Анализ кредитоспособности заемщика (на примере Калужского филиала ОАО "Акционерный банк "Пушкино")

Классы платежеспособности заемщика

Высший класс образуют заемщики с абсолютно устойчивым финансовым состоянием, что подтверждается высоким рейтингом. К первому классу относятся заемщики, финансовое состояние которых в общем устойчивое, но имеются незначительные отклонения от нормы по отдельным показателям. Второй класс - заемщики, имеющие признаки финансовой напряженности, для преодоления которой у предприятия есть потенциальные возможности. Третий - заемщики повышенного риска, способные преодолеть напряженность своего финансового состояния лишь за счет каких - либо радикальных преобразований (приватизации, обновления продукции, реконструкции). Четвертый класс - заемщики с неудовлетворительным финансовым положением и отсутствием перспектив его стабилизации.

Таблица 3.4

Рейтинговая оценка ООО «Евростройкомплект»

Из таблицы видно, что на обе рассматриваемые отчетные даты предприятие имеет 2 класс платежеспособности и итоговую рейтинговую оценку 55 баллов. Это говорит о хорошем финансовом состоянии и довольно высоком уровне кредитоспособности заемщика.

Рассмотренные расчеты и определение итоговой рейтинговой оценки являются очень важной частью заключения кредитного отдела по вопросу выдачи кредита. Однако в заключении находит отражение также и множество других, не менее важных вопросов, касающихся правового положения предприятия, наличия обеспечения кредита (залог, поручительство и т.д.), личностных качеств руководителей, целей кредитования и т.д. Лишь рассмотрев эти моменты, можно решить вопрос о кредитоспособности заемщика и определить, целесообразно его кредитовать, установить сроки и сумму кредита.

От класса кредитоспособности зависит выбор вида кредитной линии, порядокопределения и размер процентной ставки, требования банка ко вторичному источнику погашения долга. В результате анализа кредитоспособности и платежеспособности клиента лежат определенные условия кредитования, которые отражаются в кредитном договоре. При высоких темпах инфляции, экономической и политической нестабильности организация кредитных отношений основывается не только на классе кредитоспособности заемщика, но и на анализе делового риска на момент выдачи ссуды. Анализ коэффициентов кредитоспособности позволяет определить слабые звенья в управлении организацией, а на этой основе - условия кредитования.

Не рекомендуется повышать класс кредитоспособности клиента банка или оговаривать условия кредитования по данному классу при:

- улучшении коэффициента ликвидности только за счет роста дебиторской задолженности или остатков готовой продукции;

- повышения коэффициента покрытия за счет роста остатков готовой продукции, не обеспеченной договорами на сбыт, или труднореализуемых остатков сырья и незавершенного производства;

- ухудшении структуры ликвидных средств;

- фактическое наличие собственных оборотных средств в размере менее постоянной минимальной потребности в них;

- росте показателя обеспеченности собственными средствами малых производственных структур за счет фондов, связанных с рисковой деятельностью предприятия;

- улучшения показателя обеспеченности производственной деятельности договорами за счет заключения договоров с некредитоспособными покупателями и поставщиками.

Таким образом, последовательное проведение всех этапов оценки кредитоспособности предприятия - заемщика позволяет сделать наиболее точные выводы о тенденциях развития предприятия и определить потенциал для кредитования.

Данная методика учитывает такие показатели кредитоспособности, низкие значения которых сигнализируют об увеличении риска кредитования данного заемщика. В рамках совершенствования данной методики, следовало бы представить итоговый рейтинг как результатирующую функцию финансовой и экспертной оценки контрагента. При этом также необходимо избегать дублирования и взаимозависимости показателей, измеряемых при помощи коэффициентного анализа, и факторов, оцениваемых экспертным путем.

3.2 Предложения по улучшению методики анализа кредитоспособности физических лиц

Растущая конкуренция на рынке розничных банковских услуг, повышение спроса населения на различные кредитные продукты, а также стремление банка к максимизации прибыли заставляют финансовые институты искать более эффективные пути привлечения новых платежеспособных клиентов, стараясь при этом контролировать потери. Рекомендуется анализировать динамику изменения финансового положения заемщика на протяжении нескольких отчетных периодов, а не по последнему балансу, а также внедрить новые параметры оценки кредитоспособности клиента, возможно введение таких показателей, как участие клиента в финансировании сделки, цель кредита, состояние здоровья, чистый годовой доход, средний остаток на банковском счете, владение кредитными картами, доля платежа по ссуде в процентах от месячного дохода, период обслуживания в ОАО «АБ «Пушкино». Все это заставляет банк серьезно задуматься над вопросом применения современных методик автоматизированной оценки кредитного риска физических лиц, а именно скоринга новых клиентов.

Однако имеет смысл не только внедрение в скоринговую систему новых параметров, но и анализ уже имеющихся показателей. Так, например, необходимо тщательно изучать кредитную историю клиента, для выяснения предыдущего опыта его общения с другими банками и финансовыми учреждениями. При изучении его кредитной истории, связанной с получением и возвратом кредитов, банк использует сведения, содержащиеся в заявлении на выдачу ссуды: имя, адрес местожительства, номер пенсионного свидетельства. На основе этих данных собирают информацию о случаях неплатежа у различных кредитных организациях и любых других получателей платежей от физических лиц (налоговых, коммунальных и т.д.). То есть в данном аспекте необходима экспертная оценка.

Скоринговая система оценки платежеспособности розничного клиента - это статистическая модель, оценивающая вероятность того, что заемщик не заплатит по своим обязательствам в срок. Для построения любой статистической модели необходимо иметь достаточную по объему и качественную базу данных. Именно отсутствие достаточного объема информации по розничным клиентам является основной преградой финансовых институтов в построении внутренних скоринговых моделей. Принимая во внимание особенности финансовой системы России и сравнительную новизну рынка кредитных услуг физическим лицам, банк сталкивается с проблемой отсутствия предложения на рынке внешних источников информации. Оптимальное решение в данной ситуации - это объединение баз данных по розничным клиентам нескольких схожих по предлагаемым услугам и роду деятельности банков в единый пул, и построение своих скоринговых систем на основе общих данных физических лиц нескольких банков.

База данных для построения скоринговой модели должна содержать всю возможную информацию по клиентам за последние 2-5 лет (по Базелю II для построения модели требуется как минимум 5 лет собранной информации с данными розничных клиентов), банковский продукт, решение по кредитной заявке, дату открытия счета, статус задолженности, баланс на счету . Далее из выборочной совокупности должны быть исключены:

1. все нестандартные случаи (аномально большие суммы кредита, необычные цели для займа, реструктуризированные обязательства, клиенты с нестандартными условиями выплат и др.);

2. отказы в выдаче кредита по причинам, обусловленным единой политикой банка (несовершеннолетние, банкроты, двойные заявки и др.);

3. инсайдерские кредиты (VIP, сотрудники банка и др.);

4. сторно, незаконченные или находящиеся в процессе обработки кредитные анкеты;

5. нестандартное поведение клиента после выплаты кредита (подделка документов и мошенничество, кражи и потери кредитных карт, смертельные случаи).

Данные в выборке должны быть разбиты на категории: «хороший» (платежеспособный), «плохой» (неплатежеспособный) клиент или «отказ» в выплате кредита. В скоринговой системе процесс моделирования часто разбивают на два этапа:

1) построение первичной модели с использованием известных данных по розничным счетам (платежеспособный/неплатежеспособный);

2) построение конечной модели с добавлением данных по клиентам, которым было отказано в кредите («отказы»).

Однако, добавление отказов, несмотря на большие затраты ресурсов, редко приносит желаемый результат и оказывает несущественное влияние на качество и характер модели. Поэтому целесообразно учитывать при построении лишь данные существующих клиентов, охарактеризовавших себя с позиции платежеспособности («хороший»/«плохой» случай). Перед тем как переходить к анализу скоринговых показателей и построению первичной модели, банку необходимо точно сформулировать свое определение «плохого» случая (дефолта). Например, уровень просроченной задолженности (свыше 30 дней, 60 дней или 90 и более дней) на текущий момент или худший статус за все время кредитной истории, а также списание со счета, 3 раза задолженность свыше 30 дней, 2 раза задолженность свыше 60 дней, один раз задолженность свыше 90 дней. Базель II дефинирует понятие дефолта как существование просроченной задолженности на счету свыше 90 дней когда-либо на протяжении всей кредитной истории.

Банк сам выбирает для себя, какое понятие дефолта лучше всего использовать при построении скоринговой модели, если он сможет логически аргументировать свой выбор. Подтверждение правильности выбранного определения может осуществляться экспертным путем или аналитическими методами (roll rate analysis, vintage analysis).

После точного определения и документации понятия дефолта всех розничных клиентов, попадающих в эту категорию, необходимо охарактеризовать как неплатежеспособных», а остальных - как «платежеспособных». минимальная статистически значимая выборка считается 600 случаев. Для классификации текущих клиентов, находящихся в процессе погашения кредита, обычно определяют показательный период (performance window) - это период, в течение которого большинство счетов проявляют себя с позиции дефолта. Показательным периодом является период 18 месяцев.

Следующий этап построения модели - выбор и анализ независимых переменных. Используемыми скоринговыми переменными могут являться: количество текущих счетов клиента, количество и наличие кредитных карт, общая сумма всех кредитов, время получения последнего кредита, наличие у клиента других продуктов этой финансовой организации, состояние текущего счета, утилизация существующих лимитов, рейтинги бюро кредитных историй.

Анализ скоринговых показателей необходимо начинать с проверки их состоятельности и поиска возможных ошибок. В случае неполного наличия данных в выборке необходимо проанализировать причину их отсутствия. Если данные были потеряны или не собраны по вине финансового института, то клиентов с отсутствующими данными следует исключить из дальнейшего анализа или присвоить среднее значение по категории. Если информация была не указана физическими лицами в анкете сознательно, то все пустые значения необходимо отнести в отдельную самостоятельную категорию и анализировать наряду с остальными показателями модели на статистическую значимость. Например, если при анализе переменной «семейное положение» некоторые клиенты не указали своего семейного положения, то наряду с имеющимися категориями: «женат», «холост», «разведен», «вдовец», появится дополнительно группа «не указано». Кроме того значения переменных необходимо проверить на предмет экстремальных величин, и при наличии таковых удалить их из дальнейшего анализа или присвоить средние результаты по группе.

Корреляционный анализ является важным этапом оценки скоринговых характеристик. Все использующиеся в модели переменные необходимо проверить на наличие между ними корреляции. В случае присутствия проблемы мультиколлинеарности необходимо найти оптимальное сочетание между удалением статистически незначимых характеристик и группировкой или выбором одной общей переменной из каждого коррелирующего кластера.

Далее проводят анализ независимых переменных на их статистическую значимость (bi-variate analysis). Данный анализ заключается в проверке наличия и силы связи между одной зависимой и независимой переменными, что позволяет определить, какие переменные являются наиболее точными предсказателями модели. Основные статистические методы, использующиеся в анализе отдельных характеристик, основываются на сравнении распределения «плохих» и «хороших» клиентов; ими являются:

1) статистика чІ

2) коэффициент Крамера V

3) информационное Значение (IV - Information Value)

Статистика чІ используется для сравнения двух выборок и определения их схожести. В данном случае сравнивается распределение «платежеспособных» и «неплатежеспособных» клиентов для каждой анализируемой отдельно переменной. Статистика чІ определяется по формуле:

чІ (н) = ? (xi - E)І / E,

где н - число степеней свободы,

xi - наблюдаемое значение,

E - ожидаемое значение.

Если чІ меньше критического значения (0,5), то гипотеза H0 об одинаковом распределении «платежеспособных» и «неплатежеспособных» клиентов подтверждается, и, следовательно, анализируемая переменная не является статистически значимой.

Коэффициент Крамера V - это коэффициент, полученный на основе статистики чІ, который принимает значения от 0 до 1, где 0 говорит о том, что две выборки идентичны, а 1, что они абсолютно разные. Коэффициент рассчитывается по формуле:

Коэффициент Крамера V = vчІ/N(k - 1), где

чІ - статистика чІ,

N - объем выборки,

k - наименьшее число строк и столбцов в выборке.

Данный коэффициент позволяет таким образом сравнивать относительную значимость отдельных скоринговых показателей. Значения его лежат в промежутке 0,06 - 0,35. Чем больше значение, тем статистически значимее переменная.

Информационное значение (IV) - самая распространенная мера определения значимости переменных и измерения разницы в распределении «плохих» и «хороших» клиентов. Информационное значение определяется по формуле:

IV = ? (Gi - Bi) ?n (Gi/Bi),

где Gi - процент всех «хороших» случаев,

Bi - процент всех «плохих» случаев.

Значения данного коэффициента трактуются следующим образом:

· менее 0,02 - статистически незначимая переменная;

· 0,02 - 0,1 - статистически мало значимая переменная;

· 0,1 - 0,3 - статистически значимая переменная;

· 0,3 и более - статистически сильная переменная.

Заключительным моментом анализа скоринговых показателей является группировка внутри переменных на классы. Группировка внутри показателей позволяет легче понять существующие зависимости в модели, скоринговые баллы становятся более транспорентны и устойчивы к небольшим изменениям в клиентской базе, она решает проблему экстремальных величин и редких значений и придает больше статистической значимости скоринговым переменным. При группировке на классы внутри независимых показателей следует руководствоваться следующими основными критериями:

1. размер группы - в каждом классе должно содержаться не менее 4-5%

выборки;

2. коэффициент дефолта (bad rate) - процентное соотношение «неплатежеспособных» клиентов ко всем клиентам в группе;

3. WOE (Weight of Evidence) - измеряет статистическую значимость каждого класса переменной и рассчитывается как ?n (Gi/Bi),

где Gi - процент всех «хороших» случаев,

Bi - процент всех «плохих» случаев;

4. здравый смысл.

Таким образом, если внутри скоринговой переменной существуют две подгруппы небольшого размера, которые ведут себя одинаково, имеют сравнимый коэффициент дефолта и одинаковый WOE, то имеет смысл сгруппировать их в один класс, если это не противоречит здравому смыслу. При анализе интервальных переменных следует построить график коэффициента дефолта или WOE и сгруппировать схожие значения в классы.

Анализ скоринговых переменных позволяет ряд качественных характеристик, на которых основывается построение статистической модели. качественные показатели необходимо преобразовать в фиктивные переменные (dum-mies), принимающие значение 0 или 1. Для сгруппированных скоринговых показателей рекомендуется использовать в качестве значений WOE каждого отдельного класса. Фиктивные переменные предполагают, что разница между одной группой качественной переменной и другой одинакова, использование WOE позволяет решить эту проблему тем, что отражает точное направление и масштаб зависимости между различными классами сгруппированных характеристик. Зависимой характеристикой является в модели платежеспособность клиента, которая также отображается в виде фиктивной переменной, например «неплатежеспособный» клиент получает значение 100, «платежеспособный» клиент - 200 в случае линейной регрессии, или «неплатежеспособный» клиент приобретает значение 0, «платежеспособный» клиент - 1 в случае логарифмической регрессии.

За основу банковской скоринговой системы анализа платежеспособности физических лиц предлагается взять следующие статистические модели:

- множественная линейная регрессия,

- множественная логарифмическая регрессия,

Множественная линейная регрессия связывает поведение зависимой переменной (платежеспособность клиента) с линейной функцией ряда независимых переменных (скоринговыми характеристиками). Она находит наилучшую линейную зависимость путем минимизации суммы стандартных отклонений и имеет следующую формулу:

yi = в1xi1 + в2xi2 + вjxij + ... + вmxim,

где yi - зависимая переменная (платежеспособный/ неплатежеспособный клиент),

xi - независимые переменные (скоринговые характеристики),

в - параметры модели (скоринговые веса).

Полученные в результате построения модели в значения - это параметры, которые определяют характер связи между наблюдаемым значением переменной «платежеспособность клиента» и соответствующими скоринговыми характеристиками. в значения являются скоринговыми весами.

Множественная логарифмическая регрессия также как и множественная линейная регрессия связывает поведение зависимой переменной с функцией ряда независимых переменных. Она использует принцип максимального правдоподобия, а не наименьших квадратов для того, чтобы достигнуть равновесия.

Множественная логарифмическая регрессия находит наилучшее статистическое соответствие и имеет формулу:

Logit (сi) = б + в1x1 + вjxj + ... + вmxm,

где сi = Prob(yi=yi/xi) - вероятность позитивного случая,

б - независимый параметр логарифмической регрессии,

xi - независимые переменные (скоринговые характеристики),

в - параметры модели (скоринговые веса).

В логарифмической регрессии скоринговые баллы трансформированы в вероятности со значениями от 0 до 1.

Множественная линейная регрессия лучше применима при наличие количественных переменных, а логарифмическая регрессия применимы для любых переменных, как качественных, так и количественных.

Множественная линейная регрессия строится на равном количестве «плохих» и «хороших» случаев, этого можно достичь путем использования взвешенной выборки их изначальной совокупности. Множественная логарифмическая регрессия строится, напротив, на основе неизмененной изначальной выборки и реальной пропорции между количеством «плохих» и «хороших» случаев. Множественная линейная и логарифмическая регрессии имеют сравнимые характеристики качества модели и дают очень схожие результаты. Поэтому целесообразно использовать множественную линейную регрессию для получения быстрых и точных результатов относительно включаемых характеристик и общего качества модели, а при построении финальной скоринговой системы использовать множественную логарифмическую регрессию, итоговый результат и в - параметры которой проще интерпретировать и ранжировать для приведения к конечным скоринговым баллам.

Ранжирование и шкалирование скоринговых баллов в случае множественной линейной регрессии зависит от использованной при построении модели пропорции «плохих» и «хороших» случаев, а также значения зависимой переменной (1 и 0; 200 и 100). Например, если 100 - это значение зависимой переменной в случае «неплатежеспособного» клиента, а 200 - для «платежеспособного», при выборке 50% «хороших» случаев и 50% «плохих», скоринговые баллы будут лежать в интервале от 100 до 200 со средним баллом 150.

В логарифмической регрессии в качестве результата выступает вероятность наступления «плохого» случая, поэтому скоринговые значения этой модели всегда будут лежать в промежутке от 0 до 1, независимо от используемой пропорции «плохих» и «хороших» клиентов. Скоринговый балл равный 0 означает 50% вероятность клиента быть «платежеспособным» или соотношение «хороших» к «плохим» случаям равное 1:1. в - параметры являются скоринговыми весами модели. Так как значения в - параметров и общего балла в логарифмической регрессии являются очень маленькими числами, рекомендуется их шкалировать для приведения к более пригодному для конечного использования виду.

Например, при умножении всех скоринговых весов на 28,9 получаются оптимальные для использования скоринговые баллы, при увеличении которых на каждые 20 пунктов удваивается соотношение между «хорошими» и «плохими» случаями. А добавление числа 100 в модель в качестве константы позволяет получить шкалу с минимальным баллом равным 100, где соотношение между «хорошими» и «плохими» случаями равно 1:1. Используя этот метод, можно приводить все получаемые скоринговые результаты к одному стандарту, то есть скоринговой шкале от 100 до 200 баллов, где соотношение между «хорошими» и «плохими» случаями при минимальном балле составляет 1:1 и это соотношение удваивается при каждом увеличении балла на 20 пунктов.

Заключение

Роль оценки кредитоспособности в периоды макроэкономических волнений сильно возрастает. Все больше и больше внимания уделяется состоянию заемщика, обратившегося за кредитом в банк. Цель любого кредитора - это полный анализ финансового состояния заемщика в динамике, анализируя который будет можно с большой долей уверенности судить, сможет ли данная компания погасить кредит и проценты по нему целиком и в срок. И уже в зависимости от полученных результатов банк решает, на какой срок стоит выдавать кредит, в каком объеме и какой должен быть залог.

Подводя итоги выпускной работы еще раз целесообразно подчеркнуть актуальность темы. Больше всех в информации о кредитоспособности предприятий и организаций нуждаются банки: их прибыльность и ликвидность во многом зависят от финансового состояния клиентов. Снижение риска при совершении ссудных операций возможно достичь на основе комплексного изучения кредитоспособности клиентов банка, что одновременно позволит организовать кредитование с учетом границ использования кредита. Важность и актуальность проблемы оценки кредитоспособности предприятия обусловили выбор темы.

В этой связи в дипломной работе рассмотрены теоретические аспекты, в которых особое внимание уделяется таким вопросам:

Экономическая сущность и значение кредитного механизма. Было отмечено, что задачи улучшения функционирования кредитного механизма выдвигают необходимость использования экономических методов управления кредитом, ориентированных на соблюдение экономических границ кредита. Это позволит предотвратить неоправданные кредитные вложения, обеспечить своевременный и полный возврат ссуд, снизить риск неплатежа.

2. Экономическая сущность и значение анализа кредитоспособности заемщика. Процесс кредитования связан с действием многочисленных и многообразных факторов риска, способных повлечь за собой непогашение ссуды в обусловленный срок. Предоставляя ссуды, коммерческий банк должен изучать факторы, которые могут повлечь за собой их непогашение. Такое изучение именуют анализом кредитоспособности.

Основная цель такого анализа определить способность и готовность заемщика вернуть запрашиваемую ссуду в соответствии с условиями кредитного договора. Банк должен в каждом случае определить степень риска, который он готов взять на себя, и размер кредита, который может быть предоставлен в данных обстоятельствах.

На первоначальном этапе становления банковской системы для анализа кредитоспособности заемщиков использовался весьма ограниченный набор инструментов, что было связано с отсутствием опыта такой работы, недостаточными вычислительными мощностями имевшимися в распоряжении банков, недостатком необходимой информации о заемщике. На современном этапе существуют возможности для решения такого рода проблем, что способствует успешной реализации кредитной политики коммерческого банка.

Изучение кредитоспособности клиента является одним из наиболее важных методов снижения кредитного риска и успешной реализации кредитной политики, поскольку позволяет избежать необоснованного риска еще на этапе рассмотрения заявки на предоставление кредита.

Во второй главе рассмотрены методики анализа кредитоспособности заемщика ОАО «АБ «Пушкино».

Рассмотрев вышеперечисленные методики можно сделать вывод о том, что при оценке кредитоспособности предприятия необходимо учитывать следующее:

оценка ликвидности (текущей и абсолютной);

зависимость предприятия от заемных средств;

долгосрочные вложения и обязательства;

рентабельность деятельности;

прибыльность фирмы.

Оценка кредитоспособности в ОАО «АБ «Пушкино» производится с помощью метода на основе финансовых коэффициентов. Рассматривается динамика дебиторской и кредиторской задолженностей (в течение изучаемого периода уменьшаются), что является положительным фактором - предприятие считается ликвидным. Коэффициент обеспеченности собственными средствами устойчиво рос и находился в пределах рекомендуемого оптимального уровня. Устойчивая тенденция к снижению коэффициента соотношения заемных и собственных средств с 6,88 до 5,08 свидетельствует об увеличении финансовой независимости предприятия, что подтверждает рост коэффициента автономии (с 0,13 до 0,16). Коэффициент маневренности собственных средств достигае6т довольно высоких значений (0,92 в 2008 году и 0,89 в 2009), что положительно характеризуют финансовое состояние (показывает, какая часть собственных средств предприятия находится в мобильной форме). Рост коэффициента автономии (с 0,13 до 0,16) свидетельствует об увеличении финансовой независимости, снижение риска финансовых затруднений в будущих периодах. ООО «Евростройкомплект» стабильно развивается, имеет устойчивое положение, не имеет больших задолженностей, в своей деятельности не зависит от сторонних инвесторов и в различных пределах использует привлеченные средства. Предприятию присвоена категория кредитоспособности «Отлично».

Для решения ключевой задачи дипломной работы - определение направлений по совершенствованию применяемой методики анализа кредитоспособности, необходимо:

Использовать расширенный набор финансовых коэффициентов, поскольку применение ограниченного их количества снижает качество проводимого анализа.

Анализировать динамику изменения финансового положения заемщика на протяжении нескольких отчетных периодов, а не по последнему балансу.

Использовать для анализа кредитоспособности, в дополнение к анализу на основе финансовых коэффициентов, денежного потока клиента, рейтинговой методики и скоринговой системы (для физических лиц).

Кроме традиционного анализа финансового положения заемщика необходимо анализировать моральные качества клиента и его способность заработать деньги для погашения кредита, поскольку от этого, как показывает опыт, в значительной степени зависит своевременность и полнота возвращения заемных средств.

Необходимо тщательно изучать кредитную историю клиента, для выяснения предыдущего опыта его общения с другими банками и финансовыми учреждениями.

В третьей главе, основываясь на вышеизложенных выводах, предлагается новая усовершенствованная методика оценки кредитоспособности заемщика на основе рейтинговой методики анализа, которая в свою очередь опирается на метод оценки коэффициентов. Разносторонность финансовых коэффициентов усложняет выявление финансового состояния организации. Поэтому возникает необходимость объединить и систематизировать полученные данные. Для решения это задачи используется рейтинговая оценка. Она позволяет определить финансовое положение организации с помощью систематизированного показателя - рейтинга выраженного в балах, и отнести организацию к определенному классу кредитоспособности. Методика рейтинговой оценки кредитоспособности включает: разработку системы оценочных показателей, определения критериальных границ этих показателей, их ранжирование и оценку суммарной кредитоспособности. Выбор и экономическое обоснование критериев для оценки устойчивости финансового состояния и установления ограничений их изменений являются наиболее ответственной и сложной частью методики.