Содержание журналов

Баннер
PERSONA GRATA

В кризисе юридической науки во многом виноваты сами учёные
Интервью с доктором юридических наук, профессором, заслуженным юристом Российской Федерации Николаем Александровичем Власенко

Группа ВКонтакте

Баннер
Баннер
Баннер
Баннер


Оптимизация работ по взысканию проблемной задолженности для управления деятельностью коллекторского подразделения/агентства
Научные статьи
25.05.15 10:40

вернуться


Оптимизация работ по взысканию проблемной задолженности для управления деятельностью коллекторского подразделения/агентства

   


Лакман И. А.

Максименко З. В.

Резванова Э. Р.

 
БАНКОВСКОЕ ПРАВО
Лакман И. А., Максименко З. В., Григорчук Т. И., Резванова Э. Р.
4 (83) 2015
Внедрение коллекторской скоринговой системы предполагает построение эффективной системы работы с проблемной задолженностью, а также значительное снижение и оптимизацию затрат. Предлагаемая модель коллекторского скоринга позволяет оценить не только вероятность погашения долга заемщиком, но и сумму, которую он вероятней всего заплатит. Полученные данные позволят оценить долговой портфель и выбрать эффективные методы воздействия на должников.

Кризисные явления в экономике России очень быстро отразились на уровне жизни населения. Рост курса доллара и падение реальных доходов граждан привели к резкому ро­сту просроченной задолженности по банковским кредитам.

Кредитные организации серьезно ужесточили требова­ния к заемщикам, повысили ставки по кредитам. Во многих банках выдача кредитов сократилась практически до ми­нимальных уровней. При этом сменился тренд банковско­го бизнеса: основными направлениями стали привлечение денег во вклады, банковские комиссии за различные фи­нансовые операции и сбор просроченной задолженности. Последнее обстоятельство значительно увеличило нагрузку на коллекторские подразделения банков и соответствующие агентства.

Эффективность коллекторской работы проявляется в эко­номии времени и трудозатрат на отработку одного должника. Оптимизировать коллекторскую деятельность помогает при­менение современных информационных технологий — систем коллекторского скоринга (collection scoring).

В связи с этим, целью работы является разработка ин­струментария для оптимизации работ по взысканию про­блемной задолженности для коллекторских подразделений/ агентств.

Известны различные способы управления стратегией взыскания. В данной статье предлагается применять метод управления стратегией взыскания, основанный на соотне­сении вероятной суммы взыскания с себестоимостью меро­приятий по взысканию. Данный метод включает следующие этапы (рис. 1).

Для решения задач определения вероятности погашения задолженности и вероятной суммы взыскания с каждого должника применяется методология кредитного скоринга. В отличие от кредитного скоринга, отвечающего главным образом на вопрос — выдать кредит или отказать, круг за­дач коллекторского скоринга несколько шире. Различные мнения о понятии «коллекторский скоринг» сходятся в том, что он имеет дело с проблемным портфелем, решает за­дачи, сходные с задачами иных видов скоринга (в том числе кредитного). Этот вид скоринга, применяется для взаимо­действия с клиентами, отказывающимися от исполнения условий кредитного договора. Скоринг в этом случае необ­ходим для определения приоритетности действий служащих коллекторского подразделения при работе по возвращению «плохого» кредита.


 

Для достижения целей коллекторского скоринга необходи­мо оценить платежеспособность заемщика и спрогнозировать, как он будет производить выплаты по долгу.

Любая скоринговая система, будь то кредитная или кол­лекторская, должна «обучаться» на качественной достоверной информации. Была собрана информация о просроченных займах, находящихся в работе коллекторского подразделения банка. Для каждого займа приведены его характеристики, характеристики просрочки по займу, а также информация о заемщике — всего 29 исходных показателей, в том числе финансовая информация и обезличенные социально-демо­графические характеристики заемщика:

1. Программа кредитования

2. Дата выдачи кредита (дата заключения договора на выдачу)

3. Размер кредита, выраженный в рублях

4. Размер ежемесячного платежа, выраженный в рублях

5. Число месяца, в которое производится ежемесячная выплата

6. Срок кредита в месяцах по договору

7. Дата окончания кредита по договору

8. Годовая процентная ставка по договору

9. Тип залога

10. Количество поручителей

11. Тип долга

12. Дата выхода в просрочку

13. Количество дней в просрочке с даты выхода в просрочку

14. Общая сумма долга в рублях

15. Остаток основного долга в рублях

16. Сумма начисленных штрафов в рублях

17. Сумма начисленной комиссии в рублях

18. Сумма начисленной госпошлины в рублях

19. Начисленные проценты в рублях

20. Сумма прочих начислений в рублях

21. Дата рождения заемщика

22. Пол заемщика

23. Регион рождения заемщика

24. Регион фактического места проживания заемщика

25. Город фактического проживания заемщика

26. Тип населенного пункта фактического проживания заемщика

27. Индикатор наличия указанного телефона для связи с заемщиком

28. Дата последнего платежа

29. Тип безнадежности

Также для «настройки» скоринга предоставлены значе­ния двух целевых переменных. Первая принимает значение 1, если заемщик производит выплаты по долгу, и 0, если заемщик не производит выплаты по долгу. Вторая пред­ставляет среднюю ежемесячную сумму взыскания с каждого должника. Общее количество исходных данных 13080 на­блюдений.

По заданному набору данных была разработана аналитиче­ская модель, которая для каждого займа позволит спрогнози­ровать не только вероятность того, что заемщик будет произ­водить выплаты по долгу, но и определить вероятную сумму взыскания. В данном исследовании для построения модели применяется двухэтапная процедура, построенная по прин­ципу модели Хекмана, включающая на первом этапе модель бинарного выбора попадания в круг неплательщиков, а на вто­ром этапе модель, позволяющую определить для должников, делающих взносы, сумму погашения задолженности, то есть интенсивности платежей.

Описание математического аппарата: модель Хеккит

Стандартно в модели Хекмана имеются две латентные пере­менные, удовлетворяющие следующим моделям:

где хТ, zT - переменные модели, Ь,с - коэффициенты при факторах, £, u - ошибки.

1 этап. Модель бинарного выбора для «попадания» клиента в группу осуществляющих платежи, где z* определяет «будет/ не будет платить» заемщик.

     2 этап. Модель интенсивности платежа при условии попа­дания должника в группу осуществляющих платежи. Если выбирается «не попадание», то у не наблюдается (равен нулю), так как платежей нет, и соответственно.


 

Предполагая, что случайные ошибки моделей латентных переменных коррелированы и связаны соотношением:

e = oeuu + v,

о. - коэффициент корреляции между величинами е и u, имеем, что условное математическое ожидание:

где F и f - соответственно функция распределения и плот­ность либо стандартного нормального (F(x)^(x)), либо логи­стического (Б(х)=Л(х)), либо экстремального распределения (F(x)=E(x)), - «лямбда Хекмана».

Таким образом, на втором этапе для каждого должника оценивается линейная модель, коэффициенты которой могут быть оценены методом наименьших квадратов:

}’i =Xib + 0eu?li +7)1'

(6)

где п - остатки.

Построение и анализ модели

В результате моделирования (было построено и проана­лизировано около 50 моделей) на 1 этапе получена модель логистической регрессии. В результате построения модели ста­тистически значимыми оказались 16 показателей, влияющих на «попадание» клиента банка в «круг должников»:

1. Дата выдачи кредита (дата заключения договора на выдачу)

2. Дата окончания кредита по договору

3. Дата последнего платежа

4. Количество поручителей

5. Срок кредита в месяцах по договору

6. Сумма начисленных штрафов в рублях

7. Начисленные проценты в рублях

8. Размер ежемесячного платежа, выраженный в рублях

9. Тип безнадежности

10. Пол заемщика

11. Дата рождения заемщика

12. Город фактического проживания заемщика - город- миллионник (G2)

13. Город фактического проживания заемщика - 100-450 тыс. чел.^4)

14. Город фактического проживания заемщика - село^7)

15. Регион фактического места проживания - Южный ФО(К2)

16. Регион фактического места проживания - Уральский ФО(К6)

Оценивание параметров модели производилось с помо­щью метода максимального правдоподобия в пакете EViews. Гипотеза о значимости коэффициентов модели проверялась с помощью теста отношения правдоподобия (LR) на уровне значимости 0,05. Адекватность подобранной модели реаль­ному процессу была проверена с помощью теста Хосмера- Лемешоу [6] при уровне значимости 0,05. Тест показал, что модель адекватна, и может быть использована в аналитиче­ских целях.

Для оценки качества классификации применялся анализ ROC-кривых. ROC-кривая показывает зависимость количе­ства верно классифицированных положительных примеров (чувствительность Se) от количества неверно классифицирован­ных отрицательных примеров (специфичность Sp). При этом предполагается, что у классификатора имеется некоторый параметр - порог, или точкой отсечения, варьируя который, получается то или иное разбиение на два класса. Графики ROC- кривых приведены на рис. 2.

Определить степень качества модели можно по форме кривой: чем ближе она к идеальному классификатору (гра­фик ROC-кривой проходит через верхний левый угол), тем качественнее модель. Если же кривая близка к диагонали, то модель бесполезна. Площадь под кривой характеризует про­гностическую силу модели, при этом AUC=1 соответствует (AUC) идеальному классификатору, который не достижим на практике, а AUC=0,5 соответствует бесполезному класси­фикатору.

При анализе качества модели по значению площади под ROC-кривой часто вычисляют индекс Джини (табл. 1). Этот по­казатель переводит значение площади под кривой в диапазон от 0 до 1, чем выше его величина, тем выше дискриминирую­щая способность модели [6]. Рассчитывается индекс Джини по формуле:

2-AUC (AUC - 0,5),           (7)

Таблица 1. Результаты оценки качества модели

Коэффициенты Для обучающей выборки Для тестовой    выборки

AUC         0,8074             0,7461

Джинни      0,6148             0,4922

Таблица 2. Определение порога отсечения

Для обучающей выборки


 

ROC-анализ также позволяет выбрать оптимальный по­рог вероятности разделения «плохих» и «хороших» заемщи­ков для достижения приемлемого уровня чувствительности и специфичности модели. Рассмотрим фрагмент массива точек «Чувствительность-Специфичность» (табл. 2).

Для определения оптимального порога нужно задать кри­терий его определения, т.к. в разных задачах присутствует своя оптимальная стратегия. Критериями выбора порога отсечения могут выступать: максимум чувствительности и специфично­сти (для обучающей выборки достигается в точке 0,4), баланс между чувствительностью и специфичностью (в точке 0,35) и другие подходы.

Полученные на базе созданной скоринговой модели резуль­таты применяются для планирования работы с должником (исходя из рассчитываемой вероятности положительного ис­хода), а также определении эффективной последовательности воздействий на должника.

Заключение

Цель коллекторского скоринга - получение максималь­ной прибыли от взысканий по портфелю за счет правильного выбора стратегии работы с отдельными должниками. При­менение его инструментов в виде полученной Хеккит-модели дает возможность в наикратчайшие сроки оценить наиболее «перспективных» должников (готовых и способных вернуть долги), выявить безнадежные долги, и в соответствии с этим эффективно перераспределить коллекторские ресурсы и сни­зить операционные издержки по взысканию.



Следующие материалы:

Предыдущие материалы:

 

от Монро до Трампа


Blischenko 2017


Узнать больше?

Ваш email:
email рассылки Конфиденциальность гарантирована
email рассылки

ПОЗДРАВЛЕНИЯ!!!




КРУГЛЫЙ СТОЛ

по проблемам глобальной и региональной безопасности и общественного мнения в рамках международной конференции в Дипломатической академии МИД России

МЕЖДУНАРОДНОЕ ПРАВО

Право международной безопасности



Инсур Фархутдинов: Цикл статей об обеспечении мира и безопасности

№ 4 (104) 2016
Московский журнал международного права
Превентивная самооборона в международном праве: применение и злоупотребление (С.97-25)

№ 2 (105) 2017
Иранская доктрина о превентивной самообороне и международное право (окончание)

№ 1 (104) 2017
Иранская доктрина о превентивной самообороне и международное право

№ 11 (102) 2016
Стратегия Могерини и военная доктрина
Трампа: предстоящие вызовы России


№ 8 (99) 2016
Израильская доктрина o превентивной самообороне и международное право


7 (98) 2016
Международное право о применении государством военной силы против негосударственных участников

№ 2 (93) 2016
Международное право и доктрина США о превентивной самообороне

№ 1 (92) 2016 Международное право о самообороне государств

№ 11 (90) 2015 Международное право о принципе неприменения силы
или угрозы силой:теория и практика


№ 10 (89) 2015 Обеспечение мира и безопасности в Евразии
(Международно правовая оценка событий в Сирии)

Индексирование журнала

Баннер

Актуальная информация

Баннер
Баннер
Баннер

Дорога мира Вьетнама и России

Ирина Анатольевна Умнова (Конюхова) Зав. отделом конституционно-правовых исследований Российского государственного университета правосудия


Вступительное слово
Образ жизни Вьетнама
Лицом к народу
Красота по-вьетнамски
Справедливость и патриотизм Вьетнама
Дорогой мира вместе


ФОТО ОТЧЕТ
Copyright © 2007-2017 «Евразийский юридический журнал». Перепечатывание и публичное использование материалов возможно только с разрешения редакции
Яндекс.Метрика