автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.10, диссертация на тему:Метод и алгоритмы интеллектуальной поддержки принятия решений в системе розничного кредитования

На правах рукописи

АНДИЕВА Елена Юрьевна

МЕТОД И АЛГОРИТМЫ ИНТЕЛЛЕКТУАЛЬНОЙ ПОДДЕРЖКИ ПРИНЯТИЯ РЕШЕНИЙ В СИСТЕМЕ РОЗНИЧНОГО КРЕДИТОВАНИЯ

Специальность: 05.13.10 - Управление в социальных и экономических системах

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

□□34Б8146

Уфа 2009

003468146

Работа выполнена на кафедре прикладной информатики в экономике в Сибирской государственной автомобильно-дорожной академии (ГОУ «СибАДИ»)

Научный руководитель канд. техн. наук, доц.

Семенова Ирина Ивановна

Официальные оппоненты д-р техн. наук, проф.

Черняховская Лилия Рашитовна

канд. техн. наук, доц. Низамутдинов Марсель Малиховин

Ведущая организация Омский государственный

технический университет

Защита диссертации состоится «22» мая 2009 г. в Ю00ч. на заседании диссертационного совета Д-212.288.03 при Уфимском государственном авиационном техническом университете по адресу: 450000, г. Уфа, центр, ул. К. Маркса, 12

С диссертацией можно ознакомиться в библиотеке университета

Автореферат разослан «/¿Л> апреля 2009 г.

Ученый секретарь }

диссертационного совета . .. д ,#

д-р техн. наук, проф. / 1 <■ Миронов В.В.

Актуальность темы

Как наиболее массовый вид банковских услуг, потребительский кредит, несомненно, оказывает большое влияние на состояние всей банковской системы, развитие среднего и малого бизнеса.

В работе рассматривается вид потребительского кредита — розничный кредит, выдача которого осуществляется через торговые сети или филиалы банка (иначе эксресс-кредит, необеспеченный, беззалоговый или нецелевой кредит). Главная составляющая повышения эффективности системы розничного кредитования — эффективность оценки риска данного вида услуг.

Анализ работ, посвященных кредитному скорингу (Э. Мэйз, А.П. Ковалев, А. Меленкин, В.Н. Чекашенко, Т. Петренко, Е.Д. Соложенцев и др.), как системе, приоритетно регулирующей деятельность коммерческих банков, а также, основываясь на заявленных данных разработчиками программного обеспечения (Credit Scoring Solution, EGAR Application Scoring, AC POCHO, dm-Score, Лаборатория HTP, Base Group Labs и др.) и анализе анкет банков (Home Credit & Finance Bank, АБ «Газпромбанк», банк «ЦентроКредит», СБ России, Альфа-Банк и др.), следует отметить, что основным методом, который лежит в основе скоринговых систем, является метод коэффициентов, использование которого приводит к ошибкам классификации кредитных заемщиков на «хороших» и «плохих».

На основании выводов из подробного анализа работ, раскрывающих вопросы экономической, социальной психологии (B.C. Автономов, Е.Ю. Артемьева, В.И. Верховин, В.А. Гэнзен, О.С. Дайнека и др.) и финансовых рисков (А.П. Альгин, X. Грюнинг, С.Б. Братанович, М. Гэвин, Р. Хаусман, Т.Н. Данилова, И.А. Киселева), следует, что риск-менеджерам необходимо анализировать риски, в основе которых лежит симбиоз внешних воздействий и субъективного принятия решения, часто отличного от рационального.

Наибольшими перспективами обладают рассматриваемые вопросы в проектировании интеллектуальных информационных систем, как систем, направленных, в том числе, на изучение и моделирование субъективного поведения человека (А.И. Башмаков, И.А. Башмаков, Т.А. Гаврилова, В.Ф. Хорошевский).

Таким образом, вопрос о разработке метода и алгоритмов интеллектуальной поддержки принятия решений на основе оценки рисков в системе розничного кредитования с учетом аспектов субъективного кредитного поведения является актуальным. Работа посвящена решению данного вопроса.

Цель работы и задачи исследования

Целью настоящей работы является разработка метода и алгоритмов интеллектуальной поддержки принятия решений в системе розничного кредитования с учетом аспектов субъективного кредитного поведения, а также программного обеспечения, реализующего данный метод и алгоритмы.

Для достижения поставленной цели необходимо решить следующие задачи:

1. . Разработать концепцию системы оценки рисков розничного кредитования на основе оценки кредитоспособности заемщика (с учетом аспектов его субъективного кредитного поведения) и структуру интеллектуальной системы поддержки принятия решений (ИСППР), поддерживающую предложенную концепцию.

2. Разработать алгоритм извлечения и структурирования знаний, отражающих субъективное кредитное поведение заемщика, с целью автоматизированного формирования анкеты кредитного заемщика (КЗ).

3. Разработать метод построения модели знаний, отражающей оценку рисков на основе оценки субъективного кредитного поведения заемщика.

4. Разработать алгоритм интеллектуальной поддержки принятия решений о возможности выдачи кредита.

5. Разработать программное обеспечение ИСППР и провести анализ эффективности разработанного метода и алгоритмов.

Методы исследований В диссертации приведены результаты исследований, полученные с использованием методов системного анализа, искусственного интеллекта, теории управления, социальной психологии, психодиагностики, математической статистики, теории вероятностей, математической логики, комбинаторики, теории надежности систем, теории принятия решений, теории алгоритмов и языков программирования, теории проектирования автоматизированных систем.

Результаты, выносимые на защиту

1. Концепция'системы оценки рисков розничного кредитования на основе оценки кредитоспособности заемщика, как совокупной оценки платежеспособности и оценки его субъективного кредитного поведения, и структура ИСППР, поддерживающая ее.

2. Алгоритм извлечения и структурирования знаний, отражающих субъективного кредитное поведение заемщика, с целью автоматизированного формирования анкеты кредитного заемщика.

3. Метод построения модели знаний, отражающей оценку рисков на основе оценки субъективного кредитного поведения заемщика.

4. Алгоритм интеллектуальной поддержки принятия решений о возможности выдачи кредита на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков.

Научная новизна результатов

1. Новизна концепции состоит в определении альтернативного пространства признаков оценки соискателя кредита, применении и адаптации методов социальной и экономической психологии (положений семантического эксперимента) в системе кредитно-монетарных отношений, а именно в системе розничного кредитования, что предопределяет при оценке рисков данного вида услуг переход от оценки платежеспособности к оценке кредитоспособности.

Новизна структуры ИСППР, поддерживающей концепцию, состоит в том, что в нее включен блок извлечения и структурирования знаний, отражающих субъективное кредитное поведение заемщика, который, по сути, выполняет работу экспертов-психологов, что полностью снимает наиболее существенную проблему субъективного подхода уже на первом этапе оценки соискателя кредита. Результат работы данного блока - инструментарий для блока приобретения знаний, что предопределяет адаптивность системы оценки рисков с учетом социально-экономических факторов, а также структура ИСППР учитывает естественное наличие противоречий оценок кредитоспособности/платежеспособности, что обеспечивает возможность реализации гибкой политики банка.

2. Новизна алгоритма извлечения и структурирования знаний, отражающих субъективное кредитное поведение заемщика, в назначении данного алгоритма — в определении пространства признаков, отражающих кредитное поведение, через собственные убеждения кредитного заемщика (КЗ) путем выделения семантического (ментального, смыслового) пространства признаков (СПП) с идентификацией и интерпретацией определяющих слов-значений-признаков (СПЗ) для получения типологии СПП КЗ, что обуславливает наличие проблем и противоречий при обработке плохоформализованных и слабоструктурированных данных, решение заключается в обработке предложенной графовой модели типологии КЗ с применением продукционной базы правил (БП) древовидной структуры.

3. Новизна метода оценки рисков заключается в синтезе модифицированного метода многомерного шкалирования и адаптированного и модифицированного метода логико-вероятностного моделирования (ЛВ-моделирования) с формированием базы знаний (БЗ), отражающей субъективное кредитное поведение заемщика, что позволяет оценить риски на основании оценки субъективного кредитного поведения путем расчета рангового коэффициента корреляции Спирмена и/или интервальной оценки с введением коэффициента репрезентативности выборки в зависимости от стадии внедрения ИСППР.

4. Новизна алгоритма интеллектуальной поддержки принятия решений заключается в реализации нового метода с применением разработанной продукционной БП древовидной структуры, в которой заложены также правила ситуационного управления системой оценки рисков. Алгоритм отличает наличие возможности приобретения знаний и построения актуальной БЗ, отражающей субъективное кредитное поведение заемщика, с осуществлением обратной связи в целях актуализации анкеты КЗ, предопределяющей БЗ.

Практическая ценность и внедрение результатов Практическая значимость диссертационного исследования заключается в повышении эффективности оценки рисков как главной составляющей эффективной работы системы розничного кредитования за счет повышения эффек-

тивности самого процесса классификации КЗ, а также сокращения количества данных, требующих документального подтверждения финансовой состоятельности соискателя, сокращения доли участия кредитного инспектора в процессе оценки риска, возможности не хранить кредитную исторйю КЗ после погашения кредита, т.к. это теряет смысл для ее кражи в корыстных целях или мошенничества, и в возможности выявлять с большой долей вероятности случаи мошенничества. ИСППР, разработанная на базе предложенных метода и алгоритмов, интегрируется с принятой системой оценки рисков на основе оценки платежеспособности соискателя кредита, поддерживает адаптацию и модернизацию системы оценки рисков с учетом кредитной политики, а также направленности ее использования.

Результаты работы апробированы и приняты к использованию в банках при разработке программы оказания исследуемого вида услуг, что подтверждено актами, а также результаты внедрены в учебном процессе ГОУ «СибАДИ».

Апробация работы и публикации Основные положения работы докладывались и обсуждались на 8-й Международной научно-практической конференции в СПбГПУ «Финансовые проблемы РФ и пути их решения: теория и практика» (Санкт-Петербург, 2007), на II Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых в СибАДИ (Омск, 2007), на Межрегиональной практической конференции «Безопасность и банковский бизнес» (Омск, 2007), на IX Международной научно-технической конференции в СПбГПУ «Компьютерное моделирование 2008» (Санкт-Петербург, 2008), на научно-практической конференции «Инновационные технологии в банковской деятельности» (Омск, 2008).

По теме диссертации опубликовано 14 работ: 9 статей, в том числе 3 статьи в журналах, рекомендованных ВАК, 5 докладов на конференциях.

Структура работы Диссертационная работа изложена на 196 страницах машинописного текста и включает в себя введение, четыре главы основного материала, заключение, библиографический список из 176 наименований, приложения на 46 страницах.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность проводимых исследований, сформулированы цели и задачи работы, указаны методы исследования, изложены научная новизна и практическая ценность результатов.

Глава 1. Анализ состояния услуг розничного кредитования и задачи исследования

В первой главе проведен анализ состояния услуг розничного кредитования, который позволяет сделать следующие выводы: хеджирование рисков нецелесообразно за счет повышения кредитной ставки, внедрение автоматизированных систем оценки КЗ, как наиболее действенный метод предотвращения

мошенничества, на основании существующих признаков не приводит к желаемым результатам, использование заключения кредитного бюро не может быть основополагающим в принятии решения по выдаче кредита, использование недостоверных анкетных данных, которые не отражают реальные намерения КЗ, способствует не только ошибочно принятому решению, но и накоплению противоречивой статистики, психологический аспект, направленный в основном на выявление мошенничества, формируется только лишь на основании заключения визуального осмотра, что требует высокой профессиональной подготовки кредитных инспекторов в каждой торговой точке, что снижает рентабельность бизнеса, методики (метод Центрального банка, методики Базельского соглашения), рекомендованные для оценки кредитного риска, позволяют выбирать и использовать более эффективные методы их оценки.

Результаты анализа позволили сделать вывод, что на сегодняшний день стоит проблема оценки рисков в системе розничного кредитования, и наиболее полное отражение рисков лежит в симбиозе внешних воздействий и субъективного принятия решений. Определен круг научных и практических задач, решение которых снимет обозначенную проблему.

Глава 2. Разработка концепции системы оценки рисков розничного кредитования, структуры ИСППР, поддерживающей ее, и алгоритма извлечения и структурирования знаний, отражающих субъективное кредитное поведение

Во второй главе предложена новая концепция системы оценки рисков розничного кредитования, которая подтверждена анализом работ, посвященных вопросам кредитно-монетарных отношений, обоснован выбранный подход выделения семантического (ментального, смыслового) пространства признаков (СПП) для определения существенного влияния собственных убеждений КЗ на его кредитное поведение, разработана структура системы, которая поддерживает предложенную концепцию, выбран и осуществлен метод определения структуры типологии СПП КЗ на основании статистического анализа результатов ассоциативного эксперимента. Разработан алгоритм извлечения и структурирования знаний с целью автоматизированного формирования анкеты КЗ.

В основе оценки субъективного кредитного поведения КЗ лежат положения исследования наличия регуляторов деятельности субъекта (А.Н. Леонтьев, В.Ф. Петренко, Е.Ю. Артемьева). В общем психологическом контексте следы деятельности, зафиксированные в виде отношений, образуют семантический слой. Именно этот слой, иначе называемый «смысловое поле», несет основную нагрузку при принятии решения субъектом. По сути, для классификации и упорядочения по степени возможного невозврата кредита необходимо выявить «личностные смыслы» — «значения», как совокупность признаков, некоторую систему атрибутивных отношений в данной предметной области - семантическое пространство «хорошего» КЗ и выявить отличительные признаки «плохого».

В работе предложена новая концепция системы, оценки рисков розничного кредитования, основное содержание которой заключается в том, что кредитоспособность следует трактовать, как желание, соединенное с возможностью своевременно погасить выданное обязательство, и для оценки рисков на основании оценки субъективного кредитного поведения заемщика необходимо определить его СПП, как некоторую многомерную сложно-структурированную систему субъективно-личностных отношений в области кредитно-монетарных отношений, выраженную вербалыю через слова-значения-признаки (СЗП).

В соответствии с поставленной задачей, а именно принятия решения о возможности выдачи кредита на основе оценки кредитоспособности соискателя, как совокупной оценки рисков, связанных с субъективным кредитным поведением через определение СПП, выраженное вербалыю через СЗП, и рисков, оцененных на основании платежеспособности соискателя, была разработана структура ИСППР (рисунок 1).

Рисунок 1 - Структура ИСППР На основе сравнительного анализа методов определения СПП выбран метод семантического дифференциала (В.Ф. Петренко, Е.Ю. Артемьева), который включает в себя на первом этапе ассоциативный эксперимент, далее синтез субъективного шкалирования и метод классификации по степени «тяжести»

или «важности» тех или иных признаков исследуемого объекта.

В ассоциативном эксперименте участвовало!520 человек. В результате обработки данных, полученных в ходе эксперимента, методами статистического анализа подтвердились направленные гипотезы о наличии значительных различий в распределении частот ассоциаций с действием «кредит» в выборках, различных по существенным социально-демографическим признакам (пол, возраст, образование) и признаку «хорошая»/«плохая» кредитная история. Данные положения определяют структуру типологии КЗ.

Далее задача определена как задача кластеризации для определения СЗП, образующих СПП в соответствии с полученной типологией КЗ, на основе положений теоретико-множественного представления. И далее, на основе сформированной анкеты КЗ, задача построения классификатора, посредством которого и будет определяться СПП конкретного соискателя для оценки возможных рисков, связанных с субъективным кредитным поведением.

На основе полученной структуры типологии КЗ выполнена постановка задачи для выявления СЗП, полученных в результате проведенного ассоциативного эксперимента, определяющих СПП. Существенные признаки представлены множеством Z - R\jZl\JZ2\jZ1[jZ4y где R, Z,, Z2, Z 3,^4— множества социально-демографических признаков, множество групп респондентов -¿/={У1Ц..Ци...Шт, / = 1,.../и, R,uneZi,..^ulSeZ^}, в проведенном экспе-

рименте количество групп т равно 64, множество респондентов -Y = {>>,,..., yN }, у}. £ Ь\ & fj <l Uj = l,...,N , множество ассоциативных рядов, отличных по количеству данных респондентами ассоциаций -"j = {aj\' • • •' а]к'} = |(а>1 > ■ • ■' ajk)j. к = 0> • • • > }. где Kmsx - максимальное количество СЗП иначе длина ассоциативного ряда. Каждому респонденту ставится в соответствие ряд СЗП yj^Qj- На основе мультимножества

А = {(с/,),...,хм)}, где М— количество уникальных векторов я,, - количество повторений ах,...,аи ; строится СПП в соответствии с выявленной структурой, характерной для типов КЗ, отличных по существенным социально-демографическим признакам и признаку «хорошая»/«плохая» кредитная история, и находится кластер, который формируется для каждой Ui из характерных только для определенного типа КЗ СЗП, принадлежащих не единственному типу, но наиболее характерных для определенного типа кредитных заемщиков СЗП. Для решения задачи исходные данные представлены в виде двух ориентированных графов (для мужчин и женщин соответственно), так что взаимосвязанные социально-демографические признаки образуют взвешенные ориентированные деревья Тм = (TUV ,ТиЕ) для мужчин и Twin №пУ^wm^) Для женщин. Весовые коэффициенты отражают количество респондентов с определен-

пыми социально-демографическими признаками и «хорошая»/«плохая» кредитной историей. К деревьям Тм и Т№т добавлены множества вершин Ам и Ац,т, соответствующих выявленным в ходе эксперимента ассоциациям. Добавленные вершины могут быть связаны дугами более чем с одним узлом нижнего уровня иерархии ориентированного дерева, соответственно нарушается свойство «любые две вершины соединены единственной простой цепью», и в таком случае мы имеем дело с ориентированными графами Ом =(смУ,С,МЕ) и

ОипЦ^и^.ОияЕ) соответственно, Тме Ом и 0№т . Весовые коэффициенты добавившихся дуг соответствуют количеству респондентов, указавших соответствующую конечной вершине ассоциацию.

Данные, полученные в результате ассоциативного эксперимента свободного от навязывания каких-либо стимулов, имеют отличительные особенности, например, имеют грубый шум (единожды встретившиеся ассоциации); длины ассоциативных рядов, данных разными респондентами значительно отличны (в данном эксперименте от 5 до 86 ассоциаций) и др., структура типологии может меняться, приоритет признаков может меняться в зависимости от принятой структуры, кроме наиболее существенных признаков (в данном случае «пол», и «хорошая»/ «плохая» кредитная история); количество СЗП, определяющих С1111 для определенного типа КЗ и формирующих анкету, может быть задано по умолчанию или требованием ЛПР. Алгоритм решает задачу формирования анкеты КЗ, учитывая наличие противоречий (рисунок 1).

В разработанном алгоритме выделение множества СЗП основано на правилах, выполненных в теоретико-графовом представлении. Актуальный анализ данных на базе графовой модели типологии КЗ осуществляется с применением разработанной продукционной БП древовидной структуры с разрешением проблем и противоречий с точки зрения осуществления плана ЛПР, формирующего анкету, и приоритетов, принятых в системе по умолчанию.

При анализе возможных операций и исходов для выбора итогового множества СЗП, уникально характеризующих определенную группу, разрешены проблемы: все множества уникальных характерных ассоциаций пусты; некоторые множества уникальных ассоциаций пусты; все множества уникальных ассоциаций не пусты, но количество ассоциаций неодинаково в группах; совокупное количество выявленных уникальных ассоциаций больше заданного ЛПР. Аналогично представлен анализ возможных операций и исходов при выборе итогового множества СЗП с разрешением противоречий по подграфу с множеством смежных ассоциаций с характерными различиями по кредитной истории.

Начало

Г)

Шаг 1. Планирование 1-го этапа свмантичеагого эксперимента -

л ссо див тупого эксперимента^ ...........

Определение целей эксперимента

Определение и обеспечение нафяяп»иносгй

Определение и обеспечен« однородности выборки

| Определение ограничении для обеспечения 1 | __ ___внешнейи внутренней валидно сти _ _ _ |

| Обеспечение верификации полученных данных J

(Формирование 'анкеты аста1Иативного~жлер»«лентД1 I для свободного описания модальных стимулов I [........(ьпмшение ■ двйглъию «кредит»)______!

'Шаг 2 /""' " — " ......* ]

Проведение асои+втивного эксперимента

Шаг 3. Определение структуры типологии

/Данные, полученные в ходе /

ассоциативно го эксперимента, /

для огрепвоения структуры /

типологии /

Определение структуры тжюлогми (проверка протез шпиля значимых различий в представлении действия «кредит* для рааге*+<ых по существенным признамм типов и ншъмие консолида^м мнений для данных типов)

Структура выявлена

Шаг 5. Формирование аигеты К3_

-"—^ыбреть анкету из --существующих набора» -— • ^

{ Г Выбор метода генерации содержания

ния ^

. ..-Сфорифовать выборку СЭД-. ^ ^ автоматически с гре да зрительным вводом/выбором критериев "Г

^Выбор ЛПР

Выбор критериев гене ра содержания анкеты (количество СЗП, соотношение уникальные/ смежные)с привязкой к соц.-дем. признакам

т

Выбор СЗП случащим образом из базового набора с учетам критериев

Г:

>

Выбор ан1еть1 ЛПР I

Шаг 4. быдепение СЗП. огределяощих СПП КЗ

Г Подготовка ГВД результатов]/

I_____кластерного анализа_____| ассоциативного

Построение графовой моде/м для к V,|У доведения кластерного анализа Г "1________I

I Определение возможных операция над I А БД средств полученной графовой моделью и выявление {-И управление возможных противоречий в данных I ^----г: , __! Формирование деревьев правил для огределения СПП (база правил для выбора уника/ъных I смежных характерных СЗП, определяющих СПП КЗ) [

Формирование гфвеил ЛПР для определения СПП (о пределе »««в приоритетов ЛПР: ограничение на количества СЗП, ограю+ммие на способы выявления

СЗП, определение уровня значимости рааптий ___сдежныхассоциа1р4 для выбора СЗП) _

Исключение шумов (едоюжды встретившихся

ассоциаций) из графовой модели ]

Выбор правил ЛПР

Ленин 1

«и И

С

—-Принять правила л умолчание

для управления

процессом формфованю СПП

" '.Проверта достижимоспрГрвзультата формирования СПП по праэигвм ЛПР, коррегтуровка в случае необходимости (алгоритме обратным _______лол«е ски^ вы во дом)_______

-^.•^Возможно попучитъ^ПИ

Угравляощее воздействие

Запуск алгоритма форючрования СПП (алгоритм с прямым логтесм* выводом для определения СПП по указанным Гфиоритотаи)

-^г^рвзультат удовлетворителен для

-Г Наборе СЗП I

Рисунок 1 — Алгоритм извлечения и структурирования знаний, отражающих субъективного кредитное поведение заемщика., Глава 3. Разработка метода построения модели знаний и алгоритма интеллектуальной поддержки приняггия решений о возможности выдачи кредита на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков

В третьей главе адаптирован и модифицирован метод ЛВ-моделпрования в целях построения модели знаний (МЗ), отражающих риски, связанные с субъективным кредитным поведением. На основе сформированной анкеты КЗ определено представление данных в дихотомической шкале в терминологии ЛВ-моделирования для построения МЗ. Предложены два метода оценки рисков на основе оценки субъективного кредитного поведения. Разра-

ботан алгоритм интеллектуальной поддержки принятия решений о возможности выдачи кредита на основе оценки кредитоспособности соискателя кредита, реализующий, в том числе, предложенный метод и основанный на анализе данных в целях построения БЗ и оценки рисков, используя сформированную продукционную БП древовидной структуры.

Для оценки кредитоспособности полученная анкета КЗ, содержащая СЗП, дополнена весами или значениями этих СЗГГ, что дает возможность для измерения различий в интерпретации понятий.

Изучение проблем кредитного скоринга дает объяснение использования методов JIB-моделирования для решения задачи оценки кредитоспособности КЗ.

В работе разработана и приведена классификация соответствия бинарных логических переменных - градаций признака Zjnj объектам-признакам. СЗП - события-признаки и соответствующие им логические переменные Z0i оь ..., Z06 1з получены из ассоциативного эксперимента с применением алгоритма извлечения и структурирования знаний. Такие события-признаки являются производными и содержат в свою очередь группу несовместных событий (ГНС): веса или определенный уровень выраженности СЗП — события-градации Zoi 01 оо,-■ Zoi oi об,-• Z06 об оо,-■ Z0613 оо,- ■Z06 п об, которые являются инициирующими событиями для данных событий-признаков и связаны логической связью «ИЛИ», тогда как соответствующие события-признаки связью «И». Для удобства рассмотрения события-признаки сгруппированы в соответствии с терминологией психодиагностики личности. Социально-демографические признаки также являются производными событиями-признаками, характеризующими кредит, им соответствуют логические переменные Zn7, Z0g, Z09, Zt0, которые содержат инициирующие события-градации Z0701, Z07ü2> Zosoi> Z(m2, Z090], Zo902, Ziooi, Z|002* Z]003, Zi004-

В результате типологического анализа, который заключается в выявлении степени значимости того или иного СЗП для конкретного типа КЗ осуществляется обучение модели, то есть на этапе обучения модели определяются характерные вектора отличий для определенного типа. Так как полученные веса СЗП являются ГНС, рассчитываются частоты градаций событий-признаков:

Wmjr- ^ /и= 1,...,64, j = 1,2,...,/?, г = 0,...,6, где N^ _ число объектов в таблице для признака j с градацией г в /я-ной социально-демографической группе «хороших» («плохих») КЗ; Nm - количество заемщиков т-й группы, которые формируют вектора отличий, характеризующие т-ю группу, и являются основой БЗ для дальнейшей оценки соискателя:

Ч, =(z 07' МН»

ml0,...,wm|r,. ..,WmI6,...,Wmjr,..., wmn0,...,wmnr,...,

Wmn6).

Получена БЗ, отражающая отношения КЗ к действию «кредит», постро-

енная на данных с известными результатами, как обнаружение сущности на основе найденных специфических зависимостей в соответствии с типологией КЗ. Отклонение от определенного типа как «нормы» и есть прогнозирование рисков невозврата кредитных средств, то есть оценка соискателя осуществляется путем заполнения его вектор-строки V* и «наложения» на шаблон-маску:

X ^т/г "

!п, где 2-щ,е {од} компоненты вектора-строки у' кон-

кретного соискателя; п - общее количество анализируемых событий-признаков; \у„чг е [0,1]- частоты, взятые из матрицы шаблона-маски.

Далее реализованы два метода принятия решения: на основе расчета рангового коэффициента корреляции Спирмена между типовым СПП /и-й группы и индивидуальным СПП я-го соискателя и метод принятия решений на основе интервальной оценки.

Для классификации соискателя вычисляется выборочное среднее и стандартное отклонение выборочной средней для случайной величины м> со значениями , и^,..., , где (конкретная частота для 1-го заемщика т-й группы обучающей выборки) для каждой группы:

IV =

|| 1 V\

т • Для разрешения вопроса репре-

зентативности выборки введен коэффициент точности С — (5- / ч?т)-100; где = ст / . Далее находим интервалы для й=0,05 и Л=0,10. Учитывая, что ™т±ксгт, где к = ^1/(1 -Л) : <±1,026-ат для й=0,05, тРи± 1,054-ат для ЯЧ),10. Например, если выполняется неравенство - 1,026ат- < < й^. +1,026ат, -рассматриваемый риск невозврата кредита составляет 5%, т - группа с «хорошей» кредитной историей.

Для реализации представленного метода в работе разработан алгоритм интеллектуальной поддержки принятия решений (рисунок 2).

Алгоритм учитывает отличительные особенности оценки кредитоспособности соискателя на базе данных, полученных в результате оценки соискателя методом многомерного шкалирования на сформированной анкете КЗ, и значения риска на основании оценки платежеспособности соискателя, которые берутся из системы оценки рисков кредитной организации, а также учитываются противоречия с точки зрения кредитоспособности и платежеспособности.

В данном случае, придерживаясь принципа ситуационного управления, который позволяет анализировать возникшую ситуацию, связанную с внутренним состоянием самой системы и состоянием внешней среды, формируются та-

кие управляющие воздействия, реализация которых обеспечивает эффективное функционирование системы в данной ситуации.

( Начало ) I Шаг 10пределение режима работы смстеш^"" " ......

Модель знажй сформирована

Шаг 2-А*етироеание

/ Внешний I историк дажьм I (платежеспособен«!!» саккат&п[

[Г

Формирование анкеты]

^—-Получение согласия йгг ——»к етировани

I. соисжатети гсредл-а Данные с систему

О!

-

Г^мнять решение на

основании оценки платежеспособности

у---

(I

Шаг 4-Поя- отаека данных и работе с деревам решений Дерево решемлй-

—Д^жворешейгй-■

— измемгтъ —

,______,

Изменение дерева I |____Евшей**____|

---нет—^

ГСформироват'ь дерево решений

^Припять критерии-^ приоритеты по

тчакио —-"* |— ^

(_приоритеты ГУТР

.....

___■.________

Задать критерии и I

Шаг 5 - Принять решение о е соискателе

)эиам10сги вьцачи кредита

Перейти к корневому узлу дерева принятаяреше нлл

_( ВДсредств I 1 управления I

^^^-ЗаРоловол праейг»-^ _

_________гг&гСГ _________I______

I Перейти к дочернему уалу~| ГП прейти к дочернему узлу] | дерева по ветке Тше [_ дерева по ветке

Шаг 3 -Обучение мад>

Формирование анкет! ? •

■—"Получение согласия^ ^"--..^на анкетирование

Анкетирование

[ " " ГенерадоТрупп и структуры " | шаблона-маски в соответствии с [ 1 принятой типологией групп КЗ_|

^Задание коэффициента точности для I обеспечения репрезентативности обучающей выбор«

/ Пока нё"доу*г»Гуга \ I •Ху репрезентативность У-' /"бЦи7 обучающейвыборки____у ¡-»1 БЗ I

X

Данные резугоагов »кетироеания в

_ систему

• .......

н

J

7 ^

Б

Заполнение шаблона-маски I данньми о СЗГТ(кады и градами) [

Заложение шаблона-маски I частотами встречаемости СЗП [

I Определение оценки КЗ по векторам еггшчий

Г""Оп редёлёниё~статастйч есхйх ) харктерисгик групп в соответствии I -[___с гщунятои_'Шпрлогией КЗ____|

I Оценка точности в целях проверки репрезентативности выборки

ь-

Рисунок 2 — Алгоритм интеллектуальной поддержки принятия решений о возможности выдачи кредита на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков

Для работы алгоритма в системе реализованы основные принципы организации выбора решений (определено исходное множество элементов, при которых обеспечивается удовлетворение требований-ограничений, обусловленных заданными условиями, определены предпочтения в случае жесткого приоритета ЛПР и в случае работы системы в режиме автоматического управления при накопления статистики по количеству правильно/неправильно принятых решений), определена БП принятия решений с учетом установления предпочтений при наличии противоречий с набором возможных прецедентов.

Глава 4. Разработка программного обеспечения ИСППР о возможности выдачи кредита на основе оценки кредитоспособности и анализ эффективности разработанного метода и алгоритмов

В главе приведен краткий анализ существующего программного обеспечения, используемого кредитными организациями, представлена разработанная функциональная структура ИСППР со схемой базы данных и блоками извлечения и структуризации знаний, отражающих субъективное кредитное поведение и интеллектуальной поддержки принятия решений с ситуационным управлением. Также описаны разработанные алгоритмы, позволяющие в комплексе оценивать риски КЗ с учетом ограничения времени принятия решения и наличия противоречий. Приведены результаты анализа эффективности разработанного метода и алгоритмов, реализованных в ИСППР.

Так как в свете предложенной концепции новой является оценка рисков, связанных с субъективным кредитным поведением, для оценки эффективности разработанного метода и алгоритмов, реализующих его, принято условие оценки правильности принятия решений только на ее основании.

Выполнено несколько экспериментов по оценке соискателей (по качественному признаку - «хороший» или «плохой») и проверке правильности принятия решений. Для этого общую базу данных КЗ разделили на две выборки: обучающая выборка для формирования МЗ и экспериментальная выборка, данные которой при формировании МЗ не участвовали, т.е. экспериментальная выборка играет роль соискателей. Результаты реализации экспериментов представлены в таблице 1. Правильность прогнозов в первом случае - 82%, во втором -78%, что позволяет использовать метод при принятии решений о выдаче кредита.

Таблица 1 - Результаты оценки на основе расчета рангового коэффициента корреляции Спирмена (1) и на основе шггервальпой оценки (П)_

Кол-во соискателей Решение Правильность решения Правильно принятых решений, %

I П I II I II I II

3 7 решение не принято решение не принято - - 6 14

2 2 нет данных по группе нет данных по группе - - 4 4

4 2 скорее плохой (р=0,05) не вернегг кредит при 15=0,05 - - 8 4

2 2 скорее плохой (р=0,05) не вернет кредит при К=0,05 + + 4 4

5 4 скорее хороший (р=0,05) вернет кредит при 11=0,1 + + 10 8

34 33 сто рее хороший (р=0,01) вернет кредит при 11=0,05 + + 68 66

Эффективность метода и алгоритмов также подтверждается сравнительным анализом критериев эффективности программных продуктов, используемых для решения аналогичной задачи.

Результаты и выводы

В ходе диссертационной работы получены следующие результаты и выводы:

1. . Предложена концепция системы оценки рисков розничного кредитования, которая позволяет, перейти от оценки рисков на основе платежеспособности соискателя- кредита, исходя только из его финансовой состоятельности, к оценке его кредитоспособности, как совокупной оценке платежеспособности и оценки субъективного-кредитного поведения, трактуемой как желание, соединенное с возможностью своевременно погасить выданное обязательство. Разработана структура ИСППР, которая отражает основные особенности поставленной Задачи принятия решения о выдаче кредита на основании оценки кредитоспособности соискателя через определение СПП соискателя, выраженное вер-бйлйй'через СЗП; и рисков,' оцененных на основании платежеспособности соискателя. Это позволяет повысить эффективность процесса оценки соискателя кредита как основного в поддержке принятия решений.

2. Разработан алгоритм извлечения и структурирования знаний, отражающих субъективное кредитное поведение заемщика, который учитывает требования предметной области и отличительные особенности данных, полученных в результате ассоциативного эксперимента, свободного от навязывания стимулов респонденту (что приводит к наличию противоречий),1 Алгоритм базируется на' актуальном анализе данных, представленных в форме графовой модели типологии КЗ с применением БП древовидной структуры, позволяет автоматизировать процесс идентификации и интерпретации типологии КЗ с целью автоматизированного формирования анкеты КЗ. Причем, предложенные решения учитывают возможность разрешения противоречий по умолчанию или действиями, согласно плану активного вмешательства ЛПР. Алгоритм предусматривает предварительную проверку достижимости результата (формирования СПП) согласно правилам ЛПР, что позволяет уйти от перебора данных, полученных в ходе эксперимента. Разработанный алгоритм является универсальным, не привязан к конкретному типу исследований, его возможно использовать для широкого круга социальных, социально-экономических исследований.

3. Разработан метод построения модели знаний, отражающей оценку рисков на основе оценки субъективного кредитного поведения путем синтеза модифицированного метода многомерного шкалирования и адаптированного и модифицированного метода ЛВ-'моделирования, что позволяет анализировать «значимость» того или иного СЗП в соответствии с типологией КЗ в условиях, когда разнородные дискретные данные имеют многомерное распределение. Сценарий риска является ассоциативным и рассматривается только как гипотеза, что является большим преимуществом при оценке психологических аспектов. Инициирующие события-признаки могут иметь больше двух состояний, что дает возможность увеличения динамически меняющегося многомерного множества разнородных признаков. Реализованы два метода принятия решения: на основе расчета рангового коэффициента корреляции Спирмена и на основе интервальной оценки, что позволяет, в первом случае, принимать решения

в период накопления статистических данных на этапе тестирования и ввода в эксплуатацию ИСГТПР, а также в периоды накопления данных по анкетам с новыми СЗП, во втором случае — варьировать уровни риска и использовать большое количество исследуемых признаков.

4. Разработан алгоритм интеллектуальной поддержки принятия решений о возможности выдачи кредита на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков, реализующий предложенную концепцию. Разработана БП для принятия решения, которая обеспечивает уход от переборов ситуаций в случае наличия противоречий в системе, которые обусловлены участием таких оценок соискателя, как платежеспособность и кредитоспособность согласно плану активного вмешательства ЛПР или, плану, принятому по умолчанию. Алгоритм направлен на поддержание системы в актуальном состоянии и позволяет в квазидинамическом режиме изменять ключевые критерии оценки субъективного кредитного поведения КЗ.

5. Правильность прогнозов по результатам работы метода и алгоритмов, реализованных в разработанном программном обеспечении составила: на основе расчета рангового коэффициента корреляции Спирмена - 82%, на основе интервальной оценки - 78%, что доказывает возможность практического использования ИСГТПР. Практически доказана возможность сокращения количества данных, требующих документального подтверждения финансовой состоятельности. Использование ИСППР дает возможность повысить эффективность процесса классификации соискателя кредита, сократить долю участия кредитного инспектора в процессе оценки риска, выявлять с большой долей вероятности случаи мошенничества на основании психодиагностических данных. ИСППР интегрируется с принятой системой на основе оценки платежеспособности соискателя, структура ИСППР поддерживает адаптацию и модернизацию системы оценки рисков с учетом кредитной политики и направленности использования ИСППР.

Основные положения диссертации опубликованы в работах

В ре ценз ируем ых журналах из списка ВАК

1. Метод оценки рисков в экспресс-кредитовании / Е.Ю. Андиева // Системы управления и информационные технологии. 2008. №1.3 (31). С. 316-320.

2. Система поддержки принятия решений для оценки рисков розничного кредитования / Е.Ю. Андиева, И.И. Семенова // Системы управления и информационные технологии. 2008. №4.1 (34). С.108-112.

3. Способ построения психологического профиля заемщика для оценки рисков в сфере потребительского кредитования / Е.Ю. Андиева, И.И. Семенова // Управление риском. 2008. №1. С.56-62.

В других изданиях

4. Риски потребительского кредитования как частные случаи кредитной деятельности банков / Е.Ю. Андиева, И.И. Семенова // Труды Международного

Форума по проблемам науки, техники и образования Т. 3 / под ред. В.П Савиных, В.В. Вишневского. М.: Академия наук о Земле, 2006. С. 43-44.

5. Потребительское кредитование как фактор «уязвимости» банковской системы / Е.Ю. Андиева // Товар, потребительский рынок и маркетинговые коммуникации : сб. статей II Междунар. науч.-практ. конф. Пенза : 2007. С. 3-5.

6. К вопросу о возможном пути развития и совершенствования скорин-говых моделей / Е.Ю.Андиева // Финансовые проблемы РФ и пути их решения: теория и практика // Труды 8-й Междунар. науч.-практ. конф. Ч. 1. СПб. : Изд-во Политехи, ун-та, 2007. С. 178-180.

7. Проблемный анализ скоринговых банковских систем / Е.Ю. Андиева // Актуальные проблемы банковского права в России : сб. ст. II Междунар. науч.-практ. конф. Пенза, 2007. С. 6-9.

8. Выявление особенностей кредитного скоринга и возможности применения логического алгоритмов классификации / Е.Ю. Андиева, И.И. Семенова // Межвуз. сб. тр. молодых ученых, аспирантов и студентов. Омск : Изд-во Си-6АДИ, 2007. Вып. 4, ч. 2. С. 6-9.

9. К вопросу о возможном пути повышения эффективности оценки кредитоспособности физических лиц / Е.Ю. Андиева // Безопасность и банковский бизнес : матер, межрег. науч.-практ. конф. Омск : ГЭПИЦентр-П, 2007. С. 5962.

10. Обоснование целесообразности разработки системы психологического скоринга / Е.Ю. Андиева, И.И. Семенова // Современные проблемы информатизации в моделировании и социальных технологиях : сб. тр. / Под ред. ОЛ. Кравца. Воронеж : Научная книга, 2008. Вып. 13. С. 141-143.

11. Логико-вероятностное моделирование и оценка кредитного риска с использованием психологических особенностей кредитного заемщика / Е.Ю. Андиева, И.И. Семенова // Межвуз. сб. тр. молодых ученых, аспирантов и студентов. Омск : Изд-во СибАДИ, 2008. Вып. 5, ч.2. С.14-21.

12. К построению математической модели оценки кредитного заемщика на основе его психологического профиля / Е.Ю. Андиева // Врач-аспирант. 2008. №2 (23). С. 152-154.

13. Логико-вероятностная модель оценки риска кредитного заемщика с учетом его семантического поля /Е.Ю. Андиева // Компьютерное моделирование : тр. междунар. науч.-техн. конф. СПб. : Изд-во Политехи, ун-та, 2008. С.171-175.

14. Интеллектуальный алгоритм определения семантического пространства признаков в задачах формирования типологии групп / Е.Ю. Андиева, И.И. Семенова // Межвуз. сб. тр. молодых ученых, аспирантов и студентов. Омск : Изд-во СибАДИ, 2009. Вып. 6. С. 5-10.

Диссертант

Е.Ю. Андиева

Подписано к печати 13.04.2009. Формат 60x90 1/16. Бумага офсетная. Отпечатано на дупликаторе.

Гарнигура Тайме Усл. п.л 1,16; уч.-изд. л. 1,11. Тираж 120 экз. Заказ № 105.

Отпечатано в ПО УМУ СибАДИ 644080, г.Омск, пр. Мира, 5

Введение.

Глава 1. Анализ состояния услуг розничного кредитования и задачи исследования.

1.1 Анализ состояния услуг розничного кредитования.

1.2 Сравнительный анализ методик для оценки рисков розничного кредитования.

1.3 Цель и задачи исследования.

Глава 2. Разработка концепции системы оценки рисков розничного кредитования, структуры ИСППР, поддерживающей ее, и алгоритма извлечения и структурирования знаний, отражающих субъективное кредитное поведение.

2.1 Концепция оценки рисков розничного кредитования.

2.2 Разработка структуры ИСППР.

2.3 Разработка алгоритма извлечения и структурирования знаний, отражающих субъективное кредитное поведение.

2.3.1 Определение структуры СПП для формирования анкеты КЗ.

2.3.2 Разработка алгоритма извлечения и структурирования знаний с целью автоматизированного формирования анкеты КЗ.

Выводы по 2 главе.

Глава 3. Разработка метода построения модели знаний и алгоритма интеллектуальной поддержки принятия решений о возможности выдачи кредита на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков.

3.1 Разработка метода построения модели знаний.

3.1.1 Определение подхода к решению задачи оценки рисков.

3.1.2 Определение формы представления данных для построения модели знаний.

3.1.3 Построение модели знаний.

3.2 Разработка алгоритма интеллектуальной поддержки принятия решений на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков.

Выводы по 3 главе.

Глава 4. Разработка программного обеспечения ИСППР о возможности выдачи кредита на основе оценки кредитоспособности и анализ эффективности разработанного метода и алгоритмов.

4.1 Анализ программного обеспечения, используемого банками для принятия решения о выдаче кредита физическому лицу.

4.2 Описание состава разрабатываемого программного обеспечения в соответствии со структурой ИСППР и функциями аналитика и кредитного инспектора.

4.3 Анализ эффективности разработанного метода и алгоритмов.

Выводы по 4 главе.

Специфика ведения бизнеса в российских рыночных условиях требует повышенного внимания к вопросу оценки рисков кредитования банками физических лиц. Как наиболее массовый вид банковских услуг, потребительский кредит, несомненно, оказывает большое влияние на состояние всей банковской системы, развитие среднего и малого бизнеса.

Следует определить, что в работе рассматривается вид потребительского кредита - розничный кредит, выдача которого осуществляется через торговые сети или филиалы банка (иначе называемый эксресс-кредит, необеспеченный, беззалоговый кредит или нецелевой кредит).

Актуальность разработки нового метода принятия решений на основе оценки рисков розничного кредитования подтверждается с одной стороны статистикой продолжающегося роста невозвратов кредитных средств (на 01.01.2007 г. - 1,88 трн. рублей; на 01.01.2008 - 2,97 трн. рублей [50, 129, 143]), выданных на основании существующих методов и методик оценки кредитных рисков [31, 48, 51, 64, 65, 90, 126, 144, 157], и, с другой стороны, существует необходимость сохранить кредитную деятельность, в том числе как возможность смягчения воздействия кризиса на малый и средний бизнес и как поддержку населения во времена депрессивной экономики [131, 104].

Главная составляющая повышения эффективности системы розничного кредитования — эффективность оценки риска данного вида услуг и, как следствие, снижение невозвратов заемных средств и оправданная диверсификация рисков.

Существующие методики оценки кредитного риска применительно к кредитованию физических лиц базируются на ряде общих принципов, что позволяет сгруппировать их в определенные направления: методики Центрального банка - платежеспособность соискателя определяется исходя из наличия залога или залогового имущества [29, 30, 80]; методы, предложенные Базельским комитетом по банковскому надзору, в том числе подход, наиболее приемлемый и широко используемый, основанный на рейтинговой оценке — скоринг [51, 124,125, 110].

Авторы работ по оценке рисков банковской системы Данилова Т.Н., Карасев В.В., Соложенцев Е.Д. [51, 124 ,125] отмечают основные проблемы существующих методик, а именно, в первом случае: непрозрачность, недостоверность доходов, как соискателей, так и поручителей, несоизмеримость предлагаемого залогового имущества и суммы кредита, сложность процедуры оформления услуги и во втором: использование нероссийских методик и недостоверность накопленной статистики.

Анализ материала, посвященного кредитному скорингу [1, 36, 51, 58, 90, 157, 162, 163, 164, 166, 175, и др.] как системе приоритетно регулирующей деятельность коммерческих банков, оказывающей услуги экспресс-кредитования, дает право предположить, что оценка кредитоспособности заёмщика происходит по двум паритетным направлениям: обработка классической анкеты заёмщика нетривиальными методами статистического анализа и/или более детальная формализация оценки кредитоспособности с использованием новейших исследований в макроэкономике, социологии и психологии. Однако, основываясь на заявленных данных разработчиками программного обеспечения оценки заемщика (Credit Scoring Solution, EGAR Application Scoring, Автоматизированная система РОСНО, «dm-Score -аналитические технологии для бизнеса», «Лаборатория НТР», Base Group Labs, Scorto) и проведенном анализе анкет банков, специализирующихся на данном виде услуг (Home Credit & Finance Bank, АБ «Газпромбанк», Банк «ЦентроКредит», Банк Интегро, АКБ «Московский Банк Реконструкции и Развития», Сбербанк России, Альфа-Банк, Банк Ренессанс и др.) [79, 160, 165, 174, и др.], которые используют данное программное обеспечение, следует отметить, что: основным методом, который лежит в основе скоринговых систем, является «метод коэффициентов», использование которого приводит к ошибкам классификации кредитных заемщиков на «хороших» и «плохих» и не позволяет оценить возможность диверсификации рисков среди соискателей; несомненно, наиболее важный для оценки физических лиц — аспект, связанный с субъективным кредитным поведением используется недостаточно или не рассматривается вовсе.

На основании выводов из подробного анализа литературы, раскрывающей вопросы экономической, социальной психологии [4, 27, 37, 40, 45, 53, 54, 82, 85, 86 и др.], литературы, посвященной финансовым рискам [8, 41, 48, 51, 64, 71, 91, 108, 119, 123, 124, 126, 130, 157, 158], следует, что риск-менеджерам необходимо анализировать риски (качественно и количественно), в основе которых лежит симбиоз внешних воздействий и субъективного принятия решения, часто отличного от рационального. При оценке риска выдачи соискателю кредита необходимо рассматривать его как субъект, который к моменту осуществления действия «кредит» уже имеет индивидуальный опыт взаимодействия с внешней средой в системе кредитно-монетарных отношений.

Вопросы субъективного поведения человека наиболее актуальны на сегодняшний день в области разработки интеллектуальных информационных систем. Авторами работ [33, 35, 44] Башмаковым А. И., Башмаковым И.А., Гавриловой Т.А., Хорошевским В.Ф. рассматриваются вопросы проектирования интеллектуальных систем, как систем направленных, в том числе на изучение и моделирование субъективного поведения человека.

Таким образом, вопрос о разработке метода и алгоритмов интеллектуальной поддержки принятия решений на основе оценки рисков в системе розничного кредитования с учетом аспектов субъективного кредитного поведения является актуальным. Работа посвящена решению данного вопроса.

Цель работы и задачи исследования

Целью настоящей работы является разработка метода и алгоритмов интеллектуальной поддержки принятия решений в системе розничного кредитования с учетом аспектов субъективного кредитного поведения, а также программного обеспечения, реализующего данный метод и алгоритмы.

Для достижения, поставленной цели необходимо решить следующие задачи:

1. Разработать концепцию системы оценки рисков розничного кредитования на основе оценки кредитоспособности заемщика (с учетом аспектов его субъективного кредитного поведения) и структуру интеллектуальной системы поддержки принятия решений (ИСППР), поддерживающую предложенную концепцию.

2. Разработать алгоритм извлечения и структурирования знаний, отражающих субъективное кредитное поведение заемщика, с целью автоматизированного формирования анкеты кредитного заемщика (КЗ).

3. Разработать метод построения модели знаний, отражающей оценку рисков на основе оценки субъективного кредитного поведения заемщика.

4. Разработать алгоритм интеллектуальной поддержки принятия решений о возможности выдачи кредита.

5. Разработать программное обеспечение ИСППР и провести анализ эффектйвностиразработанного метода и алгоритмов.

Методы исследований

В диссертации приведены результаты исследований, полученные с использованием методов системного анализа, искусственного интеллекта, теории управления, социальной психологии, психодиагностики, математической статистики, теории вероятностей, математической логики, комбинаторики, теории надежности систем, теории принятия решений, теории алгоритмов и языков* программирования, теории проектирования автоматизированных систем.

Результаты, выносимые на защиту

1. Концепция системы оценки рисков розничного кредитования на основе оценки кредитоспособности заемщика, как совокупной оценки платежеспособности и оценки его субъективного кредитного поведения, и структура ИСППР, поддерживающая ее.

2. Алгоритм извлечения и структурирования знаний, отражающих субъективного кредитное поведение заемщика, с целью автоматизированного формирования анкеты кредитного заемщика.

3. Метод построения модели знаний, отражающей оценку рисков на основе оценки субъективного кредитного поведения заемщика.

4. Алгоритм интеллектуальной поддержки принятия решений о возможности выдачи кредита на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков.

Научная новизна результатов

1. Новизна концепции состоит в определении альтернативного пространства признаков оценки соискателя кредита, применении и адаптации методов социальной и экономической психологии (положений семантического эксперимента) в системе кредитно-монетарных отношений, а именно в системе розничного кредитования, что предопределяет при оценке рисков данного вида услуг переход от оценки платежеспособности к оценке кредитоспособности. Новизна структуры ИСППР, поддерживающей концепцию, состоит в том, что в нее включен блок извлечения и структурирования знаний, отражающих субъективное кредитное поведение заемщика, который, по сути, выполняет работу экспертов-психологов, что полностью снимает наиболее существенную проблему субъективного подхода уже на первом этапе оценки соискателя кредита. Результат работы данного блока — инструментарий для блока приобретения знаний, что предопределяет адаптивность системы оценки рисков с учетом социально-экономических факторов, а также структура ИСППР учитывает естественное наличие противоречий оценок кредитоспособности/платежеспособности, что обеспечивает возможность реализации гибкой политики банка.

2. Новизна алгоритма: извлечения и структурирования знаний, отражающих субъективное кредитное; поведение заемщика, в назначении данного алгоритма — в определении пространства признаков, отражающих кредитное поведение, через собственные убеждения кредитного заемщика (КЗ) путем выделения семантического (ментального; смыслового) пространства признаков (СПИ); с идентификацией и интерпретацией: определяющих слов-значений-признаков : (СПЗ) для?: получения . типологии СИП КЗ; что обуславливает наличие проблем и противоречий при; обработке плохо формализованных и слабоструктурированных данных, решение заключается в обработке предложенной графовой модели! типологии КЗ с применением продукционнойбазы правил (БП) древовидной структуры.

3. Новизна метода оценки рисков заключается: в синтезе модифицированного метода многомерного шкалирования, ш адаптированного и модифицированного метода логико-вероятностного моделирования (JIB-моделирования), с формированием базы знаний (БЗ), отражающей субъективное кредитное; поведение заемщика, что. позволяет оценить риски на основании оценки ' субъективного кредитного поведения , путем расчета рангового коэффициента корреляции Спирмена и/или интервальной оценки? с введением коэффициента репрезентативности выборки в зависимости от стадии внедрения ИСППР.

4. Новизна алгоритма интеллектуальной поддержки принятия решений . заключается в реализации нового метода с применением разработанной продукционной БП древовидной структуры, в которой заложены также правила ситуационного: управления системой оценки рисков. Алгоритм отличает, наличие возможности приобретения знаний и построения актуальной БЗ, ,'• отражающей' субъективное кредитное поведение заемщика, с: осуществлением обратной связи в целях актуализации анкеты КЗ, предопределяющей БЗ.

Практическая ценность и внедрение результатов

Практическая значимость диссертационного исследования заключается в повышении эффективности оценки рисков как главной составляющей эффективной работы системы розничного кредитования за счет повышения эффективности самого процесса классификации КЗ, а также сокращения количества данных, требующих документального подтверждения финансовой состоятельности соискателя, сокращения доли участия кредитного инспектора в процессе оценки риска, возможности не хранить кредитную историю КЗ после погашения кредита, т.к. это теряет смысл для ее кражи в корыстных целях или мошенничества, и в возможности выявлять с большой долей вероятности случаи мошенничества. ИСППР, разработанная на базе предложенных метода и алгоритмов, интегрируется с принятой системой оценки рисков на основе оценки платежеспособности соискателя кредита, поддерживает адаптацию и модернизацию системы оценки рисков с учетом кредитной политики, а также направленности ее использования.

Результаты работы апробированы и приняты к использованию в банках при разработке программы оказания исследуемого вида услуг, что подтверждено актами, а также результаты внедрены в учебном процессе ГОУ «СибАДИ».

Апробация работы и публикации

Основные положения работы докладывались и обсуждались на 8-й Международной научно-практической конференции в СПбГПУ «Финансовые проблемы РФ и пути их решения: теория и практика» (Санкт-Петербург, 2007), на II Всероссийской научно-практической конференции студентов, аспирантов и молодых ученых в СибАДИ (Омск, 2007), на Межрегиональной практической конференции «Безопасность и банковский бизнес» (Омск, 2007), на IX Международной научно-технической конференции в СПбГПУ «Компьютерное моделирование 2008» (Санкт-Петербург, 2008), на научно-практической конференции «Инновационные технологии в банковской деятельности» (Омск, 2008).

По теме диссертации опубликовано 14 работ: 9 статей, в том числе 3 статьи в журналах, рекомендованных ВАК, 5 докладов на конференциях.

Структура работы

Диссертационная работа изложена на 196 страницах машинописного текста и включает в себя введение, четыре главы основного материала, заключение, библиографический список из 176 наименований, приложения на 46 страницах.

Выводы по 4 главе

1. Анализ рассмотренного ПО дает право предположить, что оценка рисков розничного кредитования происходит на основании оценки платежеспособности соискателя и достаточно трудно сделать достоверные выводы о применении скоринга с учетом социальных и психологических аспектов, несмотря на заявление наличия таких модулей у разработчиков скоринговых карт, поэтому вопрос разработки системы принятия решений на основании оценки кредитоспособности остается актуальным.

2. Разработано ПО ИСППР о возможности выдачи кредита на основе оценки кредитоспособности, реализующее разработанные метод и алгоритмы в соответствии со структурой ИСППР.

3. Посредством ПО ИСППР о возможности выдачи кредита на основе оценки кредитоспособности для оценки эффективности предложенного метода и алгоритмов был проведен эксперимент, в результате которого правильность принятия решений только на основании оценки субъективного кредитного поведения составляет: по методу на основе расчета рангового коэффициента корреляции Спирмена между типовым профилем т-й группы и индивидуальным профилем 5-го соискателя — 82%; по методу принятия решения на основании интервальной оценки — 78%. Это определяет возможность его дальнейшего практического использования.

4. Эффективность метода, алгоритмов и ИСППР подтверждается также сравнительным анализом критериев эффективности программных продуктов, используемых для решения аналогичной задачи.

132

Заключение

В ходе диссертационной работы получены следующие результаты и выводы:

1. Предложена концепция системы оценки рисков розничного кредитования, которая позволяет перейти от оценки рисков на основе платежеспособности соискателя кредита, исходя только из его финансовой состоятельности, к оценке его кредитоспособности, как совокупной оценке платежеспособности и оценки субъективного кредитного поведения, трактуемой как желание, соединенное с возможностью своевременно погасить выданное обязательство. Разработана структура ИСППР, которая отражает основные особенности поставленной задачи принятия решения о выдаче кредита на основании оценки кредитоспособности соискателя через определение СПП соискателя, выраженное вербально через СЗП, и рисков, оцененных на основании платежеспособности соискателя. Это позволяет повысить эффективность процесса оценки соискателя кредита как основного в поддержке принятия решений.

2. Разработан алгоритм извлечения и структурирования знаний, отражающих субъективное кредитное поведение заемщика, который учитывает требования предметной области и отличительные особенности данных, полученных в результате ассоциативного эксперимента, свободного от навязывания стимулов респонденту (что приводит к наличию противоречий), Алгоритм базируется на актуальном анализе данных, представленных в форме графовой модели типологии КЗ с применением БП древовидной структуры, позволяет автоматизировать процесс идентификации и интерпретации типологии КЗ с целью автоматизированного формирования анкеты КЗ. Причем, предложенные решения учитывают возможность разрешения противоречий по умолчанию или действиями, согласно плану активного вмешательства ЛПР. Алгоритм предусматривает предварительную проверку достижимости результата (формирования СПП) согласно правилам ЛПР, что позволяет уйти от перебора данных, полученных в ходе эксперимента. Разработанный алгоритм является универсальным,1 не привязан к конкретному типу исследований, его возможно использовать для широкого круга социальных, социально-экономических исследований.

3. Разработан метод построения модели знаний, отражающей оценку рисков на основе оценки субъективного кредитного поведения путем, синтеза модифицированного метода многомерного шкалирования и адаптированного и. модифицированного метрда ЛВ-моделирования, что позволяет анализировать, «значимость» того или иного СЗП в соответствии с типологией КЗ в условиях, когда; разнородные дискретные данные, имеют многомерное распределение. Сценарий риска является ассоциативным и рассматривается только как гипотеза,: что является большим: преимуществом при оценке психологических аспектов: Инициирующие события-признаки могут иметь больше- двух состояний, что дает, возможность увеличения динамически меняющегося; многомерного множества разнородных признаков: Реализованы: два метода принятия? решения: на основе: расчета, рангового коэффициента корреляции Спирмена и на основе интервальной оценки, что позволяет, в первом случае, принимать решения в период накопления; статистических данных на этапе тестирования и ввода в эксплуатацию ИСППР, а также; в периоды^ накопления данных по анкетам с. новыми СЗП, во втором случае - варьировать уровни риска и использовать большое количество исследуемых признаков.

4. Разработан алгоритм интеллектуальной поддержки принятия решений о возможности выдачи кредита на основе оценки кредитоспособности с ситуационным управлением системой оценки рисков^ реализующий предложенную концепцию. Разработана БП для принятия решения, которая обеспечивает уход от переборов ситуаций в» случае наличия противоречий в системе, которые, обусловлены участием, таких оценок соискателя,, как платежеспособность и • кредитоспособность согласно плану активного вмешательства ЛПР или, плану,^принятому по умолчанию. Алгоритм направлен на поддержание системы в актуальном . состоянии и позволяет в квазидинамическом режиме изменять ключевые критерии оценки субъективного кредитного поведения КЗ.

5. Правильность прогнозов по результатам работы метода и алгоритмов, реализованных в разработанном программном обеспечении составила: на основе расчета рангового коэффициента корреляции Спирмена - 82%, на основе интервальной оценки - 78%, что доказывает возможность практического использования ИСППР. Практически доказана возможность сокращения количества данных, требующих документального подтверждения финансовой состоятельности. Использование ИСППР дает возможность повысить эффективность процесса классификации соискателя кредита, сократить долю участия кредитного инспектора в процессе оценки риска, выявлять с большой долей вероятности случаи мошенничества на основании психодиагностических данных. ИСППР интегрируется с принятой системой на основе оценки платежеспособности соискателя, структура ИСППР поддерживает адаптацию и модернизацию системы оценки рисков с учетом кредитной политики и направленности использования ИСППР.

1. Абричкина Г.Б. Инструментальные методы управления кредитными рисками регионального банка.: Дис. . канд. физ.-мат. наук /ВГТУ, Воронеж 2004. 136с.

2. Абричкина Г.Б., Кравец О .Я., Деркачев А.Н. Программа "Инструментальная система скоринг-анализа и минимизации кредитных рисков"// ФАЛ ВНТИЦ. Per. N50200300586 от 10.07.2003.

3. Аврамова У.М.Сберегательные установки россиян // Общественные науки и современность. 1998. - №1 - С.37.

4. Автономов В. С. Модель человека в экономической науке. СПб., 1998.-457с.

5. Айвазян С. А., Енюков И.С., Мешалкин JI. Д. Прикладная статистика: Классификация и снижение размерности. — М.: Финансы и статистика, 1989. 608 с.

6. Айвазян С.А., Мхитарян В.С Прикладная статистика и основы эконометрики, М.: Юнити, 1998 459с.

7. Алексахин С.В., Балдин А.В., Николаев А.Б. , Строганов В.Ю. Прикладной статистический анализ: Учебное пособие для вузов. М.: «Изд-во ПРИОР», 2001,-224с.

8. Альгин А. П. Грани экономического риска. М., 1991. 253с.

9. Андерсон, Джеймс А. Дискретная математика и комбинаторика: пер. с англ. М.: Издательский дом «Вильяме», 2003 - 960с.

10. Андиева Е.Ю. К построению математической модели оценки кредитного заемщика на основе его психологического профиля // Врач-аспирант.- Воронеж, 2008. №2 (23). - С.152-154.

11. Андиева Е.Ю. Логико-вероятностная модель оценки риска кредитного заемщика с учетом его семантического поля // Компьютерное моделирование: Труды международной научно-технической конференции. СПб.: Изд-во Политехи. Ун-та, 2008. С. 171-175.

12. Андиева Е.Ю. Метод оценки рисков в экспресс-кредитовании// Системы управления и информационные технологии. 1.3 (31), 2008 №2. — С.316-320.

13. Андиева Е.Ю. Потребительское кредитование как фактор «уязвимости» банковской системы // Товар, потребительский рынок и маркетинговые коммуникации: сборник статей II Международной научно-практической конференции. Пенза: 2007. - С. 3-5.

14. Андиева Е.Ю. Проблемный анализ скоринговых банковских систем //Актуальные проблемы банковского права в России: сборник статей II Международной научно-практической конференции. Пенза, 2007 - С.6-9.

15. Андиева Е.Ю., Семенова И.И. Способ построения психологического профиля заемщика для оценки рисков в сфере потребительского кредитования// Управление риском Москва, 2008. - №1. -С.56-63.

16. Андиева Е.Ю., Семенова И.И. Система поддержки принятия решений для оценки рисков розничного кредитования// Системы управления и информационные технологии, 4.1(34), 2008. С. 108-112

17. Андрейчиков А.В., Андрейчикова О.В Интеллектуальные информационные системы: Учебник. М.: Финансы и статистика, 2006. - 424с.

18. Антонов А.В. Системный анализ. Учебн. для вузов / А.В. Антонов. 2-е изд.стер. - М.: Высш. шк., 2006. - 464с.

19. Анфилатов B.C. Системный анализ в управлении: учеб. пособие / B.C. Анфилатов, А.А. Емельянов, А.А. Кукушкин; под ред. А.А. Емельянова. — М.: Финансы и статистика, 2006. 368с.

20. Артемьева Е.Ю. Основы психологии субъективной семантики / Под. ред. И.Б. Ханиной. М.: Наука; Смысл, 1999 350с.

21. Банки и банковские операции: Букварь кредитования, технология банковских ссуд, околобанковское рыночное пространство. Челноков В.А. -Издательство Высшая школа, 2004. — 291 с.

22. Банковское дело. Под редакцией Коробова Г.Г. Издательство Экономистъ , 2004 — 751 с.30. , Банковское дело/ под ред. Белоглазова Г.Н., Кроливецкая Л.П. — Издательство Питер, 2004 384 с.

23. Банковское дело: Стратегическое руководство/ рук. проекта У. Гулд.-М.: Консалт-банкир, 2001.- 184 с.

24. Баргсян А.А., Куприянов М.С., Степаненко В.В., Холод И.И. Методы и модели данных анализа OLAP и Data Mining. СПб.: БХВ-Петербург, 2004. - 336 с.

25. Башмаков А.И., Башмаков И. А. Интеллектуальные информационные технологии: Учеб. пособие. М.: Изд-во МГТУ им. Н.Э. Баумана, 2005.-304с.

26. Башнин П. Пришел, увидел, купил в кредит // Банковское дело в Москве. 2005. -№1. - С. 121.3'5. Богуславская В.В.Моделирование текста: лингвосоциокультурная концепция: Анализ журналистских текстов. Изд.2 2008. — 280 с.

27. Будина Е.С. Проблемы оценки кредитоспособности заемщика // Вестник ЮУрГУ. Сер. «Рынок: теория и практика», выпуск 2 . — 2006. №1. -С.114.

28. Верховин В. И., Зубков В: И. Экономическая социология: Монография. М.: Изд-во РУДН, 2002. - 459 с.

29. Верховин В.И. Структура и функции монетарного поведения // Социологические исследования, 1993. № 10. - С. 67-73.

30. Википедия — свободная энциклопедия: Банковские риски. Электронный ресурс. Режим доступа:http//ru.wikipedia.0rg/wiki/BaHK0BCKHepHCKH, свободный доступ. загл. с экрана.

31. Винокуров В.В. Экспериментальная психология. СПб.: ООО Речь, 2007.-220,с.

32. Вишняков Я.Д., Родеев'Н! Н. Общая теория рисков: Учебное пособие, М: Академия, 2007. - 68с.

33. Владов Ю.Р. Автоматизированный логико-вероятностный расчет надежности технических систем Текст.: лабораторный практикум / Ю.Р. Владов.- Оренбург: ГОУ ОГУ, 2005. 42 с.

34. Вороненко Д.И., Пищулин А.С. «Внедрение скоринга должно принести финансовую отдачу уже в краткосрочном плане» // Банковские технологии. 2005. - №5. - С.47-49.

35. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. СПб.: Питер, 2000. - 384с.

36. Ганзен В. А. Системные описания в психологии. — JL: Изд-во Ленингр.ун-та, 1984. 176 с.

37. Голованова И. Что мешает работать первым кредитным бюро // Учет, налоги, право 2005. - №2. - С 48-52.

38. Громова- О.А. Социально-психологические критерии типологии потребительских групп : Дис. . канд. психол. наук : 19.00.05 : Москва, 2001 -186 с. РГБ ОД, 61:02-19/43-Хъ

39. Грюнинг X., Братанович С.Б. Анализ банковских рисков: Система оценки корпоративного управления и управления финансовыми ресурсами Mi: Весь Мир, 2004- 231с.

40. Гэвин М., Хаусман Р. Корни банковских кризисов: макроэкономическая среда/Ючерки о мировой экономике: Выдающиеся экономисты мира в Московском Центре Карнеги: Под ред. А. Ослунда, Т. Малевой. М.: Гендальф, 2003. - С. 253 -268.

41. Геловани В.Л. Башлыков А.А. Бритков В.Б. , Вязилов Е.Д. Интеллектуальные системы поддержки принятия решений В' нештатныхситуациях с использованием информации о состоянии природной среды. М.: Эдиториал УРСС, 2001. 304 с.

42. Данилова Т.Н. Проблемы неопределенности, информации и риска кредитования коммерческими банками // Финансы и кредит 2004 - №2. -С. 2-13.

43. Даннет Р., Сэмоэс А. Управление операционными рисками в банковской сфере// Банковские технологии. 2005. - №7. - С.62-64.5'3. Дейнека О.С. Экономическая психология. СПб.: Санкт-Петербургский университет, 1999. 160 с.

44. Дементьева С. Кредитные бюро расслоились // Коммерсантъ. — 2006. 18 октября.

45. Дружинин В. Н. Экспериментальная психология. — 2-е изд., доп. — СПб.: Питер, 2004. 318с.

46. Дубров А. М., Мхитарян B.C., Трошин JI. И. Многомерные статистические методы: Учебник. М.: Финансы и статистика, 2003. - 352с.

47. Дюк В., Самойленко A. Data Mining: учебный курс. СПб: Изд. Питер, 2001.-368 с.

48. Дяченко О. Умение адаптироваться — важнейшее свойство скоринговых систем // Банковское обозрение. 2006. - №5 — С. 44-48.

49. Журин С. Банковский кредит: суждено ли ему вернутся? // Банковское дело. 2004. - №5(56). - С.75.

50. Заславская О. Кредитные бюро начали плохо // Известия. 2006. - 5 июня.

51. Зверев, О. А. Конкуренция на рынке розничных банковских услуг и задачи банковского менеджмента / О. А. Зверев // Финансы и кредит. 2004. — № 18(156).-С.25-28.

52. Зыбковец К. Дубинина Н. Внедрение и оптимизация системы кредитного скоринга: пять подводных камней// Банковские технологии. 2005. - №5. - С.37-40.

53. Игнатов А. Скоринговые системы в Российской практике // Банковские технологии. 2005- №5. - С. 53 - 57.

54. Игнатов А., Усачев С. Технологии дистанционного обслуживания заёмщиков// Банковские технологии. 2004 - №5. — С. 57- 61.

55. Интеллектуальное управление производственными системами. Кусимов С.Т., Ильясов Б. Г., Исмагилова JI.A., Валеева Р. Г. М.: Машиностроение, 2001. - 327с.

56. Иоффе Г. Система EGAR Loans нужна банкам с агрессивной политикой на рынке кредитования // Банковские технологии 2006 - №2- С. 20-22.

57. Карасев В. В., Разработка и исследование логико-вероятностных моделей риска в бизнесе и методов их идентификации с учетом групп несовместных событий: Дис. На соискание ученой степени канд. тех. наук./ Ин-т проблем машиноведения РАН-СПБ, 2000 176с.

58. Катулев А.Н. Математические методы в системах поддержки принятия решений: Учеб. пособие / А.Н. Катулев, Н.А. Северцев. М.: Высш. шк., 2005,-311с.

59. Кириченко Н., Ивантер А. Крупнейшие банки России. Измерение кризиса. //Эксперт 1998. - №38(57) - С.59-64.

60. Киселева И. А. Моделирование оценки рисков в процессе принятия банковских решений // Аудит и финансовый анализ. 2002. - №1. — С.16-19.

61. Классификация и кластер. /Под ред. Дж. Вэн Райзина. М.: Мир, 1980,-390 с.'. " 142":

62. Ковальский С. Кредиты.Возможно всеУ/Еородскаябанковская газета.--2006 №2.-С. 1-15.74; Козелещий Ю.-Человек многомерньш. Психологические эссе. — Киев, 1991.- 239с. :

63. Коротов А. Современные модели управления операционными рисками в коммерческих банках // Банковские услуги. — 2006. №5 — С. 20-24.

64. Кредитные бюро начали передавать сведения // Бизнес. 2006. — 30 марта. • :7.7. Кредитные истории выходят на рынок // Коммерсантъ. 2006 — 16 февраля. ;

65. КриббД:, Кириллов-А1. Деньги: Ml: Слово; 1999; -164с.79.,; . Лаборатория* НТР Электронный ресурс.:. Режим; доступа: http://www.ntrlab.ru/, свободный доступ. загл; с экрана.

66. ЛаврушинГО.И:,: Афанасьева^ 0IH:, Корниенко: С.Л: Банковское дело: современная1 система кредитования: Учеб:, пособие. — М.:: КН0РУС, 2005, 256с.

67. Лакин Г.Ф: Биометрия. Учеб: пособие: — 4-е издание, перераб. и доп. М:: Высш; шю, 1990:-! 352 ci

68. Леонтьев А. II. Деятельность; Сознание. Личность. — М. Московский университет, 1982. 238 с.83:, , Мазин В. Банки идут в регионы // Бизнес. 2005. - №99 (118).

69. Максутов Ю: .Скоринг: возможности и ограничения//Банковское дело.-2004.-С. 12-14. • :85., Малахов С.В. Основы экономической психологии: М.: Ин-т экономической политики; 1992. -256 с.

70. Малохов С.В. «Экономический человек» и рациональность экономической деятельности, (обзор зарубежных исследований)? // Психологический журнал. 19901 Т. 11. № 6. -С. 38-46:,.

71. Мартынова Т. «Просрочка» после 1 июля: продать, подарить, списать? // Банковское обозрение. 2007 - № 5 - с.28-33.

72. Математическая теория конструирования систем управления: Учеб. Для вузов./В.Н.Афанасьев, В.Б. Колмановский, В.Р. Носов. 3-е изд., испр. И доп. - М.: Высш. шк., 2003. - 614с.

73. Медведев А. Кредитная история // Коммерсантъ. Омск -2006.-21 августа

74. Мейз Э. Руководство по кредитному скорингу. Киев: Гревцов Паблишер, 2008. - 464с.

75. Меленкин А. Некоторые аспекты управления рисками потребительского кредитования// Банковская деятельность. Услуги. — 2005 — №Ю,-С. 2-19.

76. Мендель И.Д. Кластерный анализ. М.: Финансы и статистика. 1988.-176с.

77. Меренкова И. Ю. Разработка социально-психологической типологии российских потребителей : Дис. На соискание ученой степени канд. психол. наук: 19.00.05: Москва, 1998 180 с. РГБ ОД, 61:98-19/249-4

78. Методы и техники практической психологии / Под ред. Попова Л.М., Петрушина С.В. СПб.: ООО Речь, 2007. - 224 с.

79. Можаев А.С. Общий логико-вероятностный метод анализа надежности сложных систем Л.: ВМА, 1988, — 67 с.

80. Мурадян А. Невозврат. Финансовая кабала//Просторы России. Региональная газета делового сообщества. — 2006. -№ 23.-7 июня.

81. Наследов А. Д. SPSS: Компьютерный анализ данных в психологии и социальных науках СПб.: Питер, 2005. - 416 с.

82. Наследов А.Д. Математические методы психологического исследования. Анализ и интерпретация данных СПб.: Речь, 2004 - 392 с.

83. Новиков Д.А. Теория управления организационными системами.- М.: МПСИ, 2005. 584 с.

84. Новиков Ф.Я. Дискретная математика для программистов: Учебник для вузов 3-е изд. СПб.: Питер, 2008. - 384с.

85. Новикова Н.А., Орлова Н.В. 100 вопросов о кредите: теряем или приобретаем — Ростов н/Д: Феникс, 2006. 284 с.

86. Ногин В. Д. Принятие решений в многокритериальной среде: количественный подход. — 2-е изд., испр. и доп. М.: ФИЗМАТЛИТ, 2005. -176 с.

87. Нортон М. Нервный бизнес // Банковские технологии 1999. -№3 - С. 37-44.

88. Остринская Л.И., Семенова И.И. Теория и практика работы с современными базами и банками данных: Учебное пособие. Омск: Изд-во СибАДИ, 2005.-250с.

89. Перегудов Ф.И., Тарасенко Ф.П. Введение в системный анализ. — М.: Высшая школа, 1989. 367с.

90. Петренко В. Ф. Основы психосемантики. М.: Московский университет, 1997. - 400 с.

91. Петренко Т. Природа риска банкротства коммерческого банка// Банковские технологии. 2005.- №1. - С. 11-12.

92. Петровский А.Б. Пространства множеств и мультимножеств. — М.: Едиториал УРСС, 2003. 123 с.

93. Пирошки М. Нагь Базель-2 для управляющих банками: основные характеристики и последствия внедрения для Центральной и Восточной Европы // Банковское дело. 2006. - №3. - С. 8-17.

94. Положение № 54-П «О порядке предоставления (размещения) кредитными организациями денежных средств и их возврата (погашения)», утверждено Центральным банком РФ от 31 августа 1998 года в редакции от 27 июля 2001 года.

95. Положение №222-П «О порядке осуществления безналичных расчетов физическими лицами в РФ», утверждено Центральным банком РФ от 1 апреля 2003 года.

96. Пору В. Н. Парадоксы научной рациональности и этики // Исторические типы рациональности. Т. 1. М, 1995. С. 324.

97. Поспелов Д.А. Логико-лингвистические модели в системах управления. М.: Энергоиздат, 1976.

98. Рассел, Стюарт, Норвинг, Питер. Искусственный интеллект: современный подход, 2-е изд.: пер. с англ. М.: Издательский дом «Вильяме», 2007.- 1408с.

99. Рябинин И.А., Черкесов С.Н. Логико-вероятностные методы исследования надежности структурно-сложных систем. — М., Радио и связь, 1981-264 с.

100. Рябинин И.А. Надежность и безопасность структурно-сложных систем. СПб.: Политехника, 2000. - 248с.

101. Селюков В.К. Оптимизация процесса управления кредитным риском в банковских скоринговых системах // Вестник МГУ им. Баумана Сер. «Естественные науки». 2006. №1. - С.107-117

102. Семенов М. Обслуживание физических лиц это так просто!// Банковские технологии. - 2005. — №5. - С. 50-52.

103. Семенов М.Ю. Особенности отношения к деньгам людей с разным уровнем личностной зрелости. Автореф. дис. канд. психологических наук. Ярославль, 2004.

104. Сидоренко Е.В. Методы математической обработки в психологии. СПб.: ООО Речь, 2007. - 350 с.

105. Смородинов О. Оценка кредитных рисков в банковском ритейле США. Банковские технологии № 7 2005. - С.36-40.

106. Соложенцев Е. Д., Степанова Н. В., Карасев В. В. Прозрачность методик оценки кредитных рисков и рейтингов. С/Пб.: Изд-во С.-Петерб. унта, 2005.-197 с.

107. Соложенцев Е.Д. Степанова Н.В. Требования к качеству методик оценки кредитных рисков // Качество. Инновации, Образование. 2005. №4.

108. Соложенцев Е.Д. Сценарное логико-вероятностное управление риском в бизнесе и технике — СПб.: Издательский дом «Бизнес-пресса».2004 — 432с.

109. Соложенцев Е.Д., Карасев В.В. Логико-вероятностные модели риска в бизнесе с группами несовместных событий // Экономика и математические методы, 2003- №1. С. 90-105.

110. Спасенников В.В. Экономическая психология, Учеб. пособие. — М.: ПЕР СЭ, 2003.-448 с.

111. Спешнев О. История в кредит // Учет, налоги, право- 2005. — № 9.-С. 13.

112. Спрысков Д. Управление рисками розничного кредитования путем построения скоринговых моделей // Банковские услуги. — 2006 — № 2 — С.26-27.

113. Стребков Д.О. Основные типы и факторы кредитного поведения населения в современной России // Вопросы экономики 2004. - № 2. — с.42.

114. Строев А. Решение SAS для кредитного скоринга в банках // Банковские технологии. 2004- №4. - С.94-96.

115. Сулицкий В.Н. Методы статистического анализа в управлении: Учеб. Пособие. М.: Дело, 2002. - 520с.

116. Суходольский Г.В. Математические методы в психологии-Харьков: Гуманитарный центр, 2002. — 284 с.

117. Тен В.В. Проблемы анализа кредитоспособности заемщика// Банковское дело . 2006. - №2. - С. 49-51.

118. Теоретические основы системного анализа/ под ред. В. И. Новосельцева. М.: Майор, 2006. - 592 е.: ил.

119. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. Научно-практическое издание. Серия «Информатизация России на пороге XXI века».-М.: СИНТЕГ, 1998.-376 с.

120. Трахтенгерц Э.А., Степин Ю.П. Методы компьютерной поддержки формирования целей и стратегий^ нефтегазовой промышленности. Серия «Системы и проблемы управления»: М.: СИНТЕГ, 2007. - 344 с.

121. Уилъямсон О. Экономические институты' капитализма. М: Экономическая психология, 1996. - 126 с.

122. ФАС России. Рекомендации кредитным организациям по' стандартам раскрытия информации при предоставлении потребительских кредитов Электронный ресурс.: Режим доступа http://fas.gov.i-u/ , свободный доступ. загл. с экрана.

123. Финансово-кредитный энциклопедический словарь. Под общ. Ред. А.В. Грязновой. М.: Финансы и статистика, 2002. — с 440.

124. Хаггарти Р. Дискретная математика для программистов, М.: РИЦ Техносфера, 2005 400 с.

125. Хан У., Мани И. Системы автоматического реферирования/Юткрытые системы, 2000. №12. Официальный портал «Автоматическая Обработка Текста» Электронный ресурс.: Режим доступа: http://www.aot.ru/, свободный доступ.

126. Черняховская JI.P. Поддержка принятия решений при управлении сложными объектами в критических ситуациях на основе инженерии знаний Электронный ресурс.: Дис.д-ра наук: 05.13.10. М: РГБ, 2005 (Из фондов Российской Государственной библиотеки)

127. Чекашенко В.Н. Этот «загадочный» скоринг// Банковское дело. -2006.-№3-С. 42-48.

128. Черноруцкий И.Т. Методы оптимизации и принятия решений: Учебное пособие, СПб.: Издательство «Лань», 2001. - 384с.

129. Шевченко, И. В. Совершенствование качества обслуживания клиентов кредитными организациями путем внедрения новейших банковских технологий / И. В. Шевченко, О. А. Левицкая // Финансы и кредит. 2004. — № 22(160).-С. 3-7.

130. Шибзухов 3. М., Логико-вероятностные и полиноминальные методы синтеза и оптимизации баз знаний для экспертных систем управления и распознавания: Дис. . канд. физ.-мат. наук / СПИИРАН.-СП6Д996. 145с.

131. Шмелёв А. Г. Психодиагностика личностных черт СПб.: 2002.

132. Энциклопедия финансового риск-менеджмента / Под ред. А.А. Лобанова и А.В. Чугунова. М. : Альпина Паблишер, 2003. - 142с.

133. Юдин И. Управление риском ритейла: потребительский скоринг // Банковские услуги. 2006. - №5 - С. 29-30. Дис. На соискание ученой степени канд. тех. наук./Ин-т проблем машиноведения РАН-СПБ, 2000 - 176с.

134. Baesens В., Egmont-Petersen М., Castelo R., Vanthienen J. Learning bayesian network classifiers for credit scoring using Markov chain Monte Carlo search // Proc. International Congress on Pattern Recognition. 2002.

135. Base Group Labs Электронный ресурс.: Режим доступа http://basegroup.ru/, свободный доступ. загл. с экрана.

136. Belk R.W. The ineluctable mysteries of possessions // Journal of Social Behavior and Personality, Special issue. 1991. - V. 6. - P.17-55.

137. Cohen W. W., Singer Y. A simple, fast and effective rule learner // Proc. of the 16 National Conference on Artificial Intelligence. 1999. - P. 335.

138. Credit Scoring Solution Электронный ресурс. Режим доступа http://www.prognoz.ru/english/desigion/bank.asp.htm, свободный доступ. — загл. с экрана.

139. Crouhy М., Galai D., Mark R. A comparitive analysis of current credit risk models // Journal of Banking & Finance. 2000. - V. 24.

140. EGAR Application Scoring Электронный ресурс. Режим доступа http://www.egartech.ru/, свободный доступ. — загл. с экрана.

141. Hand D. J., Henley W. E. Statistical classification methods in consumer credit // Journal of the Royal Statistical Society, Series A. 1997. - V. 160. p. 523-541.

142. Herrera F., Lozano M., Sanchez A.M. Hybrid Crossover Operators for Real-Coded Genetic Algorithms: An Experimental Study // Soft Comput. 2005 - V. 9(4).-P.280-298.

143. Lynn M. Restaurant tipping: A reflection of customers' evaluations of a service? // Journal of Consumer Research. 1991. V. 16. - P.43 8-448.

144. Martin J. K. An exact probability metric for decision tree splitting and stopping // Machine Learning. 1997. - Vol. 28, no. 2-3. - P. 257-291.

145. Poduska B. Financial counseling using principles of Adlerian Psychology // Journal of Adlerian Theory Research & Practice. — 1985. Vol. 41(2). -P.136-146.

146. Ryabinin LA. Logical-Probabilistic Methods and Their Possibilities. // Second International Conference on Mathematical Methods in Reliability, Bordeaux, France, ABSTRACTS BOOK.- July 4-7, 2000-V. 2. P. 920 - 922.

147. Scallan G, Markov models: an introduction, a new approach to bad debt modeling, Technical report, ScorePlus Research, June 1990.

148. Scallan G. Bad debt projection models: an overview of modeling approaches. Technical report, ScorePlus Research, February 1998.

149. Scorto Электронный ресурс. Режим доступа http://www.scorto.ru/scortolab.php, свободный доступ. — загл. с экрана.

150. Thomas L. С, Но J., Scherer W. Т. Time will tell: behavioural scoring and the 'dynamics of consumer credit assessment // IMA Journal of Management Mathematics. 2001. - V. 12. - P. 89-103.

151. Wright A. Genetic algorithms for real parameter optimization // Foundations of Genetic Algorithms. 1991. - V. 1. — P. 205-218.