Ариничев И.В.кандидат экономических наук, доцент кафедры теоретической экономики, Кубанский государственный университет, Краснодар, Российская Федерация iarinichev@gmail.com
Сайбель Н.Ю.кандидат экономических наук, доцент кафедры теоретической экономики, Кубанский государственный университет, Краснодар, Российская Федерация saybel-natali@yandex.ru
Предмет. Проблемой оценки кредитоспособности субъектов малого предпринимательства является отсутствие единой, учитывающей их специфику, методики. Необходимо разработать комплексный подход к оценке кредитоспособности, который базировался бы на показателях, характеризующих деятельность субъектов малого предпринимательства со всех сторон. Цели. Разработка алгоритма оценки и построение логической модели кредитоспособности субъектов малого предпринимательства, учитывающей все аспекты их деятельности и низкую степень финансовой устойчивости. Методология. Использованы методы сравнения и аналогии. Результаты. Созданная методика оценки кредитоспособности субъектов малого предпринимательства основана на методологии машинного обучения, что делает ее полной. Суть состоит в нахождении и анализе показателей, всесторонне характеризующих деятельность субъектов малого предпринимательства. Данная методика дает возможность классифицировать субъекты бизнеса по типам риска в целях их минимизации, а также оставить самые изменчивые показатели оценки кредитоспособности. Предлагаемая систематизация позволит быстрее и эффективнее оценить кредитоспособность субъектов малого предпринимательства. Выводы. Существующие методики оценки кредитоспособности субъектов малого предпринимательства в основном направлены на анализ их финансового положения. Для того чтобы методика оценки кредитоспособности была наиболее достоверной, необходимо не только учитывать показатели, характеризующие финансовую деятельность предприятия, но и принимать во внимание деловую репутацию малого предприятия, эффективность использования основных ресурсов, уровень конкурентоспособности и положение на рынке. Все это позволит получить полное представление о деятельности субъектов малого предпринимательства.
Ключевые слова: кредитоспособность, малое предпринимательство, скоринг, риск, машинное обучение
Список литературы:
Altman E. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, 1968, vol. 23, no. 4, pp. 589–609.
Beaver W.H. Financial ratios as predictors of failure. Journal of Accounting Research, 1966, vol. 4, pp. 71–111.
Chesser D. Predicting loan noncompliance. The Journal of Commercial Bank Lending, 1974, pp. 28–38.
Dimitriu M., Oprea I.A. Modeling Credit Scoring. Metalurgia International, 2010, no. 5, Special Issue, pp. 62–67.
Cox D.R., Snell E.J. Analysis of Binary Data. London, Chapman and Hall, 1989, 240 p.
Bhatia S., Sharma P., Burman R., Hazari S. et al. Credit Scoring Using Machine Learning Techniques. International Journal of Computer Applications, 2017, vol. 161, no. 11, pp. 1–4.
Hosmer D., Lemeshow S. Applied Logistic Regression. John Wiley & Sons, Inc., 2000. doi: 10.1002/0471722146
Mortazavi E., Ahmadzadeh M. A Hybrid Approach for Automatic Credit Approval. International Journal of Scientific & Engineering Research, 2014, vol. 5, iss. 8, pp. 614–619.
Сорокин А.С. Построение скоринговых карт с использованием модели логистической регрессии // Науковедение. 2014. № 2. URL: Link
Яцко В.А. Разработка модели кредитного скоринга с использованием мягких вычислений // Бизнес. Образование. Право. Бюллетень Волгоградского института бизнеса. 2015. № 2. С. 251–255.
Bazmara A., Donighi S.S. Bank Customer Credit Scoring by Using Fuzzy Expert System. I.J. Intelligent Systems and Applications, 2014, vol. 11, pp. 29–35. doi: 10.5815/ijisa.2014.11.04
Hoffmann F., Baesens B., Martens J., et al. Comparing a genetic fuzzy and a neurofuzzy classifier for credit scoring. International Journal of Intelligent Systems, 2002, vol. 17, iss. 11, pp. 1067–1083. doi: 10.1002/int.10052
Malhotra R., Malhotra D.K. Differentiating between good credits and bad credits using neuro-fuzzy systems. European Journal of Operational Research, 2002, vol. 136, iss. 1, pp. 190–211. URL: Link00052-2
Nosratabadi H.E., Nadali A., Pourdarab S. Credit Assessment of Bank Customers by a Fuzzy Expert System Based on Rules Extracted from Association Rules. International Journal of Machine Learning and Computing, 2012, vol. 2, no. 5, pp. 662–666.
Sampath S., Kalaichelvi V. Assessment of Mortgage Applications Using Fuzzy Logic. International Journal of Social, Behavioral, Educational, Economic, Business and Industrial Engineering, 2014, vol. 8, no. 11, pp. 3487–3491.
Lai K.K., Yu L., Zhou L.G., Wang S.Y. Neural Network Metalearning for Credit Scoring. URL: Link
Lee T.-S., Chen I.-F. A two-stage hybrid credit scoring model using artificial neural networks and multivariate adaptive regression splines. Expert Systems with Applications, 2005, vol. 28, iss. 4, pp. 743–752. URL: Link
Malhotra R., Malhotra D.K. Evaluating consumer loans using neural networks. Omega, 2003, vol. 31, iss. 2, pp. 83–96. URL: Link00016-1
Pacelli V., Azzollini M. An Artificial Neural Network Approach for Credit Risk Management. Journal of Intelligent Learning Systems and Applications, 2011, vol. 3, pp. 103–112. doi: 10.4236/jilsa.2011.32012
West D. Neural network credit scoring models. Computers & Operations Research, 2000, no. 27, pp. 1131–1152.
Воронцов К.В. Математические методы обучения машин по прецедентам (теория обучения машин). URL: Link
Jarrow R.A., Turnbull S. Pricing derivatives on financial securities subject to credit risk. Journal of Finance, 1995, vol. 50, iss. 1, pp. 53–85. doi: 10.1111/j.1540-6261.1995.tb05167.x
