаний человека и выявлять элементы знаний, которые могут им не осознаваться (латентные, скрытые, имплицитные). Эта наука объединяет методы когнитивной психологии, психолингвистики, психологии восприятия и исследования индивидуального сознания.

Анализ литературы [35, 47, 93], посвященной выделению типов социального поведения, дает основания для использования аналогичных методов и для решения задачи оценки субъективного кредитного поведения.

По сути, для классификации и упорядочения по степени возможного невозврата кредита необходимо выявить «личностные смыслы», иначе «значения», как совокупность признаков, как некоторую систему атрибутирующих отношений в данной предметной области. Поскольку в значении фокусируются свойства объекта, существенные с точки зрения общественной практики, его и следует рассматривать как превращенную форму деятельности – погашение вовремя долга.

Основным методом психосемантики является построение субъективных семантических пространств, для чего, как правило, применяются статистические процедуры [27, 54, 137], а именно: многомерное шкалирование, репертуарные решетки, факторный или кластерный анализы (см. рис. 2.1). Эти методы позволяют сгруппировать отдельные описательные признаки в более емкие категории-факторы. Исследование свойств семантических пространств позволяет выявлять закономерности, которые отражаются в конкретном действии.

Аналогично представлены понятия в треугольнике Фреге. Семиотический подход к моделированию человеческих знаний считается в настоящее время одним из наиболее перспективных [33]. На рис. 2.2 показана схема, известная в семиотике как треугольник Фреге. Объекты реального мира, называемые денотатами, отражаются в сознании человека (ментальном мире), и в результате этого отражения возникают представления о денотатах.

РЕАЛЬНЫЙ МИР

МЕНТАЛЬНЫЙ МИР

ПОНЯТИЕ

ПРЕДСТАВЛЕНИЕ

ИМЯ

ДЕНОТАТ

–  –  –

Для различения денотатов человек использует имена, связанные с представлениями о сущностях, и формирует соответствующие понятия, используя процедуры выявления сходства и различия представлений. Между ментальными объектами (представление, имя, понятие), образующими треугольник Фреге, существуют связи, соответствующие определенным механизмам мышления. Связь 1 позволяет по имени сущности активизировать в памяти все сведения о ее свойствах (понятие). Эта же связь в обратном направлении позволяет по описанию сущности определить ее имя. Связь 2 позволяет по представлению о сущности найти информацию о ее свойствах или сформировать представление о сущности по совокупности свойств. Связь 3 соединяет представление о денотате с его именем, т.е. имя может активизировать представление и наоборот. Информационная структура, соответствующая треугольнику Фреге, в котором вершины отождествляются с именем, понятием и представлением, называется знаком или семой.

Любая вершина треугольника Фреге теоретически может быть принята за исходную точку при установлении направленных отношений.

Анализ методов исследования наличия регуляторов деятельности субъекта социальной и экономической психологии [4, 27, 54, 82, 107] показал, что субъективный опыт является представлением определенного образа мира и определяет действия в нем, в данном случае, субъективное кредитное поведение. В общем социальнопсихологическом контексте следы деятельности, зафиксированные в виде отношений образуют семантический слой, отражающийся как смысловое пространство, который и несет основную нагрузку при принятии решения субъектом и является связующим между «перцептивным миром» субъекта и глубоко внутренним его «образом мира»

[27]. Общим для элементов семантического поля, или иначе семантического пространства признаков (СПП) и «образа мира», является то, что «это не образы некоторых объектов, связанные непосредственно с предметом текущей деятельности, а образы отношения к ним» [27].

Для определения возможного использования предложенных методов психосемантики применительно к данной задаче проанализированы работы [33, 40], посвященные разработке интеллектуальных систем извлечения БЗ, дополнительно изучена литература по психодиагностике [4, 27, 54, 52, 107]. Выделены основные методы психосемантики, такие как: ассоциативный эксперимент; метод сортировки;

метод семантического радикала; метод субъективного шкалирования;

метод семантического дифференциала; методика личностных конструктов Дж. Келли или репертуарные решетки. При этом первые три метода не решают комплексно поставленной задачи, а методика личностных конструктов Дж. Келли слишком трудоемка и требует значительных затрат времени. В то время как одна из поставленных задач – значительное сокращение времени принятия решения. В большей степени поставленной задаче построения СПП кредитного заемщика и дальнейшего его оценивания для выдачи кредита отвечает метод семантических дифференциалов [27, 107, 82].

Выбранный метод семантических дифференциалов включает в себя на первом этапе ассоциативный эксперимент, далее использует синтез субъективного шкалирования и метод классификации по степени «тяжести» или «важности» тех или иных признаков исследуемого объекта.

Отметим, что значения, исторически так сложилось, понимаются как вербальные значения в языковой форме [27, 107]. Также в работе [33] рассмотрен семиотический закон, который приводит к такому объективному следствию: «язык как система знаков (точнее семиотическая система) отождествляется со способом его производства, функционирования, а так как производство, функционирование языка неразрывно от процесса мышления, то, в конечном счете, мышление отождествляется с языком».

Таким образом, для оценки рисков, связанных с субъективным кредитным поведением заёмщика, необходимо определить его СПП, как некоторую многомерную сложно-структурированную систему субъективно-личностных отношений в области кредитномонетарных отношений, выраженную вербально через СЗП. Следует получить ментальное пространство – семантическое пространство «хорошего заемщика» и выявить отличительные признаки «плохого».

Далее перейдем к разработке структуры системы, которая поддерживает предложенную концепцию оценки рисков розничного кредитования.

2.2. Разработка структуры ИСППР

Так как решение задач в работе осуществляется в соответствии с методологией Data Mining, в процессе накопления сведений, которые автоматически обобщаются до информации, которая может быть охарактеризована как знания, это можно рассматривать как процесс интеллектуальной поддержки принятия решений.

Проектирования систем поддержки принятия решений (СППР) – направление исследований, возникшее и активно развиваемое в последние годы. Существенными концепциями такого определения являются: компьютерная интерактивная (то есть не обуславливающая обязательного непосредственного использования ЛПР системы поддержки принятия решений) поддержка принятия решений (решение принимает человек) слабоструктурированных и неструктурированных проблем (именно к такими проблемам следует отнести проблемы, связанные с социальными и экономическими системами) [50, 151].

С точки зрения программной реализации СППР представляют собой человеко-машинные комплексы, предназначенные для оказания помощи ЛПР, при решении плохоформализуемых и слабоструктурированных задач в различных проблемных областях. То есть это диалоговая автоматизированная система, использующая правила принятия решений и соответствующие модели с базами данных, а также интерактивный компьютерный процесс моделирования [151].

Общая схема ИСППР, предлагаемая в [151], включает также: помощь ЛПР при оценке состояния управляемой системы и воздействий на нее; выявление предпочтений ЛПР; генерацию возможных решений; оценку возможных альтернатив, исходя из предпочтений ЛПР;

анализ последствий принимаемых решений и выбор лучшего с точки зрения ЛПР.

Основные компоненты рассматриваемой технологии, которая определяет структуру разрабатываемой ИСППР представлены на рис. 2.3.

–  –  –

В соответствии с представленной технологией была разработана структура ИСППР, которая отражает основные особенности поставленной задачи, а именно, принятия решения о возможности выдачи кредита на основе оценки кредитоспособности соискателя, как совокупной оценки рисков, связанных с субъективным кредитным поведением через определение СПП соискателя, выраженное вербально через СЗП, и рисков, оцененных на основе его платежеспособности (рис. 2.4). При разработке структуры ИСППР учтены особенности предметной области исследования.

Первоочередной задачей является выявление смысловых ассоциаций или, в терминологии положений семантического эксперимента, слов-значений-признаков (СЗП), образующих семантический слой субъективного опыта – СПП, а также генеза смысла в области кредитных монетарных отношений.

Таким образом, предложенная концепция системы оценки рисков розничного кредитования позволяет перейти от оценки рисков на основе платежеспособности соискателя кредита, исходя только из его финансовой состоятельности, к оценке его кредитоспособности, как совокупной оценке платежеспособности и оценки субъективного кредитного поведения, трактуемой как желание, соединенное с возможностью своевременно погасить выданное обязательство.

Разработанная структура ИСППР отражает основные особенности поставленной задачи принятия решения о выдаче кредита на основании оценки кредитоспособности соискателя через определение СПП соискателя, выраженное вербально через СЗП, и рисков, оцененных на основании платежеспособности соискателя. Это позволяет повысить эффективность процесса оценки соискателя кредита как основного в поддержке принятия решений.

Глава 3. ИЗВЛЕЧЕНИЕ И СТРУКТУРИРОВАНИЕ ЗНАНИЙ,

ОТРАЖАЮЩИХ СУБЪЕКТИВНОЕ КРЕДИТНОЕ

ПОВЕДЕНИЕ

В данной главе определено решение задач по построению СПП КЗ: выбор и применение метода, определение структуры типологии СПП КЗ на основании статистического анализа результатов ассоциативного эксперимента, идентификация и интерпретация образующих СПП слов-значений признаков (СЗП), определяющих типологию КЗ.

Разработан алгоритм извлечения и структурирования знаний, отражающих субъективное кредитное поведение с целью автоматизированного формирования анкеты КЗ, который позволяет учитывать отличительные особенности данных, полученных в результате ассоциативного эксперимента, и осуществлять актуальный анализ данных на базе графовой модели типологии КЗ с применением продукционной базы правил (БП).

3.1. Определение структуры СПП для формирования анкеты КЗ

В свете предложенной концепции и в соответствии со структурой, поддерживающей ее, для задачи выявления СПП «хорошего»/«плохого» КЗ на первом этапе следует разработать инструментарий извлечения знаний, что, по мнению авторов [33, 44], является на сегодняшний день существенной проблемой применительно к данной задаче.

Общий алгоритм построения СПП включает три главных этапа:

выбор и применение метода; представление структуры семантического пространства; идентификация и интерпретация выделенных структур, кластеров, групп объектов и т.д.

На первом этапе выявления СПП в рассматриваемой предметной области был использован промежуточный вид семантического ассоциативного эксперимента – метод свободных описаний модальных стимулов [27].

Ассоциативный эксперимент состоит в предложении дать на стимулы свободные ассоциации. Такой метод позволяет, что особенно важно на этапе определения СЗП, снять эффект «навязывания» категорий.

Целью первого экспериментального исследования является определение структуры СПП путем обобщения ассоциаций с действием «кредит».

Планирование семантического эксперимента осуществлялось с учетом методики, изложенной в работах [27, 107, 122].

При планировании эксперимента обеспечена репрезентативность выборок, которая определяет внешнюю валидность эксперимента ниже перечисленными ограничениями: выборка потенциально «хороших» заемщиков является направленной, то есть респондентами являются случайно выбранные заемщики при условии, что они уже брали кредит и вернули его вовремя; выборка потенциально «плохих» заемщиков является направленной, то есть ответить на вопросы предложено респондентам, которые по тем или иным причинам не вернули кредит вовремя; выборки являются неоднородными по возрасту, полу и образованию; время эксперимента ограничено: испытуемым было предложено дать ассоциативный ряд на стимул «кредит» в течение десяти минут.

Внутренняя валидность эксперимента определяется наложением на выборки четких анкетируемых социально-демографических признаков: пол, возраст, образование, наличие детей.

В результате проведения эксперимента были получены данные, отражающие действие «кредит» в виде ассоциативных рядов, данных респондентами.

Социально-демографические признаки выбраны на основании рекомендаций данных в литературе по социологии и психодиагностике [38, 45, 47, 54, 85], анализа анкет банков и ограниченных возможностей проведения эксперимента: пол – «мужчина» и «женщина»; образование: высшее и средне-специальное; семейное положение: «есть дети», «нет детей»; возраст – до 25 лет, от 25 до 35 лет, от 35 до 45 лет, старше 45 лет. В эксперименте участвовало: всего респондентов – 1520 человек. Выборки сформированы по обозначенным социально-демографическим признакам и наиболее существенному признаку «хорошая/плохая» кредитная история (табл. П.1.1, П.1.2).

Для обработки эксперимента приняты обозначения.

Пусть Y – множество респондентов, Z – множество признаков.

Каждый респондент в результате анкетирования дал ряд из ассоциаций, связанных с действием «кредит». Обозначим А – множество всех ассоциаций, данных всеми респондентами, K – количество ассоциаций, участвующих в анализе. Для подготовки данных к анализу были выполнены следующие преобразования: каждому респонденту y Y ставится в соответствие вектор-строка, состоящая из двух подстрок (рис. 3.1).

–  –  –

Следует отметить, что выборка респондентов с «плохой» кредитной историей составила 20 человек, что обусловило необходимость дополнения выборки «виртуальными» респондентами. Для создания ассоциативных рядов, данных «виртуальными» респондентами, из полученной в ходе эксперимента выборки, были выбраны респонденты с «плохой» кредитной историей, сгруппированные по социальнодемографическим признакам. Следует определить количество данных ассоциаций респондентами с «плохой» кредитной историей k iВ max и

–  –  –

борки реализована в приложении MS SQL Server 2005). Таким образом, полученная выборка респондентов с «плохой» кредитной историей составила 100 человек.

Для определения структуры СПП, которое представляет собой пространство СЗП, отражающее субъективное кредитное поведение в связи с социально-демографическими признаками, выдвигаются предположения:

­ наличие значительных различий в распределении частот СЗП в выборках, представленных по существенным признакам: по имеющейся кредитной истории («хорошая кредитная история» и «плохая кредитная история»); по полу («мужчины» и «женщины»);

­ наличие сколько-нибудь значительных различий в распределении частот слов-значений в направленных выборках «мужчины» и «женщины» по признакам: возраст, социальное положение – наличие образования.

Фактически, задача состоит в условном разделении множества ответов (обобщение ассоциаций с действием «кредит») на группы, которые определяют принадлежность респондента к определенной социально-демографической группе с «хорошей» или «плохой» кредитной историей.

Анализ данных осуществлен при помощи программного продукта Statistica 6.1.

Задача 1. Выявление различий в уровне исследуемого признака – отношение респондентов к действию «кредит» в соответствующих выборках по имеющейся кредитной истории: «хорошая кредитная история» и «плохая кредитная история».

Рассмотрим две смешанные по социально-демографическим признакам выборки, но отличные по значимому признаку – «хорошая кредитная история»(1) и «плохая кредитная история»(2). Поскольку необходимо учитывать наличие неравных по объему выборок, а именно, с «хорошей кредитной историей»(1) nG=1500 человек и «плохой кредитной историей»(2) nG=100 человек, перейдем к относительным частотам встречаемости ассоциаций w, соответствующим каждой группе.

Сформулируем гипотезы:

H 0 респонденты принадлежат к одной группе;

H1 респонденты принадлежат к разным группам.

Принадлежность к одной группе означает, что существенных различий между распределениями w(1) и w (2) нет, противное утверждение означает наличие существенных различий в распределениях w(1) и w ( 2).

Выбор критериев как правил, обеспечивающих принятие или отклонение гипотез, осуществлен в соответствии с методиками, изложенными в работе [122]. При проверке гипотез по критерию знаков G и T–критерия Вилкоксона отвергнута гипотеза H 0, ( p 0,001 ). Это означает, что респонденты выборки «хорошая кредитная история»(1) отличны в своем представлении действия «кредит» нежели респонденты выборки «плохая кредитная история»(2).

Следует отметить, что рассматриваемые ассоциации возможно условно сгруппировать в рассматриваемых выборках в соответствии с терминологией психодиагностики личности [27] на:

имеющие положительный оттенок (например: «удовольствие», «радость» и т.п.);

имеющие нейтральный оттенок или отражающие рациональное поведение (например: «проценты», «платеж» и т.п.);

означающие упрощение решения проблемы («удобно», «просто», и т.п.);

означающие преувеличение своих возможностей («выгода», «нет проблем» и т.п.);

имеющие негативное отношение (например: «зависимость», «мошенничество» и т.п.);

означающие, что потребности превышают возможности (например: «желания», «подарки» и т.п.).

Таким образом, получили упорядоченные выборки по означенным шести группам признаков. Отличия в представлении действия «кредит» значительны и имеют тенденцию, а именно, большим значениям относительных частот ассоциаций, имеющим положительный оттенок, для респондентов выборки «хорошая кредитная история» соответствует значительно меньшие, до полного отсутствия словзначений этой категории, у респондентов выборки «плохая кредитная история». Большим значениям относительных частот встречаемости ассоциаций, означающих упрощение решения проблемы, а также означающих преувеличение своих возможностей, для респондентов выборки «хорошая кредитная история» соответствует значительно меньшие у респондентов выборки «плохая кредитная история». Но, с другой стороны, меньшим значениям относительных частот встречаемости ассоциаций, имеющих нейтральный оттенок или отражающих рациональное поведение, соответствуют значительно большие, чем у респондентов выборки «хорошая кредитная история». То есть респондентам из выборки «хороших» заемщиков свойственно преувеличивать положительную сторону, у «плохих» заемщиков более выражен негативный оттенок, что вполне объяснимо обстоятельствами, в которых они находятся в данный момент времени.

Задача 2. Выявление различий в уровне исследуемого признака – отношение респондентов к действию «кредит» в соответствующих выборках по полу: «мужчины» и «женщины».

Выборки: «мужчины»(3) и «женщины»(4) являются смешанными по всем другим признакам. Далее аналогично первому пункту следует перейти к относительным частотам встречаемости слов-значений.

Сформулируем гипотезы:

H 0 респонденты принадлежат к одно й группе;

H 1 респонденты принадле жат к разн ым группам.

Принадлежность к одной группе означает, что существенных различий между распределениями w (3) и w ( 4) нет, противное утверждение означает наличие существенных различий между распределениями w(3) и w( 4).

При проверке гипотез по критерию знаков G и T–критерия Вилкоксона отвергнута гипотеза H 0, ( p 0,0025 ). Это означает, что респонденты выборки «мужчины»(3) отличны в своем представлении действия «кредит» нежели респонденты выборки «женщины»(4).

По подробно рассмотренному в первой задаче способу ассоциации были условно сгруппированы в рассматриваемых выборках.

Вновь получили упорядоченные выборки по означенным шести признакам. Отличия в представлении действия «кредит» значительны и имеют тенденцию.

При попарном сравнении были получены следующие выводы: у женщин более выражен и эмоционально представлен положительный оттенок. Например, более 60 % женщин из «хороших» заемщиков дали такие ассоциации, как «мечты» и «удовольствие». Тот же положительный оттенок у мужчин выражен через более рациональные понятия: «будущее» и «работа». Слова-значения, имеющие нейтральный оттенок или отражающие рациональное поведение, значительно чаше упоминались мужчинами, нежели женщинами. Более 50 % мужчин связывают кредит с негативной стороной: «зависимость», «мошенники». Большим значениям относительных частот встречаемости ассоциаций, означающих упрощение решения проблемы, а также означающих преувеличение своих возможностей, для респондентов выборки «женщины» соответствует значительно меньшие у респондентов выборки «мужчины».

Задача 3. Выявление различий в уровне исследуемого признака – отношение респондентов к действию «кредит» в соответствующих выборках по возрасту и социальному статусу.

Следует учесть на основании предыдущих выводов, что данное исследование следует проводить внутри направленной выборки «мужчины» и «женщины» из выборки респондентов с «хорошей»

кредитной историей. При попарном сравнении получены значимые различия в уровне признака «образование», которые удалось подтвердить между респондентами из выборок: «мужчины до 35 лет, имеющие средне-специальное образование»(5) и «мужчины до 35 лет, имеющие высшее образование»(6); «женщины до 25 лет, имеющие высшее образование»(7) и «женщины до 25 лет, имеющие среднеспециальное образование»(8); «женщины до 35 лет, имеющие высшее образование»(9) и «женщины до 35 лет, имеющие средне-специальное образование»(10);

Значимые различия в уровне признака «возраст» удалось подтвердить между респондентами из выборок: «женщины до 25 лет, имеющие высшее образование»(11) и «женщины до 35 лет, имеющие высшее образование»(12); «женщины до 25 лет, имеющие высшее образование»(13) и «женщины старше 45 лет, имеющие высшее образование»(14); «женщины до 35 лет, имеющие высшее образование»(15) и «женщины старше 45 лет, имеющие высшее образование»(16); «женщины до 25 лет, имеющие средне-специальное образование»(17) и «женщины старше 45 лет, имеющие средне-специальное образование»(18); «женщины до 35 лет, имеющие средне-специальное образование»(19) и «женщины старше 45 лет, имеющие средне-специальное образование»(20).

Среди мужчин разного возраста так же следует отметить наличие разного представления действия «кредит»: «мужчины до 35 лет, имеющие высшее образование»(21) и «мужчины старше 45 лет, имеющие высшее образование»(22); «мужчины до 25 лет, имеющие среднеспециальное образование»(23) и «мужчины до 35 лет, имеющие средне-специальное образование»(24); «мужчины до 25 лет, имеющие средне-специальное образование»(26) и «мужчины старше 45 лет, имеющие средне-специальное образование»(27).

Таким образом, доказанные гипотезы о наличии значимых различий позволяют говорить о возможности идентификации и интерпретации выделенных групп, а так же следует считать социальнодемографические признаки и признак «кредитная история» значимыми для разделения групп на основании консолидации мнений в выделенных группах. Данное положение определяет структуру типологии СПП.

Для осуществления третьей составляющей алгоритма построения СПП, а именно идентификации и интерпретации выделенных структур СЗП, как правило, предлагаются методики, в основе которых лежат методы статистического анализа данных, ориентированных на проверку заранее сформулированных гипотез [97, 98, 55].

Для того чтобы снять субъективную составляющую подхода в выделении СЗП, как наиболее важный момент подтверждения состоятельности выдвигаемых положений работы о наличии существенных различий значимых для разделения групп (на основании консолидации мнений в выделенных группах по отношению к действию «кредит»), необходимо перейти к разработке автоматизированной системы, на базе методов, позволяющих находить закономерности самостоятельно и строить гипотезы о взаимосвязях. Система на основании полученных выводов должна реализовывать возможность создания анкет для осуществления классификации КЗ.

Таким образом, в соответствии с классификацией, представленной на рис. 2.1, методы, лежащие в основе модуля, решающего задачу формирования анкеты КЗ, как инструментария извлечения знаний, ориентированы на аналитика; фактические данные получены путем анкетирования на естественном языке; анализ СПП следует осуществлять в соответствии с полученной структурой типологии КЗ с использованием методов психосемантики.

3.2. Разработка алгоритма извлечения и структурирования знаний с целью автоматизированного формирования анкеты КЗ Применительно к поставленной задаче анализа СПП были рассмотрены работы, посвященные аналогичным задачам [55, 57, 93, 97, 98, 151], из которых следует, что в качестве начального этапа системного анализа подобных объектов используются различные виды группировки или разбиения множества на подмножества, теоретической основой которых всегда является некоторое отношение эквивалентности.

Для обозначения этой процедуры, в том числе в области анализа данных в социальной и экономической психологии, обычно используются термины: типология, кластеризация и классификация [45].

В работе следует придерживаться следующих положений, принятых в данных областях исследований:

«Разбиение, классы которого описаны через признаки, использованные при его построении, называют типологией или типологической группировкой» [138];

«Тип – это совокупность исследуемых объектов, гомогенная относительно заданного множества признаков. А типология – это совокупность типов, выделяемых на множестве исследуемых объектов.

Тип может быть представлен некоторым усредненным представителем» [138];

«Выход при разбиении множества исследуемых объектов на уровень гомогенности (однородности) означает, что не осталось способов различать элементы внутри классов, то есть исчерпан набор признаков, порождающих новые разбиения» [98];

«Реальные отличия между двумя объектами имеют две составляющие: интертипные отличия, имеющие системный комплексный качественный характер; отличия внутри типа, имеющие случайный, количественный характер» [98].

Далее, использование типологии кредитных заемщиков позволит перейти к их классификации на ее основании, при утверждении, что если «типологическая группировка описана еще и в терминах какойлибо другой системы признаков, относящихся к данному явлению, то есть устанавливает в явной форме теоретические связи между различными сторонами изучаемой системы, то ее называют классификацией» [45].

В терминах исследуемой предметной области следует построить типологию КЗ, на основе которой будет формироваться анкета КЗ, посредством которой и будет определяться СПП конкретного соискателя для оценки возможных рисков, связанных с субъективным кредитным поведением.

Такую задачу следует отнести к задаче кластеризации и построения классификатора в соответствии с полученной типологией КЗ [72].

При выборе метода выявления типологии как задачи кластеризации необходимо учитывать, что: получение кредита физическим лицом является действием, отношение к которому проявляется через выявленные посредством ассоциативного семантического эксперимента – СПП в связи с анкетируемыми признаками: демографическими (пол, возраст), социальными (семейное положение, образование);

признаки имеют разные параметры, имеют разную размерность, имеют дискретные непараметрические распределения, которые задаются таблично; признаки не должны иметь преимуществ, то есть признак «мужчина» не лучше и не хуже признака «женщина» равно, как и полученные ответы на вопросы анкеты; ассоциативные ряды содержат значительно отличное количество ассоциаций у респондентов и имеют грубый шум – единожды встретившиеся ассоциации; группировки, определяющие структуру типологии, содержат разные количества респондентов; автоматизированная система формирования анкеты должна давать возможность автоматически формировать анкету (по умолчанию), и при этом должна быть прозрачная и открытая, чтобы осуществить возможность активного вмешательства ЛПР – аналитика, формирующего анкету КЗ.

По совокупности перечисленных особенностей предметной области исследований были проанализированы работы, посвященные вопросам использования методов выявления типологии, изложенные в работах [24, 32, 33, 151]. Из них следует, что методология интеллектуального анализа данных (ИАД или наиболее часто применимое Data Mining) наиболее актуальна на данный момент и отвечает обозначенной проблеме.

Технологии Data Mining, в том числе, реализуют и наиболее традиционные методы, основанные на выдвижении гипотез и их проверки статистическими критериями. Такие методы выделения типологий в социальных экономических и психологических исследованиях подробно изложены в работах [45, 40, 97, 98, 138]. Так же проблемы выделения типологий решаются методами классификации и снижения размерности, например, факторным и дискриминантным анализами [5, 6, 7, 56, 133]. В рассмотренных работах уделяется внимание кластерному анализу, как наиболее отвечающему вопросам выделения типологии на основе анализа данных, но значительно менее широко используемом в области социологических и психологических исследований из-за сложности его реализации. Подробно материал, посвященный кластерному анализу, изложен в работе [92].

Исходя из перечисленных выше особенностей следует, что наибольший интерес представляют работы, посвященные вопросам дискретной математики [9], а именно теории множеств, математической логики, теории графов. Проблемы наличия противоречий при осуществлении процедуры кластеризации рассмотрены в работе [109].

Далее, для собственно реализации автоматизированной системы построения анкеты КЗ на основе выделения типологии с учетом перечисленных особенностей, изучены вопросы разработки интеллектуальных информационных систем, изложенные авторами в работах [44, 116, 152]. Отметим мнение, что «выделение объектов и их совокупностей – естественный (или) даже единственный способ организации нашего мышления» [100].

Особое внимание было уделено работам, в которых подробно описаны наиболее актуальные аспекты применительно к данной проблеме, а именно типичные модели представления знаний, способы обработки знаний, системы управления знаниями касаемо семантических сетей [9, 24, 33, 147].

Так как всем перечисленным выше особенностям в большей мере отвечает методология искусственного интеллекта, реализующая, в том числе технологии Data Mining, основанная на графовом представлении, наибольшее внимание следует уделить работам, положения которых взяты за основу для решения обозначенной проблемы [9, 24, 33,146, 147].

–  –  –

Имеем множество групп респондентов U U 1 U 2 U i U m1 U m, m 1,...,64, U i ui1 R, ui 2 Z1,, ui 5 Z 4.

Имеем множество респондентов Y y1,, y N, y j U i & y j U l, l i, j 1,, N, i 1,,64.

Имеем множество ассоциативных рядов, отличных по количеству данных респондентами СПП, a j a j1,, a jk, a j1,, a jk, k,, K max, K max – максимальное количество СЗП иначе длина ассоциативного ряда.

Каждому респонденту ставится в соответствие ряд СЗП y j a j.

Имеем мультимножество A x a,, x a, 1 1 M M M – количество уникальных векторов a j, x1,, xM – количество повторений a1,, a M соответственно.

Необходимо построить СПП в соответствии с выявленной экспериментально и статистически доказанной структурой, характерное для типов КЗ, отличных по существенным социальнодемографическим признакам и признаку «хорошая/плохая» кредитная история, то есть найти кластер, который формируется для каждой U i из: характерных только для определенного типа кредитных заемщиков СПЗ; принадлежащих не единственному типу, но наиболее характерных для определенного типа кредитных заемщиков СПЗ.

Для решения задачи выявления СПП для типов заемщиков, отличных по существенным социально-демографическим признакам и признаку «хорошая»/«плохая» кредитная история, и поддержания его в актуальном состоянии представим исходные данные в виде двух ориентированных графов (для мужчин и женщин соответственно), так что взаимосвязанные социально-демографические признаки образуют взвешенные ориентированные деревья TM TM V, TM E для мужчин и TWm TWm,TWm E для женщин.

Корнем дерева является «пол» (другими словами нулевой уровень иерархии), узлами дерева будут значения социальнодемографических признаков, при чем на одном уровне иерархии рассматриваются значения одного признака. В качестве листьев дерева будут выступать значения «хорошая»/«плохая» кредитная история.

Весовые коэффициенты отражают количество респондентов с определенными социально-демографическими признаками и «хорошей»/«плохой» кредитной историей. Пример представлен на рис. 3.2.

Добавим к деревьям TM и TWm множества вершин AM и AWm, соответствующих выявленным в ходе эксперимента ассоциациям. Добавленные вершины могут быть связаны дугами более чем с одним узлом нижнего уровня иерархии ориентированного дерева, соответственно нарушается свойство «любые две вершины соединены единственной простой цепью», и в таком случае мы имеем дело с ориентированными графами GM GM V, GM E и GWm GmV, GWmE соответственно, TM GM и TWm GWm. Весовые коэффициенты добавившихся дуг соответствуют количеству респондентов, указавших соответствующую конечной вершине ассоциацию.

–  –  –

Необходимо выявить такое подмножество ассоциаций, исключение которых из рассматриваемого ориентированного графа позволит получить ориентированное дерево – граф, в котором любые две вершины соединены единственной простой цепью. Полученное дерево будет содержать в качестве листьев характерные ассоциации – СЗП, уникально описывающие каждую социально-демографическую группу. Другими словами получим СПП для каждого типа заемщиков.

Анализируемые данные, полученные в результате ассоциативного эксперимента (как социального или психологического эксперимента), свободного от навязывания какими-либо стимулами, имеют отличительные особенности:

­ данные имеют грубый шум – единожды встретившиеся ассоциации;

­ длины ассоциативных рядов, то есть количество ассоциаций, данных разными респондентами значительно отличны (в данном эксперименте от 5 до 96 ассоциаций);

­ количество респондентов, представляющих различные типы заемщиков значительно отличны (в данном эксперименте от 6 до 95 человек);

­ структура СПП может меняться в зависимости от признаков как в сторону ее расширения, так и уменьшения количества признаков, определяющих структуру СПП;

­ положение признаков на уровне иерархии может меняться в зависимости от принятой структуры СПП кроме наиболее существенных признаков (в данном случае «пол», и «хорошая»/ «плохая» кредитная история);

­ количество СЗП, определяющих СПП для определенного типа КЗ и формирующих анкету, может быть задано по умолчанию или меняться в зависимости требований ЛПР.

Перечисленные особенности обуславливают наличие противоречий и необходимость решения вызванных ими проблем по умолчанию или действиями согласно плану активного вмешательства ЛПР.

В данном случае возникает необходимость разработки плана активного вмешательства ЛПР согласно перечисленным проблемам, который реализуется следующим набором решающих правил.

ЛПР может задать порядок подчиненности при построении ориентированного дерева социально-демографических признаков, по умолчанию система принимает решение о построении дерева в том порядке признаков, в котором они хранятся в таблице.

Например:

­ Пол – Возраст – Образование – Наличие детей – Признак возврата кредита;

­ Пол –Образование – Возраст – Наличие детей – Признак возврата кредита;

­ Пол –Образование –Наличие детей – Возраст – Признак возврата кредита, и т.п.

Неизменным в порядке является условие, что признак «пол» является вершиной ориентированного дерева, признаки «хорошая»/ «плохая» кредитная история листьями дерева.

ЛПР задает необходимое количество СЗП для формирования анкеты (по умолчанию 50).

ЛПР задает количество в результирующем наборе СПЗ: ассоциаций, характерных для каждой группы, ассоциаций, встречающихся в группах с одним отличным признаком «хорошая»/ «плохая» кредитная история с максимальной разностью весов с учетом поправочного коэффициента на разные объемы выборок в группах.

ЛПР задает поправочный коэффициент, учитывающий неравномерные объемы выборок в группах (по умолчанию определяется группа с максимальным количеством человек и ей присваивается коэффициент равный единице, остальным – пропорционально количеству человек в группе, для которой определяется поправочный коэффициент).

ЛПР принимает решение о необходимости реализовывать изменение группировки респондентов по набору социальнодемографических признаков, если в начальном наборе групп характерные или смежные ассоциации найдены не для всех.

Для реализации графовой модели типологии КЗ в условиях перечисленных особенностей анализируемых данных и реализации плана активного вмешательства ЛПР, выбран продукционный метод построения систем, иначе систем, основанных на правилах. Продукционные системы (RBS-системы) – системы с правилами типа «если (условие), …то (действие)». Под условием (антецедентом) понимается некоторое предложение-образец, по которому осуществляется поиск в БП, а под «действием» (консеквентом) – действия, выполняемые при успешном исходе поиска (могут быть промежуточными, выступающими как условия и целевыми, завершающими работу системы).

Условие является заголовком правила, действие его телом.

Продукционную модель, представленную в форме дерева правил отличает наглядность, высокая модульность и простой механизм логического вывода. Такой подход оправдан еще и тем, что: количество исходов конечно, таким образом можно создать базу с конечным набором правил, описывающих все возможные варианты исходов; возможна реализация прямых (выборка с прямым логическим выводом или «распознай-действуй») и обратных (выборка с обратным логическим выводом или «предположи-проверь») стратегий принятия решений, а также их комбинации; модульное построение – рабочие правила представляют знания в атомарной форме, а операторы можно объединять и редактировать независимо один от другого, обеспечивая простоту их расширения [152].

Для значительной оптимизации временных затрат, необходимых для поиска правил (в основном, это объясняется тем, что в случае возрастания количества правил для решения задачи в тот же период времени уже не возникает линейного роста требуемой вычислительной мощности), предлагается использование древовидных структур, что позволяет создавать очень большие системы, основанные на правилах, не заботясь о производительности [152].

–  –  –

циации с наименьшими весовыми коэффициентами, где с ЛПР – ограничение на количество ассоциаций, заданное ЛПР. Из дерева CH GM удалим вершины, соответствующие удаленным ассоциациям.

Аналогичное решение проблем осуществляется для GWm.

Алгоритм формирования анкеты КЗ использует БП, то есть набор разработанных решающих правил и критериев, представленных в табл. 3.1, 3.2.

Правила составляют БП для определения СЗП, формирующих СПП кредитного заемщика, и разработаны для двух задач:

определения СЗП, являющихся уникальными ассоциациями для определенного типа КЗ (см. табл. 3.1) и являющихся смежными ассоциациями для нескольких типов КЗ, но с характерными значимыми отличиями (см. табл. 3.2).

–  –  –

Разработанные правила представлены в виде древовидной структуры с иерархической проверкой символов (заголовков правил), где в квадрате указан заголовок правила, в круге – тело правила, Х в круге

– отсутствие тела правила, T на связи – заголовок принял значение «истина», F на связи – «ложь».

На рис. 3.3, 3.4 показана логическая структура поиска решения на основе разработанной БП.

–  –  –

Рис. 3.3. Древовидная структура иерархической проверки символов (заголовков правил), являющаяся базой правил для выбора СПП из набора уникальных ассоциаций, где в соответствии с табл. 3.1 в квадрате указан заголовок правила, в круге – тело правила, Х в круге – отсутствие тела правила, T на связи – заголовок принял значение «истина», F на связи – «ложь»

–  –  –

Рис. 3.4. Древовидная структура иерархической проверки символов (заголовков правил), являющаяся базой правил для выбора СЗП из набора характерных смежных ассоциаций (начало) Обобщая результаты, можно представить разработанный алгоритм извлечения и структурирования знаний, отражающих субъективное кредитное поведение с целью автоматизированного формирования анкеты КЗ (рис. 3.5). Следует заметить, что разработанный алгоритм легко адаптируется и может быть без изменения использован для решения совершенно различных экспериментальных задач выделения СПП (профессиональная пригодность, предпочтения потребителей и т.п.).

Первым шагом является планирование ассоциативного эксперимента, которое заключается в определении цели и задач эксперимента, определении и обеспечении направленности эксперимента, определении и обеспечении однородности выборки, определении ограничений для обеспечения внешней и внутренней валидности, обеспечении возможности верификации полученных данных вследствие эксперимента (с учетом рекомендаций планирования проведения социально-экономических и психодиагностических экспериментов).

Вторым шагом является собственно проведение анкетирования респондентов – КЗ в целях получения ассоциативного ряда. При проведении данной процедуры следует также придерживаться рекомендаций проведения социально-экономических и психодиагностических экспериментов.

Третьим шагом является определение структуры типологии. На данном этапе необходимо определить наиболее значимые признаки, определяющие типологию (в данном случае – типологию КЗ – социально-демографические признаки и «хорошая»/«плохая» кредитная история).

На четвертом шаге алгоритма реализованы основные подходы кластерного анализа. Особенностями разработанного алгоритма кластеризации является то, что признаки представлены в виде ориентированного графа, неизменным является условие, что признак «пол» – это вершина, признаки «хорошая»/«плохая» кредитная история соединены с ассоциациями, расположенными на последнем уровне иерархии. Задача состоит в том, чтобы выявить такое подмножество ассоциаций, исключение которых из рассматриваемого ориентированного графа позволит получить ориентированное дерево, в котором любые две вершины соединены единственной простой цепью. Полученное дерево будет содержать в качестве листьев характерные ассоциации – СЗП, уникально описывающие каждую социальнодемографическую группу, а также характерные ассоциации, встречающиеся в различных группах со значимыми различиями частот встречаемости (уровень значимости варьируется в зависимости от степени жесткости системы и может быть назначен ЛПР), и в соответствии с этими различиями ассоциации будут отнесены только к ветке с большим значением частоты встречаемости. Другими словами, получим СПП для каждого типа КЗ. Сами правила обхода графа в целях построения СПП представлены продукционной БП с древовидной структурой. Перед запуском процесса формирования СПП необходимо выполнить предварительную проверку достижимости результата согласно заданному плану ЛПР, то есть выполнить алгоритм с обратным логическим выводом (рис. 3.6). В случае недостижимости результатов дается управляющий сигнал на ужесточение/смягчение критерия/критериев, которые приводят к противоречиям. Далее запускается алгоритм с прямым логическим выводом для формирования СПП (рис. 3.7). Это позволяет уйти от перебора данных, полученных в ходе эксперимента за счет проверки самых крайних ситуаций (например, по типу «плохая»/«хорошая» кредитная история). При этом появление нового респондента приводит к пересмотру структур ориентированных деревьев.

Пятым шагом алгоритма является собственно формирование анкеты КЗ. Наличие данного шага в описываемом алгоритме объясняется предусмотренной возможностью его использования для задач, отличных от представленной, например, для проведения социологических исследований при разработке маркетинговой политики, формировании рекламной политики банка и др.

Данный алгоритм позволяет формировать необходимое количество вариантов анкет, учитывая отличительные особенности данных, полученных в результате ассоциативного эксперимента, свободного от навязывания стимулов респонденту и учитывая требования предметной области, осуществлять актуальный анализ данных на базе графовой модели типологии КЗ с применением БП древовидной структуры.

–  –  –

Шаг 1. Планирование 1-го этапа семантического эксперимента ассоциативного эксперимента Определение целей эксперимента Определение и обеспечение направленности эксперимента Определение и обеспечение однородности выборки Определение ограничений для обеспечения внешней и внутренней валидности Обеспечение верификации полученных данных Формирование анкеты ассоциативного эксперимента для свободного описания модальных стимулов (отношение к действию «кредит»)

–  –  –

Определение структуры типологии (проверка гипотез наличия значимых различий в представлении действия «кредит» для различных по существенным признакам типов и наличие консолидации мнений для данных типов)

–  –  –

Преобразование исходного графа, так чтобы в полученном орриентированном графе корнем является «пол », на 2-ом уровне - узлы с градациями текущего соц.-демографического признака, на третьем уровне в узлах ассоциации

–  –  –

Рис. 3.7. Схема алгоритма автоматизированного формирования анкеты КЗ (начало) Рис. 3.8. Схема алгоритма автоматизированного формирования анкеты КЗ Таким образом, алгоритм извлечения и структурирования знаний, отражающих субъективное кредитное поведение заемщика, учитывает требования предметной области и отличительные особенности данных, полученных в результате ассоциативного эксперимента, свободного от навязывания стимулов респонденту (что приводит к наличию противоречий). Алгоритм базируется на актуальном анализе данных, представленных в форме графовой модели типологии КЗ с применением БП древовидной структуры, позволяет автоматизировать процесс идентификации и интерпретации типологии КЗ с целью автоматизированного формирования анкеты КЗ. Причем, предложенные решения учитывают возможность разрешения противоречий по умолчанию или действиями, согласно плану активного вмешательства ЛПР. Алгоритм предусматривает предварительную проверку достижимости результата (формирования СПП) согласно правилам ЛПР, что позволяет уйти от перебора данных, полученных в ходе эксперимента. Алгоритм является универсальным, не привязан к конкретному типу исследований, его можно использовать для широкого круга социальных, социально-экономических исследований.

Глава 4. РАЗРАБОТКА МЕТОДА ПОСТРОЕНИЯ МОДЕЛИ

ЗНАНИЙ НА ОСНОВЕ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ

В четвертой главе для решения задачи оценки рисков на основании оценки субъективного кредитного поведения определен подход к методу оценки рисков, адаптирован и модифицирован метод ЛВмоделирования в целях построения модели знаний (МЗ), отражающих риски, связанные с субъективным кредитным поведением. На основе сформированной анкеты КЗ определено представление данных (классификация логических переменных), имеющих различное качественное представление в дихотомической шкале в терминологии ЛВмоделирования для построения МЗ, отражающих субъективное кредитное поведение. Предложены два метода оценки рисков на основе оценки субъективного кредитного поведения: метод на основе расчета рангового коэффициента корреляции Спирмена между типовым СПП m-й группы и индивидуальным СПП s-го соискателя и метод интервальной оценки рисков.

4.1. Определение подхода к решению задачи оценки рисков

Следующим этапом разработки интеллектуальной системы является разработка блока приобретения знаний и построение БЗ на основе сформированной анкеты КЗ, то есть решение задач диагностики субъективного кредитного поведения и прогнозирования рисков, связанных с ним.

На основе анализа литературы (глава 2) обоснованно выбраны методы приобретения знаний, построение БЗ и принятия решений, лежащие в основе модуля, решающего задачу оценки рисков розничного кредитования, которые ориентированы на аналитика с использованием методов психосемантики.

В результате проведения ассоциативного эксперимента и анализа данных получены СЗП, которые являются словами-стимулами для определения субъективного отношения к действию «кредит» [22].

На основе изученного материала [59, 137] для оценки рисков, связанных с субъективным кредитным поведением, базовым методом, отвечающим данной предметной области, выбран метод многомерного шкалирования.

Метод многомерного шкалирования – «система методических приемов и способов сбора и обработки психологической, социальнопсихологической и социологической информации для получения объективных данных о скрытых или явных закономерностях поведения (функционирования) сложных, многомерных объектов» [59].

За последние годы в социологии и психологии активно развиваются методические приемы многомерного шкалирования для изучения субъективного опыта человека и построения субъективных пространственных моделей на основе данных прямых и косвенных числовых оценок, которые даются субъектом определенным сторонам воспринимаемых им объектов или событий. Специфика метода многомерного шкалирования определяется следующими основными постулатами, предположениями и допущениями. Постулируется, что субъективные проявления есть не что иное, как отражение состояния объективных процессов и явлений в сознании человека. Предполагается, во-первых, что в процессе жизнедеятельности у субъекта формируется определенный жизненный опыт в виде понятий, представлений, мнений, установок, знаний, на основе которых происходит оценка различного рода явлений и процессов. Предполагается, вовторых, что у каждого субъекта на базе его психологического образа окружающей действительности формируется определенное, объективно обусловленное пространство восприятия, в котором субъективно фиксируются различные предметы и явления по принципам схожести или различия. Третьим фундаментальным предположением для многомерного шкалирования является наличие определенной зависимости между оценками сходства и различия объектов в пространстве восприятия. Считается, что при субъективной оценке различного рода объектов окружающей действительности, субъект одновременно пользуется несколькими мерами, принимает в расчет не один, а целый набор признаков этих объектов. Задаваемая им оценка какого-либо из объектов есть интегрированное решение, которое часто просто не поддается словесному описанию самого оценивающего. Такого типа данные можно получить, предлагая, например, респондентам оценить сходство между объектами. Подобное положение исключает возможное влияние мнений и установок исследователя на характер ответов, даваемых респондентом. Помимо этого сама процедура многомерного шкалирования снижает возможные мотивационные влияния самого обследуемого на характер даваемых ответов, так как ему практически трудно определить значимость того или иного своего суждения для конечного вывода о нем, как о личности.

На основании рекомендаций, данных в работах [107, 128], сформированная анкета КЗ, содержащая СЗП, дополнена весами или значениями этих слов для респондентов. Приняты следующие условия:

время заполнения психодиагностической анкеты не более 10 минут, т.е. количество слов от 30 до 50; словарь содержит наибольшее возможное число слов-признаков – 50 слов для осуществления дальнейшего выбора наиболее информативных признаков.

Соискателям предложены анкеты (прил. 3), содержащие 50 СЗП.

Структура пространства СЗП дает возможность для измерения различий в интерпретации понятий, что позволяет использовать стандартный психодиагностический метод, впервые предложенный Ч. Осгудом и широко применяемый на сегодняшний день [107].

СЗП оцениваются путем соотнесения с одной из фиксированных точек шкалы. Пространство шкалы между противоположными значениями воспринимается испытуемым как континуум градаций выраженности признака. Весь континуум шкалы разбивается на 7 интервалов, и оцениваемый признак может принимать значения от до +3, для простоты восприятия респондентам предложено оценить предложенные слова-признаки в соответствии со шкалой от 0 до 6 включительно: стимулы – вербальные, выбранные на основании ассоциативного эксперимента; ответы – закрытые, типа «Оценивание значения признака по заданной шкале».

Таким образом, имеем описательные модели знаний отношения КЗ к действию «кредит», которые строятся на данных с известными результатами, как обнаружение сущности на основе найденных специфических зависимостей в соответствии с типологией КЗ. Типологический анализ заключается в выявлении степени значимости того или иного СЗП для определенного типа КЗ, классификации по типу путем соотнесения вновь обратившегося соискателя (объекта) с некоторым типом КЗ (классом объектов). Отклонение от определенного типа как «нормы» и есть прогнозирование рисков невозврата кредитных средств.

4.2. Определение формы представления данных для построения модели знаний В работе [32] отмечено, что существуют десятки моделей представления знаний для различных предметных областей, которые могут быть сведены к следующим классам: продукционные модели, семантические сети, фреймы, формальные логические модели.

В случае когда предметную область возможно описать в виде набора аксиом, предпочтение следует отдать традиционным в представлении знаний формальным логическим моделям, основанным на классическом исчислении предикатов I-го порядка [146].

Определимся, что:

­ в данной работе следует понимать риск как вероятность возможного убытка или ущерба в результате действия как субъективных, так и объективных факторов (определение риска основано на статистических данных об успехе или неуспехе кредитов банка);

­ для оценки кредитного риска производится анализ кредитоспособности заемщика как желания, соединенного с возможностью своевременно погасить выданное обязательство;

­ сценарий неуспеха кредита является ассоциативным и формулируется на основе здравого смысла: сочетание выявленных СЗП, полученных в результате семантического эксперимента, и традиционно анкетируемых социально-демографических признаков, наиболее тесно связанных с ненадежностью КЗ;

­ перечисленные далее социально-демографические признаки соответствуют признакам, определяющим типологию КЗ: пол – «мужчина» и «женщина»; образование: высшее и среднеспециальное; семейное положение: «есть дети», «нет детей»; возраст

– до 25 лет, от 25 до 35 лет, от 35 до 45 лет, старше 45 лет;

­ для измерения признаков или характеристик кредита использованы шкалы: для оценки успеха события – логическая (истина или ложь); для оценки социально-демографических признаков – качественная; для психодиагностических признаков («вес» слов-признаков от 0 до 6 включительно) – качественная и числовая; для оценки риска:

точечной – процентная, интервальной (интервалы допустимого риска)

– числовая.

Следует отметить, что осуществление типологического анализа в целях описания моделей представления знаний, с учетом полученных данных методом многомерного шкалирования, полученные признаки имеют следующие отличительные особенности: «Кредит» – действие, отношение к которому проявляется через выявленные посредством ассоциативного эксперимента СЗП, определяющих СПП в связи с общепринятыми анкетируемыми признаками: демографическими (пол, возраст), социальными (семейное положение, образование), то есть однородность определяется принадлежностью к определенной типологии КЗ; полученные в результате семантического эксперимента СЗП имеют градации или вес от 0 до 6 включительно; каждая компонента имеет разные параметры, имеет разную размерность, имеет дискретное непараметрическое распределение, которое задается таблично; информационная модель должна быть прозрачная и открытая, чтобы осуществить возможность оптимизации по управлению риском уже на этапе классификации посредством выявления более актуальных характеристик кредитоспособности; для анализа и управления риском следует учитывать возможность отсутствия некоторых СЗП; признаки и градации признаков не должны иметь преимуществ, то есть признак «мужчина» не лучше и не хуже признака «женщина»

равно, как и полученные ответы на вопросы.

На основе анализа работ, посвященных типологическому анализу в социологии, социальной психологии и психодиагностике [137, 138], оценке рисков [123, 126, 127], для построения МЗ и построения БЗ были адаптированы и модифицированы методы логиковероятностного (ЛВ) моделирования, подробно изложенные (применительно к оценке рисков в кредитной сфере) в работах [13, 14, 19].

Подробное изучение проблем кредитного скоринга, начиная с выбора признаков «хорошего» и «плохого» КЗ, и анализ существующих методов решения задачи его классификации [18, 22] и оценки риска выдачи кредита c учетом субъективного кредитного поведения, дает право на следующие выводы, объясняющие основные причины использования логико-вероятностных методов для оценки риска кредитования физических лиц в данной работе: задание статистических данных позволяет вести вычисления с многомерными распределениями, в которых каждая компонента имеет свой закон распределения, не являющийся нормальным, что при оценке психологического аспекта отношения к действию «кредит» физических лиц является необходимым; оцениваемые параметры могут иметь разную размерность, могут быть заданы таблично, при этом осуществляется возможность вычислять вклады в риск объекта или всего множества объектов любых инициирующих событий-градаций и событийпризнаков, позволяющих соответственно в дальнейшем управлять риском, что объясняет прозрачность данного метода и возможность оценки степени влияния субъективного поведения на принятие решения соискателя; сценарий риска является ассоциативным и рассматривается только как гипотеза, что является большим преимуществом при оценке психологических аспектов, и решает проблему дискриминационного характера кредитного скоринга; инициирующие признаки-события могут иметь не два состояния, а от 2 до 60 несовместных событий-градаций, что позволяет использовать достаточно большой список СЗП; возможность дополнения ЛВ-модели и совместного использования полученных статистических зависимостей делает данный метод универсальным.

Для осуществления типологического анализа на основе методов многомерного шкалирования перейдем к известному представлению данных в дихотомической шкале с учетом терминологии ЛВмоделирования. В табл. 4.1 приведена классификация соответствия бинарных логических переменных – градаций Zjr объектампризнакам. СЗП, полученные в результате ассоциативного эксперимента, являются событиями-признаками, характеризующими СПП соискателя. Такие события-признаки для удобства рассмотрения сгруппированы в соответствии с терминологией психодиагностики личности [27, 107] и представлены в табл. 4.1, 4.2.

–  –  –

СЗП – события-признаки, характеризующие СПП соискателя, и соответствующие им логические переменные формируют первый уровень модели: Z01 01, Z01 02, Z01 03, Z01 04, Z01 05, Z01 06, Z01 07, Z01 08, Z01 09, Z01 10, Z02 01, Z02 02, Z02 03, Z02 04, Z02 05, Z02 06, Z03 01, Z03 02, Z03 03, Z03 04, Z0305, Z03 06, Z03 07, Z03 08, Z03 09, Z04 01, Z04 02, Z04 03, Z04 04, Z04 05, Z04 06, Z04 07, Z04 08, Z04 09, Z0410, Z04 11, Z04 12, Z04 13, Z04 14, Z05 01, Z05 02, Z05 03, Z05 04, Z05 05, Z05 06, Z05 07, Z05 08, Z05 09, Z0510, Z05 11, Z06 01, Z06 02, Z06 03, Z06 04, Z06 05, Z06 06, Z06 07, Z06 08, Z06 09, Z06 10, Z06 11, Z0612, Z06 13.

Такие события-признаки являются производными и содержат в свою очередь группы несовместных событий (ГНС в терминологии ЛВ-моделирования) – веса или определенный уровень выраженности СЗП. События-градации Z01 01 00,…,Z01 01 06,…Z06 06 00,…, Z06 13 00,…, Z06 13 06 являются инициирующими событиями для событий-признаков Z0101,…,Z0201,…,Z0301,…,Z0401,…Z0501,…Z0601,… Z0613, характеризующих СПП соискателя.

Будем рассматривать инициирующие события-градации, как веса слов-признаков – от 0 до 6 включительно, например, производному событию-признаку Z0101 соискатель указал инициирующее событие-градацию 6 – большую значимость СЗП «просто», это будет означать, что данное инициирующее событие-градация имеет наибольшую связь с действием «кредит» из семи возможных вариантов.

События-градации Z01 01 00,…,Z01 01 06,…Z06 06 00,…, Z06 13 00,…, Z06 13 06 логически связаны «ИЛИ», тогда как соответствующие событияпризнаки связаны логически «И». Социально-демографические признаки также являются событиями-признаками, характеризующими «кредит», и им соответствуют логические переменные Z07, Z08, Z09, Z10.

Производные события-признаки Z07, Z08, Z09, Z10 содержат инициирующие события-градации: Z07 01, Z07 02, Z08 01, Z08 02, Z09 01, Z09 02, Z10 01, Z10 02,Z10 03, Z10 04, которые также логически связаны между собой «ИЛИ».

Производные события-признаки, соответствующие социальнодемографическим признакам Z07, Z08, Z09, Z10, связаны логической связкой «И» с событиями-признаками Z01 01,…,Z02 01,…,Z0301,…, Z04 01,…Z05 01,…Z06 01,…Z06 13, характеризующими СПП соискателя.

–  –  –

где i 1,..., N m ; N m – количество заемщиков в m-ной группе.

m 1 Первые пять координат отвечают за принадлежность к строгоопределенной социально-демографической группе. Остальные координаты указывают характерные градации для СПП определенного типа КЗ для конкретной указанной группы.

Итак, имеется 64 вектора отличий, характеризующих каждую группу. Отметим, в процессе дальнейшего обучения или актуализации модели значения векторов отличий могут меняться.

Далее приведена разработанная методика обучения модели для определения первоначальных векторов отличий.

Представим статистические данные в виде таблицы, которая содержит градации СЗП, означающие степень выраженности определенного СЗП, формирующие СПП «хорошего» или «плохого» КЗ строго определенной социально-демографической группы. Фрагмент данных, полученных в ходе семантического эксперимента, представлен в виде табл. 4.3.

Для обозначения каждого j-го события-признака используется комбинация чисел, в которой первые два разряда – группа событийпризнаков, последние два разряда – порядковый номер событияпризнака в группе признаков.

Так как полученные веса СЗП являются ГНС, получаем шаблонмаску (табл.

4.4) относительных частот появления определенных СЗП для строго определенных социально-демографических групп, причем выполняются условия (4.4):

w01010100 wZ 010100 1 Z 0701 1 Z 0801 1 Z 0901 1 Z1001 1 Y 1 ;

–  –  –

что это частота встречаемости в первой социально-демографической группе первого СЗП с градацией ноль. Введение частот встречаемости позволяет перейти от булевых переменных к непрерывным в диапазоне [0,1].

–  –  –

… … … … … …

–  –  –

Глава 5. РАЗРАБОТКА АЛГОРИТМА ИНТЕЛЛЕКТУАЛЬНОЙ

ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ НА ОСНОВЕ ОЦЕНКИ

КРЕДИТОСПОСОБНОСТИ С СИТУАЦИОННЫМ

УПРАВЛЕНИЕМ СИСТЕМОЙ ОЦЕНКИ РИСКОВ

Рассматриваемый алгоритм направлен на оценку риска соискателя кредита с учетом его возможных рисков, связанных с субъективным кредитным поведением в связи с риском, основанным на оценке платежеспособности.

Алгоритм реализации метода должен учитывать отличительные особенности риска на основании оценки кредитоспособности соискателя на базе данных, полученных в результате оценки соискателя методом многомерного шкалирования на сформированной анкете КЗ, и значения риска на основании оценки платежеспособности соискателя, которые берутся из системы оценки рисков банка. Из анализа актуальности проблемы оценки риска в розничном кредитовании (глава 1) следует наличие противоречий при принятии решений о выдаче кредита и кредитного риска при рассмотрении его с двух точек зрения.

В данном случае следует придерживаться принципа ситуационного управления [66], который позволяет анализировать возникшую ситуацию, связанную с внутренним состоянием самой системы и состоянием внешней среды, формировать такие управляющие воздействия на систему, реализация которых обеспечивает ее эффективное функционирование в данной ситуации. Имеем типовые, известные заранее ситуации, которым должны соответствовать типовые управленческие решения.

Рассмотрим реализованные в работе основные принципы организации выбора решений в соответствии с технологией организации задачи выбора решений, изложенной в работе [69].

Определим исходное множество элементов, при которых обеспечивается удовлетворение требований-ограничений, обусловленных заданными условиями:

R f max – максимально допустимый риск невозврата кредитных средств, рассчитанный согласно политике банка (отражает платежеспособность);

R f min – минимально допустимый риск невозврата кредитных средств, рассчитанный согласно политике банка (отражает платежеспособность);

R S – риск невозврата кредитных средств соискателем, рассчитанf ный согласно политике банка (отражает платежеспособность конкретного соискателя);

S R Ph – риск невозврата заемных средств соискателем согласно оценке субъективного кредитного поведения (отражает кредитоспособность конкретного соискателя);

RPh – риск невозврата заемных средств согласно оценке субъективного кредитного поведения (отражает кредитоспособность);

RPh 5 – риск невозврата заемных средств согласно оценке субъективного кредитного поведения, 5 %;

RPh10 – риск невозврата заемных средств согласно оценке субъективного кредитного поведения, 10 %;

S RPh 5 – означает, что соискатель «хороший» и риск невозврата заемных средств, согласно оценке субъективного кредитного поведения 5 %;

S RPh10 – означает, что соискатель «хороший» и риск невозврата заемных средств согласно оценке субъективного кредитного поведения 10 %;

S RPh95 – соискатель «плохой» и риск невозврата заемных средств согласно оценке субъективного кредитного поведения 95 %;

S RPh90 – соискатель «плохой» и риск невозврата заемных средств согласно оценке субъективного кредитного поведения 90 %.

Определим предпочтения или выбор наилучшего элемента, упорядочив элементы по предпочтительности.

В случае жесткого приоритета (выбор делает ЛПР) возможны варианты когда:

­ в ситуации наличия противоречия решение принимается при предпочтении X R f YRPh ;

­ в ситуации наличия противоречия решение принимается при предпочтении YRPh X R f.

В соответствии с правилом простого большинства (в случае работы системы в режиме автоматического управления при накоплении статистики по количеству правильно/неправильно принятых решений) возможны ситуации:

–  –  –

s D9 : R Rmax f (1 0,9), предупредить ЛПР;

s D10 : R Rmax f (1 0,95), предупредить ЛПР;

s D11 : R Rmax f (1 0,95), предупредить ЛПР;

D12 : R s Rmax f (1 0,95), предупредить ЛПР;

D13 : R s Rmax f (1 0,90), предупредить ЛПР;

D14 : R s Rmin f ;

D15 : R s Rmax f ;

D16 : R s Rmin f, предупредить ЛПР – «изменить анкету»;

D17 : R s Rmax f, предупредить ЛПР, – «изменить анкету».

Применение древовидной иерархической структуры при реализации продукционной модели оценки рисков объясняется наличием противоречивых ситуаций при принятии решений, основанных на оценках платежеспособности и кредитоспособности. Древовидная иерархическая структура БП позволяет не только решить противоречия, но и избавиться от переборов. Алгоритм учитывает возможность решения проблем по умолчанию или действиями, согласно плану активного вмешательства ЛПР. БП выбора решений с учетом установления предпочтений при наличии противоречий и всеми возможными прецедентами представлена на рис. 5.1.

Рис. 5.1. Дерево поддержки принятия решения о выдаче кредита с набором управляющих воздействий на интеллектуальную подсистему формирования СПП и подсистему предпочтений в зависимости от ситуаций (начало) Рис. 5.1. Дерево поддержки принятия решения (продолжение) Рис. 5.1. Дерево поддержки принятия решения (продолжение) Рис. 5.1. Дерево поддержки принятия решения (окончание) Обобщая результаты, можно представить разработанный алгоритм интеллектуальной поддержки принятия решений на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков (с набором управляющих воздействий на подсистему формирования СПП и подсистему предпочтений в зависимости от ситуаций (рис. 5.2).

Следует учитывать особенность режима работы системы, а именно, на этапе обучения модели и в рабочем режиме, включая актуализацию модели.

В обоих случаях первым шагом алгоритма является решение задачи формирования анкеты КЗ для дальнейшего анкетирования соискателя кредита. Действия на данном шаге аналогичны действиям на пятом шаге алгоритма извлечения и структурирования знаний с целью формирования анкеты КЗ (глава 3), что позволяет предусмотреть различные сценарии работы ИСППР по предпочтению ЛПР. Алгоритм формирования наборов анкет КЗ представлен на рис. 3.8.

В работе представлена анкета, содержащая пятьдесят СЗП, наиболее характерных для мужчин и отдельно для женщин.

Второй шаг алгоритма заключается в анкетировании в соответствии с рекомендациями проведения социально-экономических и психодиагностических опросов. Методика анкетирования базируется на методе многомерного шкалирования и подробно представлена в третьей главе работы.

Далее рассмотрим работу системы в режиме обучения модели.

Результаты анкетирования заносятся в БД системы и представляют собой данные, характеризующие обучающую выборку, на основе которой система готовится к работе.

Третий шаг алгоритма – обучение модели, который включает:

заполнение шаблона-маски, определение оценок КЗ по векторам отличий и статистические характеристики групп КЗ в соответствии с принятой типологией. Процесс заполнения шаблона-маски представлен серией блоков: генерация групп, генерация структуры шаблонамаски, заполнение шаблона-маски данными о СЗП (их коды и градации), заполнение шаблона-маски частотами встречаемости СЗП. Следует учесть, что при первичной установке ИСППР необходимо подготовить шаблон-маску частот встречаемости и нужно гарантировать соответствие описания групп по их характеристикам в системе.

Структура данного шаблона зависит от того, каким образом сформировались социально-демографические группы. Поэтому в ИСППР он генерируется в процессе начального формирования обучающей выборки, а при установке системы отсутствует. На основе обучающей выборки определяются суммарные показатели выбора каждой градации каждого СЗП представителями групп КЗ.

Основной задачей данной системы является принятие решения о выдаче/отказе кредита соискателю кредита. Рассмотрим ту часть алгоритма, которая отвечает за оценку соискателя и принятие решения о выдаче кредита в рабочем режиме.

Рис. 5.2. Схема алгоритма интеллектуальной поддержки принятия решений на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков (начало) 3 - Рис. 5.2. Схема алгоритма интеллектуальной поддержки принятия решений (продолжение) Рис. 5.2. Схема алгоритма интеллектуальной поддержки принятия решений (продолжение)

–  –  –

На втором шаге соискатель заполняет анкету в соответствии с кредитной политикой банка, получает оценку платежеспособности.

После того, как он даст согласие на оценку его кредитоспособности, соискатель заполняет анкету КЗ. Далее кредитный инспектор заносит данные в систему.

На четвертом шаге алгоритма формируется управляющее воздействие на систему оценки кредитоспособности. Критерии системы формируются на основании оценки их эффективности, а именно на оценке репрезентативности обучающей выборки (в соответствии с типом группы соискателя), на оценке правильности принятых решений на основании оценки платежеспособности/кредитоспособности (по правилу большинства). Управляющее воздействие учитывает возможность выбора предпочтений как по умолчанию (с учетом критериев системы), так и в соответствии с активным планом действий аналитика или риск-менеджера кредитной организации в соответствии с кредитной политикой банка.

На последнем пятом шаге осуществляется обход дерева поддержки принятия решения с набором управляющих воздействий на интеллектуальную подсистему формирования СПП и подсистему предпочтений в зависимости от ситуаций поддержки принятия решения. При этом система обращается к БД средств управления, БЗ решенных задач по принятию решений. Исходом является принятие решения.

Таким образом, МЗ для оценки вероятных рисков невозврата кредитных средств, связанных с субъективным кредитным поведением дает возможность значительного увеличения динамически меняющегося многомерного множества разнородных признаков.

Алгоритм интеллектуальной поддержки принятия решений о возможности выдачи кредита на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков, реализующий предложенную концепцию. БП для принятия решения обеспечивает уход от переборов ситуаций в случае наличия противоречий в системе, которые обусловлены участием таких оценок соискателя, как платежеспособность и кредитоспособность согласно плану активного вмешательства ЛПР или плану, принятому по умолчанию. Алгоритм направлен на поддержание системы в актуальном состоянии и позволяет в квазидинамическом режиме изменять ключевые критерии оценки субъективного кредитного поведения КЗ.

Глава 6. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ

ИСППР И АНАЛИЗ ЭФФЕКТИВНОСТИ

РАЗРАБОТАННОГО МЕТОДА И АЛГОРИТМОВ

В главе приведен краткий анализ существующего программного обеспечения, используемого кредитными организациями, представлена функциональная структура ИСППР со схемой базы данных. Также представлены алгоритмы программной реализации разработанной ИСППР. В соответствии с выявленными функциями и ограничениями разработана схема отражения функций и прав доступа кредитного инспектора и аналитика в структуре ИСППР. Приведены результаты анализа эффективности разработанного метода и алгоритмов посредством разработанной ИСППР.

6.1. Анализ программного обеспечения, используемого банками для принятия решения о выдаче кредита физическому лицу Для анализа в работе использованы публикации [16, 90,132, 135, 149, 158], а также для более детального изучения, информация с сайтов разработчиков рассматриваемых программных продуктов [79. 87, 160, 163, 165, 174]. Вопросы адресовались ведущим кредитным учреждениям, занимающимся розничным кредитованием. Результаты анализа приведены в табл. 6.1.

Таблица 6.1 Используемое скоринговое программное обеспечение

–  –  –

В качестве респондентов выступали руководители и сотрудники отделов и управлений по кредитованию физических лиц, а также специалисты банковских подразделений автоматизации. Приведенные данные в табл. 6.1 показывают, что основным методом принятия решений для выдачи кредита является коэффициентный метод и большая часть банков, работающая в секторе розничного кредитования, использует MS Excel или его аналоги.

В табл. 6.2 обобщена информация о скоринговых системах, представленных на российском рынке.

–  –  –

Анализ представленного ПО дает право предположить, что оценка рисков розничного кредитования происходит на основании оценки платежеспособности соискателя и достаточно трудно сделать достоверные выводы о применении скоринга с учетом социальных и психологических аспектов, несмотря на заявление наличия таких модулей у разработчиков скоринговых карт. Как правило, анкеты заявленных банков содержат лишь классический набор вопросов и не содержат вопросов, отражающих аспекты социальной психологии.

Таким образом, вопрос разработки скоринговой системы по принципу оценки рисков на основе оценки кредитоспособности соискателя остается актуальным. При этом необходимо использовать более прозрачные для аналитиков и кредитных инспекторов методы оценки рисков, необходимо предоставлять возможность адаптации и модернизации скоринговых моделей силами самого банка с учетом его кредитной политики.

6.2. Описание состава разрабатываемого программного обеспечения в соответствии со структурой ИСППР и функциями аналитика и кредитного инспектора Для реализации предложенного метода и алгоритмов (алгоритма извлечения и структурирования знаний, отражающих субъективное кредитное поведение, и алгоритма интеллектуальной поддержки принятия решений о возможности выдачи кредита на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков) далее, в соответствии с предложенной структурой ИСППР (глава 2), разработаны алгоритмы программной реализации, обеспечивающие работу системы.

Для более полного представления работы системы на рис. 6.1 изображена функциональная схема ИСППР о возможности выдачи кредита на основе оценки кредитоспособности.

Следует также учесть характерные особенности предметной области:

­ требования банковских структур хранить базу данных (БД) со всеми таблицами (ТБД) на центральном сервере банка (хранение в виде снимков фрагментов БД на сервере торговых компаний или филиалов банков, через которые выполняется оформление кредита, неприемлемо);

­ при разработке клиентской части учитывать разграничение прав доступа категорий пользователей системы: аналитики, кредитные инспекторы;

­ процедуры оценки соискателя должны быть защищены, следовательно, с торговой точки возможен только запуск алгоритмов оценки; время на принятие решения ограничено (для заполнения данных достаточно не более 10-15 минут); кредитная история заемщика на основании психодиагностических данных анонимна и не сохраняется.

В соответствии с представленной функциональной схемой ИСППР о возможности выдачи кредита на основе оценки кредитоспособности (см. рис. 6.1) рассмотрим алгоритмы ее программной реализации, разделяя их поэтапно, в соответствии с функциями блоков ИСППР.

Блок извлечения и структурирования знаний, отражающих субъективного кредитное поведение заемщика предназначен для осуществления процесса приобретения и структурирования знаний на основе типологического анализа данных, полученных вследствие ассоциативного эксперимента для дальнейшего построения СПП КЗ с целью автоматизированного формирования анкеты КЗ.

На основе принятой структуры типологии реализованы основные подходы кластерного анализа. Алгоритм подготовки описания групп для работы алгоритма по выявлению СПП, ориентированный на тот факт, что может меняться типология групп и набор с градациями социально-демографических признаков, представлен на рис. П.2.1.

Перед запуском процесса формирования СПП необходимо выполнить предварительную проверку достижимости результата согласно заданному плану ЛПР, то есть выполнить алгоритм с обратным логическим выводом (рис. П.2.2).

В случае недостижимости результатов дается управляющий сигнал на ужесточение/смягчение критерия/критериев, которые приводят к противоречиям. Далее запускается алгоритм с прямым логическим выводом для формирования СПП (рис. П.2.3).

–  –  –

Рис. 6.1. Функциональная схема ИСППР о возможности выдачи кредита на основе оценки кредитоспособности (окончание) В соответствии с описанными особенностями была разработана диаграмма развертывания программного комплекса в торговой сети (рис. 6.2).

Рис. 6.2. Диаграмма развертывания, где «кредитоспособность.exe» - запускаемый модуль клиентского приложения для кредитного инспектора, «Credits.mdb» - серверная часть приложения с базой данных, реализованная в MS SQL Server 2005 В соответствии с функциональной схемой ИСППР (см. рис. 6.1) БД имеет структуру, представленную на рис. 6.3.

Разработка и хранение БП выполнено с учетом реализации интеллектуальной системы средствами систем управления базами данных (СУБД). Выбор средства реализации разрабатываемой интеллектуальной системы обусловлен областью ее применения и наличием встроенных средств оптимизации обработки данных и управления ими.

В используемой в данной работе СУБД MS SQL Server 2005 реализован встроенный планировщик и оптимизатор запросов, то есть при первом запуске запроса с учетом логики операторов определяется и сохраняется план выполнения запроса с минимальной стоимостью.

При последующем выполнении запросов происходит обращение к готовому плану и выполняется программа. Аналогичными функциональными преимуществами обладает СУБД Oracle, соответственно все решения и алгоритмы могут быть перенесены и реализованы в Oracle Database 9i или более поздние версии.

БД содержит данные для анализа, а также полученные в результате анализа: ТБД ассоциаций респондентов, ТБД справочник респондентов, ТБД справочник ассоциаций (все полученные в ходе ассоциативного эксперимента ассоциации), ТБД справочник групп, ТБД СЗП (характерные ассоциации или полученные в результате анализа СЗП), ТБД наборы СЗП, описание структур представлено в табл.

П.4.1, П.4.2, П.4.3, П.4.4, П.4.5, П.4.6, П.4.7, П.4.8, П.4.9.

БД средств управления, БЗ решенных задач по принятию решений, в соответствии с назначением блока извлечения и структурирования знаний, содержит в себе разработанную базу правил, отвечающую разработанному алгоритму анализа данных: ТБД правила, ТБД деревья правил, ТБД правила аналитика (правила, отвечающие плану активного воздействия аналитика), ТБД наборы правил аналитика, ТБД группы правил, описание структур представлено в табл. П.4.10, П.4.11, П.4.12, П.4.13, П.4.14.

Блок приобретения знаний и построения МЗ направлен на формирование обучающей выборки, определение характеристик обучающей выборки, актуализацию обучающей выборки. Работа этого блока предполагает не только создание единожды МЗ, в основе которой лежат методы ЛВ-моделирования, но и ее актуализацию после оценки свершившегося факта – «вернул»/«не вернул» кредит КЗ.

Процесс заполнения шаблона-маски представлен серией алгоритмов: алгоритм генерации групп, алгоритм генерации структуры шаблона-маски, алгоритм заполнения шаблона-маски данными о СЗП (их коды и градации), алгоритм заполнения шаблона-маски частотами встречаемости СЗП.

Так как при первичной установке СППР необходимо подготовить шаблон-маску частот встречаемости и нужно гарантировать соответствие описания групп по их характеристикам в системе, то заполнение таблицы выполняется автоматически путем запуска алгоритма «Генерация социально-демографических групп», который берет за основу полученную типологию КЗ по результатам работы блока извлечения и структурирования знаний.

Далее запускается процесс генерации структуры шаблона-маски.

Структура данного шаблона зависит от того, каким образом сформировались социально-демографические группы. Поэтому в ИСППР он генерируется в процессе начального формирования обучающей выборки, а при установке системы отсутствует.

Рис. 6.3. Структура данных для определения СПП Следующим этапом является процесс предварительного заполнения шаблона-маски кодами СЗП и весами. Порядок заполнения зависит от того, какими СЗП заполнена таблица «Справочник СЗП». Так как все они должны быть представлены в шаблоне, то после установки системы и заполнения справочников должны быть выполнены процедуры, алгоритмы которых представлены на рис. П.2.1-П.2.3.

В процессе работы системы при проведении дополнительных исследований могут появиться новые СЗП и, соответственно, новые варианты анкет для соискателей. Чтобы учесть эту особенность в ИСППР к таблице «Справочник СЗП» привязан триггер на добавление записи, который проверяет, уникален ли вновь добавляемое СЗП, если да, то он сохраняется в таблице и автоматически в таблицу «Шаблон-маска частот встречаемости» добавляется семь новых записей с кодом добавляемого СЗП и вариантами значений его веса (значимости). Если СЗП не прошел проверку на уникальность, то автоматически происходит откат добавленной записи в таблице «Справочник СЗП».

Последним в серии алгоритмов будет алгоритм заполнения шаблона-маски самими частотами встречаемости СЗП.

На основе обучающей выборки определяются суммарные показатели выбора каждой градации каждого СЗП представителями групп КЗ. При актуализации данных запускается аналогичный алгоритм, который отличается тем, что исключается обход по всем группам КЗ, а на вход алгоритма подается список тех КЗ, информация о которых переносится в обучающую выборку.

Алгоритм определения оценок каждого КЗ по векторам отличий реализован на основе описанной в пятой главе методики обучения модели с использованием (4.5).

Алгоритм определения статистических характеристик, а именно, выборочного среднего и стандартного отклонения выборочного среднего для каждой группы работает по (4.11) и (4.12).

В соответствии с функциональной схемой ИСППР (см. рис. 6.1) БД имеет структуру, представленную на рис. 6.4.

Рассматриваемый блок служит для хранения МЗ, и соответственно взаимодействуют с БД, содержащей ТБД, которые отражают социально-демографические признаки, структуру анкет, результаты анкетирования, вектора отличий и статистические характеристики групп КЗ (ТБД справочник соискателей, ТБД кредитный договор, ТБД результаты анкетирования, ТБД справочник социальнодемографических групп, справочник СЗП, ТБД шаблон-маска, ТБД структуры анкет, ТБД справочник виды анкет). Описание их структур представлено в табл. П.4.15, П.4.16, П.4.17, П.4.18, П.4.19, П.4.20, П.4.21, П.4.22.

Рис. 6.4. Схема базы данных для формирования обучающей выборки, определения характеристик обучающей выборки, актуализации обучающей выборки, а также для организации хранения МЗ и правил поддержки принятия решений Основной задачей данной системы является принятие решения о выдаче/отказе кредита соискателю, в зависимости от процесса обхода дерева в программном коде реализовано несколько вариантов алгоритма, т.к. при интервальной оценке соискателя в дереве решений выбирается одно из неравенств (4.20), (4.21), (4.22), (4.23).

Поддержка принятия решения осуществляется в соответствии с разработанной продукционной моделью правил, которая имеет древовидную иерархическую структуру. При этом система обращается к БД средств управления, БЗ решенных задач по принятию решений, которая содержит в себе разработанную базу правил: ТБД правила, ТБД деревья правил. Структура полей соответствующих таблиц представлена в табл. П.4.24, П.4.25.

Алгоритм обхода дерева поддержки принятия решения о выдаче кредита с набором управляющих воздействий на интеллектуальную подсистему формирования СПП и подсистему предпочтений в зависимости от ситуаций поддержки принятия решения подробно описан в пятой главе.

Далее, в соответствии с выявленными в ходе работы функциями и ограничениями кредитного инспектора, была разработана схема отражения функций и прав доступа кредитного инспектора в программном обеспечении (рис. 6.5), аналогично разработана схема отражения функций аналитика в программном обеспечении (рис. 6.6). Следует заметить, что одинаковыми правами обладают аналитик – эксперт, принимающий решение при формировании анкеты КЗ и аналитик – риск-менеджер, принимающий управляющее решение системой розничного кредитования в кредитной организации, так как должностные обязанности этих лиц чаще всего совмещены.

Рис. 6.5. Схема отражения функций и прав доступа кредитного инспектора:

1 – право на запуск процедуры и получение результатов работы процедуры;

2 – право на добавление записи; 3 – право на чтение таблиц; 4 – право на чтение таблиц, добавление записи Рис. 6.6. Схема отражения функций аналитика в программном обеспечении (начало) Рис. 6.6. Схема отражения функций аналитика в программном обеспечении (окончание)

6.3. Анализ эффективности разработанного метода и алгоритмов Анализ эффективности был произведен на основании анализа наиболее существенных критериев эффективности для решения аналогичных задач, исходя из ранее изложенного анализа ПО, анкет и методов оценки рисков розничного кредитования (табл. П.5.1), а так же подхода к оценке эффективности, изложенного в работе [17] и представлен в табл. П.5.1.

Так как в свете предложенной концепции повышения эффективности системы розничного кредитования новым является оценка рисков, связанных с субъективным кредитным поведением, для оценки эффективности разработанного метода и алгоритмов, реализующих его, принято условие оценки правильности принятия решений только на ее основании.

Выполнено несколько экспериментов по оценке соискателей – их классификации (по качественному признаку – «хороший» или «плохой») и правильности принятия решений о возможности выдачи кредита.

Для этого общую базу данных КЗ разделили на две выборки:

обучающая выборка для формирования шаблона-маски, на основании которого принимается решение о возможности выдачи кредита, и экспериментальная выборка, данные которой при формировании шаблона не участвовали, т.е. экспериментальная выборка играет роль соискателей. Принятие решений осуществлено двумя рассмотренными ранее методами.

В результате реализации метода на основе расчета рангового коэффициента корреляции Спирмена между типовым профилем m-ной группы и индивидуальным профилем s-го соискателя получили результаты, представленные в табл. 6.3. Следует учесть, что результаты получены при уровне статистической значимости p=0,05 и p=0,01.

Правильность прогнозов составила 82 %. Это позволяет использовать данный метод при принятии решений о выдачи кредита соискателю.

Результаты эксперимента, реализующего метод принятия решения на основании интервальной оценки, представлены в табл. 6.4.

Следует учесть, что результаты получены при значениях риска невозврата 5 % и 10 % (вернет кредит при R=0,05 и R=0,1 соответственно), а также при значениях риска невозврата 90 % и 95 % (не вернет кредит при R=0,1 и R=0,05 соответственно). Правильность прогнозов составила 78 %. Что позволяет использовать данный метод при принятии решений о выдачи кредита соискателю.

–  –  –

Первый метод позволяет принимать решения на малых объемах выборки, его следует использовать на период накопления статистических данных на этапе тестирования, ввода в эксплуатацию ИСППР, а также на периоды накопления статистических данных на этапе пополнения анкет новыми СЗП. Данный метод принятия решений имеет ограничения по количеству исследуемых признаков – n 40, и следует учитывать, что при осуществлении классификации соискателя критерий рангового коэффициента корреляции Спирмена является более грубым – принятие решений осуществляется по признаку «скорее хороший»/«скорее плохой». Второй предложенный метод следует использовать при накоплении статистических данных, при более «жесткой» политике банка, по мере накопления статистических данных правильность прогноза увеличивается, также данный метод позволяет варьировать уровень риска и дает возможность использовать большое количество исследуемых признаков.

По результатам экспериментальной проверки разработанного метода и алгоритмов принимается решение о возможности их практического использования.

Таким образом, практически доказана возможность сокращения количества данных, требующих документального подтверждения финансовой состоятельности. Использование ИСППР дает возможность повысить эффективность процесса классификации соискателя кредита, сократить долю участия кредитного инспектора в процессе оценки риска, выявлять с большой долей вероятности случаи мошенничества на основании психодиагностических данных. ИСППР интегрируется с принятой системой на основе оценки платежеспособности соискателя, структура ИСППР поддерживает адаптацию и модернизацию системы оценки рисков с учетом кредитной политики и направленности использования ИСППР.

–  –  –

Потребительский розничный кредит – вид потребительского кредита, выдача которого осуществляется через торговые сети или филиалы банка (иначе называемый эксресс-кредит, необеспеченный, беззалоговый кредит или нецелевой кредит).

«Хорошая» кредитная история – кредитная история, означающая, что кредитный заемщик, осуществлял платежи согласно установленному в кредитном договоре графику и вернул заемные средства вовремя.

«Плохая» кредитная история – кредитная история, означающая, что кредитный заемщик, не осуществлял платежи согласно установленному в кредитном договоре графику и не вернул заемные средства вовремя.

«Хороший» заемщик («хороший» кредит) – заемщик, который настроен платить, не является мошенником, и кредит будет возвращен вовремя.

«Плохой» заемщик («плохой» кредит) – заемщик, который является мошенником или не настроен платить, и кредит не будет возвращен вовремя.

Кредитный скоринг – метод разграничения различных групп потенциальных клиентов в условиях, когда доступна информация не о параметрах, разделяющих эти группы, а только о некоторых вторичных переменных, потенциально их определяющих.

Кредитоспособность заемщика – желание, соединенное с возможностью своевременно погасить выданное обязательство.

Кредитный риск – количественная оценка риска или мера опасности невозврата кредита в срок.

Риск – вероятность возможного убытка или ущерба в результате действия как субъективных, так и объективных факторов (определение риска основано на статистических данных об успехе или неуспехе кредитов банка).

Семантическое пространство признаков (смысловое, ментальное) – образы отношения изучаемого объекта, связанные непосредственно с предметом текущей деятельности.

Семантическое пространство признаков кредитного заемщика (СПП КЗ) – обобщение смысловых ассоциаций с действием «кредит», характерных для определенной по существенным признакам группы кредитных заемщиков.

Управление кредитным риском – оценка риска кредита и принятие решения о выдаче кредита.

Успешный кредит – кредитные средства возвращены полностью и вовремя.

Библиографический список

1. Абричкина Г.Б. Инструментальные методы управления кредитными рисками регионального банка.: дис. … канд. физ.-мат. наук / ВГТУ.– Воронеж, 2004.– 136 с.

2. Абричкина Г.Б. Программа "Инструментальная система скоринг-анализа и минимизации кредитных рисков" / Г.Б. Абричкина, О.Я. Кравец, А.Н. Деркачев // ФАП ВНТИЦ. Рег. № 50200300586 от 10.07.2003.

3. Аврамова У.М. Сберегательные установки россиян / У.М. Аврамова // Общественные науки и современность.– 1998.– №1. – С. 37.

4. Автономов В.С. Модель человека в экономической науке/ В.С. Автономов.– СПб.: Экон. шк., 1998.– 229 с.

5. Айвазян С.А. Прикладная статистика: Классификация и снижение размерности / С.А. Айвазян, И.С. Енюков, Л.Д. Мешалкин.– М.: Финансы и статистика, 1989.– 608 с.

6. Айвазян С.А. Прикладная статистика и основы эконометрики / С.А. Айвазян, В.С. Мхитарян.– М.: Юнити, 1998. – 459 с.

7. Алексахин С.В. Прикладной статистический анализ: учебное пособие для вузов / С.В. Алексахин и др.– М.: Изд-во «ПРИОР», 2001.– 224 с.

8. Альгин А. П. Грани экономического риска / А. П. Альгин.– М.: Знание, 1991.– 63 с.

9. Андерсон Дж.А. Дискретная математика и комбинаторика / Дж.А. Андерсон.– М.: Издательский дом «Вильямс», 2003.– 960 с.

10. Андиева Е.Ю. К вопросу о возможном пути повышения эффективности оценки кредитоспособности физических лиц / Е.Ю. Андиева // Безопасность и банковский бизнес: материалы Межрегиональной науч.-практ. конф.– Омск:

Издательский комплекс «ГЭПИЦентр-II», 2007.– С. 59-62.

11. Андиева Е.Ю. К вопросу о возможном пути развития и совершенствования скоринговых моделей / Е.Ю. Андиева // Финансовые проблемы РФ и пути их решения: теория и практика: труды 8-й Международной научно-практической конференции.– Ч.1.– СПб.: Изд-во Политехн. ун-та, 2007.– С. 178-180.

12. Андиева Е.Ю. К построению математической модели оценки кредитного заемщика на основе его психологического профиля / Е.Ю. Андиева // Врачаспирант.– 2008. – №2 (23). – С.152-154.

13. Андиева Е.Ю. Логико-вероятностная модель оценки риска кредитного заемщика с учетом его семантического поля / Е.Ю. Андиева // Компьютерное моделирование: труды Международной научно-технической конференции.– СПб.: Изд-во Политехн. ун-та, 2008. – С.171-175.

14. Андиева Е.Ю. Метод оценки рисков в экспресс-кредитовании / Е.Ю. Андиева // Системы управления и информационные технологии.– 2008.– №1.3 (31).– С. 316-320.

15. Андиева Е.Ю. Потребительское кредитование как фактор «уязвимости» банковской системы / Е.Ю. Андиева // Товар, потребительский рынок и маркетинговые коммуникации: сборник статей II Международной научнопрактической конференции.– Пенза: Приволжский Дом знаний, 2007. – С. 3-5.

16. Андиева Е.Ю. Проблемный анализ скоринговых банковских систем / Е.Ю. Андиева // Актуальные проблемы банковского права в России: сборник статей II Международной научно-практической конференции.– Пенза: Приволжский Дом знаний, 2007.– С. 6-9.

17. Андиева Е.Ю. Формализация модели семантического пространства кредитного заемщика для разработки унифицированного инструмента выделения смыслов на основе теории графов / Е.Ю. Андиева // Межвузовский сборник трудов молодых ученых, аспирантов и студентов.– Омск: СибАДИ, 2009.– Вып. 7.– Ч.1.– С. 46-49.

18. Андиева Е.Ю. Выявление особенностей кредитного скоринга и возможности применения логического алгоритмов классификации / Е.Ю. Андиева, И.И. Семенова // Межвузовский сборник трудов молодых ученых, аспирантов и студентов.– Омск: Изд-во СибАДИ, 2007.– Вып. 4.– Ч. 2.– С. 6-9.

19. Андиева Е.Ю. Логико-вероятностное моделирование и оценка кредитного риска с использованием психологических особенностей кредитного заемщика / Е.Ю. Андиева, И.И. Семенова // Межвузовский сборник трудов молодых ученых, аспирантов и студентов.– Омск: Изд-во СибАДИ, 2008.– Вып. 5.– Ч.2.– С. 14-21.

20. Андиева Е.Ю. Обоснование целесообразности разработки системы психологического скоринга / Е.Ю. Андиева, И.И. Семенова // Современные проблемы информатизации в моделировании и социальных технологиях: cб.

трудов. Вып. 13 / под ред. д-р.техн.наук, проф. О.Я.Кравца.– Воронеж: «Научная книга», 2008.– С. 141-143.

21. Андиева Е.Ю. Риски потребительского кредитования как частные случаи кредитной деятельности банков / Е.Ю. Андиева, И.И. Семенова // Труды Международного форума по проблемам науки, техники и образования.– М.: Академия наук о Земле, 2006.– Т. 3.– С. 43-44.

22. Андиева Е.Ю. Способ построения психологического профиля заемщика для оценки рисков в сфере потребительского кредитования / Е.Ю. Андиева, И.И. Семенова // Управление риском.– 2008. – №1.– С. 56-63.



Pages:   || 2 |
Похожие работы:

«Н.Д. Корягин, А.И. Сухоруков, А.В. Медведев РЕАЛИЗАЦИЯ СОВРЕМЕННЫХ МЕТОДОЛОГИЧЕСКИХ ПОДХОДОВ К МЕНЕДЖМЕНТУ В ИНФОРМАЦИОННЫХ СИСТЕМАХ УПРАВЛЕНИЯ МОНОГРАФИЯ МОСКВА 2015 УДК 338.24:681.518 ББК 65.050.2 К 70 Рецензенты: д-р экон. наук, проф. В.И. Кузнецов, д-р экон. наук, пр...»

«Р.В. Пашков, Ю.Н. Юденков СТРАТЕГИЯ РАЗВИТИЯ БАНКА Второе издание, дополненное и переработанное Монография Москва УДК 336.7(075.8) ББК 65.262.6я73 П22   Пашков Р.В. П22 Стратегия развития банка : монография / Р.В. Пашков, Ю.Н. Юденков. — 2-е изд., доп. и перераб. — М. : РУСАЙНС, 2015. —...»

«Министерство образования и науки российской Федерации Нижегородский государственный университет имени Н.И. Лобачевского Л.А. Ефимова, С.Д. Макарова, М.Ю. Малкина ТЕОРЕТИЧЕСКИЕ, МЕТОДОЛОГИЧЕСКИЕ И ПРАКТИЧЕСКИЕ АСПЕКТЫ БЮДЖЕТНОГО ФЕДЕРАЛИЗМА В СИСТЕМЕ ВЗАИМООТНОШЕНИЙ: ФЕДЕРАЛЬНЫЙ ЦЕНТР – СУБЪЕКТ ФЕДЕРАЦИИ – МУНИЦ...»

«А.А. Колобкова ОБУЧЕНИЕ РЕФЕРАТИВНОМУ ИЗЛОЖЕНИЮ В ПРОЦЕССЕ ПРОФЕССИОНАЛЬНООРИЕНТИРОВАННОГО ИНОЯЗЫЧНОГО ЧТЕНИЯ Монография Москва УДК 82.09(075.8) ББК 83.3(0)5я73 К61 Рецензенты: Лысакова И.П., д-р филол. наук, проф., РГПУ им. Герцена, Бишаева А.А., д-р пед. наук,...»

«Н.С. Галдин, И.А. Семенова АВТОМАТИЗИРОВАННОЕ МОДЕЛИРОВАНИЕ ГИДРОУДАРНОГО ОБОРУДОВАНИЯ ДЛЯ ЭКСКАВАТОРОВ Омск • 2008 Федеральное агентство по образованию Сибирская государственная автомобильно-дорожная академия (СибАДИ) Н.С. Галдин, И.А. Семенова АВТОМАТИЗИРОВАННОЕ МОДЕЛИРОВАНИЕ ГИДРО...»

«А.В. Верещагина, С.И. Самыгин, П.В. Станиславский   ДЕМОГРАФИЧЕСКАЯ БЕЗОПАСНОСТЬ РОССИИ Монография Под ред. д.с.н., проф. Самыгина П.С. Москва УДК 316 ББК 60.5 В31   Рецензенты: А.В. Рачипа, д.с.н., профессор, А.В. Дятлов, д.с.н., профессор Верещагина А.В. В31 Демографическая безопасность России : монография / А.В. Верещагина,...»

«€•‚„•.†‡ ‰. ‹‚•†‡•. €•‚„.† ‡ ‡‰‹‡ •„‡•‚‡• •‚.‚••.‚‘‚‹‚’“‰†• ‡‰• •.‡„’’• ‹••‘’ “”€‹’•–”• — УДК 535 ББК 22.34 З 72 З н а м е н с к и й Н. В., М а л ю к и н Ю. В. Спектры и динамика оптических переходов редкоземельных ионов в кристаллах. — М.: ФИЗМАТЛИТ, 2008. — 192 с. — ISBN 978-5-92...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых» А.В. КОСТРОВ ИНФОРМАЦИОННЫЙ МЕНЕДЖМЕНТ •...»

«Г.Т. Ли ОСНОВЫ НАУЧНЫХ ИССЛЕДОВАНИЙ (учебно-методический комплекс) Москва УДК 656(075.8) ББК 39я73 Л55 Ли Г.Т. Л55 Основы научных исследований (учебно-методический комплекс) : монография / Г.Т. Ли. — М. : РУСАЙНС, 2015. — 298 с. ISBN 978-5-4365-0568-8 DOI 10.15216/978-5-4365-0568-8 Учебно-методический комплекс (УМК) дисциплины «О...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Владимирский государственный университет имени Александра Григорьев...»

«Серия «Логопедия: от теории к практике»ЗАИКАНИЕ: ПРОБЛЕМЫ ТЕОРИИ И ПРАКТИКИ Коллективная монография под редакцией Л.И. Беляковой Москва ББК 74.3 З12 Авторы: С.Р. Асланова, О.А. Беглова, Л.И. Белякова, Т.А. Болдырева, Е.А. Дьякова, А.П. Канари, Л.М. Крапивина, С.В. Леонова, В.П. Мерзлякова, М.П. Осиповская, Е.Ю. Рау, Э.Р. С...»

«АВТОНОМНАЯ НЕКОММЕРЧЕСКАЯ ОРГАНИЗАЦИЯ ВЫСШЕГО ОБРАЗОВАНИЯ ЦЕНТРОСОЮЗА РОССИЙСКОЙ ФЕДЕРАЦИИ «РОССИЙСКИЙ УНИВЕРСИТЕТ КООПЕРАЦИИ» КАЗАНСКИЙ КООПЕРАТИВНЫЙ ИНСТИТУТ (ФИЛИАЛ) ЗНАЧЕНИЕ ДЕЯТЕЛЬНОСТИ ТАМОЖЕНН...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего образования «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столет...»

«Федеральное агентство по образованию Сибирская государственная автомобильно-дорожная академия (СибАДИ) Л.В. Эйхлер, О.В. Фалалеева РАЗРАБОТКА МОДЕЛИ УПРАВЛЕНИЯ ПОСТОЯННЫМИ ЗАТРАТАМИ ГРУЗОВОГО АВТОТРАНСПОРТНОГО ПРЕДПРИЯТИЯ Монография Омск...»

«Дроздовская Л.П. Коваленин И.В. Останин В.А. Рожков Ю.В. АУТСОРСИНГ КАК ФОРМА СЕРВИСИЗАЦИИ БАНКОВСКОЙ СИСТЕМЫ РОССИИ Хабаровск УДК 336.711:330.123.6 ББК 65.262.10 Д75 Дроздовская Л. П. Аутсорсинг как форма сервисизации банковской системы России : монография / Л. П. Дроздовская, Д75 И. В. Коваленин, В. А. Останин, Ю....»

«Министерство образования и науки РФ Алтайский государственный университет МЕЖДУНАРОДНОЕ ОБРАЗОВАТЕЛЬНОЕ СОТРУДНИЧЕСТВО: ОПЫТ ТРАНСГРАНИЧНОГО ВУЗА Монография УДК 378 ББК 74.48 М 432 Рецензенты: доктор пед. наук, профессор, академик РАО Ю. В. Сенько; доктор филол. наук, доцент Ю. В. ...»

«В.В. Бушуев А.А. Конопляник Я.М. Миркин С участием А.М. Белогорьева, К.М. Бушуева, Н.В. Исаина, А.С. Молачиева, В.Н. Сокотущенко и А.С. Степанова ЦЕНЫ НА НЕФТЬ: АНАЛИЗ, ТЕНДЕНЦИИ, ПРОГНОЗ Москва УДК 62...»

«В.А. Морыженков, О.И. Ларина РАСХОДЫ БАНКА РОССИИ: ЦЕЛЕСООБРАЗНОСТЬ, КОНТРОЛЬ И АУДИТ Монография Москва УДК 336.7(075.8) ББК 65.262.1я73 М80 Рекомендовано к изданию на заседании кафедры банковского и страхового дела от 31 марта 2...»

«РОССИЙСКАЯ АКАДЕМИЯ НАУК ИНСТИТУТ СОЦИОЛОГИИ Л.Н. ФЕДОТОВА АНАЛИЗ СОДЕРЖАНИЯ СОЦИОЛОГИЧЕСКИЙ МЕТОД ИЗУЧЕНИЯ СРЕДСТВ МАССОВОЙ КОММУНИКАЦИИ Москва УДК 316.77 ББК 60.56 Ф34 Публикуется по решению Ученого совета Института соц...»

«Министерство образования и науки Российской Федерации Северный (Арктический) федеральный университет Н.А. Бабич, И.С. Нечаева СОРНАЯ РАСТИТЕЛЬНОСТЬ питомников ЛЕСНЫХ Монография Архангельск У Д К 630 ББК 43.4 Б...»

«Министерство образования Российской Федерации Сибирская государственная автомобильно-дорожная академия (СибАДИ) В.А. Сальников ИНДИВИДУАЛЬНЫЕ РАЗЛИЧИЯ В СИСТЕМЕ СПОРТИВНОЙ ДЕЯТЕЛЬНОСТИ Монография Омск Издательство СибАДИ ББК 75: 88.5 C 16 Рецензенты: д-р пед. наук, профессор ОмГТ...»

«А.Ю. Сулимов РАЗРАБОТКА МЕТОДИКИ СТИМУЛИРОВАНИЯ ПРОДАЖ НА ОСНОВЕ СПЕЦИАЛЬНОЙ ВЫКЛАДКИ на примере сети супермаркетов «Дикси» Монография Москва УДК 339.1(075.8) ББК 65.291.3я73 С89 Рецензенты: Л.С. Валинурова, д-р экон. наук, проф., БГУ, Ж.Б. Мусатова, канд. экон. наук, доц. РЭУ им. Г.В. Плеханова Сулимов, А.Ю. С8...»

«Российская Академия Наук Институт философии В.Г. Буданов МЕТОДОЛОГИЯ СИНЕРГЕТИКИ В ПОСТНЕКЛАССИЧЕСКОЙ НАУКЕ И В ОБРАЗОВАНИИ Издание 3-е, переработанное URSS Москва Содержание ББК 22.318 87.1 Буданов Владимир Григорьевич Методология синергетики в постнеклас...»

«Министерство образования и науки Российской Федерации Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых» РЕЛИГИЯ, ОБРА...»

«Российская Академия Наук Институт философии И.В.Егорова ФИЛОСОФСКАЯ АНТРОПОЛОГИЯ ЭРИХА ФРОММА Москва УДК 141 ББК 87.3 Е 30 Ответственный редактор: доктор филос. наук, проф. П.С.Гуревич Рецензенты: доктор филос. наук В.М.Полищук, доктор филос. наук М.А.Розов Е 30 Егоро...»










 
2017 www.pdf.knigi-x.ru - «Бесплатная электронная библиотека - разные матриалы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.