ЭВОЛЮЦИЯ МЕТОДОВ ОЦЕНКИ ДОХОДОВ ЗАЁМЩИКОВ В УСЛОВИЯХ ЦИФРОВИЗАЦИИ И РЕГУЛЯТОРНЫХ ИЗМЕНЕНИЙ

EVOLUTION OF BORROWER INCOME ASSESSMENT METHODS IN THE CONTEXT OF DIGITALIZATION AND REGULATORY CHANGES

Osipov Artyom Razmikovich

Postgraduate student, Faculty of Economics and Management, Moscow International Academy,

Russia, Moscow

АННОТАЦИЯ

В статье рассматривается трансформация подходов к оценке кредитоспособности розничных клиентов. Проведен анализ эволюции методов: от экспертных оценок и справок по форме банка к использованию Цифрового профиля гражданина и моделям машинного обучения на клиентских данных. Особое внимание уделено выполнению требований Указания Банка России № 6579-У при расчете показателя долговой нагрузки. Обоснована эффективность применения алгоритмов градиентного бустинга для прогнозирования дохода клиентов, не имеющих документального подтверждения занятости.

ABSTRACT

The article discusses the transformation of approaches to assessing the creditworthiness of retail clients. The analysis of the evolution of methods is carried out: from expert estimates and bank-form certificates to the use of the digital profile of a citizen and machine learning models based on customer data. Particular attention is paid to compliance with the requirements of the Central Bank of Russia Ordinance No. 6579-U when calculating the debt-to-income ratio. The efficiency of using gradient boosting algorithms for predicting the income of clients without documentary proof of employment is substantiated.

Ключевые слова: банки; банковский сектор; кредитование; кредитный риск; ЦБ; регулятор; доходы; оценка доходности; ПДН; машинное обучение; цифровой профиль.

Keywords: banks; banking sector; lending; credit risk; central bank; regulator; income; income assessment; DTI; machine learning; digital profile.

Современный этап развития финансового рынка характеризуется фундаментальным изменением парадигмы оценки рисков. Вопрос измерения результатов деятельности и оценки контрагента является ключевым при принятии управленческих решений в банке [5, с. 13]. Если ранее основным инструментом верификации платежеспособности служили бумажные документы, то сегодня акцент смещается в сторону анализа больших данных (Big Data) и интеграции с государственными цифровыми сервисами. Актуальность темы обусловлена ужесточением регулирования со стороны Банка России в части расчета показателя долговой нагрузки (ПДН) и необходимостью сохранения объемов кредитования в условиях роста закредитованности населения.

Целью данной работы является анализ эволюции методов подтверждения дохода и обоснование преимуществ модельного подхода в рамках действующих регуляторных требований.

Исторически оценка кредитоспособности базировалась на экспертном анализе и документальном подтверждении. Классический подход требовал предоставления справки 2-НДФЛ или справки по форме банка. Как отмечают исследователи, анализ кредитоспособности должен базироваться на методиках, исключающих ошибки интерпретации и снижающих кредитные риски [7, с. 143]. Однако традиционные методы имеют существенные ограничения: они трудоемки, увеличивают время принятия решения и не охватывают сегмент клиентов с «серым» доходом или самозанятых.

Более того, регуляторная среда становится более строгой к непрозрачным методам оценки. Банк России последовательно ограничивает использование так называемых «справок по форме банка» и иных внутренних форм, не подтвержденных верифицируемыми данными. Согласно последним инициативам, использование собственных форм банков при оценке доходов заемщиков будет запрещено, так как это создает возможности для занижения реального ПДН и накопления рисков в системе [1]. Новый механизм оценки доходов ставит под угрозу доступ к кредитованию для заемщиков, не способных подтвердить доход через официальные каналы или Цифровой профиль [6].

Таблица 1.

Сравнительный анализ подходов к оценке дохода заемщика

Существенным шагом в эволюции оценки доходов стало внедрение Цифрового профиля гражданина (ЦП). Это совокупность сведений о гражданине, содержащихся в информационных системах государственных органов, доступ к которым предоставляется с согласия клиента на предоставления электронных госуслуг ЦП [10].

Использование ЦП позволяет банкам получать достоверные данные из Федеральной налоговой службы (ФНС) и Социального фонда России (СФР) в режиме реального времени. Это снижает операционные риски (риск подделки документов) и улучшает клиентский путь. Возможности Цифрового профиля постоянно расширяются: теперь через него доступны данные не только о зарплате, но и о других видах выплат, что повышает точность расчета ПДН [3]. Однако, несмотря на высокую надежность, этот источник имеет ограничения по охвату: он не видит доходы от неофициальной занятости, P2P-переводы и доходы, не облагаемые налогом. В таких случаях банку необходимы альтернативные инструменты оценки.

В условиях недостаточности официальных данных (охват и полнота) банки переходят к использованию моделей машинного обучения для оценки дохода. Потребность в информации о доходе возникает на разных этапах: от маркетинговых кампаний до расчета лимитов кредитования и итогового ПДН.

Модели обучаются на массивах исторических клиентских данных, накопленных банком. Согласно исследованиям, традиционные для риск-моделирования источники показывают стабильно высокий вклад в точность прогноза дохода. Клиентские данные включают следующие области [4, c. 16]:

• Транзакционная активность: данные о зачислениях на счета, траты по картам (MCC-коды), регулярность платежей.
• Кредитная история: данные БКИ о платежной дисциплине и текущей нагрузке.
• Анкетные данные: возраст, стаж, должность, регион проживания.
• Данные о работодателе: отрасль, размер компании.

Важно отметить, что использование транзакционных данных позволяет выявлять паттерны поведения, характерные для клиентов с определенным уровнем дохода, даже если прямых зарплатных зачислений нет.

Эволюция методов моделирования прошла путь от линейной регрессии до сложных ансамблей. Практика показывает, что линейные модели при решении задачи оценки дохода существенно уступают методам градиентного бустинга [4, с. 18]. В банковской практике широко используются библиотеки LightGBM, CatBoost и XGBoost. Преимущество бустинга заключается в способности находить нелинейные зависимости и устойчивости к выбросам во входных данных. Для повышения качества модели применяется подбор гиперпараметров (learning rate, depth, number of leaves) и методы обработки ошибок, такие как исключение экстремальных значений (например, по 99.9-му перцентилю) и логарифмирование целевой переменной.

Применение моделей для расчета ПДН строго регламентировано Банком России. Указание № 6579-У (ред. от 24.03.2025) устанавливает жесткие критерии к качеству и репрезентативности моделей [9]. Основные требования включают:

• Точность модели. Результаты оценки считаются точными, если значение метрики MAPE (средняя абсолютная ошибка в процентах) не превышает 40%. Причем это требование должно выполняться не только для портфеля в целом, но и в разрезе доходных сегментов [8].
• Репрезентативность. Набор данных для построения модели и набор данных для оценки точности (валидации) должны быть репрезентативны сегменту применения. Индекс стабильности популяции (PSI) по доходу и ключевым факторам не должен превышать 10%.
• Ограничения применения. Модельный доход может использоваться только для кредитов на сумму до 2 млн рублей (ранее до 1 млн), а само значение модельного дохода ограничено определенным потолком (например, средним по региону или фиксированной суммой).

Банк России регулярно уточняет требования. В частности, введено требование, что модель должна быть построена на данных заемщиков, имеющих подтвержденный доход, и регулярно (не реже раза в год) валидироваться на актуальных данных [2]. Это заставляет банки внедрять процедуры непрерывного мониторинга качества моделей.

При разработке моделей используются различные метрики. Наиболее распространенной является MAPE (Mean Absolute Percentage Error), так как она легко интерпретируется бизнесом [4, с. 14]. Однако MAPE асимметрична: она сильнее штрафует за переоценку дохода, чем за недооценку. В контексте кредитного риска, это полезное свойство, так как завышение дохода (и, как следствие, занижение ПДН) несет для банка большие риски, чем консервативная оценка.

где:

 – кол-во наблюдений в выборке;

 – фактический доход i-го клиента, полученный из верифицированного источника (например, зарплатного реестра);

 – прогноз дохода i-го клиента, полученный с помощью ML-модели.

Совершенствование финансовых технологий оценки дохода является критическим фактором конкурентоспособности на рынке розничного кредитования. Переход от документальных методов к использованию Цифрового профиля и ML-моделей позволяет банкам:

• Увеличивать охват клиентов (финансовая доступность).
• Снижать время принятия решения.
• Более точно оценивать предельную долговую нагрузку, соблюдая требования ЦБ РФ.

Анализ показывает, что наилучшие результаты дает гибридный подход: использование верифицированных данных из государственных систем (ЦП) там, где это возможно, и применение продвинутых моделей градиентного бустинга на клиентских данных для сегментов с неподтвержденным доходом. При этом строгое соблюдение требований Указания № 6579-У (особенно в части метрик точности MAPE <40%) является обязательным условием использования модельного подхода в регуляторных целях.

Список литературы:

1. Банк России запретит банкам использовать собственную форму при оценке доходов заемщиков [Электронный ресурс] // Интерфакс. – Режим доступа: https://www.interfax.ru/business/1043893 (дата обращения: 01.01.2026).
2. Банк России уточнил требования к моделям, с помощью которых банки оценивают доходы заемщиков [Электронный ресурс]. – Режим доступа: https://cbr.ru/press/event/?id=20937 (дата обращения: 20.12.2025).
3. Возможности Цифрового профиля расширены [Электронный ресурс]. – Режим доступа: https://cbr.ru/press/event/?id=18674 (дата обращения: 20.12.2025).
4. Громов А.Д., Пасько М.И. Использование моделей для оценки дохода розничных клиентов банка: направления, метрики, методы обучения // Риск-менеджмент в кредитной организации. – Москва, 2025. – № 3 (59). – С. 6–22.
5. Карминский А.М. Кредитные рейтинги и их моделирование: монография. – М.: Изд. дом Высшей школы экономики, 2015. – 304 с.
6. Новый механизм оценки доходов заемщиков: кто рискует потерять доступ к кредитам [Электронный ресурс] // Forbes. – Режим доступа: https://www.forbes.ru/finansy/544027-novyj-mehanizm-ocenki-dohodov-zaemsikov-kto-riskuet-poterat-dostup-k-kreditam (дата обращения: 05.01.2026).
7. Обухова А.С., Казаренкова Н.П. Применение цифровых технологий при оценке кредитоспособности заемщика // Известия Юго-Западного государственного университета. Серия: Экономика. Социология. Менеджмент. – 2020. – Т. 10, № 2. – С. 140–153.
8. Расчет показателя долговой нагрузки заемщика (Указание Банка России от 16.10.2023 № 6579-У) [Электронный ресурс]. – Режим доступа: https://cbr.ru/explan/dfs_pdnz/dfs_pdnz_6579-u/ (дата обращения: 20.12.2025).
9. Указание Банка России от 16.10.2023 N 6579-У (ред. от 24.03.2025) "О требованиях к порядку расчета кредитными организациями или микрофинансовыми организациями суммы величин среднемесячных платежей и расчета величины среднемесячного дохода заемщика, в том числе к перечню данных, используемых для расчета величины среднемесячного дохода заемщика" [Электронный ресурс] // КонсультантПлюс. – Режим доступа: https://www.consultant.ru/document/cons_doc_LAW_464474/ (дата обращения: 18.12.2025).
10. Цифровой профиль гражданина: что это такое и чем он полезен для бизнеса [Электронный ресурс] // РБК Компании. – Режим доступа: https://companies.rbc.ru/news/OXj6IjuyyO/tsifrovoj-profil-grazhdanina-chto-eto-takoe-i-chem-on-polezen-dlya-biznesa/ (дата обращения: 25.12.2025).