Аналіз впливу показників, наявних у кредитному реєстрі, на ймовірність дефолту позичальників-фізичних осіб

Красовицький, Д. О. (2025). Аналіз впливу показників, наявних у кредитному реєстрі, на ймовірність дефолту позичальників-фізичних осіб. Теоретичні та прикладні питання економіки, (1), 63–72. https://doi.org/10.17721/tppe.2025.50.7

У статті досліджено ефективність використання показників, наявних у Кредитному реєстрі Національного банку України, для оцінки ймовірності дефолту позичальників-фізичних осіб. Актуальність роботи зумовлена необхідністю підвищення точності прогнозування кредитних ризиків у банківському секторі України, особливо в умовах війни, що триває. Метою дослідження є оцінка прогностичної здатності змінних із Кредитного реєстру, зокрема віку, кількості днів прострочки, показника боргового навантаження (DSTI) та інших характеристик, а також визначення їхнього впливу на ймовірність дефолту. Методологія роботи базується на використанні багатофакторного регресійного аналізу, логістичної регресії та сучасних методів машинного навчання. Для оцінки важливості змінних застосовувалися статистичні підходи Information Value (IV) та Variable Importance (VI), які дозволяють ідентифікувати ключові детермінанти кредитного ризику. Результати дослідження підтвердили, що дані Кредитного реєстру є надійним джерелом для оцінки ймовірності дефолту. Найбільший вплив на дефолтність позичальників має показник боргового навантаження та кількість днів прострочки, тоді як вплив віку та доходів є менш вираженим. Застосування методу IV показало, що більшість змінних мають помірну або високу прогностичну цінність, що підкреслює їхню значущість для побудови моделей. Отримані результати свідчать про значний потенціал використання даних Кредитного реєстру для оптимізації процесів управління кредитними ризиками. Моделі продемонстрували хорошу класифікаційну якість, що свідчить про прийнятність показників Кредитного реєстру для моделювання ймовірності дефолту позичальників-фізичних осіб. Перспективи подальших досліджень пов'язані з розширенням аналізу впливу макроекономічних факторів, таких як ВВП чи інфляція, на ймовірність дефолту. Крім того, інтеграція методів керованого та некерованого машинного навчання дозволить сегментувати позичальників за рівнем ризику, що сприятиме точнішому управлінню кредитними портфелями.