Нечеткий подход при кластеризации заемщиков микрофинансовых организаций

Развитие информационных технологий сопровождается комплексной трансформацией сферы услуг, в том числе и сферы микрокредитования. Ежегодно данная отрасль российского финансового рынка показывает стабильный рост. Однако на фоне высокой закредитованности населения России доступность микрокредитования для большинства граждан, в том числе в онлайн-режиме, привела к высокой доле дефолтных выдач микрозаймов в МФО. Давление регулятора и снижение доходов россиян привело большинство МФО к банкротству, а оставшихся игроков микрофинансового рынка принудило к снижению процентных ставок, и как следствие, существенно снизилась их маржинальность. В связи с этим у МФО возникает острая необходимость в разработке скоринговой модели, которая смогла бы выявлять еще на этапе заявки на микрозайм высокомаржинальных и «отсекать» потенциально дефолтных заемщиков. Действующая во многих финансовых структурах дуальная классификация не позволяет в полной мере отразить высокую прибыльность микрокредитования заемщиков с имеющейся просрочкой по сравнению с теми клиентами, кто возвращает заемные средства вовремя. В рамках данной работы предлагается методика кластеризации заемщиков на основе нечеткого критерия «уровень финансовой ответственности» и оценки эффективности микрофинансирования на основе расчёта рентабельности кредитного портфеля в зависимости от предложенной классификации заемщиков.

1. Обзор ключевых микрофинансовых институтов // Центробанк. 2019. [Электронный ресурс]. – URL: https://www.cbr.ru/Content/Document/File/73687/review_mfi_19Q1.pdf (Дата посещения 07.05.2020).

2. Баринов А.С. Закредитованность населения России в контексте угроз экономической безопасности // Национальные интересы: приоритеты и безопасность. 2018; 7(364):1270-1286.

3. Белобабченко М.Н. Ограничения, действующие при выдаче МФО потребительских кредитов // Право и практика. 2019;2:150-154.

4. Бюллетень о текущих тенденциях российской экономики (февраль 2020). - URL: https://ac.gov.ru/uploads/2-Publications/rus_feb_2020.pdf (Дата посещения 07.05.2020).

5. Дударкова О.Ю. Проблемы принятия инвестиционных решений в условиях неопределенности // Экономика и управление в XXI веке: тенденции развития. 2016;33-2:127-132.

6. Ажмухамедов И. М. Динамическая нечеткая когнитивная модель влияния угроз на информационную безопасность системы // Безопасность информационных технологий. 2010;2:68–72.

7. Абдулрахман УФИ, Панфорд Дж. К., Хейфрон-Аква Дж. Б. Нечеткий логический подход к кредитованию Скоринг для микрофинансирования в Гане: пример денежного кредитования KWIQPLUS // Международный журнал компьютерных приложений, 2014, т. 94, нет. 8. С. 11-18. Доступный из: http://www.academia.edu/15502256/Fuzzy_Logic_Approach_to_Credit_Scoring_for_Mic ro_Finance_in_Ghana_A_Case_Study_of_KWIQPLUS_Money_Lending [Дата посещения 07.05.2020]

8. Баэсенс Б., Ван Гестель Т., Виаене С. Сравнительная оценка современной классификации Алгоритмы кредитного скоринга. Журнал Общества оперативных исследований, 2003. 54 (6): 627–635.

9. Гита Беннуна, Мохамед Ткиуат. Подход нечеткой логики применяется к кредитному рейтингу для микрофинансирования в Марокко. Доступна с: https://www.sciencedirect.com/science/article/pii/S1877050918301352 (Дата посещения 07.05.2020)

10. Проталинский О.М., Ажмухамедов И.М. Системный анализ и моделирование слабо структурированных и плохо формализуемых процессов в социотехнических системах [Электронный ресурс]. – URL: http://www.ivdon.ru/ru/magazine/archive/n3y2012/916 (Дата посещения 07.05.2020).

11. Мария Оскарсдоттира, Кристиан Браво, Карлос Сарраутек, Ян Вантиенена, Барт Басенса. В значение больших данных для кредитного скоринга: повышение финансовой доступности с помощью данных мобильных телефонов и аналитика социальных сетей [Электронный ресурс]. Доступна с: https://doi.org/10.1016/j.asoc.2018.10.004