43
На сегодняшний день, помимо классических кредитных рисков, важную
роль при принятии решений ПАО «Сбербанк¬ отводит так называемым ESG-
рискам или рискам устойчивого развития. Банк в своем развитии отдает
предпочтение «зеленым¬ проекта, заемщикам, деятельность которых
соответствует принципам устойчивого развития и ответственного ведения
бизнеса.
Игнорирование ESG-повестки в современном мире может повлечь
репутационные риски для банка, и, как следствие, привести к финансовым
потерям и снижению доверия к банку как к крупнейшему финансовому
институту.
Для целей минимизации ESG-рисков в процессе оценки заемщиков в
рамках кредитования, а также оценки бизнеса и инвестиционных проектов, в
ПАО «Сбербанк была разработана модель на основе искусственного
интеллекта ESGify. Задачами указанной модели является проверка клиентов,
поставщиков и иных контрагентов банка на соответствие принципам ESG, а
также ESG-оценка инвестиционных проектов. [29, c.1]
Указанная модель использует технологию Natural Language Processing и
позволяет осуществлять обработку и структурировать текстовую
информацию. В основу обучения указанной модели были заложены 2 500
текстов, написанные на тему ESG-рисков. Результатом работы модели
является соотнесение текстов из открытых источников о заемщиках или их
инвестиционных проектов с каким-либо из видов реализовавшегося риска и
указать на соответствие либо на отсутствие ESG-рисков. [29, c.1]
Еще одним важным видом рисков, которые могут влиять на реализацию
или нереализацию кредитных (платежных) рисков не только в ПАО
«Сбербанк¬, но и в любой другой кредитной организации – это комплаенс-
риски. С одной стороны, комплаенс – риски – это отдельная сфера
44
деятельности, но с другой стороны они тесно связаны с процессом
кредитования. [32, c.1]
В современном мире, крайне важно оценивать риски конфликта
интересов, легализации средств, коррупционные риски и тому подобное.
Особое значение риски-комплаенс приобретают, когда в структуре кредитной
сделки фигурирует компания-нерезидент. В оценке комплаенс-рисков
процессы автоматизации также активно развиваются и позволяют охватить
большой объем задач, как в рамках онлайн-мониторинга комплаенс-рисков,
так и в режиме пост-контроля.
Высокоинтеллектуальная система управления комплаенс-рисками в
кредитовании анализирует вероятность вовлечения потенциального заемщика
в сомнительную деятельность. Каждой операции присваивается так
называемый «скоринговый балл¬, отражающий определенный уровень риска,
по итогу которого принимается решение, на какой операции следует
акцентировать особое внимание. Модель делает свои выводы на основе
большого количества аналогичных сделок в прошлом, беря за основу своего
«обучения¬ выводы, которые делали аналитики комплаенс применительно к
схожим транзакциям в прошлом. [32, с.1]
Итак, в настоящем параграфе были подробно рассмотрены способы
совершенствования управления кредитным рисками, а также смежными
рисками, реализация которых может также привести к реализации кредитных
рисков.
В следующем разделе исследования автор предложит собственное
видение того, какие пути улучшения и увеличения эффективности кредитного
процесса могут быть внедрены в деятельности ПАО «Сбербанк¬
45
3.2. Пути совершенствования банковского кредитования в ПАО
«Сбербанк¬
В разделе 2.3. настоящего исследования автором были приведены
основные недостатки и ограничения процесса кредитования в ПАО
«Сбербанк¬. В настоящем разделе будут предложены пути
совершенствования и преодоления недостатков и ограничений, пока не
позволяющих максимизировать эффективность процесса кредитования.
Итак, в настоящий момент существует два в целом самостоятельных
друг от друга механизма кредитования: классический механизм кредитования
с использованием большого количества участвующих подразделений и
онлайн-процесс, где вся цепочка от подачи заявки клиентом до подписания
кредитной документации реализуется в режиме онлайн с использованием
технологий искусственного интеллекта.
Целью ПАО «Сбербанк¬ на сегодняшний день является автоматизация
тех процессов, которые автоматизировать возможно. Таким образом,
ключевым направления дальнейшего развития может стать трансформация
классического механизма кредитования и его максимальная автоматизация.
[31, c.1]
Реализуемый полностью онлайн механизм кредитования на
сегодняшний день применяется в 80% сделок оборотного кредитования,
реализуемых в ПАО «Сбербанк¬. Данную цифру назвал первый заместитель
Председателя правления ПАО «Сбербанк¬ А.А. Ведяхин в 2023 году. [22, c.1]
Однако доля таких кредитов по объему пока не очень большая, что
обусловлено, вероятнее всего, тем, что наиболее крупные сделки реализуются
с крупнейшими клиентами, индивидуальный подход к которыми (уникальные
ковенантные пакеты, специфические индивидуальные формулировки
кредитной документации) не позволяет пока унифицировать данный сегмент.
46
Оставшиеся 20% сделок оборотного кредитования реализуется по
классическому пути, поскольку есть определенные ограничения по типу
контрагентов, описанные в 2.3. настоящего исследования.
При этом, цифры, указанные выше, применимы только к сделкам
оборотного кредитования, то есть «унифицированным¬ сделкам и пока не
относятся к сделкам проектного финансирования.
Исходя из вышеизложенного, ключевыми направлениями
совершенствования механизмов кредитования юридических лиц являются:
1. Автоматизация сделок проектного финансирования и
инвестиционного кредитования
2. Расширение групп клиентов, к которым возможно применение
онлайн-процессов
С точки зрения автора, возможным способом автоматизации сделок
проектного финансирования и инвестиционного кредитования является
совмещение двух процессов: классического и онлайн-процесса. В настоящий
момент в ПАО «Сбербанк¬ механизм устроен таким образом, что, либо
кредитная заявка проходит целиком в классическом процессе, либо
реализуется полностью онлайн, процессными документами не предусмотрены
смешанные формы кредитного процесса.
Решение проблемы автор видит в частичном совмещении технологии
искусственного интеллекта и участия человека. Основная идея состоит в том,
что, по аналогии, с существующим сейчас онлайн-процессом, весь процесс
будет разбит на множество операций (от подачи заявки на кредит до
формирования и подписания кредитной документации), каждая операция
будет автоматизирована, однако, в случае каких-либо трудностей, появления
нестандартных условий кредитной заявки, с которыми искусственный
интеллект ранее не сталкивался, данная конкретная операция, на которой
47
произошел сбой будет передаваться в работу сотруднику. После выполнения
операции сотрудником, он будет возвращать кредитную заявку обратно в
онлайн-процесс на следующую стадию, и онлайн-реализация будет
продолжаться.
Безусловно, основным отличием проектного финансирования от
коммерческого (оборотного) кредитования, которое обуславливает
трудоемкость всего процесса и сложность его унификации, является
построение и верификация финансовой модели проекта, расчет его
окупаемости. Хотя бы частичная унификация/автоматизация данного этапа
существенно сократит трудозатраты на весь процесс, в связи с чем автор
отдельно остановится на этой части кредитного процесса.
На взгляд автора, возможным решением могла бы стать обучаемая
модель на базе искусственного интеллекта, которая бы строила такие
финансовые модели проектов.
Основу для «обучения¬ такой модели могут составлять данные,
используемые для построения специалистами банка моделей по
аналогичным/смежным проектам в прошлом, а также драйверы роста и
стоимостные показатели деятельности, которые использовались для
аналогичных смежных/проектов. Расходная часть бы корректировалась на
текущий уровень цен, индекс потребительских цен/цен производителей.
Конкретные метрики, служащие основой для построения
индивидуальной модели для каждого проекта, будут указываться в анкете,
которую будет заполнять потенциальный заемщик.
Например, для проектов в сфере финансирования недвижимости, клиент
в анкете будет указывать, в том числе, но не исключительно, такие параметры,
как: регион застройки, площадь жилой стройки, класс дома, тип используемых
материалов, площадь коммерческих помещений, сроки ввода в эксплуатацию,
48
собственное участие в проекте, социальные обязательства застройщика
(например, обязательства построить детский сад, школы, парки, фонтаны,
иные социальные и культурны объекты).
На основании уже профинансированных аналогичных объектов,
финансовые модели которых есть в базе банке и заложены в обучаемую
модель искусственного интеллекта, а также текущих уровней цен и
индивидуальных параметров проекта, отраженных в анкете клиента,
искусственный интеллект будет формировать модель прогнозных денежных
потоков по проекту.
Безусловно, до внедрения данной системы в промышленных масштабах,
необходима её калибровка и определение процента точности на тестовых
сделках. Чем больше тестовых кредитных заявок рассмотрит система, тем
выше будет степень её обучаемости.
С точки зрения автора, такие модели в первое время существования,
должны в обязательном порядке быть направлены на верификацию кредитным
специалистам, однако, даже в этом случае трудозатраты сотрудников
существенно снизятся, так как непосредственно построение финансовой
модели, зачастую, наиболее трудоемкий процесс, отнимающий больше всего
трудовых ресурсов и рабочего времени.
Вторым направлением совершенствования механизмов кредитования
автор видит расширение перечня контрагентов, на которые возможно
распространить онлайн-кредитование. Основная проблема в настоящий
момент заключается в том, что категория контрагентов, с которыми
заключаются наиболее крупные по объемы сделки, пока в значительной
степени не вовлечена в процесс онлайн-кредитования.
Причиной этому, как указывалось ранее в настоящем исследовании,
является тот факт, что у данных клиентов, в большинстве случаев, нетиповые
49
условия и формулировки кредитной документации, специфический
индивидуальный пакет ковенантных условий, что затрудняет процесс
автоматизации и унификации работы с такими клиентами.
Одним из решений автор видит создание единой внутренней базы
ковенантов и иных индивидуальных специфических условий для клиентов
крупнейшего бизнеса. Таким образом, в процессе автоматического
формирования кредитной документации, искусственный интеллект будет
обращаться к базе данных, в которой по каждому клиенту/холдингу будут
храниться нетиповые/нестандартные ковенанты и условия, которые уже были
утверждены ранее и содержаться в иной действующей документации таких
клиентов, то есть являются общепринятыми в рамках работы с конкретной
компанией/группой компаний.
Данная мера, с точки зрения автора, поможет избежать существенных
трудозатрат кредитных специалистов и специалистов подготовки
документации по «ручной сборке¬ нетиповой кредитной документации для
каждого заключаемого договора, создаст условия для автоматического
формирования документации.
Человеческие трудозатраты в данном случае будут сводиться лишь к
проверке такой документации на предмет корректности отображения до
отправки её клиенту. Таким образом, решение указанной проблемы вновь
лежит в плоскости взаимодействия искусственного интеллекта и человека – в
плоскости создания так называемого смешанного механизма кредитования.
Иной проблемой, указанной в предыдущей главе настоящего
исследования, является наличие просроченной задолженности, что зачастую
связано с неверной оценкой кредитоспособности заемщиков. Одним из
способов решения данной проблемы автор видит более активное
использование инструментов страхования.
50
Существует два основных механизма страхования, выбор которых
зависит главным образом от типа кредита:
страхование ответственности конкретного заемщика по контрактам с его
контрагентами в рамках текущей деятельности (Механизм 1);
страхование ответственности заемщика перед банком по обязательствам в
рамках кредитного договора (Механизм 2).
Более подробно механизм страхования описан в табл. 3.1.
Таблица 3.1.
Использование инструментов страхования для снижения кредитных
рисков ПАО «Сбербанк¬
Механизм 1
Механизм 2
Тип кредита
Оборотный (торговый) кредит
Кредит на прочие цели (н-р,
инвестиционный кредит)
Условие
страхового полиса
Переуступка кредитору
страхового возмещения
имущественных прав заемщика
по контрактам в рамках
текущей деятельности
Оплата кредитору суммы
задолженности в случае
просрочки платежа
Объект
страхования
Имущественные интересы
заемщика, связанные с
неисполнением своих
обязательств торговыми
контрагентами заемщика
Ответственность перед
кредитором за надлежащее
исполнения обязательств по
кредитному договору
Объем страхового
возмещения
~80% от объема
финансируемого торгового
оборота (контракта).
Определяется индивидуально.
~80% от суммы задолженности
по кредиту. Определяется
индивидуально
Страховые риски
Банкротство контрагента
заемщика (страхователя)
Длительная просрочка со
стороны контрагента
заемщика
Неуплата кредита в срок: выход
на просрочку
51
Далее автором будут рассмотрены пути решения проблемы, отраженной
в Главе 2 настоящего исследования и связанной с неверной оценкой
кредитоспособности заемщиков.
Как отмечалось ранее, неверная оценка кредитоспособности заемщика
происходит из-за того, что основной фокус оценки делается именно на
финансовом положении заемщика в отрыве от отрасли, в которой он действует
и основных конкурентов.
В связи с вышеизложенным, автор предлагает дополнить методику
оценки кредитоспособности анализом отраслевых и конъюнктурных рисков в
соответствии с рисунком 3.1. ниже.
Рисунок 3.1. Способы минимизации рисков неверной оценки
кредитоспособности
Использование PEST-анализа позволит выявить риск-факторы
макроэкономической среды и их влияние на деятельность заемщика. В рамках
анализа проводится исследования политических, экономических, социальных
и технологических факторов.
Способы минимизации рисков неверной
оценки кредитоспособности Заемщиков
Использование
PEST - анализа
Использование
SWOT - анализа
Сравнение метрик
заемщиков со
среднеотраслевыми
Макро-анализ:
политические,
экономические,
социальные и
технологические
факторы
Микро-анализ:
сильные и слабые
стороны,
ограничения и
возможности
Использование
сравнительных
показателей
заемщика к
среднеотраслевым
показателям.
52
Использование SWOT-анализа позволит выявить риск-факторы
микроэкономической среды за счет анализа поставщиков, потребителей и
конкурентов, а также изучения положения заемщика на рынке. Результаты
исследования представляются в формате SWOT: сильные и слабые стороны
заемщика, а также существующие на рынке ограничения и возможности.
Третьей мерой выступает использование специальной методики,
позволяющей сравнивать финансовое положение заемщика со
среднеотраслевым путем использования нормативных медианных
показателей отраслей, примеры которых для трех крупных отраслей
российской экономики указаны в табл. 3.2. [33]
Таблица 3.2.
Медианные значения показателей оценки финансового состояния
заемщика по основным отраслям
Показатель
Добыча нефти и
газа
Торговля оптовая
Производство
машин и
оборудования
Финансовая устойчивость
Обеспеченность оборотными
средствами
-0,57
0,19
0,15
Финансовая автономия
0,32
0,23
0,25
Мобильность оборотных
средств
0,39
1,00
0,96
Ликвидность
Срочная ликвидность
0,11
1,01
0,88
Текущая ликвидность
1,08
1,42
1,34
Быстрая ликвидность
0,91
0,1
0,10
Деловая активность
Оборачиваемость ДЗ
71
56
72
Оборачиваемость оборотных
активов
157
137
188
Оборачиваемость запасов
10
32
60
Рентабельность
Рентабельность продаж, %
10,4
3,2
4,2
Рентабельность деятельности
(чистой прибыли), %
6,5
1,9
2,4