Upload
adela-b
View
109
Download
5
Embed Size (px)
DESCRIPTION
bankarstvo
Citation preview
1
Tema 14
Skoring modeli upravljanja kreditnom politikom
banaka
Sarajevo, Decembar 2013.
2
3
S A D R Ž A J
1. Uvod .................................................................................................................................... 4
2. Koncept kreditne politike .................................................................................................... 5
3. Principi kreditne politike ..................................................................................................... 6
3.1. Znakovi narušene kreditne kulture .............................................................................. 7
4. Kreditni skoring .................................................................................................................. 8
4.1. Kome je namjenjen kreditni skoring? .................................................................... 11
4.2. Vrste kreditnog skoringa ........................................................................................ 13
4.3. Koraci u izgradnji skor kartice .............................................................................. 15
4.4. Kredit skoring modeli za stanovništvo ................................................................... 18
4.5. SME skoring model ................................................................................................ 23
5. Zaključak ........................................................................................................................... 27
6. Literatura ........................................................................................................................... 27
4
1. Uvod
Za većinu banaka, krediti čine polovicu ili više od njihove ukupne aktive, te oko 1/2
do 2/3 njihovih prihoda. Rizik u bankarstvu ima tendenciju koncentracije u kreditnom
portfelju pa ukoliko banka zapadne u ozbiljne finansijske teškoće, problemi obično krenu od
kredita koji se ne mogu naplatiti zbog lošeg upravljanja, loših politika kreditiranja ili zbog
neočekivanog ekonomskog preokreta. Kvalitet kredita i ostalih dijelova aktive samo je jedna
dimenzija poslovanja banke koja se ocjenjuje prema jedinstvenom sistemu rangiranja
finansijskih institucija. Sve relevantne dimenzije bankarskog poslovanja objedinjene su u
jedan cjelokupni numerički rejtnig nazvan CAMELS rejting a znači:
Adekvatnost kapitala (Capital)
Kvalitet aktive (Aassets)
Kvalitet menadžmenta (Management)
Evidencija zarade (Earnings)
Stanje likvidnosti (Liquidity)
Osjetljivost na tržišni rizik (Sensivity)
Banke sa ocjenama 4 ili 5 češće se ispituju od banaka sa najvišom ocjenom tj. 1,2 ili 3 gdje
ocjene znače1:
1 = snažno poslovanje
2 = zadovoljavajuće poslovanje
3 = korektno poslovanje
4 = granično poslovanje
5 = nezadovoljovajuće poslovanje
Gore navedeni tekst govori o načinu ocjenjivanja rada banke i ocjeni koju banka može dobiti
za svoje poslovnje. Tema ovog seminarskog rada odnosi se na skoring modele upravljanja
kreditne politike banaka kao jedne od najvažnijih politika poslovanja banke. Bit će obrađeni
skoring modeli za stanovništvo i skoring modeli za mala i srednja preduzeća (SME).
1 P. S .Rose, „Menadžment komercijalnih banaka“, str. 523, četvrto izdanje, Mate 2003.
5
2. Koncept kreditne politike
Vremenski posmatrano, različiti faktori su uticali na strukturu bankarskih kredita ali i
samu proceduru kreditne politike banke. Do 30-tih godina banke su uglavnom odobravale
kratkoročne kredite, koji su se smatrali samolikvidirajućim jer su kao osnovu imali mjenicu
koja je proizilazila iz konkretnog dužničko-povjerilačkog odnosa, koji se obično likvidirao u
periodu od 3 mjeseca2. Nakon 30-tih godina nastaje dinamičjniji privredni rast, ubrzani
industrijski razvoj kao i razvoj međunarodnih ekonomskih odnosa a u strukturi kredita sve je
značajnije učešće srednjoročnih i dugoročnih kredita. To je prouzrokovalo potrebu
kompleksnije kreditne analize kao i procedure provjere kreditne sposobnosti debitora što je
rezultiralo visokim stepenom formalizacije kreditnih odluka u cilju minimizacije rizika
mogućeg gubitka banke.
Adekvatna kreditna politika je ona koja respektuje opšte i formalne uslove za
odobravanje kredita, tj. ona koja usmjera kreditne plasmane u propulzivne privredne grane i
sektore, koji obezbjeđuju srazmjerno najveće stope akumulativnosti i izvozne ekspanzije,
obezbjeđujući u isto vrijeme i stabilnost pojedinačnoj banci kao kreditoru3. Dobro
struktuirana i vođena kreditna politika manifestuje se kroz kontinuirano održavanje visokog
niova kvaliteta i profitabilnosti kreditnih plasmana, uz istovremenu minimizaciju kreditnih
rizika.
Postoje dvije tendencije u koncipiranju kreditne politike. Prvi koncept se zasniva na
primjeni metedoloških kreditnih odluka a druga koncepcija na standardizaciji kreditne
politike. Ova dva pristupa izmaju različit relativni značaj u razvijenim tržišnim privredama i
nedovoljno razvijenim tržištima. U razvijenim tržišnim privredama kreditna politika banaka u
većoj mjeri zasnovana je na formiranju što boljih odnosa između između stopa profitabilnosti
i stopa kreditnog rizika. U nedovoljno razvijenim tržištima kreditna politika se više oslanja na
regulativne parametre gdje se posredstvom države obezbjeđuju alokativne i selektivne
dimenzije kreditne politike.
2 S. Komazec, B. Krstić, A. Živković, Ž. Ristić, „Bankarski menadžment upravljanje savremenim bankarstvom“,
str. 621, Beograd, 1998.
3 S. Komazec, B. Krstić, A. Živković, Ž. Ristić, „Bankarski menadžment upravljanje savremenim bankarstvom“,
str. 622, Beograd, 1998.
6
3. Principi kreditne politike
Opšti principi kreditne politike koji su relevantni za sve banke i sve vrste kredita su:
1. Banka mora izbjegavati visok stepen koncentracije kredita u jednu granu,
sektor ili oblast privrede,
2. Banka može zahtjevati da komitenti koji traže odobravanje kredita održavaju
određeni iznos finansijskih resura kao inicijalni izvor parcijalnog obezbjeđenja
kredita,
3. Odobravanje kredita podrazumjeva strogo formalizovanu proceduru
utvrđivanja uslova,
4. Osim kredita sa visokom stopa obezbjeđenja (klasa A), svi ostali kreditni
zahtjevi moraju biti praćeni finansijskim izvještajima debitora u posljednjih
godinu dana,
5. Kredit se odobravaju uz amortizacioni plan otplate,
6. Banka je zainteresovana da prioritetno pokriva legitimne zahtjeve za
kreditiranje likvidnih potreba,
7. Banka mora nadzirati i kontrolisati korištenje kredita
Pored ovih opštih principa postoje i specifični principi koji su karakteristični za
pojedine banke i neke vrste kredita. To su:
1. Kratkoročni kredit privredi za prevazilaženje kraktoročnih finansijskih
problema ne smije biti odobren na period duži od 90 dana,
2. Utvrđivanje stope maksimalnog obima kredita prema nominalnoj vrijednosti
zaloga treba da se stopa kreće u rasponu od 50-97 %,
3. Preporučljivo je da se kreditne linije ugovaraju na period od godinu dana,
4. Banke su prinuđene da posebno vode računa o osiguranju dugoročnih kreidta u
ciljiu minimizacije rizika,
5. Banke mogu definisati posebne nadzorne i supervizorske režime kontrole za
specifične vrste kredita.
Na osnovu navedenog može se zaključiti da svaka banka može definisati sopstvenu
kreditnu politiku zasnovanu na sopstvenim principima, kreditnoj analizi i proceduri
donošenja kreditnih odluka.
7
3.1. Znakovi narušene kreditne kulture
U priručniku za nadzor poslovnih banka Centralna banka SAD-a (FED) navodi
sljedeće probleme kao znakove narušene kreditne kulture4:
1. Odobravanje kredita povezanim osobama - pretjerana ovlaštenja za
odobravanje kredita direktorima i velikim dioničarima ili u njihovu korist pri
čemu se ne poštuju načela zdravog kreditiranja na području izloženosi prema
povezanim osobama.
2. Nepoštivanje kreditnih načela – pojavljuje se kada krediti koji nose povećani
rizik otplate se ili odobravaju uz nezadovoljovajuće uslove ili se plasiraju uz
potpunu svijest o narušavanju načela zdravog kreditiranja
3. Zabrinutost u vezi sa realizacijom planiranog prihoda – situacija u kojoj
briga oko zarade premašuje poštivanje zdravih načela kreditiranja uz
očekivanja da se rizik neće ostvariti ili će rezultirati sa nezadovoljavajućim
rezultatima otplate.
4. Nepotpuni kreditni podaci - krediti su odobreni bez odgovarajuće procjene
kreditne sposobnosti dužnika
5. Neprimjerena poslovna praska – ovo je čest uzrok odluka o odobravanju
plasvaman loše kvalitete. Odražava se u nedostataku primjerenog nadzora
starih, poznatih dužnika, ovisnost o usmenim informacijama umjesto
pouzdanih i potpunih finansijskih izvještaja. Banke mogu ignorisati znakove
upozorenja vezane za pojedinog družnika, ekonomiju, regiju, industriju ili
druge bitne faktore.
6. Nedostatak nadzora - nedostatak nadoza rezultira nedostatkom znanja o
poslovanju dužnika tokom otplate kredita.
7. Stručna neosposobljenost - nedostatak tehničkog znanja među kreditnim
referentima kod analize finansijskih izvještaja te pribavljanja i procjena bitnih
kreditnih podataka.
8. Loš odabir kredita – odobravanje kredita s prvobitno niskim nivoom
finansijskih rizika u iznosu koji premašuju razumnu platežnu sposobnost
dužnika, krediti kod kojih je učešće u ukupnim troškovima finansiranja
projekta koji snosi banka razmjerno visoko u odnosu na kapitalnu investiciju
4 H.Geruning, S.B.Bratanović, „Analiza i upravljanje bankovnim rizicima“, str.150, drugo izdanje, Mate Zagreb
8
vlasnika, krediti koji se zasnivaju na očekivanju o uspješnom završetku
poslovne transakcije a ne na kreditnoj sposobnosti dužnika, krediti
preduzećima koja posluju u ekonomski problematičnim područjima, krediti
odobreni zbog visokog iznosa depozita u banci a ne ekonomski opravdane neto
vrijednosti ili sredstva osiguranja i krediti koji se zasnivaju na kolateralu
problematične likvidacijske vrijednosti ili osigurani krediti kod kojih izostaju
odgovarajuće marže osiguranja.
4. Kreditni skoring
Kvantifikacija rizika predstavlja jedan od osnovnih izazova savremenog bankarstva i
finansija a osnovni cilj kvantifikacije kreditnog rizika vezan je za procjenu potencijalnog
gubitka koji nastaje kao posljedica prirode posla koji banka obavlja. Difolt (eng. default)
predstavlja status dužnika banke koji označava nemogućnost dužnika da izmiruje svoje
ugovorene obaveze prema povjeriocu, odnosno banci5 a vjerovatnoća difolta dužnika (eng.
probability of default - PD) predstavlja vjerovatnoću da će dužnik (druga ugovorna strana) ući
u status neizmirenja obaveza u periodu od godinu dana6. Kako bi se ovakve situacije izbjegle,
odnosno kreditni rizik ublažio, banke upravljaju kreditnim rizikom tako što vrše selekciju i
kredite odobravaju samo klijentima koji ispunjavaju odgovarajuće kriterijume.
Finansijske i kreditne institucije se koriste različitim sredstvima i alatima prilikom
donošenja odluke o tome da li odobriti kredit ili ne. Među tim alatima posebno je važno
spomenuti credit scoring ( u daljnjem tekstu kreditni skoring), kao statistički izveden alat koji
obuhvata skoring karticu i skup statističkih podataka. Kreditni skoring je sistem gdje se
dodeljuje numerička ocjena svakoj od ulaznih karakteristika klijenta, a suma svih numeričkih
ocjena se zatim upoređuje sa postavljenim pragom (eng. threshold)7. Fair, Isaac and Company
je 1959 godine razvila prvu skor-karticu za American Finance Inc. koja se bavila indirektnim
kreditiranjem kupovine automobila. Kreditni skoring je savremen način za selekciju dužnika i
mjerenje izloženosti prema kreditnom riziku koji se u velikoj mjeri zasniva na ubrzanju i
automatizaciji procesa odobravanja kredita. Prvobitni radovi u polju procjene vjerovatnoće
difolta vezani su za (Beaver, 1967) i (Altman, 1968) koji su razvili modele za predikciju
difolta kompanija koristeći finansijske omjere ili finansijska racija kao nezavisne varijable.
5 Narodna banka Srbije, 2010.
6 Narodna banka Srbije, 2010.
7 http://denebs.com/wp-content/uploads/2011/07/Seminar-o-razvoju-kreditnog-skoringa-SME-segment.pdf
9
Beaver prezentira prvi moderan statistički model za predviđanje finansijskog neuspjeha. On
je svoj model bazirao na finansijskim omjerima koji se izračunavaju na temelju
računovodstvenih podataka. Od 30 omjera, pokazalo se da 3 najbolje predviđaju finansijski
neuspjeh8:
(1) tok novca/ukupna imovina
(2) čisti prihod/ukupni dugovi
(3) tok novca/ukupni dugovi
Za svaki pojedini omjer Beaver je izračunavao graničnu vrijednost pa je preduzeće s
omjerom iznad te vrijednosti smješteno u grupu potencijalno uspješnih dok je preduzeće s
vrijednošću omjera ispod definisane smješteno u grupu potencijalno neuspješnih preduzeća.
Prvi model u kojem počinje primjena multivarijatnog pristupa bio je Altmanov Z skor model.
Ovaj model bazira se na finansijskim indikatorima gdje svaki od njih ima odgovarajući
ponder. Zbirom ponderisanih finansijskih indikatora dobija se Z – skor, od čije vrijednosti
zavisi u kojoj će se zoni kreditne sposobnosti dati zajmotražilac naći. I kod Altmanovog
modela definišu se vrijednost na temelju kojih finansijska institucija donosi odluku. Naime,
zahtjevi za kredit se prihvaćaju ako je Z-skor preduzeća iznad definisanog Z-skora i obrnuto.
Opšta formula profesora Altmana na osnovu koje se se izračunava Z- skor je:
Z = 0,012 X1 + 0,014 X2 + 0,033 X3 + 0,006 X4 + 0,010 X5
U početku bilo je 30 pokazatelja odnosno finansijskih odnosa na osnovu kojih se
utvrđiva Z - skor, a na kraju izabrano je pet finansijskih odnosa. Ponderi (0,012 do 0,010) su
konstantne veličine dobijene na osnovu empirijskih studija.
Odnosi koji su prezentirani sa X1 do X5 izračunavaju se na sljedeći način:
X1= tekuća aktiva/ukupna aktiva (Curent assets/Total Assets)
X2 = zadržani dobitak/ukupna aktiva (Retained profit/Total assets)
X3 = operativni dobitak/ukupna aktiva (Operativy Profit/ Total Assets)
X4 = tržišna vrijednost glavnice/knjigovodstvena vrijednost ukupnog duga
(Market value of Equiti/Book Value of Total Debt)
X5 = prihodi od prodaje/ukupna aktiva ( Sales/Total assets)
Struktura za sagledavanje zone i kvantifikacije kreditne sposobnosti privrednog
subjekta dobija se na osnovu sljedeće matrice:
8http://oliver.efos.hr/nastavnici/nsarlija/projekti/doc/Modeli%20bazirani%20na%20racunovodstvenim%20podac
ima.pdf
10
Z skor Zona
Z < 1,81 Zona bankropstva
1,81 < Z < 2,99 Siva zona
Z > 2,99 Bezbjedna zona
Tabela 1: Zeta skor model
Zavisno od djelatnosti preduzeća postoje i posebne Altmanove formule pa tako za
privatne firme: Z = 0, 717 X1 + 0, 847 X2 + 3,107 X3 + 0, 420 X4 + 0, 998 X5; gdje je:
X1 = (tekuća aktiva – tekuće obaveze)/ukupna aktiva, X4 = knjigovodstvena vrijednost
akcionarskog kapitala (equity)/ukupne obaveze, dok su X2, X3 i X5 kao u osnovnoj formuli.
Ovdje je Z - skor preko 2,90 sigurna zona, od 1,23 do 2, 90 je siva zona, a ispod 1,23
zona bankropstva. Za proizvodne industrijske firme, neproizvodne industrijske firme i
kredite privredama sa tržištima u razvoju model izgleda ovako:
Z = 6,56 X1 + 3,26 X2 + 6,72 X3 + 1, 05 X4; gdje se X1, X2, X3 i X4 izračunavaju
kao u predhodnom slučaju, s tim da je Z skor preko 2,66 sigurna zona, od 1,1 do 2,6 siva
zona, a ispod 1,1 zona bankropstva9.
Nakon Z-skor modela Altman, Haldeman i Narayanan kreiraju ZETA model10
. Svrha
ZETA modela, koji je kreiran 1977, bila je analizirati i testirati klasificiranje preduzeća na ona
koja će bankrotirati i na ona koja neće. Model je uspješan u klasificiranju preduzeća 5 godina
prije bankrota na uzorku proizvodnih i trgovačkih preduzeća. Prosječna visina imovine
analiziranih preduzeća bila je približno 100 milona dolara. Niti jedno preduzeće nije bilo
slabije od 20 miliona dolara u aktivi. Tačnost modela iznosi više od 90% za klasificiranje
preduzeća jednu godinu prije bankrota i 70% pet godina prije bankrota. Iako je uzorak bio
sastavljen od proizvodnih i trgovačkih preduzeća, to nije negativno uticalo na rezultat. Uzorak
za ovo istraživanje sastojao se od 53 neuspješna preduzeća od kojih je 29 proizvodnih i 24
trgovačkih, te od 58 uspješnih preduzeća među kojima je bilo 32 proizvodna i 26 trgovačkih
preduzeća. Analizirano je 27 varijabli dok se konačan model sastoji od sljedećih sedam:
1. Povrat na imovinu – dobit/ukupna imovina
2. Stabilnost zarade
9 P. Kapor, „Bankarstvo“, str. 204, Megatrend univerzitet, Beograd, 2007.
10http://oliver.efos.hr/nastavnici/nsarlija/projekti/doc/Modeli%20bazirani%20na%20racunovodstvenim%20poda
cima.pdf
11
3. Dobit/ukupne plaćene kamate
4. Kumulativna profitabilnost – zadržana zarada/ukupna imovina. Ovo je
najvažnija varijabla u modelu. Ona uključuje starost preduzeća, dividendnu
politiku kao i profitabilnost mjerenu tokom vremena
5. Likvidnost – ukupna tekuća aktiva/ukupna tekuća pasiva
6. Kapitalizacija – vlasnički kapital/ukupni kapital. Obje su vrijednosti mjerene
kao 5 godišnji prosjek ukupne tržišne vrijednosti.
7. Veličina preduzeća – mjerena ukupnom imovinom preduzeća
ZETA model ima veću tačnost u odnosu na Z-skor model u klasifikaciji neuspješnih
preduzeća u radoblju od 2 do 5 godina prije bankrota, dok je tačnost za prvu godinu gotovo
jednaka za oba modela. Z-model je pokazao nešto veću tačnost u odnosu na ZETA model u
klasificiranju uspješnih preduzeća za razdoblje od dvije godine u slučaju kada je moguća
direktna usporedba.
Shema 1: Skoring proces i rejting11
4.1. Kome je namjenjen kreditni skoring?
Kreditni skoring sistem dodjeljuje jednu kvantitativnu mjeru, nazvanu score (skor),
potencijalnom komitentu predstavljajući buduće ponašanje u otplati dobijenog kredita a
analitičari identificiraju one karakteristike komitenta koje najbolje predviđaju otplatu kredita i
dodjeljuju svakoj karakteristici numeričku vrijednost tako da skoring sistem mjeri relativnu
11
http://denebs.com/wp-content/uploads/2011/07/Seminar-o-razvoju-kreditnog-skoringa-SME-segment.pdf
Klijent
Skor grupe
Dodjela internog
rejtinga
Prosječne
vjerovatnoće
difolta
7,85 – 8,15
6,85 – 7, 84
5,85 – 6,84
4,95 – 5,84
3,75 – 4,94
2,50 – 3,74
0 – 2,49
AAA
AA
A
BBB
BB
B
CCC
0,5 %
1,3 %
2,5 %
4,3 %
7,1 %
10,4 %
20,6 %
12
važnost date karakteristike u predviđanju otplate. Klasične metode o dodjeli kredita koriste se
subjektivnim ocjenama kreditnih referenata sastoji se od 50-tak pitanja kojima se odgovara sa
da ili ne tako da kreditni referent subjektivno interpretira informacije slijedeći formalne upute
i na temelju toga prihvaća ili odbija kreditni zahtjev. Ukoliko banka upotrebljava isključivo
kvantitativnu analizu, odnosno kreditni skoring, kreditni referent ubacuje tražene podatke u
model rezultat kojega je score odnosno ocjena na temelju koje se donosi odluka o odbacivanju
odnosno odobravanju kredita.
Glavni razlozi upotrebe kreditnog skoringa12
:
1. Targetiranje novih kupaca
2. Donošenje odluke o odobravanju kredita
3. Određivanje kreditnog limita
4. Određivanje kamatne stope
5. Predviđanje kreditnog ponašanja
6. Poduzimanje aktivnosti za minimiziranje gubitaka
Iz gore navedenog mogu se navesti osnovne prednosti ovog modela:
- Kvantifikuje rizik kao vjerovatnoću – umjesto subjektivne ocjene kreditnog
analitičara dobijamo numeričku (score) odnosno nominalnu (rating) ocjenu
kreditne sposobnosti,
- Konzistentnost – dva klijenta s istim karakteristikama će imati istu ocjenu
kreditne sposobnosti zbog nepristrasne procjene,
- Objašnjivost – moguće je objasniti (prikazom ulaznih varijabli u model) kako
svaka varijabla utiče na povećanje odnosno smanjenje vjerovatnoće difolta.
Kada govorimo o namjeni kreditnog skoringa on je namjenjen:
1. Bankama i ostalim finansijskim institucijama
2. Osiguravajućim društvima
3. Izdavateljima potrošačkih kartica i trgovačkim kućama
4. Telekomunikacijskim društvima
5. Kompanijama koje žele pronaći nove kupce/klijente
6. Kompanijama koje žele ispitati rizičnost svojih klijenata
Podaci o skoringu moraju biti sigurni od onih koji mogu da manipuliši sistemom. Tako
na primjer osoblje banke iz odjela prodaje u cilju da proda što više, moglo bi manipulisati
12
http://www.alphascore.hr/istrazivanje-i-razvoj/rnd/kreditni-skoring.html
13
načinom kreiranja rezultata. Iz toga razloga pozadina skoringa, mehanizam i ponderi
dodjeljivanja skorova moraju biti poznati samo procjenjivačima rizika i dobavljaču softvera
kao i administratorima sistema. Pored toga mora postojati sigurnost klijentovih podataka
unutar banke.
4.2.Vrste kreditnog skoringa
Nakon uvođenja standarda „Basel II“ kredit skoring modeli postali su obavzni. Budući
da svaka banka mora procjenjivati rizik i kvantificirati gubitak pri stečaju dužnika (eng. LGD
– loss given default), proširila se upotreba raznih metoda i modela za predviđanje stečaja
dužnika. Popularni modeli u SAD-u su (među ostalima) Moodyjev RiskCalc, CreditSightov
BondScore, Kamakura-pristup, KMV pristup, i Altmanov ZETA kredit skoring13
.
Preduslovi za razvijanje skoring modela se ogledaju kroz:
- postojanje odgovarajućih historijskih podataka,
- neophodna teorijska i praktična znanja,
- postojanje odgovarajuće metodologije za razvoj modela,
- postojanje matematičko statističkih alata
Postoje dvije vrste kredit skoringa s obzirom na podatke koji se koriste u njihovoj izgradnji:14
- Generički kredit skoring modeli – baziraju se isključivo na podacima kreditnih biroa
koji raspolažu milionima podataka o kreditnoj prošlosti klijenata koji imaju bankovni
račun. Na temelju takve baze podataka primjenom statističkih metoda i umjetne
inteligencije kreiraju se kreditni skoring modeli koji obuhvataju one karakteristike
zajmotražioca koje najbolje predviđaju buduće ponašanje u otplati kredita.
- Korisniku prilagođeni kredit skoring modeli (kustomizirani) – baziraju se na
podacima o klijentima konkretne finansijke institucije, dizajniraju se posebno za
svakog kreditora. Kustomizirani scoring je bolji i podesniji alat ali i vise košta.
Prednosti su i u tome što je precizniji u odnosu na potrebe banke, teško ga je
implementirati te zahtjeva znanje i resurse u banci.
Jedan takav model koji je razvija banka sama za sebe jeste Household model.
13
D. Sajter, „Pregled osnovnih metoda i istraživanja poslovnih poteškoća uz predviđanje stečaja“, Osijek, 2009.
14 N. Šaralija, „Upravljanje kreditnim rizicima, Ekonomski fakultet u Osijeku“, 2008.
14
HOUSEHOLD je vrsta scoring modela koji koristi Sparkase banka15
, kalkulacija
pomoću koje se dobije slika o klijentu koji traži kredit. Household predstavlja dobivanje
realne slike o finansijskom stanju klijenta i domaćinstvu u kojem on boravi. Postoje dva
omjera koja se moraju zadovoljiti:
- Omjer 1 predstavlja izračun individualne kreditne sposobnosti, odnosno uzima u obzir
samo pojedinačne podatke klijent,
- Omjer 2 uzima u obzir sve prihode i rashode (troškove domaćinstva), što znači da
uzima u obzir sve prihode i rashode cjelokupnog domaćinstva.
Da bi se kredit odobrio oba omjera moraju biti zadovoljena. Pored tih omjera u household-u
uzimaju se u obzir još i podaci klijenta, poput opštih podataka, zatim njegova neto plata, sva
ostala primanja koja idu isključivo preko računa u banci, te se na osnovu toga računa njegova
kreditina sposobnost koja u konačnici ima odobrenje ili odbacivanje kredita. Za koje modele
će se odlučiti banka (generičke ili kustomizirane) zavisi od niza faktora:
- Historijsko iskustvo u kreditiranju - da bi scoring bio smislen i prilagođen
potrebama potrebno je da postoji dovoljna količina informacija o kreditiranju u toj
banci.
- Očuvanje podataka - podaci o kreditiranju moraju biti u iskoristivoj, te elektronskoj
formi i formi koja se može jeftino obrađivati.
- Informacije o ishodu kreditnih odluka - informacije trebaju biti poznate, jer ako je
nepoznato kako se krasnije ponašao određeni kredit one nemaju smisla.
- Starost odluke - odluke moraju biti dovoljno stare da bi analiza imala smisla.
- Veličina uzorka - uzorak mora biti dovoljno velik i diverzificiran da bi analiza imala
smisla, dobavljači alata za scoring obično traže uzorak od 4500 aplikacija, i to 1500
dobrih klijenata, 1500 loših klijenata, 1500 odbijenih aplikacija za kredit, da bi
analizirali i razvili kustomiziran model scoringa za banku.
- Troškovi - podrazumijevaju razvoj, implementaciju i održavanje modela. Obično se
kreću od 30 000 do 80 000 eura za kustomizirane modele dok generički modeli
nemaju te troškove jer su već razvijeni ali imaju visoko naknadu za korištenje.
Danas na tržištu postoji preko 50 generičkih kredit skoring sistema koje sadrže preko
100 različitih kredit skoring modela.
15
15
4.3. Koraci u izgradnji skor kartice16
1. Studija provodljivosti - svrha joj je odrediti poslovne potrebe i mogućnosti izgradnje
skor kartice. Potrebno je difinisati: troškove i koristi projekta, objektivnost skor kartice
te zahtjeve i odgovornosti za svaku fazu izrade.
2. Definicija uzroka - znači prikupiti aplikacije koje će biti upotrebljene za izgradnju
kredit skoring modela. Potrebno je odrediti za svaku aplikaciju da li se radi o dobrom,
lošem, neodređenom, neaktivnom ili odbijenom zajmotražiocu.
3. Prikupljanje podataka - aplikacijski upitnici uobičajno sadrže demografke podatke o
komitentu, izvještaji kreditnog biroa, geo-demografske baze podataka, računi
kmitenata koje posjeduje finansijska institucija. Prilikom izgradnje kredit skoring
modela potrebno je poznavati kvalitetu podataka i eventualne slabosti odnosno sumnje
koje podaci nose.
Shema 2: Kreditni zahtjevi koje trebaju biti uključeni u uzorak korišten za izgradnju kredit
skoring modela
4. Analiza karakteristika - identificirati dobre od loših klijenata. Uobičajna procedura
je pravljenje klasa, odnosno grupiranje u razrede.
16
N. Šaralija, Upravljanje kreditnim rizicima, Ekonomski fakultet u Osijeku, 2008.
16
- Model s klasama - nezavisne varijable su kategorijalne sto znači i da su kontinuirane
varijable transformiaju u kategorijalne. Pogodan je u slučaju kada nema puno varijabli
jer se razredi rade ručno.
- Kontinuirani model - testiraju se različite transformacije nazavisnih kontinuiranih
varijabli. Odabire se najbolja transformacija koja ima najveću korelaciju sa zavisnom
varijablom.
- Miješani modeli – kombinacija kontinuiranih modela i modela s klasama.
Kontinuiranom modelu se dodaju vrijednosti klasificirane varijable kada je to
prikladno.
- Spline model - mali postotak varijabli nije pokriven ni sa jednom od spomenutih
tehnika, pa se onda takve varijable transformiraju spline funkcijama. Tabela17
pokazuje
dobre i loše zajmotražitelje prema varijabli „vizija - ima li zajmotražitelj viziju posla
kojim se želi baviti“. Stopa loših predstavlja prediktivnu sposobnost svakog atributa
odnosno vezu između vizije i rizika. Niska stopa loših kod poduzetnika koji imaju viziju
te visoka stopa loših kod poduzetnika koji nemaju viziju posla upućuje na zaključak da je
jasna vizija posla prediktor uspješnog posla koji može omogućiti otplatu kredita bez
kašnjenja odnosno nizak rizik i obrnuto.
Vizija Broj dobrih Broj loših % dobrih % loših Stopa loših
Nema viziju 2 12 1,5 17,91 85,71%
Ima viziju 23 5 17,30 7,46 17,86%
Uhodan posao 108 50 81,20 74,63 31,65%
Ukupno 133 67 100% 100% 50,38%
Tabela 2. Način analize karakteristika zajmotražitelja (vizija posla)
5. Zaključivanje o odbijanima – u ovom koraku potrebno je donijeti zaključak o tome
kakvi bi bili odbijeni komitenti da su bili prihvaćeni. Što je proces ocjenjivanja
sistematičniji, to su grupa odbijenih i grupa prihvaćenih manje slične. Na kraju procesa
procjene, svaki odbijeni dobije vjerovatnoću da će biti dobar odnosno loš. Postoje tri
procedure koje se mogu primijeniti u cilju donošenja zaključaka o odbijenima (Hand,
Jacka, Statistics in Finanse, 1998):18
17
http://www.alphascore.hr/
18 http://www.alphascore.hr/
17
- Prva ponuđena procedura - sve odbijene komitente stavlja u grupu loših klijenata pa
se statistička analiza izvodi na svim komitentima, uključujući i odbijene. Glavni
problem kod ovog pristupa je u tome što score-kartica dobivena na taj način samo
preslikava proces odobravanja kredita koji je trenutno važeći. To zapravo znači da ako
su odbijani dobri komitenti, nova će score-kartica dobivena ovom metodogijom
nastaviti odbacivati dobre komitente zato što su oni uključeni u analizu kao loši.
- Druga alternativa - pronaći odobrene zajmotražitelje koji po svojim karakteristikama
izgledaju vrlo slično odbijenima. Statistička analiza u cilju izrade score-kartice izvodi
se na svim komitentima.
- Treća alternativa se sastoji u izgradnji dva odvojena modela. Prvi skoring model kreira
se samo na temelju zajmotražitelja kojima je kredit odobren. Tim modelom se
scoriraju odbijeni pa se tako za svakog odbijenog dobije vjerovatnoća da će biti dobar
odnosno loš. Na temelju toga odbijeni se svrstavaju u grupu dobrih odnosno loših.
Novi model se zatim kreira na temelju svih zajmotražitelja, i odbijenih i prihvaćenih.
6. Modeliranje scor-kartice - score-kartica se kreira na temelju prihvaćenih aplikacija
za koje je poznato jesu li dobri ili loši komitenti i na temelju odbijenih aplikacija za
koje se procjenjuje jesu li dobri ili loši. Analitičari koji se bave izgradnjom kredit
skoring modela analiziraju povijesne podatke prethodno odobrenih kredita u cilju
određivanja karakteristika zajmotražitelja koje su važne u predviđanju individualnog
rizika.
7. Validacija scor-kartice – nakon što je završena izgradnja kredit scor modela, sve
aplikacije koje su sudjelovale u izgradnji modela se skoriraju upotrebom dobivenog
modela. Kreiraju se tablice koje se zovu „scor distribucije“ i one postaju mjerilo
uspješnosti modela.
8. Postavljanje strategija i implementacija – svaka finansijska institucija mora znati
kako se koristi kredit skoring te kako se kvalitetno upravlja pomoću tog sistema.
Postoje četiri ključna područja koja se moraju razmotriti kod implementacije kredit
skoringa:
- postavljanje granične vrijednosti kreditnog limita,
- provođenje testiranja,
- arhivirati skorove „kreditna ograničenja“ razloge donošenja odluka u cilju provođenja
analiza,
- efikasna komunikacija između odjela za kredit i odjela marketinga.
18
Kredit skoring modeli u mnogome su olakšali posao banaka. U tom kontekstu važno je
napomenuti prednosti skoring modela ali i nedostatke istih. Kredit skoring modeli imaju
sljedeće prednosti:19
- Objektivni su i konzistentni,
- Ako su dobro dizajnirani mogu eliminirati diskriminatornu praksu,
- Relativno jeftini,
- Relativno jednostavni i lahko se interpretiraju,
- Metodologija upotrebljena u izgradni je uobičajna i shvatljiva,
- Institucija je u mogućnosti ostvariti bolju uslugu komitentima svojom sposobnošću
bržeg odobravanja ili odbijanja zahtjeva.
Nedostaci kredit skoring modela su:20
- Oni mogu samo automatizirati postojeću kreditnu praksu banke, a malo rade na
eliminisanju pristrasnosti procesa nastalih u prošlosti,
- Ako varijable ne zadovoljavaju tražene predpostavke, tada je statistička validnost
modela u pitanju,
- Modeli mogu degradirati kroz vrijeme ako se populacija na koju se model primjenjuje
promjeni u odnosu na orginalnu populaciju prema kojoj je model dizajniran.
4.4.Kredit skoring modeli za stanovništvo
Krediti za stanovništvo mogu se podijeliti na:
1. Krediti koji se otplaćuju u ratama - podrazumijevaju peridoično plaćanje
glavnice i kamata.
2. Kreditne kartice i ostali revolving krediti - iako neke banke izdaju svoje
kreditne kartice s vlastitim logom i podržavaju je vlastitim marketinškim
naporima, većina ima franšizu za MasterCard ili Visu.
3. Krediti koji se ne otplaćuju u ratama - ograničeni broj potrošačkih kredita
zahtjeva plaćanje kamata i glavnice odjednom.
Cilj kreditne analize koja se provodi za odobravanje kredita stanovništvu je procijeniti
rizik koji je povezan s odobravanjem kredita. Tu se koristi 6 K (subjektivna) analiza:
19
N. Šaralija, Upravljanje kreditnim rizicima, Ekonomski fakultet u Osijeku, 2008.
20 N. Šaralija, Upravljanje kreditnim rizicima, Ekonomski fakultet u Osijeku, 2008.
19
1. Karakter - karakter je najvažnije, ali isto tako i najteže procijeniti.
2. Kapital - kapital se odnosi na mogućnost tražioca kredita što svakako utiče na
njegovu sposobnost vraćanja kredita.
3. Kapacitet - kapacitet je finansijska sposobnost komitenta da zadovolji otplatu kredita
kao dodatak troškovima života i ostalim obvezama.
4. Uslovi – odnose se na uticaj nekih ekonomskih promjena na sposobnost komitenta da
nastavi plaćanje.
5. Kolateral - važnost kolaterala je u osiguranju sekundarnog izvora plaćanja
6. Kontrola
Upotrebnom skoringa banka najveći akcenat stavlja na zaštitu od kreditnog rizika.
Međutim važno je napomenuti kako se banka štiti od valutnog, operativnog i kamatnog rizika
kada koristi skoring prilikom kreditiranja stanovništva21
:
- od valutnog rizika banka se treba zaštiti ugovaranjem odgovarajuće valutne klauzule
kroz ugovore o kreditu,
- od kamatnog rizika banka se treba zaštiti ugovaranjem varijabilne kamate, a voditi
računa o tome da se dobrom integracijom skoringa sa osnovnim bankarskim
sistemom, ispravnim formama ugovora i modulom naplate izbjeći problemi koji bi
eventualno nastali iz pogrešnog obračnuna kamate kod izmjene osnovne stope
klijentu,
- od operativnog rizika banka se treba zaštiti kako aktivnostima u samom skoringu kao
što je zaštita podataka, tako i metodama specifičnim za procedure kreditiranja.
Skoring za kredite stanovništvu obuhvata radnje evidencije zahtjeva za kredit, ocjene
zahtjeva, koji uključuje provjeru kreditne sposobnosti prema parametrima i skoring karti koju
definiše banka, uključujući i preuzimanje podataka iz kreditnog biroa, i rješavanja kreditnog
zahtjeva kao konačne odluke u postupku odobravanja kredita.
21
S. Šehić, „Menadžment rizika u standardiziranim poslovnim aktivnostima: magistarski rad“, Sarajevo, 2009.
20
Tabela 3: Varijable koje se obično korsite pri odobravanju potrošačkih kredit
Kriteriji banaka u Japanu
Maksimalan udio obveza iznosi 60
Minimalna starosna dob 25 godin
Dužina vremena na trenutnom poslu min. 2 godin
Tip industrije u kojoj je osoba zaposlena:
nepoželjno je da je osoba zaposlena u show-
business-u nepoželjno je da je osoba vozač taksija
Tabela 4: Varijable koje koriste banke u Japanu prilikom odobravanja potrošačkih kredita
Kriteriji banaka u SAD-u
Najmanje jedna godina na postojećoj adresi stanovanja
(potreban telefonski broj; potreban dokaz o stambenom statusu)
Trogodišnja historija stanovanja koja se može provjerit
Najmanje jedna godina na postojećem poslu
Trogodišnja historija zaposlenja koja se može provjerit
Zahtjevana dužina zaposlenja
Minimalan mjesečni prihod $1500 (potrebna je potvrda koja to
dokazuje)
Samozaposleni moraju dati potvrdu o prihodu
Udio obveza za plaćanje automobila, hipoteke, osiguranja, tekućih
Karakteristike (varijable)
Vrijeme provedeno na jednoj adresi
Stambeni status
Telefon (ima/nema)
Prosječan godišnji prihod
Kreditne kartice (ima/nema)
Tip bankovnog računa (ček/štednja/ništa)
Dob
Broj sudskih tužbi
Zanimanje
Namjena kredita
Bračni status
Koliko dugo godina ima otvoren račun u banci
Koliko dugo radi na trenutnom poslu
21
kredita i
drugih fiksnih obveza ne smije prelaziti 50%
Čisti rejting kreditnog biroa
Tabela 5: Varijable koje koriste banke u SAD-u prilikom odobravanja kredita za automobil22
Većina tehnika koje se koriste za konstruisanje i validaciju modela kreditnog rejtinga
pravnih lica primjenjuje se i u skoring modelima za fizička lica. S obzirom da je bankarstvo
vrlo dinamična kategorija, sa porastom potrošačkih kredita banke više nisu mogle obraditi
veliku količinu zahtjeva za kreditima ručno pa su se sve više okrenule kreiranju i upotrebi
kredit skoring modela. Poželjne osobine modela kreditnog skoringa23
:
1. Tačnost
2. Jednostavnost
3. Netrivijalnost
4. Izvodljivost
5. Transparentnost
6. Ekonomski smisao
Govoriti o skoringu a ne spomenuti FICO skoro je pa nemoguće. Naime FICO skor je
danas najkompletniji i najzastupljeniji skoring za fizička lica, prvenstveno u SAD-u. FICO
skro se rastavlja na sljedeće dijelove:
- 35% - historija plaćanja kreditnog računa,
- 30% - iznos zaduženja koju komitent ima kod svojih kreditora,
- 15% - dužina kreditne historije odnosno koliko je osoba dugo kreditni korisnik,
- 10%- novi kredit (da li je komitent dobio neke kredite u predhodnim mjescima),
- 10% - vrsta kreditnog skoringa.
22
http://www.mathos.hr/upravljanjekr/materijali/Kredit%20scoring%20modeli%20za%20stanovnistvo%20(ppt).
23 http://www.econ.upf.edu/~bozovic/master/Rizik-7.pdf
22
Slika 1: FICO skor
Najveći akecant se stavlja na historiju plaćanja (35%). Što je i logično jer prva i
osnovna stvar koju novi kreditor želi znati o potencijalnom dužniku jeste kako je u prošlosti
servisirao svoje obaveze. Unutar historije plaćanja najviše se analizira kašnjenje odnosno
iznosi ranijih kašnjenja, vrsti i dužini kašnjenja itd. FICO unutar skoringa ima vrlo
diverzificiran sistem ocjenjivanja svakog specifičnog podatka pa tako će kašnjenje od 90 dana
biti bodovima više sankcionisano nego kašnjenje od 60 dana.
Iznos zaduženja (30 %) je sljedeći važan faktor. Ovdje se misli na ukupno zaduženje
u zemlji po bilo kom osnovu u odnosu na ukupna primanja. FICO će uzeti u obzir ne samo
ukupnu sposobnost servirsiranja uvećanu za novi predmetni zahtjev, nego i učestalost
zaduživanja, prosječno korištenje vremensko i novčano odobrenih zahtjeva, iznos zaduženja
koji se u svakom trenutku nalazi na svim računima. Tako će bolji rezultat imati osoba sa
većim neizmirenim dugom na jednoj kartici nego osoba sa manjim neizmirenim dugom na 5
ili 6 kartica.
Dužna kreditne historije (15 %) je sljedeći faktor po važnosti. Što je duža kreditna
hisorija FICO rezultat će biti bolji. FICO pravi distinkciju između onih koji imaju jako dugu
kreditnu historiju, ali u posljednje vrijeme ne koriste kredite, i onih koji kraće, ali redovnije,
koriste kredite.
Novi kredit nosi ponder 10 % i u ovom slučaju FICO posmatra novo traženo
zaduženje i njegove karakteristike a dovodi ga u vezu sa historijskom učestalosti zaduživanja.
35%
30%
15%
10%
10%
FICO skoring
Historija plaćanja
Iznos zaduženja
Dužina kreditne historije
Novi kredit
Vrsta kreditnog skoringa
23
Na primjer osoba koja u relavitno kratkom roku traži zaduženje na više mjesta smatra se
rizičnim klijentom.
Posljedni faktor jeste vrsta kreditnog skoringa (10 %) i suštinsko pitanje jeste da li
osoba ima zdrav miks kredita po namjeni i iznosu
U FICO modelu se koriste samo one informacije koje su prediktori budućeg ponašanja
pri otplati kredita. Što je veći skor, manji je rizik odnosno što je manji skor, veći je rizik.
Potrebno je odrediti graničnu vrijednost koja dijeli “dobre” komitente od “loših”. Od 300 do
850 je rang FICO kredit skora. 723 je srednji FICO kredit skor a na tržištu SAD srednji FICO
skor je 678. Skor 620 ili niže znači da je vaš kredit “subprime” što znači da ćete kredit vraćati
po većoj kamatnoj stopi nego po kojoj ste posudili sredstva24
.
FICO April 2008 April 2009 April 2010
300- 449 7,2 7,4 6,9
500 - 549 8,2 8,7 9,0
550-599 8,7 9,1 9,6
600-649 9,6 9,5 9,5
650-699 12,0 12,0 11,9
700-749 16,0 15,9 15,7
750-799 19,6 19,4 19,5
800-850 18,7 18,2 17,9
Ukupno 100 100 100
Tabela 6: FICO skor distribucija na tržištu SAD25
4.5.SME skoring model
Skoring modeli za mala i srednja preduzeća ( u nastavku SME) imaju nekoliko
spcifičnosti od kojih su najvažniji:
- kombinacija osobnih rata kredita samog poduzetnika i finansijskih izvještaja njegovog
preduzeća,
- kreditna sposobnost malog poduzetnika direktno je povezana s finansijskim profilom
vlasnika preduzeća,
24
http://www.baselinemag.com/c/a/Business-Intelligence/Bad-Credit-Could-Cost-You-A-Job-210188/
25 http://bankinganalyticsblog.fico.com/2010/07/fico-scores-drift-downward.html
24
- želja i sposobnost vlasnika preduzeća da plaća svoj osobni kredit korelirana je sa
sposobnošću i željom preduzeća da plaća poslovni kredit.
Najveći broj kredit skoring modela za preduzeća obuhvaća finansijske pokazatelje.
Kada su u pitanju velika preduzeća i javne ustanove oni raspolažu struktuiranim
finansijskim izvještajima o svim svojim operacijama, poduhvatima i finansijama. Kod SME
situacija je nešto drugačija. Naime, kod SME nekad je teško upotrijebiti finansijske omjere
upravo zato što se osobna aktivnost vlasnika i poslovna aktivnost preduzeća isprepliću i
kombinuju. Empirijska istraživanja Fair, Isaac and Co. Inc. pokazuju da podaci koji se pomno
ispituju i uzimaju u obzir kod tradicionalnog načina ocjenjivanja ne moraju biti ključni u
određivanju budućeg plaćanja kada se radi o malom preduzeću. Jedan od razloga jeste i to da
manja preduzeća nemaju obvezu redovnog izvještavanja, a i kad objavljuju finansijske
izvještaje oni ne moraju biti revidirani. Također rezultati poslovanja SME variraju jer samo
jedna velika narudžba može u potpunosti promjeniti finansijsku sliku poslovanja preduzeća za
određeni period26
.
Neophodan uslov za započinjanje procesa razvoja kreditnog rejtinga nad segmentom
SME je prikupljanje i strukturiranje podataka o:
1. Difolt SME klijenata
2. Podacima iz bilansa stanja i uspjeha – konstrukcija finansijskih racija
Varijabla difolta ili ciljna varijabla (eng. target variable), predstavlja ključnu
informaciju za procenu vjerovatnoće difolta. Na osnovu ove varijable stiču se ključne
informacije o kreditnom ponašanju klijenata. Naime, kod klijenata za koje se smatra da su u
statusu difolta ova varijabla je binarnog tipa i sadrži vrijednost „1“ (loš – difolt SME
klijent); „0“ (dobar – uredan SME klijent).
Skoring proces za SME segment može se predstaviti ovako:
1. Stvaranje razvojnog (eng. development) uzorka
2. Detaljna analiza i tumačenje varijabli
3. Transformacija ulaznih varijabli
4. Estimacija parametara modela
5. Provjera performansi razvijenog skoring modela
6. Implementacija i praćenje skoring modela
26
Z. Bohaček, N. Šarlija, M. Benšić, Upotreba kredit skoring modela za ocjenjivanje kreditne sposobnosti malih
poduzetnika, 2008.
25
Nakon evidentiranja prijema zahtjeva u front office-u, zahtjev se sa pratećom
dokumentacijom (rješenje o registraciji, izvod iz statistike, bilans stanja, bilans uspjeha itd)
prosljeđuje u back office gdje se vrši dopuna zahtjeva sa podacima iz dobijene dokumentacije.
Po završetku unosa svih relevantnih podataka (podaci iz zahtjeva, bilans stanja i bilans
uspjeha) zahtjev se aktivira, što znači da se više ne može mijenjati i dopunjavati bez posebnih
privilegija, koje se po pravilu vrlo restriktivno dodjeljuju. U procesu aktiviranja kredita
automatski se provjeravaju preduslovi za dobijanje kredita i ocjenjuje zahtjev komitenta
postupkom bodovanja. Kao razultat ove procedure dobija se ukupan kreditni limit komitenta,
maksimalni rok važenja kredita, minimalni procenat obezbeđenja i maksimalni popust na
kamatu. Rješavanja zahtjeva i donošenje konačne odluke vrši Risk manadžer. Ukoliko se
zahtjev odobri proces se nastavlja redovnim postupkom obrade kredita, u suprotnom zahtjev
se prebacuje u stanje odbijen. Sve do momenta realizacije kredita zahtjev može biti povučen.
Princip „dva para očiju“ (jedan operater unosi zahtjev i/ili potvrđuje prijem zahtjeva i
automatski pušta obradu skoringa, a drugi ocjenjuje rezultate skoringa i donosi odluku ili daje
preporuke) postiže se programskom kontrolom. Zahtjevi koji nisu zadovoljili uslove skoringa,
, mogu se proslijediti na rješavanje sa pozitivnom preporukom. Isto tako pozitivno ocjenjeni
zahtjevi se mogu poslati na rešavanje sa negativnom preporukom. Proces obrade skoringa se
modelira kriterijumima koje definiše administrator kredita, za svaku vrstu kredita ponaosob.
Na osnovu ovako zadatih kriterijuma, procedura skoringa analizira odgovore na pitanja zadata
kroz zahtjev za kredit i podatake dobijene iz informacionog sistema i na osnovu njih donosi
odgovarajuću ocjenu27
. Racija koji se razmatraju prilikom analize to su:
- Aktivnost (A - activity)
- Tokovi gotovine (C - cash flow)
- Rast (G - growth)
- Leveridž (L - leverage)
- Likvidnost (Q - liquidity)
- Profitabilnost (P - profitability)
- Veličina (S - size)
- Ostalo (O - other)
27
http://www.antegra.com/download/antegra_sr.pdf
26
Slika 2: Arhitektura podataka za SME skoring model
27
5. Zaključak
Skoring modeli upravljenja kreditnom politikom banaka imaju za cilj standardizaciju i
pojednostavljenje procesa odobravanja kredita kao i bolje upravljanje kreditnim rizikom.
Posmatrano sa tog aspekta mogli bismo reći da, na osnovu navedenog u radu, skoring modeli
su ostvarili cilj. Postoji nekoliko osnovnih razloga zbog čega banke korsite skoring modele:
- omogućavaju povećanje prihoda jer brži i efikasniji proces kreditiranja povećava
konkurentnost banke i omogućava veći volumen prodaje,
- omogućavaju smanjenje troškova radne snage jer efikasnot i automatizovanost procesa
odobravanja kredita umanjuju potrebu za brojem ljudi koji rade na obradi kredita,
- omogućavaju smanjnje troškova rizika jer omogućava bolji kvalitet portfolija i
implicira manje troškove rezervisanja za kreditne gubitke.
Korisnici kredit skoring modela posebno su zadovoljni ovim modelima jer ovaj sistem
snižava vrijeme koje je potrebno za donošenje odluke o tome odobriti li kredit ili ne sa
prijašnjih 12 sati na 15 minuta što jasno ukazuje na važnost i neophodnost primjene skoring
modela u bankama ali ne samo u ovim finansijskim institucijama već i u drugim finansijskim
institucijama koje odluke donose na rangiranju klijenata. Što finansijske institucije više
koriste skoring to imaju i više koristi od njega a i što se više koristi, to je sve tačnije
predviđanje kreditnog ponašanja, predviđanje dobitaka i gubitaka.
S druge strane važno je napomenuti da skoring modeli imaju i nedostatke, kako je već
navedeno u radu, ali ipak prednosti kroištenja skoring modela uveliko su premašili nedostatke
tako da u budućnosti možemo očekivati da će tradicionalni metod odobravanja kredita biti u
potpunosti zamjenjen skoring modelima.
28
6. Literatura
1. D. Sajter, „Pregled osnovnih metoda i istraživanja poslovnih poteškoća uz predviđanje
stečaja“, Osijek, 2009
2. H. Geruning, S.B. Bratanović, „Analiza i upravljanje bankovnim rizicima“, drugo
izdanje, Mate Zagreb
3. N. Šaralija, Upravljanje kreditnim rizicima, Ekonomski fakultet u Osijeku, 2008
4. P. Kapor, „Bankarstvo“, Megatrend univerzitet, Beograd, 2007.
5. P. S. Rose, „Menadžment komercijalnih banaka“, četvrto izdanje, Mate 2003.
6. S. Komazec, B. Krstić, A. Živković, Ž. Ristić, „Bankarski menadžment upravljanje
savremenim bankarstvom“, Beograd, 1998.
7. Z. Bohaček, N. Šarlija, M. Benšić, Upotreba kredit skoring modela za ocjenjivanje
kreditne sposobnosti malih poduzetnika, 2008
8. Internet:
- http://denebs.com/wp-content/uploads/2011/07/Seminar-o-razvoju-kreditnog-
skoringa-SME-segment.pdf
- http://oliver.efos.hr/nastavnici/nsarlija/projekti/doc/Modeli%20bazirani%20na%20rac
unovodstvenim%20podacima.pdf
- http://www.alphascore.hr/istrazivanje-i-razvoj/rnd/kreditni-skoring.html
- http://www.mathos.hr/upravljanjekr/materijali/Kredit%20scoring%20modeli%20za%20stanov
nistvo%20(ppt).pdf
- http://www.econ.upf.edu/~bozovic/master/Rizik-7.pdf
- http://www.baselinemag.com/c/a/Business-Intelligence/Bad-Credit-Could-Cost-You-A-Job-
210188/
- http://bankinganalyticsblog.fico.com/2010/07/fico-scores-drift-downward.html
- http://www.antegra.com/download/antegra_sr.pdf