Posojila smo jim dali. Jih bodo poplačali?

Pri obvladovanju tveganj se neplačevanje umešča v sam vrh. S pomočjo modela za ocenjevanje kreditnega tveganja lahko ugotovimo, ali bo posameznik, ki prosi za kredit ali odplačevanje blaga na obroke, tega lahko tudi povrnil.

Zakona o gospodarskih družbah, Basel II oziroma drugih direktiv, priporočil in kodeksov. Pred svetovno finančno krizo je bilo kreditiranje fizičnih oseb namreč v polnem razmahu. Banke so poleg dolgoročnih kreditov ponujale kratkoročne pomladanske kredite, kredite za potovanja itd. Videti je bilo, da ideje rastejo kot gobe po dežju. Obdobje je bilo pozitivno, optimistično. Čeprav so gospodinjstvom posojila marca ostala na nizki februarski rasti, se je treba zavedati, da se povečuje brezposelnost, ki je bila konec aprila za 32,7 odstotkov višja kot aprila lani. Svoj delež prispevajo nižja gospodarska rast in vse črnoglede okoliščine tega obdobja.

Z ugotavljanjem zlorab kreditnih kartic lahko uporabimo t.i. nevronske mreže. Foto: Dreamstime

V teh časih je zato še toliko bolj pomembno, da imamo vzpostavljen ustrezen sistem obvladovanja kreditnega tveganja. Kreditna tveganja, ki spadajo med finančna tveganja, predstavljajo pomembnejši del tveganj posamezne družbe. K obvladovanju tveganj in poročanju v zvezi z njimi je vodstvo podjetja zavezano preko Zakona o gospodarskih družbah Največjo težavo pri ocenjevanju kreditnega tveganja fizičnih oseb predstavlja dostop do podatkov in zato, ker je relativno malo študij ter dostopnih in preverjenih orodij. V primerjavi z drugimi državami Slovenija nima kreditnega biroja, ki bi sistematično zbiral podatke o posamezniku, njegovem premoženju, načinu plačevanja položnic in najetih kreditih ter na podlagi teh podatkov izdal poročilo o kreditnem tveganju posameznika. Večina študij, ki obravnava ocenjevanje kreditnega tveganja fizičnih oseb, tako temelji na podatkih, ki jih zbirajo omenjeni kreditni biroji, vendar pa so nedavne študije pokazale, da je enako dobro mogoče napovedati kreditno tveganje na podlagi podatkov, ki jih banke tako ali tako že imajo in shranjujejo v svojih informacijskih sistemih, kot so na primer: višina zaprošenega kratkoročnega kredita, obrestna mera, odplačilna doba, transakcija na osebnih računih, varčevalnih računih, številu kreditnih kartic, limitih na karticah in podobnih podatkih. 

Kreditna tveganja, ki spadajo med finančna tveganja, predstavljajo pomembnejši del tveganj posamezne družbe.

Oceno kreditnega tveganja posameznika lahko naredi vsak, ki ima bazo podatkov o svojih kupcih, strankah, njihovem načinu plačevanja in podobno. Od kakovosti podatkov in izbranega modela pa je odvisno, kako natančna bo ocena kreditnega tveganja. Pri oceni kreditnega tveganja – oziroma izgradnji modela – so ključni štirje koraki: izbor baze podatkov za oceno kreditnega tveganja; izbor spremenljivk; izbor analitične metode in vrednotenje rezultatov. 

Prvič: izbor baze podatkov

Prvi korak izbora baze podatkov je relativno enostaven. Izbrati moramo tiste podatke o posamezniku, za katere intuitivno menimo, da bi lahko bili pomembni pri izgradnji modela. V tej fazi moramo paziti, da izberemo tako dobre kot slabe plačnike. Ob tem moramo na eni strani ohraniti razmerje med dobrimi in slabimi plačniki, na drugi pa omogočiti, da bomo imeli dovolj slabih, da bo napovedna moč modela sprejemljiva. Običajno je lahko za model razmerje med dobrimi in slabimi plačniki največ okoli 70:30. 

Drugič: izbor spremenljivk

Izbor spremenljivk je že zahtevnejša naloga. Pomembno je, da iz nabora spremenljivk izberemo le tiste, ki bodo v izbrani metodi dajale največjo napovedno moč. Največkrat se te naloge lotimo s klasičnimi statističnimi metodami, ki pa imajo svoje pomanjkljivosti. Najbolj uporabljana statistična metoda je F-test, pri katerem v model postopoma dodajamo spremenljivke in ob vsaki dodani spremenljivki se izračuna F-test. Če dodana spremenljivka statistično značilno povečuje pojasnjevanje kreditne sposobnosti, jo vključimo v model, sicer ne. Pomanjkljivost te metode je, da model izbere druge spremenljivke, če spremenljivke dodajamo v drugačnem vrstnem redu.

Druga najbolj uporabljena statistična metoda je korelacijska matrika, kjer se računa povezanost (odvisnost) med dvema spremenljivkama. Ta metoda ni zanesljiva, kadar obstaja več med seboj odvisnih spremenljivk. Zadeve pa se lahko lotimo tudi bolj sodobno: z genetskim algoritmom, ki je ena od metod umetne inteligence. Genetski algoritem je nestatistična metoda. Navdih išče v Darwinovi teoriji o evoluciji, ko preživi le najmočnejši. Rezultat genetskega algoritma so najboljši posamezniki opisali z določenimi informacijami – spremenljivkami in te spremenljivke uporabimo pri naslednjem koraku. 

Tretjič: izbor metode

Tretji korak je izbor metode za ocenjevanje kreditnega tveganja. Tu imamo veliko možnosti. Izbiramo lahko med statističnimi metodami, ki predvidevajo, da so povezave med spremenljivkami linearne ali rahlo nelinearne ter nelinearnimi modeli. Največkrat uporabljen statistični model pri reševanju omenjenega problema je t.i. logit model, med nelinearnimi modeli pa t.i. nevronske mreže, ki so tudi ena izmed metod umetne inteligence. 

Nevronske mreže

Nevronske mreže se pogosto uporabljajo, kadar želimo rezultate ali dogodke napovedovati. Ena najbolj znanih uporab nevronskih mrež v praksi je ugotavljanje zlorabe kreditnih kartic, ki jo uporablja izdajatelj kartice American Express. Druga prednost nevronskih mrež je, da lahko model zavrtimo tudi, če kakšen podatek o kreditojemalcu manjka, kar je pri statističnih metodah težava. Tako kot vse metode imajo nevronske mreže tudi svojo slabost, in sicer, da ne moremo enostavno povedati, zakaj je nevronska mreža podala tak rezultat, kot ga je. Pri statističnih metodah namreč dobimo neko enačbo, nevronske mreže pa so tako kompleksne, da enačbe ni in jim zato pravijo »črna škatla«. Njihova kompleksnost izhaja iz navdiha, ki ga iščejo v posnemanju delovanja možganov oziroma nevronov v možganih. Nevronske mreže so zato sestavljene iz različno povezanih umetnih nevronov (vhodnih in izhodnih točk), med katerimi se izvajajo funkcije, ki simulirajo prenos informacije iz enega nevrona na drugega. Glede na strukturo povezav in funkcij izberemo ustrezno vrsto nevronske mreže, s katero bomo reševali problem. 

Nevronske mreže se pogosto uporabljajo, kadar želimo rezultate ali dogodke napovedovati.

Podatke, ki jih imamo na voljo, razdelimo na učni in testni set. Z učnim setom se nevronska mreža »uči«, testni set pa omogoča, da se med učenjem izračuna napaka napovedi. V tem procesu učenja se postavijo in korigirajo uteži funkcij, tako da je končna napaka napovedi čim manjša. Rezultat tretjega koraka je tako zgrajen model, pri čemer so statistični modeli ponazorjeni z enačbo, nevronska mreža pa ima v »škatli« postavljene uteži. 

Na preobrat še nismo pripravljeni?

Opazujem ukrepe ameriškega predsednika Baracka Obame: več posegov države, več državne regulative, reševanje bank … To je spet kozmetika. Kaj bi bila večja sprememba? Da se osvobodimo ekonomske rasti kot cilja družbe, ki ga vsi merimo. A ekonomska rast sama po sebi postaja disfunkcionalna za naše življenje. Kot sem omenil, onesnažujemo okolje, se izčrpavamo. 

Menim, da bi morala biti ekonomska rast kot cilj omejena in ne več najpomembnejša. Številni podsistemi so ostali zadaj. Tako na primer družbeni, socialni cilji: manj kraj, manj najstniških nosečnosti, manj problemov drog, socialno varstvo … Imamo velike družbene probleme, ki so mnogo pomembnejši od ekonomske rasti.

Kako bi se lotili tega izziva?

800 milijard dolarjev, ki jih je B. Obama namenil reševanju bank, ne bi dal bankam. Menim, da bo to sprožilo propad nekaterih bank, prišlo bo do pojemanja gospodarske rasti in višanja nezaposlenosti. Osebno bi 800 milijard dolarjev usmeril v to, da ljudi, ki so izgubili delovno mesto, na novo zaposlimo. Delajo naj to, kar družba potrebuje. Potrebujemo pa več ukvarjanja z mladostniki, ki uživajo droge, potrebujemo stadione in igrišča, na katerih se bodo otroci lahko igrali, centre družbenih dejavnosti… Ne gre samo za ekonomske, temveč tudi za druge cilje. A za to je še prezgodaj, ker še vedno vlada denar. In to se tudi ne bo zgodilo vse do takrat, dokler ne bo nastopila še večja kriza. 

Mag. Maja Šušteršič je vodja službe za zavarovanje na Petrolu. Članek jezapisala s prof. dr. Dušanom Mramorjem ter prof. dr. Juretom Zupanom in je bil v daljši obliki objavljen pod naslovom 'Consumer credit scoring models with limited data' v reviji Expert Systems with Application aprila letos. Članek je bil objavljen v MQ reviji št. 11, julija 2009

Preberite tudi