Erste banka prva uvodi personalizirane uvjete kreditiranja

Svakome po zasluzi. Bolji klijent – jeftiniji krediti, lošiji klijent – skuplji krediti. Ili, ako je klijent ispod crte isplativosti i naplate - nema kredita.

Piše Gordana Gelenčer
[email protected]

Sustav Internog rangiranja klijenata, prema metodologiji Basela II (okvira EU bankarske regulative koja se bavi rizicima) prva će u Hrvatskoj početi primjenjivati Erste&Steiermärkische banka. Riječ je o primjeni što točnijih matematičkih izračuna koji uključuju sve vrste kreditnih, tržišnih i operativnih rizika. U Erste banci se tako izrađuju scoring i rating modeli, modeli vjerojatnosti neplaćanja kredita, modeli gubitka uslijed neplaćanja… I to, prema odluci vlasnika i uz 'blagoslov' austrijske centralne banke, potpuno samostalno, prema trenutačnim hrvatskim tržišnim okolnostima i slici svakog pojedinog klijenta u Hrvatskoj, ne u Austriji! Sve bi to trebalo pomoći da se što točnije izračuna minimalna razina kapitala za rizike kojima je banka izložena.

- Mi smo treća banka po veličini, dakle banka od sistemskog rizika, ako nam se što dogodi možemo ugroziti stabilnost sustava. Zato je važno što točnije izračunati potreban kapital. Taj cijeli alat Internog rangiranja klijenata (IRB) uz to nam omogućuje i da točno izmjerimo rizik naplate kredita i tako odredimo primjerene kamate za svakog klijenta. To donosi prilagođavanje usluge, kamata, instrumenata osiguranja itd. svakom pojedinom klijentu – kaže Stjepan Anić, direktor Direkcije za kvantitativna istraživanja.

Što to konkretno donosi poduzećima, prije svega malima i srednjima koji, ne svojom krivnjom, muku muče s nelikvidnošću?  - Većina malih poduzetnika sada ima problema s naplatom, posredno i s plaćanjem obveza banci. Klijentima je zbog toga narušen scoring, što banku stoji većih izdvajanja za  rezerve i kapitalne zahtjeve. No upravo zbog sustava Internog rangiranja klijenata, koji je povezan i sa sustavom rezerviranja, povećani rizik je prepoznat na vrijeme tako da Banka nije morala naglo i višestruko podizati iznos rezervi za kreditne gubitke, što su neke banke tijekom ove godine morale učiniti – napominje Dejan Donev, zamjenik direktora Sektora upravljanja rizicima.
 
Kaže kako se klijenti razvrstavaju u određene skupine rizičnosti. Kod novih se klijenata računa visina plaće, imovina, bračni status, kod građana, odnosno financijska izvješća, kvaliteta menadžmenta, stanje u industriji,  kod tvrtki.  

Anić napominje kako unatoč svim prednostima Interno rangiranje klijenata skriva i jednu opasnost.  - Neke banke majke neutemeljeno potiču uporabu Internih modela rangiranja klijenata, izrađenih na temelju podataka koji opisuju stanje u njihovim matičnim zemljama, u svojim podružnicama po zemljama srednje i istočne Europe. Kada se, primjerice, takav sustav primijeni u Hrvatskoj stvara se slika da se rizici mjere, što u stvarnosti nije slučaj budući da 'mjerni instrument' (model)  nije razvijen prema stvarnom stanju u našoj zemlji, te ne hvata za nju specifične karakteristike rizika klijenata. To sve ima za posljedicu teže postizanje značajnih ušteda u kapitalu i rezervama budući da tako ostvarena 'customizacija' bankarske usluge nije temeljena na stvarnoj razini rizičnosti njenih klijenata – upozorava.

Kakvo je stanje u ostalim bankama?

U Hypo banci kažu kako imaju razvijene interne modele za najveći dio svojih kreditnih izloženosti.
- U trenutku odobravanja kredita ti modeli služe kao kriteriji odobravanja, a nakon toga se modeli koriste za identificiranje potencijalnih gubitaka, odnosno klijenata koji neće moći vratiti već date im plasmane – kažu.
Raiffeisen grupa ima razvijen interni sustav rejtinga za ocjenu rizičnosti klijenata u dijelu poslovanja s pravnim osobama još od 2005. godine.
- Koristimo interni sustav kreditnih rejtinga pri odlučivanju o odobravanju plasmana, kao i pri praćenju klijenata, a samim time i utvrđivanju potrebe formiranja rezervacija. Početkom krize započeli smo s razvijanjem Early Warning Signs (ranih znakova prepoznavanja) čime se omogućava pravovremeno prepoznavanje potencijalno loših klijenata prema kojima se nastupa proaktivno, primjerice otplatni se planovi usklađuju s očekivanim priljevima novca i slično – tvrde u RBA.

Kažu da se fokus kvantitativnih analiza pomiče s metoda koje su usredotočene na povećanje prodajnih aktivnosti ka metodama koje su usmjerene procjeni rizičnosti. Tako se bolje nadzire portfelj s ciljem minimizacije rizika i donošenja kvalitetnijih poslovnih odluka. Kvantitativni su modeli, naime, sposobni prepoznati temeljne uzroke rizičnosti čiji se utjecaj može mijenjati tijekom vremena.  - U uvjetima turbulentnosti kada značaj faktora rizičnosti varira u vrlo kratkim vremenskim intervalima, analitičke metode imaju zadatak prepoznati ne samo dominantne faktore rizičnosti nego i potencijalne kandidate među tim faktorima koji će u kratkoročnom/srednjoročnom/dugoročnom razdoblju postati dominantni. To donosiocima strateških i taktičkih odluka omogućuje pravovremene reakcije i manju neizvjesnost prilikom donošenja poslovnih odluka – kažu u RBA.Gordan Horvat, direktor Odjela upravljanja rizicima Kreditne banke Zagreb kaže kako zbog krize planiraju uvesti sustav scoringa i ratinga.

- Za razliku od većih banaka u stranom vlasništvu koje se koriste znanjem njihovih banaka-majki, za izradu modela moramo se koristiti vlastitim znanjem. No ti modeli scoringa i/ili ratinga, koji su razvijeni u drugim zemljama, nisu u cijelosti primjenjivi u našim uvjetima poslovanja s obzirom na različitosti u gospodarstvima i drugim faktorima koji utječu na točnost i valjanost samih modela. Također, manje banke s manjim brojem klijenata susreću se s problemom kvalitete ulaznih podataka što također ima veliki utjecaj na kvalitetu samog sustava – kaže Horvat.

U manjim bankama, kaže, nema dovoljno obučenih ljudi za razvoj modela, pa su veće banke opet u prednosti. Neke od njih imaju zasebne odjele/sektore koji se isključivo bave izradom takvih modela i istovremeno se koriste iskustvom banki-majki dok neke rade ocjene scoringa i ratinga u centralama svojih banka-majki u inozemstvu. - Uvođenjem scoring i rating sustava u poslovanje sigurno bi se smanjio broj rizičnih kredita, ali kod većih iznosa plasmana to ne bi isključilo potrebu za detaljnijim analizama klijenata. U normalnim uvjetima poslovanja uvođenje sustava dovelo bi i do određenog smanjenja rezervacija za rizične plasmane.

Poslovanje u krizi

No u uvjetima krize uvođenje sustava scoringa ili ratinga nije garancija smanjenja broja rizičnih kredita i iznosa rezervacija, jer se i kod kvalitetnih klijenata poslovanje može pogoršati u roku od nekoliko mjeseci, s obzirom da se rating sustavi pravnih osoba, rade pod pretpostavkom propadanja u sljedećih godinu dana temeljem završnih financijskih izvještaja tvrtki – poručuje Horvat.  OTP banka Hrvatska primjenjuje ekspertni rejting u procesu provjere kreditne sposobnosti poduzeća još od posljednje bankarske krize krajem devedesetih.

- Kod  procjene kreditne sposobnosti dužnika u portfelju nenamjenskih gotovinskih kredita građanima OTP banka primjenjuje statistički scoring kao jedan korisni alat provjere boniteta kao što su provjera na 'crnoj listi', provjera zaduženosti kod banaka, provjera primanja i izračun dostatnosti novčanog tijeka za pokrivanje obveze prema banci. Nije nam poznato da itko u Hrvatskoj primjenjuje takozvani risk based pricing, posebno u portfelju kredita građanima, osim možda kod kredita za restrukturiranje dospjelih obveza koji su skuplji od drugih proizvoda – kažu u OTP-u. 
Tvrde kako sustav procjene boniteta gotovo uopće nije moguće preuzimati od 'majke'. Taj model svaka banka mora razvijati za sebe na svojem historijskom uzorku. U portfelju kredita građanima statistički scoring modeli temelje se na demografsko-sociološkim varijablama određenog historijskog uzorka, pa s obzirom na različita ponašanja građana Mađarske od građana Hrvatske, to ne bi moglo biti primjenjivo. Modeli za poduzeća još su složeniji, naročito na plitkom tržištu s tek nekoliko igrača u mnogim industrijskim granama.

- Statistički modeli dobro funkcioniraju u razdobljima gospodarske stabilnosti. Kad je situacija nestabilna, krizna, trebamo biti vrlo oprezni koristeći te alate. Kvaliteta podataka je posebno važna. Da bi model bio dobar moramo imati puno prikupljenih podataka kroz duže razdoblje te ga ocijeniti na historijskom uzorku prije puštanja u pogon – napominju  u banci.