Если до 2020 года к процедуре банкротства допускались граждане с совокупными обязательствами более 500 тыс. рублей, а сама процедура требовала привлечения арбитражного управляющего и рассмотрения дела в суде, то затем в законодательное поле была введена упрощенная (внесудебная) процедура банкротства граждан. С 2020 по 2023 год под нее уже попадали должники, обязательства которых составляли от 50 до 500 тыс. рублей, а с 2023 года — должники с обязательствами от 25 тыс. до 1 млн рублей.

Что касается реальной практики признания граждан банкротами, то однозначный характер ее динамики в последние годы наглядно представлен на рис. 1.

Рисунок 1. Динамика банкротств граждан и доля банкротств в структуре проблемного кредитного долга

Данные и расчеты НБКИ. Доля банкротов среди должников рассчитана как отношение количества банкротов к концу года (нарастающим итогом) к количеству должников, имеющих суммарный долг с глубиной просрочки свыше 90 дней на сумму более 25 тыс. рублей

На рис. 1 можно увидеть, что к концу 2023 года банкротами было признано более 1 млн граждан, из которых только в 2023 году — сразу 321 тыс. человек. Сопоставив эти значения с количеством граждан, имеющих суммарный долг более 25 тыс. рублей, с глубиной просрочки свыше 90 дней, мы получим оценку влияния банкротства на структуру проблемных долгов, накопленных российскими кредиторами. Так, по итогам 2023 года доля банкротств составила 13,2% общего количества должников (по итогам 2022 года — 10,6%).

Иными словами, развитие института банкротства граждан уже к 2023 году стало оказывать существенное влияние на экономику розничного кредитования в целом и на работу служб по взысканию долгов в частности.

Таким образом, именно расширение условий упрощенного банкротства в прошлом году и навело банкиров на мысль о том, что это новое обстоятельство в дальнейшем может достаточно серьезно повлиять на существующие кредитные процессы. Являясь инфраструктурным институтом кредитного рынка, НБКИ откликнулось на пожелания банков и микрофинансовых организаций о промышленном решении данной проблемы и приступило к созданию предиктивного инструмента (скоринга), который позволял бы ранжировать клиентов по вероятности банкротства.

При создании нового инструмента скоринга, который получил название НБКИ Bankrupt score, мы прежде всего исходили из той предпосылки, что он должен быть применим на этапе андеррайтинга (рассмотрения кредитной заявки клиента) в целях недопущения высокорискованных клиентов в кредитный портфель. При этом важно отметить минимальное влияние нового инструмента скоринга на уровень одобрения заявок. Вторая зона применения скоринга — ранжирование клиентов на ранних стадиях просрочки для определения тактики взыскания долга. Очевидно, что клиенты, склонные к банкротству, требуют принципиально отличных от стандартных процедур методов работы коллекторских подразделений.

В качестве алгоритма моделирования НБКИ Bankrupt score была выбрана рекуррентная нейросеть, так как данный алгоритм показал лучшую разделяющую силу в сравнении с линейными (регрессионными) моделями. Целевое событие — физическое лицо (субъект кредитной истории, клиент-заемщик, заявитель на получение кредита) становится банкротом на горизонте 12 месяцев с даты присвоения скорингового балла. В силу специфики построения модели она может применяться как банками, так и другими кредиторами. Таким образом, данную модель можно назвать универсальной как по отношению к типу кредитора, так и в части вида/видов кредита/займа.

Среди основных характеристик нового скоринга НБКИ можно также выделить его высокую предсказательную силу: Gini НБКИ Bankrupt Score составляет более 60%, а HitRate — более 90%.

В свою очередь, для валидации модели использовались данные о фактических банкротах в базе НБКИ.

Стоит отметить, что модель НБКИ Bankrupt score шкалирована от 1 до 1000 баллов. Чем больше балл, тем ниже вероятность банкротства. На рис. 2 представлено распределение риска банкротства по реальному кредитному портфелю, сформированному случайным порядком по базе НБКИ.

Рисунок 2. Распределение риска банкротства

Доля банкротов в популяции на рис. 2 составляет 0,7%, а в бакете до 50 баллов — 11,2%. Таким образом, модель качественно выделяет сегмент клиентов с высоким риском стать банкротом в малых значениях скоринговых баллов. Такие характеристики модели позволяют отсекать значительную часть потенциальных банкротов на этапе рассмотрения кредитной заявки c минимальным влиянием на уровень одобрения (AR).

Проведение аналогичного упражнения на портфеле, сформированном кредитами с ранней просрочкой (семь дней), показало схожее распределение. Так, доля банкротов в популяции в целом составила 6,8%, а в бакете НБКИ Bankrupt score до 50 баллов — 30%. Иными словами, применение модели на ранних этапах просрочки для определения тактики взыскания статистически обосновано.

Также отметим, что максимально эффективное применение НБКИ Bankrupt score будет оправдано по результатам ретротеста, который НБКИ проводит для кредиторов-партнеров бесплатно. Для проведения ретротеста банку необходимо сформировать выборку с указанием ретродаты (даты в прошлом, на которую клиенту будет присвоен Bankrupt score). Для применения модели на этапе андеррайтинга ретродатой рекомендуется указать дату подачи клиентом кредитной заявки, а для использования в процедурах определения тактики взыскания — дату выхода на ранние стадии просрочки. 

Как было сказано выше, новый инструмент скоринга НБКИ Bankrupt Score предназначен для оценки вероятности банкротства субъекта — физического лица и основан на исследовании поведенческих характеристик более 1 млн реальных банкротов, информация о которых доступна в базе НБКИ. Использование новой модели из линейки скорингов НБКИ позволит кредиторам улучшить оценку качества входящего потока, а также снизить уровень потерь за счет определения граждан, которые становятся банкротами преднамеренно. Кроме того, новый инструмент скоринга поможет пользователям повысить качество работы подразделений, занимающихся коллекшн-процедурами. Стоит отметить простоту интеграции и использования нового скоринга НБКИ, что также положительно скажется на всей экономике кредитного процесса.