Описанные в статье результаты могут быть полезны специалистам подразделений по работе с проблемной задолженностью розничных банков, коллекторских агентств и инвестиционных компаний, заинтересованным в консолидации потребительской задолженности.

Постоянный рост объемов потребительского кредитования и, как следствие, рост объемов просрочек по выданным потребительским ссудам,  привел к формирова-нию в России рынка просроченных долговых обязательств физических лиц. Рынок долгов преодолел стадию первоначальной структуризации и в настоящий момент испытывает потребность в аналитических продуктах,  позволяющих организовать  эффективное управление проблемной задолженностью: с высокой вероятностью определить перспективы, объем и сроки взыскания, а также выбрать наиболее подходящую стратегию работы с каждым сегментом портфеля просроченных долгов.

Кроме этого,  создание  реально работающей методики оценки долговых портфелей необходимо для формирования полноценного рынка купли-продажи долгов: как показали результаты опроса, проведенного российской Ассоциацией по развитию коллекторского бизнеса, медленное развитие этого рынка в первую очередь связано с отсутствием эффективных методик оценки портфелей долгов (так посчитали 78% респондентов): продавец боится понести расходы при недооценке портфеля, а покупатель - при его переоценке, таким образом, первые зачастую назначают цены, значительно более высокие, чем хотелось бы последним.

Предлагаемая методика оценки использует четкую структуру входных данных: факторы риска невозврата, параметры задолженности и поведенческие параметры.

Примененные в описываемой методике способы оценки и прогноза базируется на западном опыте реализации подобных задач, но при этом применённые математические модели разработаны специалистами компанииц "МДЦ-консалтинг". При разработке методики были использованы данные, полученные в результате исследования российского и украинского рынка взыскания долгов, статистические данные, накопленных в течение трех лет работы Межрегионального долгового центра и его банков-партнеров.

Авторы описываемой методики надеются на то, что изложенные здесь результаты помогут банковскому сообществу выработать унифицированную методику оценки долговых портфелей по просроченным потребительским и иным розничным кредитным продуктам.

Типичные проблемы при оценке долговых портфелей

Первой задачей при подготовке сделки купли-продажи долгового портфеля является оценка качества и стоимости предлагаемого портфеля. Для достоверной оценки потенциальному покупателю желательно получить всю имеющуюся информацию по каждому кредитному делу. Очевидно, что продавец задолженности не сможет удовлетворить это требование, да и покупателю потребовалось бы слишком много времени для анализа первичной документации.

На практике для оценки задолженности покупателю обычно предоставляют файл выгрузки из АБС или аналогичной процессинговой системы. В настоящее время состав этого файла никак не унифицирован, и объективная или хотя-бы единообразная оценка качества и стоимости долговых портфелей  не всегда возможна.

Очень часто для первичной оценки долгового портфеля банки предоставляют суммарную величину просроченной задолженности и срок просрочки (в днях). Однако, специалистам в области сбора просроченной задолженности ясно, что этих данных совершенно недостаточно. В сумме просроченной задолженности могут скрываться все начисленные банком штрафные санкции, комиссии и проценты, зачастую многократно превышающие первоначальный размер ссуды. Даже срок просрочки не всегда дает объективную картину, например, в случае  возобновляемых кредитов по пластиковым картам.

Для оценки долгового реестра по невозобновляемыи кредитнм продуктам часто приводится размер выданной ссуды. Само по себе знание размера выданного кредита очень важно, но гораздо полнее можно оценить качество задолженности, зная сумму и срок, на который выдан кредит. Банки же чаще всего не предоставляют информации о сроке кредита, ограничиваясь, например, указанием маркетингового названия кредитного продукта (например "Retail_30_RUR" - возможно, означает кредит на срок 30 месяцев, но далеко не всегда можно извлечь достоверную информацию из рекламного лозунга).

Рассмотрим другой пример: один из банков предлагает портфель долгов, в котором для оценки "добропорядочности" клиента приводится сумма последнего платежа в погашение задолженности. Это, конечно, нетривиальный подход и, в принципе, интересная информация. Но такая информация предоставляется настолько редко, что ее нельзя считать отраслевой нормой, а значит невозможно опираться на нее при выработке унифицированных методик оценки долговых портфелей.

Показатели качества задолженности

На основании данных, полученных в результате исследования российского и украинского рынка взыскания долгов, а также собственного многолетнего опыта в области коллекторского бизнеса, автор предлагает следующий минимальный набор показателей для оценки задолженности. При этом следует понимать, что мы оперируем понятием "минимальный набор показателей" по той причине, что описываем проблему оценки задолженности с точки зрения покупателя, т.е. цессионария, который вынужден оценивать предлагаемый к выкупу портфель по ограниченному набору данных.

Естественно, цедент имеет в своем распоряжении подробнейшие кредитные досье на каждого должника. Однако даже для цедента бывает черезмерно трудоемко объективно оценить суммарную стоимость долгового портфеля, например, из 10000 кредитных  дел. Поэтому данную методику можно в равной мере рекомендовать и цедентам для "независимой" оценки собственных активов, в частности для оперативного выделения малоперспективных должников из общего долгового портфеля для переуступки прав требования.

Для компактности изложения,  мы будем применять сокращенные обозначения показателей.

а) суммы просроченной задолженности:

EX_BODY

просроченная ссудная задолженность ("тело кредита")

EX_PERCENT

просроченные проценты, комиссии, штрафы и прочие начисления

 
б) параметры кредита (неприменимо для пластиковых карт):

CREDIT_AMOUNT

сумма кредита

CREDIT_MONTHS

срок, на который выдан кредит

 
в) поведенческие параметры:

 BAD_DAYS

срок просрочки в днях (может заменяться на дату выхода на просрочку)

NICE_DAYS

количество дней от выдачи кредита до выхода на просрочку (этот параметр чаще всего рассчитывается опосредованно, например, зная дату выдачи кредита и дату выхода на просрочку)

NICE_PAYMENTS

общая сумма платежей по кредиту, полученных от заёмщика (этот параметр относится к категории "роскоши" так как его далеко не всегда включают в реестры для оценки долговых портфелей, в то время как его информативность исключительно высока).

 
Приведем ряд оснований, по которым мы рекомендуем ввести в унифицированную практику отрасли использование именно этих показателей.

Наиболее принципиальным требованием по обмену информацией при оценке долговых портфелей является наличие в реестре полей EX_BODY и EX_PERCENT. Именно соотношение этих двух полей позволяет специалистам (и компьютерным системам, в т.ч. скоринговым) выявить перспективность долга для взыскания и оценить возможную сумму погашения. Вот некоторые выводы, которые можно сделать из анализа этих двух величин:

1.  При прочих равных условиях, при покупке долга следует оценивать лишь величину EX_BODY в качестве базы для расчета стоимости портфеля (статистика внесудебного и судебного взыскания всевозможных штрафных санкций и процентных начислений крайне негативна).

2.  Слишком большое отношение EX_PERCENT / EX_BODY (например, более 50%) означает, что должнику начислены повышенные проценты и всевозможные штрафные санкции. Это может свидетельствовать о большом сроке просрочки и сознательном уклонении должника от погашения задолженности, либо о ситуации, когда должник не вполне понимая условий кредитного договора, допустил накопление штрафных санкций регулярно оплачивая задолженность недостаточными суммами. Практика показывает, что таких "добросовестно-наивных" должников бывает чрезвычайно трудно убедить в необходимости погашения задолженности по процентам.

3.  Отношение EX_PERCENT / EX_BODY близкое к нулю может свидетельствовать о том, что незадолго перед продажей задолженности банк получил платежи от клиента и направил их (в соответствии с пунктом о приоритетности зачисления платежей кредитного договора) на погашение пеней, комиссий и процентов. В таких случаях убедить клиента о необходимости новых погашений в адрес нового хощяина задолженности довольно трудно . С другой стороны, это может свидетельствовать о контактности должника, т.е. возможности проведения переговоров без необходимости производить розыск.

Для задолженностей с достаточно большим сроком просрочки (например, BAD_DAYS > 200) важную роль играет соотношение между суммой платежей NICE_PAYMENTS и размером кредита CREDIT_AMOUNT. Можно указать на две закономерности:

4.  Если NICE_PAYMENTS  > CREDIT_AMOUNT (конечно, это нечеткое соотношение, правило вполне применимо, например, в редакции NICE_PAYMENTS  > 90 % CREDIT_AMOUNT), то психологически будет очень трудно убедить должника погасить остаток задолженности, так как по обыденным понятиям он давно выплатил сумму кредита.

5.  Если NICE_PAYMENTS < 10 % CREDIT_AMOUNT (конечно, это нечеткое соотношение), то при значительных сроках просрочки мы имеем явные признаки недобросовестного заёмщика, который брал кредит без намерений погасить его.

К сожалению, величина NICE_PAYMENTS не всегда доступна в реестрах, предлагаемых для оценки. Поэтому МДЦ-консалтинг предлагает использовать перечисленные выше параметры для косвенной оценки добросовестности заемщика. На практике можно с уверенностью сказать, что для задолженностей с достаточно большим сроком просрочки можно утверждать, что заёмщик, совершивший менее одного-двух ежемесячных платежей, является недобросовестным или неплатежеспособным. Оценить количество ежемесячных платежей можно, зная значение NICE_DAYS, просто разделив его на 30. Например, если NICE_DAYS = 95, то ориентировочное количество ежемесячных платежей д о выхода на просрочку составило 3.

Если параметр NICE_DAYS недоступен, можно оценить количество совершенных ежемесячных платежей по приблизительной формуле

CREDIT_MONTHS * (CREDIT_AMOUNT - EX_BODY) / CREDIT_AMOUNT

принимая во внимание то факт, что платежи от клиента частично относятся на погашение ссудной задолженности.

Таким образом, из предлагаемого компактного набора параметров просрочки можно сделать ряд выводов о перспективах взыскания по каждому заёмщику и портфелю в целом.

Выявление факторов риска невозврата

Помимо объективных данных о суммах и сроках просрочки, можно попытаться еще подробнее проанализировать представленный к оценке реестр просроченной задолженности и выявить индивидуальные факторы риска для отдельных заемщиков. Исходя из сложившейся практики, а также принципа минимализма при обмене данными между контрагентами, МДЦ-консалтинг предлагает использовать в унифицированной методике оценки долговых портфелей следующие данные:

а) обязательные данные

DEBTOR_NAME

ФИО должника

CREDIT_DATE

Дата выдачи кредита

б) данные о юридическом статусе кредитного договора:

CONTRACT_END

Дата окончания действия кредитного договора

LEGAL_ACTIONS

Признак подачи судебного иска против должника

 
в) дополнительные сведения, повышающие качество оценки степени риска невозврата:

ADDRESS

Адрес должника

PHONES

Телефоны должника

WORK

Место работы должника (наименование)

WORK_PHONES

Рабочие телефоны должника

 
Очевидно, что перечень дополнительных сведений может быть расширен.

Рассмотрим некоторые факторы риска, которые можно выявить из предложенного набора параметров.

1.  Совпадение DEBTOR_NAME в текущем реестре означает с высокой вероятностью, что один и тот же заёмщик допустил просрочку по нескольким кредитным договорам в одном и том же банке. Очевидно, что это признак недобросовестности или неплатежеспособности данного заемщика по всем кредитным договорам. Заметим также, что если в базе данных покупателя долгового портфеля находятся просроченные долги того же человека, это также свидетельствует о множественных долговых обязательствах данного лица.

2.  Совпадение фамилий должников в одном и том же реестре может свидетельствовать о возможном семейном родстве должников. Конечно, совпадение фамилий, особенно распространенных, не является 100% достоверным признаком родства, но следует присваивать однофамильцам некоторую повышенную степень риска невозврата, т.к. по статистике множественные долговые обязательства в одной семье свидетельствуют о материальных затруднениях, т.е. о неплатежеспособности.

3.  Совпадение фамилий и отчеств в одном и том же реестре с большой долей вероятности свидетельствует о родственных отношениях между должниками (брат-сестра или отец-сын). По статистике, множественные долговые обязательства по линии братьев-сестер имеют высокий риск невозврата.

4.  Выявление одного из вышеперечисленных факторов совместно с близкими или совпадающими значениями CREDIT_DATE свидетельствует о высоком риске невозврата. Выявление этого фактора соответствует одной из следующих жизненных ситуаций: (1) получение максимального числа кредитов в разных отделениях банка одним и тем же лицом в один и тот же день, с целью "обмануть" скоринговую систему банка из-за медленного обмена данными при выдаче кредитов разными отделениями; (2) получение членами одной семьи или близкими родственниками кредитов по одной из маркетинговых программ банка в один и тот же день: "Пошли, там деньги всем дают".

5.  Скрытые взаимосвязи между заёмщиками можно выявить, анализируя всю доступную информацию, перечисленную выше в пункте (в). Например, распространенные мошеннические схемы (1) получения множественных кредитов на сотрудников одного предприятия (взаимосвязь через наименование места работы или номера рабочих телефонов) или (2) предоставления подложных справок с места работы, форм НДФЛ-2 и т.п. Ярким признаком мошенничества является совпадение номера телефона, указанного одним должником в поле "рабочий телефон", а другим должником - в качестве домашнего телефона.

На рис. 1 показана диаграмма взаимосвязей между заёмщиками, выявленными в процессе анализа совокупности указанных выше текстовых данных в реестре приблизительно 1000 заёмщиков. Среди многочисленных взаимосвязей между 2-3 лицами выделяется цепочка из 16 заёмщиков, очевидно, свидетельствующая о мошеннической схеме.

Данные о юридическом статусе кредитного договора следует использовать для оценки юридических перспектив взыскания задолженности. Так, если превышен срок исковой давности по сделке (дата CONTRACT_END + 3 года), и никаких юридических действий по сделке не предпринято (LEGAL_ACTIONS = 0), то перспективы как судебного, так и внесудебного взыскания минимальны.

Таким образом, предлагаемый состав информационного реестра для оценки портфеля просроченной задолженности позволяет глубоко проанализировать перспективы погашения и объективно оценить стоимость портфеля.

Прогнозирование денежных потоков взыскания

Целью оценки портфеля просроченной задолженности является определение суммы погашения с учетом выявленных факторов риска, а также оценка затрат на управление портфелем и взыскание задолженности. Разность этих двух величин и даст объективную величину стоимости долгового портфеля, выраженную в денежной единице.

Сумма погашения прогнозируется с учетом временного фактора, т.е. имеет смысл рассматривать функцию F=F(t).

С учетом многофакторности критериев неплатежеспособности или кредитного мошенничества и общей недетерминированностью рассматриваемой задачи, для прогнозирования суммы погашения может использоваться апроксимация функции F=F(t) с помощью полиномов, нелинейных функций или нейронных сетей. Выберем для простоты изложения метод нейронных сетей.

Тогда для прогнозирования суммы погашения по оцениваемому портфелю будем подавать на вход обученной нейронной сети набор параметров, описанных выше, поочерёдно для каждого заёмщика и на выходе получать индивидуальную оценку суммы погашения. Общая сумма таких индивидуальных прогнозов даст значение суммы погашения по всему оцениваемому портфелю.

Проблема обучения нейронной сети выходит за рамки данной статьи, но хорошо описана в литературе. Обучающую выборку формируют из тех же параметров, что и оцениваемый портфель, но дополняют фактическим значением погашения на момент времени t.

Важная проблема при построении нейронных сетей и любых других апроксимирующих функций - предварительная обработка данных. Интуитивно понятно, что не всегда абсолютное значение суммы задолженности обладает достаточной предсказательной силой: ну в самом деле, если человек вышел на просрочку 180 дней, так ли уж важно, должен он  банку 400 или 500 тыс. рублей? Вероятность погашения не будет напрямую зависеть от точного значения: главное, человек должен "большую сумму денег". А вот если при таком же сроке просрочки сумма задолженности составляет 10 тыс. рублей, ситуация кардинально меняется. Вероятность взыскания "малой суммы" значительно возрастает.

Для математического описания качественных показателей, таких как "большая задолженность" и "малая задолженность" используется аппарат нечётких множеств. Например, на рис. 2 изображены функции принадлежности двух нечетких множеств "малая" и "большая" задолженность, которые словесно можно описать как "задолженности близкие к нулю" и "задолженности близкие к 500 тыс. руб." По оси абсцисс - значение задолженности в рублях, по оси ординат - степень принадлежности к первому или второму нечеткому множеству (измеряется от 0 до 1).

На основании исследования накопленных статистических данных, использование степеней принадлежности к нечетким множествам в качестве входных параметров для нейронной сети значительно улучшает качество прогноза.  Так, на рис. 3 показано влияние степени принадлежности к множеству "малая задолженность" на фактически наблюдаемые параметры:

-  красным цветом изображена общая доля погашения (1 соответствует полному погашению)
-  синим цветом изображена скорость погашения просроченной задолженности (0 соответствует погашению в пределах одной-двух недель, 1 - фактическому отказу от погашения).

Точками на графике изображены отдельные наблюдения, т.е. реальные сроки погашения (синие точки) и объёмы погашения (красные точки). Прямыми линиями произведена апроксимация всей совокупности наблюдений. Линейная апроксимация показывает очевидную зависимость: срок погашения (синяя линия) наименьший для кредитов, максимально близких к критерию "малая задолженность" (значение 1 по оси абсцисс). Аналогично, объем погашения (красная линия) максимален для малых задолженностей.

Таким образом, подытожим предлагаемую методику оценки:

1.  Использовать для оценки набор параметров, описанный выше.
2.  Преобразовать параметры в степени приналежности к нечетким множествам, таким как "Большая задолженность" или "Малый срок просрочки" или "Средняя степень взаимосвязанности субъектов".
3.  Построить нейронную сеть, выдающую прогноз погашения по каждому заёмщику на основании параметров, подготовленных в п. 2, в форме функции времени F=F(t).
4.  Рассчитать прогноз погашения по каждому заёмщику из оцениваемого портфеля.
5.  Сумма прогнозов, полученных в п. 4, даёт итоговый прогноз погашения по оцениваемому портфелю.

Программный продукт

Предложенная методика используется в разработанной МДЦ-консалтинг Нейронной системе оценки качества просроченной задолженности и управления взысканием "Collect Advantage".

"Collect Advantage" состоит из следующих функциональных блоков:

Блок А  «Оценка и анализ  факторов риска» включает большую базу правил нечеткой логики, подобных перечисленным выше, предназначенных для:

•  Определения признаков мошеннических схем;
•  Определения признаков неплатежеспособности заемщика;
•  Определения наличия операционных признаков невозможности взыскания (срок давности, соотношение фактических платежей к размеру займа и пр.)

Блок Б  «Управление взысканием» реализует:

•  Автоматический выбор стратегии взыскания для каждого должника в зависимости от прогноза взыскания и с учетом допустимой себестоимости мероприятий по взысканию;
•  Оптимизацию загрузки ресурсов коллекторского подразделения банка.

Блок В  «Прогнозирование взыскания» включает:

•  Календарное прогнозирование погашения задолженности;
•  Определение категории должника (полное погашение, частичное погашение, отказ от погашения);
•  Определение стоимости портфеля (учитывается ставка дисконтирования).

Система "Collect Advantage" может использоваться банками для каждодневного мониторинга кредитного портфеля и оперативного управления задолженностью, в частности для раннего выявления малоперспективных должников для передачи в коллекторские агентства или на цессию, а также для того, чтобы "не упустить" перспективных должников.

Система "Collect Advantage" может использоваться коллекторскими агентствами для оценки долговых портфелей, предлагаемых для приобретения, а также для автоматизированного анализа и сортировки кредитных дел по разным категориям - таким как "мошенничество", "неплатежеспособность", "операционные риски", "благоприятный прогноз" и т.п.

Полный перечень функций, описание работы системы, презентационные материалы и проч. доступны на сайте www.mdco.ru и у специалистов ООО "МДЦ-консалтинг". Система "Collection Advantage" поставляется как в составе СУВД "Кредитные дела", так и в качестве отдельного продукта.


Подписи к рисункам:

Рис. 1 - Диаграмма взаимосвязей между заёмщиками (имена вымышленные, любые совпадения случайны)

Fig1.jpg
Рис. 2 - Функции принадлежности нечетких множеств "малая задолженность" и "большая задолженность"

Fig2-2.jpg
Рис. 3 - Влияние степени принадлежности к множеству "малая задолженность" на фактически наблюдаемые параметры

Fig3-1.jpg