摘要：Kredito rizikos vertinimas yra vienas iš kredito suteikimo etapų. Pagrindinis kredito rizikos vertinimo tikslas yra nustatyti, ar verta suteikti kreditą. Bankai stengiasi sumažinti kredito riziką, nesuteikdami kreditų klientams, kurie turi mažiausias galimybes įvykdyti prisiimtus finansinius įsipareigojimus. Suteikus kreditą, skolininko kredito rizikos lygis taip pat būtinas banko kapitalo pakankamumui apskaičiuoti.Vienas iš kredito rizikos vertinimo būdų yra bankų vidaus kredito rizikos vertinimo modelių taikymas. Šiuos modelius bankai sudaro atsižvelgdami į savo poreikius ir turimus duomenis, pasirenka tinkamiausius duomenų analizės metodus. Mokslinėse publikacijose dažniausiai aprašomi modeliai, kuriais įmonės klasifikuojamos į 2 grupes (patikimų ir nepatikimų klientų). Bazelio bankų priežiūros komiteto rekomendacijose nurodyta, kad patikimos įmonės turi būti suskirstytos į ne mažiau kaip 7 grupes (reitingus). Todėl šiame tyrime buvo siekiama sudaryti įmonių kredito rizikos vertinimo modelį, kuriuo patikimi banko klientai klasifikuojami į 7 grupes, o nepatikimi - į 1 grupę.Šio tyrimo objektas - įmonių kredito rizikos vertinimo modeliai.Tyrimo tikslas - sudaryti įmonių kredito rizikos vertinimo modelį ir aprašyti jo sudarymo proceso etapus. Tyrimo metodai:• Mokslinių publikacijų, susijusių su kredito rizikos vertinimu, analizė.• Įmonių kredito rizikos vertinimo modelio sudarymas.Įmonių aplinkos pokyčiai daro įtaką jų patikimumui kredito rizikos atžvilgiu ir keičia patikimumo vertinimo kriterijus. Todėl, atsižvelgiant į šiuos pokyčius, aktualu nuolat atnaujinti bankų taikomus klientų kredito rizikos vertinimo modelius. Tyrime buvo siekiama sudaryti modelį, kuriuo bankas galėtų kiekybiškai įvertinti įmonių kredito riziką. Taigi šiame straipsnyje aprašyta modelio esmė ir jo sudarymo proceso etapai.Modelio sudarymas pradėtas kintamųjų rinkinio formavimu. Buvo suskaičiuota 20 santykinių finansinių rodiklių, kurie apima 5 metų įmonių veiklos rezultatus, t. y. buvo sudarytas pradinių 100 kintamųjų rinkinys. Toliau pasirinkti duomenų analizės metodai, kuriais galima klasifikuoti įmones į patikimų ir nepatikimų įmonių grupes: diskriminantinė analizė, logistinė regresija ir dirbtinių neuronų tinklai (DNT). Diskriminantinės analizės metodu įmonėms klasifikuoti į patikimų ir nepatikimų klientų grupes buvo sudarytos 2 klasifikavimo funkcijos. Klasifikuojant tiriamoji įmonė priskiriama tai grupei, kurios klasifikavimo funkcija įgyja didesnę reikšmę. Logistinės regresijos metodu įmonių klasifikavimo modelį galima sudaryti taip, kad būtų prognozuojamas ne dichotominis, o tolydusis kintamasis, kurio reikšmių intervalas yra [0; 1]. Šiuo atveju nustatoma galimybė, kad įmonė neįvykdys prisiimtų finansinių įsipareigojimų bankui. Apskaičiuotos reikšmės įvertina įmonės individualią finansinių įsipareigojimų neįvykdymo galimybę nuo 0 iki 100 proc. Nustatyta įmonių klasifikavimo slenksčio reikšmė - 0,5. Trečiasis metodas, kuriuo buvo klasifikuojamos įmonės - DNT. Pagrindinis DNT skirtumas, palyginti su statistiniais duomenų analizės metodais, yra tas, kad DNT neturi tikslaus išankstinio duomenų analizės modelio, o sudaro jį patys pagal į tinklą įvestą informaciją. Pasirinktas analizei DNT tipas - daugiasluoksnis perceptronas.Statistiniai objektų klasifikavimo metodai dažnai negali apdoroti didelio informacijos kiekio. Taip pat į įmonių klasifikavimo procesą nėra tikslinga įtraukti mažai informatyvių parametrų, todėl buvo mažinama pradinio kintamųjų rinkinio apimtis. Duomenų apimčiai sumažinti diskriminantinės analizės ir logistinės regresijos modeliuose pritaikyta vienfaktorinė dispersinė analizė (ANOVA), Kolmogorovo ir Smirnovo kriterijus bei faktorinė analizė. Atliekant vienfaktorinę dispersinę analizę, buvo nustatyta, kurių kintamųjų vidurkiai skirtingų įmonių grupėse statistiškai reikšmingai nesiskiria. Kolmogorovo ir Smirnovo kriterijumi nustatyti požymiai, kurių pasiskirstymas grupėse nėra normalusis. Tokie požymiai nebuvo įtraukti į įmonių klasifikavimą. Faktorinės analizės tikslas - pakeisti požymių, apibūdinančių stebimą reiškinį, rinkinį tam tikru faktorių skaičiumi. Atliekant faktorinę analizę, kintamieji suskirstomi į grupes pagal jų koreliacijas su tam tikrais tiesiogiai nestebimais (latentiniais) faktoriais. Faktorinė analizė leido didelį kiekį kintamųjų paaiškinti išskirtaisiais faktoriais. Taip sumažintas analizuojamų duomenų kiekis, o faktorinės analizės rezultatai įtraukti į analizę kitais daugiamatės statistikos metodais. DNT pasižymi galimybe apdoroti didelius informacijos kiekius, todėl šiems modeliams duomenų apimtis, taikant papildomus statistinius duomenų analizės metodus, nebuvo mažinama. Analizei reikšmingi kintamieji buvo atrinkti pačių neuronų tinklų, atsižvelgiant į kintamųjų reikšmingumo rangus. Įmones suklasifikuoti į dvi grupes buvo sudaryta po 5 diskriminantinės analizės, logistinės regresijos ir DNT modelius. Jie skiriasi analizuojamų duomenų laikotarpiu (nuo 1 iki 5 metų).Tiksliausio modelio atranka buvo atliekama remiantis teisingo klasifikavimo rodiklio reikšmėmis. Didžiausia šio rodiklio reikšmė pasiekta logistinės regresijos modeliu analizuojant 3 metų įmonių duomenis (LR3 modelis). LR3 modelis buvo sudarytas analizuojant 2004 - 2006 m. Lietuvoje veikiančių ir bankrutavusių 100 įmonių duomenis. Buvo siekiama nustatyti modelio klasifikavimo tikslumo rodiklio pokytį, analizuojant vėlesnių laikotarpių įmonių finansinius rodiklius. Tuo tikslu analizuotų duomenų rinkinys buvo papildytas 2006 - 2008 m. Lietuvoje veikiančių 100 įmonių duomenimis. Teisingo klasifikavimo rodiklis, parodantis bendrą įmonių klasifikavimo tikslumą, sumažėjo 14,77 proc. Šis reikšmingas neigiamas pokytis lėmė modelio atnaujinimo poreikį. Atsižvelgiant į tai, buvo perskaičiuoti LR3 modelio regresijos lygties koeficientai. Tai padidino modelio klasifikavimo tikslumą 11,2 proc.Reitingai patikimoms įmonėms priskirti remiantis paskutiniojo analizuojamo laikotarpio santykiniais finansiniais rodikliais. Finansinių rodiklių atranka buvo atliekama skaičiuojant porinės koreliacijos koeficientus tarp logistinės regresijos modeliu nustatytos įmonių individualios finansinių įsipareigojimų neįvykdymo galimybės ir santykinių rodiklių reikšmių. Analizei atrinkti labiausiai koreliuojantys rodikliai. Įmonės kredito reitingą lemia: 50 proc. - įmonės pelningumas, 25 proc. - likvidumas, 12,5 proc. - finansų struktūra, 12,5 proc. - individuali įmonės įsipareigojimų neįvykdymo galimybė. Analizuojamų rodiklių reikšmių intervalas buvo padalytas į dvi atkarpas: nuo mažiausios reikšmės iki medianos ir nuo medianos iki didžiausios reikšmės. Kiekviena iš šių atkarpų padalyta į 4 vienodas dalis, suskaičiuotos rodiklių reikšmių ribos. Buvo sudaryti rodiklių reikšmių intervalai ir pagal juos įmonei priskiriamas balas. Pagal įmonės balų sumą įmonei priskiriamas kredito reitingas.Kiekvieno reitingo grupės įmonėms buvo suskaičiuotos finansinių įsipareigojimų neįvykdymo tikimybės. Mažėjant reitingui kokybiško kredito rizikos vertinimo modelio tikimybės turi būti išsidėsčiusios didėjančiai. Tuo tikslu sudarytas modelis buvo modifikuojamas, t. y. pakeisti balų intervalai, pagal kuriuos priskiriamas reitingas.Įmonių reitingavimas vykdomas dviem etapais. Įmonės santykiniai finansiniai rodikliai analizuojami atnaujintu logistinės regresijos modeliu. Pagal gautą individualią įmonės finansinių įsipareigojimų neįvykdymo galimybę įmonė klasifikuojama į patikimų arba nepatikimų įmonių grupę. Nepatikimų įmonių grupės įmonėms priskiriamas reitingas D1. Patikimų įmonių grupės įmonės analizuojamos vertinimo balais metodu. Pagal šios analizės rezultatus įmonei priskiriamas kredito reitingas nuo AAA iki D2. Siekiant padidinti modelio veiksmingumą, įmonėms, kurios logistinės regresijos modeliu klasifikuotos kaip patikimos, tačiau vertinimo balais metodu jų rezultatai žemiausi, priskiriamas reitingas D2, reiškiantis įmonės finansinių įsipareigojimų neįvykdymą. Nepatikimos įmonės gali būti klasifikuojamos ir į vieną grupę. Todėl reitingus D1 ir D2 galima sujungti į reitingą D. Tyrimas parodė, kad sudarytas įmonių kredito rizikos vertinimo modelis gali būti veiksminga priemonė Lietuvoje veikiančių įmonių kredito rizikai vertinti.
其他摘要：The attribution of credit ratings for clients is a very important issue in the banking sector. Banks must evaluate credit risk of credit applicants by using standardized (external rating institutions) or internal ratings-based (IRB) methods. Banks which decided to use IRB method attempt to develop precise internal credit rating models for the evaluation of creditworthiness of their borrowers.The internal rating method for the estimation of default probability requires to collect the default information from the historical data in banks. The major studies about default determinating factors are based on classification methods (Zhou, Xie, Yuan, 2008). A classification model considers the default measurement as the pattern recognition where all borrowers are divided to non-default and default groups based on their financial and non financial data. Banks attempt to construct an evaluation model that can be used to discriminate new sample.This research focuses on a credit rating model development which could attribute credit ratings for Lithuanian companies. The steps of a model's development and improvementprocess are described in this paper.The model's development begins with the selection of initial variables (fnancial ratios) characterizing default and non-default companies. 20 financial ratios of 5 years were calculated according to annual financial reports. Then statistical and artificial intelligence methods were selected for the classification of companies into two groups: default and non-default. A discriminant analysis, logistic regression and artificial neural networks (multilayer perceptron) were applied for this purpose. Often statistical methods are not able to operate with a large amount of data, so the analysis of variance, Kolmogorov-Smirnov test and factor analysis were applied for data reduction. Artificial neural networks often are able to analyze a large amount of data so variable selection was accomplished by the network itself calculating ranks of importance for every initial variable. There were constructed 15 classification models and their classification accuracy was measured by calculating correct classification rates. The most accurate was a logistic regression model analyzing data of 3 years (97% of correctly classified companies). Then the sample of companies was supplemented with new data and changes in classification accuracy were estimated. The significant decrease of classification accuracy conditioned the need of model update. For this reason the logistic regression coefficients were recalculated. In order to classify non-default companies into 7 classes: profitability, liquidity, financial structure and individual possibility of default estimated by a logistic regression model were determined as rating criterions. Then the rating scale was constructed and credit ratings were attributed for companies in the sample. The calculated probabilities of default indicated that some lower ratings have lower probabilities of default. These imperfections were corrected by the modification of a rating scale. The research has shown that the developed model is a valid tool for the estimation of credit risk. http://dx.doi.org/10.5755/j01.ee.22.2.309
