Проблемные кредиты физлиц в РФ 2025: Решения для банков

В постоянно меняющемся ландшафте российской экономики, где макроэкономические факторы и регуляторные инновации переплетаются с глобальными вызовами, проблема управления проблемными кредитами физических лиц приобретает особую актуальность. К декабрю 2024 года доля так называемых «проблемных» кредитов (NPL 90+) в российском банковском секторе выросла на 0,3 процентных пункта, достигнув тревожных 7,9%. Этот, казалось бы, небольшой прирост в процентном отношении скрывает за собой колоссальные 74 миллиарда рублей, которые выпали из активного экономического оборота, создавая напряжение для всей финансовой системы. Данная динамика не просто отражает статистические изменения, но и сигнализирует о глубинных процессах, требующих немедленного и всестороннего анализа.

Целью настоящего исследования является разработка детализированного плана для глубокого академического изучения путей совершенствования работы банков с проблемными кредитами физических лиц в условиях текущих экономических вызовов и регуляторных нововведений 2025 года. Для достижения этой цели ставятся следующие задачи:

Анализ макроэкономических тенденций и их влияния на формирование проблемной задолженности.
Систематизация теоретических подходов и правовых аспектов регулирования проблемных кредитов.
Сравнительный анализ методологий оценки и классификации кредитных рисков.
Исследование применения инновационных технологий в управлении проблемными активами.
Разработка практических рекомендаций и проектных решений для банков.
Оценка экономической эффективности предложенных мер.
Прогноз развития рынка проблемных долгов и механизмов их урегулирования.

Объектом исследования выступает система работы коммерческих банков с проблемными кредитами физических лиц. Предмет исследования — совокупность экономических, правовых, организационных и технологических аспектов, определяющих эффективность управления проблемной задолженностью. Методологическая база включает системный, сравнительный, статистический, факторный анализ, а также методы экономического моделирования и прогнозирования. Структура работы соответствует поставленным задачам, последовательно раскрывая тему от общего макроэкономического контекста до специфических рекомендаций и перспектив развития.

Макроэкономические тенденции и динамика проблемных кредитов физических лиц в РФ (2025 г.)

Современное состояние кредитного портфеля и доля проблемных кредитов (NPL 90+)

Экономический ландшафт 2025 года в России формируется под воздействием целого ряда факторов, которые оказывают непосредственное влияние на качество кредитного портфеля банков. К декабрю 2024 года, как уже отмечалось, доля проблемных кредитов, просроченных на 90 и более дней (NPL 90+), достигла 7,9%, что эквивалентно росту на 74 млрд рублей. Этот показатель не просто статичная цифра, а барометр финансового здоровья населения и банковской системы.

Основными причинами такого роста стали два ключевых фактора. Во-первых, это «вызревание» кредитов, выданных в период бурного роста розничного кредитования, особенно в IV квартале 2023 года. Тогда банки активно наращивали портфели, выдавая кредиты по высоким ставкам. Во-вторых, существенная часть этих кредитов досталась новым заемщикам, не имеющим полноценной кредитной истории. По данным на конец 2023 года, около 3,4 млн граждан получили кредиты, не имея предшествующего кредитного опыта. Это значительно увеличило риск дефолта, поскольку традиционные скоринговые модели оказывались менее эффективными для этой категории клиентов.

Первый квартал 2025 года лишь подтвердил эти тенденции. Крупнейшие игроки рынка, такие как «Сбербанк» и ВТБ, открыто заявили об ухудшении качества своих совокупных кредитных портфелей, причем причиной тому послужили сохраняющиеся высокие процентные ставки и, как следствие, увеличение неплатежей со стороны физических лиц. Показательным является кратный рост расходов на создание резервов. Так, у «Сбербанка» они выросли в 2,6 раза, а стоимость риска подскочила до 1,24% с 0,5% годом ранее. ВТБ также удвоил свои резервы, доведя их до 57,8 млрд рублей. Эти цифры ясно демонстрируют, что банки активно готовятся к возможному увеличению потерь, что, впрочем, не говорит о грядущем банковском кризисе, а скорее о консервативном подходе к управлению рисками. Доля проблемных кредитов (4-5% от общего объема) пока не критична, а снижение процента одобрения заявок (до 20% в 2025 году по сравнению с 25% в 2024 году) служит дополнительным страховочным механизмом.

Макроэкономические факторы, влияющие на качество кредитного портфеля

Макроэкономический фон играет решающую роль в формировании кредитного портфеля и его качества. Высокие процентные ставки, которые сохранялись на протяжении большей части 2024 и начала 2025 года, стали серьезным испытанием для заемщиков. Кредиты, взятые под высокие проценты, увеличивают ежемесячную нагрузку, что в условиях стагнирующих или умеренно растущих доходов населения ведет к трудностям в обслуживании долга.

Сокращение государственной поддержки в ипотечном кредитовании в III квартале 2024 года также оказало заметное влияние. Отмена массовой льготной ипотеки под 8% годовых с 1 июля 2024 года, а также ужесточение условий по семейной и IT-ипотеке привело к замедлению темпов ипотечного кредитования до 2,4% (с 6,3% во II квартале). Аналогичные процессы наблюдались и в сегменте потребительского кредитования, где ужесточение макропруденциального регулирования и высокие ставки обусловили снижение темпов роста до 3,4% (с 5,9%).

Общие объемы выдач кредитов физическим лицам в сентябре 2025 года составили 946,8 млрд рублей, что на 0,01% ниже, чем в августе, и на 12,5% ниже, чем в сентябре 2024 года. Наиболее ощутимое снижение зафиксировано в сегменте кредитов наличными (-6% в количественном и -10% в денежном выражении). Единственным исключением стало автокредитование, где выдачи выросли на 10,8% в количественном и на 15% в денежном выражении, вероятно, благодаря государственным программам поддержки автопрома и гибким условиям кредитования.

Центральный банк РФ, реагируя на инфляционные риски и ситуацию на рынке труда, предпринял шаги по снижению ключевой ставки. 12 сентября 2025 года она была снижена третий раз подряд на 1 процентный пункт, достигнув 17%. Хотя это и является позитивным сигналом, дальнейшее снижение будет зависеть от общей макроэкономической стабильности. ЦБ РФ сохраняет прогноз роста кредитования населения на 2025 год на уровне 1-6%, а ипотечного кредитования — 3-8%, что свидетельствует об осторожном оптимизме. Однако высокие процентные ставки, как ожидается, снизят совокупную прибыль банковского сектора в 2025 году до 3-3,5 трлн рублей, что на 8-20% ниже показателя 2024 года (3,8 трлн рублей).

Тенденции на рынке корпоративной задолженности и новые механизмы взыскания

Проблемы с неплатежами не ограничиваются розничным сегментом. С середины 2024 года наблюдается устойчивое ускорение роста просроченной кредиторской задолженности предприятий. За период с июня 2024 по сентябрь 2025 года объем такой задолженности увеличился на 12%, достигнув 5,4 трлн рублей. Это красноречиво свидетельствует о нарастании проблем с ликвидностью и платежеспособностью в корпоративном секторе, что может косвенно влиять и на доходы физических лиц, работающих на этих предприятиях, тем самым усугубляя их долговую нагрузку.

В ответ на возрастающие объемы задолженности, государство и регулятор внедряют новые, более эффективные механизмы взыскания. С 1 ноября 2025 года в России вводятся новые правила внесудебного взыскания бесспорных долгов по налогам, кредитам и займам с физических лиц. Федеральный закон от 31 июля 2025 г. № 287-ФЗ предоставляет возможность списывать средства с банковских счетов или изымать имущество без судебного разбирательства.

Условия внесудебного взыскания бесспорной задолженности:

Условие	Описание
Вид задолженности	Бесспорная налоговая задолженность (недоимка, пени, штрафы), подтвержденная налоговым органом и не оспоренная налогоплательщиком.
Сумма задолженности	Превышает 3 000 рублей.
Срок давности	В течение 3 лет со дня истечения срока исполнения требования об уплате задолженности налоговая инспекция не смогла ее взыскать в обычном порядке.
Механизм	Списание средств с банковских счетов или изъятие имущества без судебного разбирательства.

Эти изменения призваны упростить и ускорить процесс взыскания, снизить нагрузку на судебную систему, но одновременно повышают риски для физических лиц, не уделяющих должного внимания своим финансовым обязательствам. Внедрение такого механизма отражает стремление государства к повышению платежной дисциплины и более эффективному управлению государственными и частными долгами.

Теоретические основы и правовое регулирование управления проблемными кредитами

Понятие и сущность проблемных кредитов в банковской деятельности

В банковской практике понятие «проблемный кредит» является краеугольным камнем для оценки качества активов и управления рисками, однако его законодательное закрепление в российском правовом поле имеет свои особенности. Проблемный кредит – это не просто просроченная задолженность; это индикатор потенциальных финансовых потерь для банка, требующий особого внимания и специализированных подходов к управлению.

Рассмотрим ключевые термины, формирующие контекст проблемных кредитов:

Проблемный кредит: Кредит, по которому существует высокая вероятность неисполнения заемщиком своих обязательств в полном объеме или в установленный срок, что ведёт к риску потерь для кредитора. Хотя прямое определение отсутствует в законодательстве, в нормативных актах Банка России, в частности в Положении № 590-П, проблемные ссуды приравниваются к IV категории качества, характеризующейся высоким кредитным риском.
Реструктуризация: Изменение первоначальных условий кредитного договора (например, снижение процентной ставки, увеличение срока кредита, предоставление отсрочки платежей) с целью облегчения долговой нагрузки заемщика и предотвращения его дефолта.
Дефолт: Неисполнение заемщиком своих финансовых обязательств по кредитному договору, выражающееся в просрочке платежей, нарушении ковенантов или других условий договора, что влечёт за собой право кредитора требовать досрочного погашения всей суммы долга.
Скоринг: Математическая или статистическая модель, используемая для оценки кредитоспособности потенциального или существующего заемщика на основе анализа его характеристик и кредитной истории, результатом которой является балльная оценка уровня риска.

Исторически, в практике Банка России, например, в Положении № 254-П (предшественнике 590-П), «проблемная ссуда» соответствовала IV категории качества, для которой уже тогда формировались значительные резервы. Это подчеркивает осознание регулятором серьёзности данного вида активов и необходимости адекватного резервирования.

Обзор основных законодательных и нормативных актов

Правовое поле, регулирующее работу с проблемными кредитами физических лиц в России, представляет собой сложную систему федеральных законов и нормативных актов Банка России. Эти документы создают каркас, в рамках которого банки осуществляют свою деятельность по кредитованию, мониторингу и взысканию задолженности.

Ключевые законодательные и нормативные акты:

Нормативный акт	Основные положения и регулируемые аспекты
Положение Банка России № 590-П от 28.06.2017 г.	Устанавливает методологию оценки кредитного риска и формирования резервов на возможные потери по ссудам. Делит ссуды на V категорий качества (I-V), где II-V категории считаются обесцененными. Для ссуд IV категории качества (проблемных) формируются резервы в размере 51-100% от суммы основного долга.
Положение Банка России № 611-П от 23.10.2017 г.	Регулирует формирование резервов по балансовым активам и условным обязательствам кредитного характера, не подпадающим под действие Положения № 590-П, дополняя общую систему резервирования.
Федеральный закон № 230-ФЗ от 03.07.2016 г.	«О защите прав и законных интересов физических лиц при осуществлении деятельности по возврату просроченной задолженности…» Регламентирует деятельность коллекторов, устанавливает требования к ним, определяет разрешенные способы взаимодействия с должниками и ограничения (например, запрет на взаимодействие с недееспособными, инвалидами I группы, несовершеннолетними без согласия).
Федеральный закон № 287-ФЗ от 31.07.2025 г.	Вводит новый механизм внесудебного взыскания бесспорных налоговых задолженностей с физических лиц с 1 ноября 2025 года. Позволяет взыскивать средства с банковских счетов или изымать имущество без судебного разбирательства при соблюдении определённых условий (сумма долга > 3 000 руб., налоговая не смогла взыскать в течение 3 лет, долг не оспорен).
Федеральный закон № 127-ФЗ от 26.10.2002 г.	«О несостоятельности (банкротстве)». Предусматривает процедуру банкротства физических лиц, включая реструктуризацию долгов как меру финансовой реабилитации при наличии стабильного дохода.
Федеральный закон № 353-ФЗ от 21.12.2013 г.	«О потребительском кредите (займе)». Регулирует отношения, связанные с предоставлением потребительских кредитов физическим лицам, не связанным с предпринимательской деятельностью, устанавливая общие правила кредитования.
Федеральный закон № 102-ФЗ от 16.07.1998 г.	«Об ипотеке (залоге недвижимого имущества)». Регламентирует вопросы и условия предоставления ипотечного кредита, а также порядок обращения взыскания на заложенное имущество.
Статья 62 ФЗ «О Центральном банке РФ»	Наделяет ЦБ правом устанавливать обязательные нормативы для кредитных организаций, включая максимальный размер риска на одного заемщика или группу связанных заемщиков.
Указание Банка России от 20.04.2021 № 5782-У	Относится к видам активов, к которым устанавливаются надбавки к коэффициентам риска при определении нормативов достаточности капитала, что является инструментом макропруденциального регулирования.

Нововведение, касающееся внесудебного взыскания бесспорных долгов по налогам с 1 ноября 2025 года, является особенно значимым. Оно не только оптимизирует процесс для налоговых органов, но и требует от граждан повышенного внимания к своим налоговым обязательствам. Бесспорной налоговой задолженностью для целей внесудебного взыскания признается недоимка, а также пени и штрафы, подтвержденные налоговым органом и не оспоренные налогоплательщиком в установленный срок. Взыскание возможно, если сумма задолженности превышает 3 000 рублей, и при этом в течение 3 лет со дня истечения срока исполнения требования об уплате задолженности налоговая инспекция не смогла ее взыскать в обычном порядке. Этот механизм может стать прецедентом для расширения аналогичных процедур на другие виды долгов.

В совокупности, эти нормативно-правовые акты формируют комплексную, но динамичную среду, требующую от банков постоянной адаптации и совершенствования внутренних систем управления проблемными кредитами.

Методологии оценки и классификации кредитного риска по проблемным кредитам физических лиц

Кредитный скоринг как инструмент оценки заемщиков

В основе эффективного управления кредитным риском лежит глубокое понимание платежеспособности и добросовестности заемщика. Кредитный скоринг — это не просто инструмент, а целая философия оценки, основанная на математических алгоритмах и анализе огромных массивов данных. Его главная задача – трансформировать сложный профиль потенциального клиента в единую, легко интерпретируемую балльную оценку риска. Чем шире и глубже статистическая база, на которой обучается скоринговая модель, тем выше её прогностическая точность.

Современный скоринг не ограничивается одной универсальной моделью, а представляет собой целую экосистему специализированных систем, адаптированных под различные этапы жизненного цикла кредита:

Заявочный скоринг (application scoring): Используется для первичной оценки платежеспособности заемщика на этапе подачи заявки. Анализирует информацию из анкеты, кредитной истории и других доступных источников.
Поведенческий скоринг (behavioral scoring): Применяется для уже действующих клиентов. Прогнозирует изменение платежеспособности на основе анализа их транзакционной активности, операций по картам, использования банковских продуктов. Помогает выявить ранние признаки ухудшения финансового состояния.
Коллекторский скоринг (collection scoring): Разработан для работы с должниками, уже имеющими просроченную задолженность. Прогнозирует вероятность погашения долга, оптимальные стратегии взаимодействия и очередность работы с клиентами.
Мошеннический скоринг (fraud scoring): Специализированная система, направленная на выявление потенциальных мошеннических действий при оформлении кредита, таких как предоставление поддельных документов или заведомо ложных сведений.

Факторы, влияющие на скоринговую оценку, являются многогранными и постоянно расширяются благодаря развитию технологий Big Data:

Классические финансовые показатели: Кредитная история (наличие просрочек, своевременность выплат), уровень доходов, стаж работы, долговая нагрузка (отношение платежей по кредитам к доходу).
Социально-демографические данные: Семейное положение, образование, наличие детей, тип занятости.
Альтернативные данные: Геопространственные данные (место проживания, работы), макроэкономические данные (уровень безработицы в регионе), информация о поведении абонентов телекоммуникационных компаний (telecom data) – всё это может служить дополнительными предикторами риска.

Преимущества скоринга:

Ускорение обработки заявок: Автоматизация позволяет значительно сократить время от подачи заявки до принятия решения.
Снижение субъективных факторов: Минимизирует влияние человеческого фактора и предвзятости.
Повышение точности прогнозирования: Статистические модели способны выявлять скрытые закономерности в данных.
Оптимизация кредитных портфелей: Позволяет банку формировать более сбалансированные портфели с учётом целевого уровня риска.
Персонализация условий: Даёт возможность предлагать клиентам индивидуальные процентные ставки и условия кредитования.

Недостатки скоринга:

Зависимость от исторических данных: Модели могут быть менее эффективны в условиях резких экономических изменений, поскольку обучены на прошлом опыте.
Проблемы с «тонкими» файлами: Традиционные модели плохо работают для клиентов без обширной кредитной истории, что ограничивает доступ к кредитам для определённых сегментов населения.
Методологические риски: Качество и интерпретируемость данных могут влиять на точность прогнозов.
Потенциальная дискриминация: Неправильно настроенные модели могут привести к косвенной дискриминации определённых групп заёмщиков.

Классификация проблемных кредитов в соответствии с требованиями Банка России

Центральный банк Российской Федерации играет ключевую роль в регулировании банковской деятельности, устанавливая стандарты оценки и классификации кредитных рисков. Система классификации ссуд, закреплённая в Положении Банка России № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности», является основой для формирования банками адекватных резервов и отражения реального качества кредитного портфеля.

Данное Положение делит все ссуды на пять категорий качества, каждая из которых отражает различный уровень кредитного риска:

Классификация ссуд по категориям качества (Положение Банка России № 590-П)

Категория качества	Характеристика кредитного риска	Требования к формированию резервов (от суммы основного долга)
I (Стандартная)	Кредитный риск практически отсутствует. Своевременное исполнение обязательств заемщиком не вызывает сомнений.	0%
II (Нестандартная)	Умеренный кредитный риск. Имеется некоторая неопределённость относительно полного и своевременного исполнения обязательств.	От 1% до 20%
III (Сомнительная)	Значительный кредитный риск. Существует высокая вероятность неисполнения или неполного исполнения обязательств.	От 21% до 50%
IV (Проблемная)	Высокий кредитный риск. Практически полная вероятность неисполнения обязательств. Ссуды, классифицированные как проблемные, требуют значительных резервов.	От 51% до 100%
V (Безнадежная)	Кредитный риск практически полный. Обязательства по ссуде практически невозможно взыскать.	100%

Ссуды II-V категорий качества считаются обесцененными, что означает, что их полная возвратность находится под вопросом. Для ссуд IV категории, которые в обиходе и банковской практике именуются «проблемными», устанавливаются наиболее жёсткие требования по формированию резервов, отражающие высокую вероятность невозврата. Такая детализированная классификация позволяет банкам адекватно оценивать свои риски, а регулятору – контролировать устойчивость банковской системы.

Количественные модели оценки кредитного риска

Помимо качественных оценок и скоринговых систем, современная банковская практика активно использует количественные модели для более точного измерения кредитного риска. Эти модели опираются на статистические и математические методы, позволяющие не только классифицировать заёмщиков, но и численно выразить потенциальные потери.

Кредитному риску присущи два подхода:

Качественная оценка: Основывается на экспертных суждениях, анализе нефинансовых факторов, репутации заёмщика, качества управления и других субъективных данных.
Количественная оценка: Использует математические модели и статистические данные для расчёта вероятностей и величин потерь.

В основе количественных моделей лежат три ключевых компонента:

Вероятность дефолта (PD — Probability of Default): Показывает вероятность того, что заёмщик не выполнит свои обязательства в течение определённого периода. Рассчитывается на основе исторических данных о дефолтах, макроэкономических показателей, кредитного скоринга и других факторов.
Сумма под риском (EAD — Exposure at Default): Отражает ожидаемый объём задолженности заёмщика перед банком в момент дефолта. Для простых кредитов это может быть текущий остаток долга, для кредитных линий – использованный лимит плюс часть неиспользованного, которая может быть выбрана до дефолта.
Величина убытка в случае дефолта (LGD — Loss Given Default): Процент потерь, которые понесёт банк в случае дефолта заёмщика, после вычета средств, полученных от реализации залога или других источников взыскания. $LGD = (Сумма задолженности — Сумма возмещения) / Сумма задолженности$ .

На основе этих компонентов рассчитываются ожидаемые потери (EL — Expected Loss), которые представляют собой средние потери, которые банк ожидает понести по кредитному портфелю в течение определённого периода.

EL = EAD × PD × LGD

Однако ожидаемые потери – это лишь часть общей картины. Для полной оценки стоимости кредитного продукта необходимо также учитывать неожиданные потери (UL — Unexpected Loss), которые представляют собой потери, превышающие ожидаемые, и требуют формирования экономического капитала.

Рисковая компонента стоимости кредитных продуктов может быть вычислена по следующей формуле:

Risk rate = EL + Cost of capital × (EL + UL)

Где:

Risk rate – рисковая ставка, которую банк должен заложить в стоимость кредита.
EL – ожидаемые потери.
Cost of capital – стоимость капитала, используемого для покрытия неожиданных потерь.
UL – неожиданные потери.

Эти модели, особенно в сочетании с машинным обучением, позволяют банкам не только адекватно оценивать риски, но и формировать ценообразование кредитных продуктов, включающее премию за риск, что способствует финансовой устойчивости и прибыльности.

Инновационные технологии и цифровые решения в управлении проблемными активами

Роль предиктивной аналитики, искусственного интеллекта и машинного обучения

В условиях постоянно растущего объёма данных и ускорения бизнес-процессов, традиционные методы управления проблемными активами становятся недостаточными. На передний план выходят инновационные технологии, такие как предиктивная аналитика, искусственный интеллект (ИИ) и машинное обучение (МО), которые трансформируют подходы к мониторингу, предотвращению и взысканию задолженности.

Предиктивная аналитика – это мощный инструмент, использующий статистические алгоритмы, данные и модели для прогнозирования будущих событий и тенденций. В финансовом секторе она применяется для:

Оценки кредитного риска: Прогнозирование вероятности дефолта заёмщика до выдачи кредита.
Прогнозирования банкротства: Выявление клиентов, находящихся на грани финансовой несостоятельности, что позволяет банку заблаговременно принять меры.
Оптимизации стратегий взыскания: Прогнозирование эффективности различных методов взаимодействия с должниками.

Искусственный интеллект и машинное обучение выводят предиктивную аналитику на качественно новый уровень. Они способны обрабатывать колоссальные объёмы структурированных и неструктурированных данных в режиме реального времени, выявляя неочевидные закономерности, которые недоступны человеческому анализу. Алгоритмы МО, такие как деревья решений, случайные леса и градиентный бустинг, демонстрируют высокую точность в задачах классификации (например, отнесение заёмщика к категории «добросовестный» или «рискованный») и регрессии (например, прогнозирование суммы просрочки).

В российском банковском секторе внедрение ИИ уже стало нормой. По данным за 2024 год, 95% компаний активно используют искусственный интеллект для кредитного скоринга, повышения уровня безопасности и оптимизации бизнес-процессов. Это свидетельствует о признании ценности ИИ не только как инструмента для оценки рисков, но и как драйвера повышения общей операционной эффективности.

Примеры внедрения ИИ и автоматизированных систем в практику работы банков

Практическое применение инновационных технологий в банковском секторе наглядно демонстрирует их потенциал. Российские и зарубежные банки активно экспериментируют и внедряют ИИ и автоматизированные системы для оптимизации работы с проблемными активами.

Один из ярких примеров — опыт «Сбербанка». Начиная с 2017 года, банк активно внедряет ИИ в процесс взыскания задолженности. Роботизированные операторы «Сбербанка» уже обрабатывают более 80% всех обращений к должникам, автоматизируя первичную коммуникацию, напоминания о платежах и стандартные консультации. В планах банка – дальнейшее развитие ИИ-агентов, которые будут выступать в качестве «личных помощников» должников, предлагая персонализированные стратегии урегулирования задолженности, консультируя по вопросам реструктуризации и даже помогая в планировании бюджета.

Автоматизированные системы сбора задолженности (АССЗ) получили широкое распространение в коллекторских подразделениях банков. Эти системы обеспечивают комплексную автоматизацию процессов на всех фазах взыскания:

Soft collection (ранние стадии): Автоматическая рассылка СМС-уведомлений, электронных писем, роботизированные звонки с напоминаниями. Позволяет автоматизировать до 70% операций на этой стадии, снижая операционные издержки и повышая оперативность.
Hard collection (более глубокая просрочка):
Поддержка операторов колл-центров, автоматизация подготовки документов, маршрутизация кейсов.
Legal collection (судебное взыскание): Автоматизация подготовки исков, контроля судебных процессов.

Внедрение АССЗ значительно повышает масштабируемость процессов взыскания и обеспечивает эффективный мониторинг текущего состояния задолженности.

Международный опыт также предлагает интересные решения. В Казахстане в 2024 году была запущена цифровая платформа DMAS, предназначенная для продажи стрессовых (проблемных) активов банков и микрофинансовых организаций. Эта платформа делает процесс продажи проблемных долгов максимально прозрачным и доступным для широкого круга инвесторов, включая частных и иностранных. Она способствует формированию более ликвидного рынка проблемных активов и позволяет банкам быстрее очищать свои балансы от неработающих кредитов.

Роботизированная автоматизация процессов (RPA) является ещё одним важным направлением. Она позволяет автоматизировать рутинные, повторяющиеся операции, такие как ввод данных из различных источников, взаимодействие с устаревшими IT-системами, генерация отчётов. Это освобождает сотрудников от монотонной работы, позволяя им сосредоточиться на более сложных и аналитических задачах.

Риски и этические вопросы применения инновационных технологий

Несмотря на очевидные преимущества, широкое внедрение искусственного интеллекта и других инновационных технологий в финансовом секторе несёт в себе определённые риски и вызывает ряд этических вопросов, которые требуют тщательного рассмотрения и регулирования. Центральный банк РФ активно изучает эти аспекты и выделяет ключевые вызовы:

Снижение конкуренции: По мере того как крупнейшие игроки инвестируют в дорогостоящие ИИ-системы, они получают значительное конкурентное преимущество. Меньшие банки и финтех-компании могут оказаться неспособными конкурировать на равных, что приведёт к консолидации рынка и снижению общего уровня конкуренции. Это может негативно сказаться на качестве услуг и условиях для потребителей.
Компрометация данных: ИИ-системы оперируют колоссальными объёмами конфиденциальной информации о клиентах. Любая утечка или несанкционированный доступ к этим данным может привести к серьёзным финансовым и репутационным потерям для банков, а также к ущербу для частной жизни заёмщиков. Вопросы кибербезопасности и защиты данных становятся критически важными.
Этические вопросы и предвзятость алгоритмов: Алгоритмы машинного обучения обучаются на исторических данных. Если эти данные содержат скрытые предвзятости (например, в отношении определённых демографических групп), ИИ-система может воспроизводить и даже усиливать эти предвзятости в своих решениях. Это может привести к несправедливому отказу в кредите или ужесточению условий для определённых категорий заёмщиков, даже если они объективно платежеспособны. Важно обеспечить прозрачность алгоритмов и проводить регулярный аудит на предмет дискриминации.
«Чёрный ящик» ИИ: Многие сложные ИИ-модели, особенно глубокие нейронные сети, работают как «чёрный ящик» – их внутренний механизм принятия решений сложно интерпретировать. Это создаёт проблемы с объяснимостью: банк может получить решение ИИ, но не всегда способен объяснить клиенту, почему было принято именно такое решение, что подрывает доверие и усложняет оспаривание.
Системные риски: Слишком широкое распространение однотипных ИИ-моделей в банковской системе может создать новые системные риски. Если такая модель содержит ошибку или уязвимость, это может привести к масштабным сбоям и дефолтам в масштабах всей отрасли.

Регуляторы, включая ЦБ РФ, осознают эти вызовы и активно работают над созданием нормативно-правовой базы, которая бы способствовала инновациям, но одновременно минимизировала риски и обеспечивала справедливое и этичное использование ИИ на финансовом рынке.

Стратегии и практические рекомендации по совершенствованию работы с проблемными кредитами

Системы раннего выявления и мониторинга проблемной задолженности

Эффективность работы с проблемными кредитами начинается задолго до того, как задолженность становится критической. Ключевым элементом является создание и постоянное совершенствование систем раннего выявления и мониторинга. Подобно тому, как ранняя диагностика болезни спасает жизнь, своевременное выявление признаков проблемности кредита позволяет банку принять упреждающие меры и минимизировать потери.

Необходимость постоянного мониторинга кредитного портфеля:

Кредитный портфель банка – это живой организм, состояние которого меняется под воздействием множества внутренних и внешних факторов. Пассивное ожидание просрочки – путь к накоплению «плохих» долгов. Активный, непрерывный мониторинг позволяет отслеживать динамику платежей, изменения в поведении заёмщиков и макроэкономическом окружении.

Признаки раннего выявления проблемности кредита:

Задержки платежей: Даже небольшие, кратковременные задержки (от 5 до 30 дней) могут быть первым тревожным звоночком.
Частые запросы на изменение графика платежей: Попытки изменить первоначальные условия без серьёзных на то причин могут указывать на трудности с обслуживанием долга.
Снижение доходов заёмщика: Потеря работы, сокращение зарплаты, снижение прибыли от бизнеса.
Ухудшение кредитной истории: Появление новых просрочек по кредитам в других банках или микрофинансовых организациях.
Появление новых кредитов: Неожиданное получение заёмщиком новых кредитов в других финансовых учреждениях, что может свидетельствовать о попытке «закрыть» старые долги новыми.
Изменения в деловой активности (для индивидуальных предпринимателей): Снижение объёмов продаж, уменьшение клиентской базы, проблемы с поставщиками.
Необъяснимые изменения в транзакционной активности: Резкое сокращение оборотов по дебетовым картам, необычные переводы.

Детализация действий сотрудников, ответственных за мониторинг:

Для эффективного функционирования системы раннего выявления необходимо чётко регламентировать действия персонала:

Регулярный анализ платёжной дисциплины: Специалисты должны ��жедневно или еженедельно анализировать отчёты по платежам, выявляя даже минимальные отклонения от графика.
Оперативное выявление отклонений: Использование автоматизированных систем, которые могут подавать сигналы (алерты) при выявлении подозрительной активности или просрочек.
Проведение стресс-тестирования портфеля: Периодическая оценка способности кредитного портфеля выдерживать негативные макроэкономические шоки (например, рост безработицы, снижение ВВП, рост ключевой ставки).
Индивидуальная работа с заёмщиками: При первых признаках ухудшения финансового положения, сотрудники должны проактивно связываться с заёмщиками. Это включает телефонные звонки, СМС-уведомления, электронные письма.
Предложение вариантов урегулирования: Заёмщикам, столкнувшимся с трудностями, должны быть предложены возможные варианты реструктуризации (например, «кредитные каникулы», изменение графика платежей) или рефинансирования.
Ведение детальной отчётности: Фиксация всех контактов, предложений и решений по каждому проблемному кредиту для последующего анализа и оценки эффективности.

Методы урегулирования проблемной задолженности

Когда проблемный кредит уже сформировался, банку необходимо применять различные методы для минимизации потерь и восстановления платёжеспособности заёмщика. Эти методы можно разделить на несколько категорий, каждая из которых имеет свои преимущества и недостатки.

Основные методы работы с проблемной задолженностью:

Самостоятельная работа банка (in-house collection):
- Описание: Банк самостоятельно осуществляет все этапы взыскания – от ранних напоминаний до судебных процедур.
- Преимущества: Полный контроль над процессом, сохранение клиентских отношений, возможность применения гибких индивидуальных решений.
- Недостатки: Высокие операционные издержки (персонал, IT-системы), необходимость специализированной экспертизы, ограниченные ресурсы.
- Инструменты: Звонки, СМС, письма, личные встречи, реструктуризация, рефинансирование, зачёт встречных требований.
Совместная работа с коллекторскими агентствами:
- Аутсорсинг: Банк передаёт агентству функцию взыскания, сохраняя при этом право собственности на долг. Агентство работает за комиссию от взысканной суммы.
  - Преимущества: Снижение операционной нагрузки на банк, использование специализированной экспертизы коллекторов, возможность сосредоточиться на основном бизнесе.
  - Недостатки: Потеря части контроля над процессом, репутационные риски (при недобросовестной работе агентства), комиссионные выплаты.
- Цессия (продажа портфеля проблемной задолженности): Банк полностью продаёт права требования по проблемным кредитам коллекторскому агентству или другому финансовому институту.
  - Преимущества: Моментальное очищение баланса от «плохих» активов, получение денежных средств (хоть и с дисконтом), сокращение резервов.
  - Недостатки: Значительный дисконт при продаже, потеря потенциальной прибыли в случае последующего взыскания долга, отсутствие контроля над дальнейшей судьбой клиента.
Реструктуризация долга:
- Описание: Является одним из наиболее эффективных инструментов, позволяющих заёмщику восстановить платёжеспособность, а банку – сохранить кредит в приемлемой категории качества и вернуть основной долг. Включает изменение условий кредитного договора.
- Формы реструктуризации:
  - Увеличение срока кредита с уменьшением ежемесячных платежей.
  - Снижение процентной ставки (в некоторых случаях).
  - Предоставление «кредитных каникул» (отсрочки по выплате основного долга или процентов).
  - Объединение нескольких кредитов в один (консолидация).
- Критерии принятия решений о реструктуризации:
  - Финансовое состояние заёмщика: Анализ доходов, расходов, наличие других обязательств.
  - Прогноз денежных потоков: Оценка способности заёмщика обслуживать долг по изменённому графику.
  - Общая кредитная нагрузка: Оценка DTI (Debt-to-Income) – отношение всех долговых платежей к доходу.
  - Причина возникновения проблем: Временные трудности или системная неплатежеспособность.
  - Наличие обеспечения: Залог, поручительство.
Оптимизация долга: Может быть достигнута путём согласования с банком (в рамках реструктуризации) или в судебном порядке (например, через процедуру банкротства физического лица), что позволяет пересмотреть условия выплат и прекратить начисление финансовых санкций.

Выбор конкретного метода или их комбинации зависит от множества факторов: стадии просрочки, суммы задолженности, типа кредита, финансового состояния заёмщика и стратегии самого банка.

Организационные и управленческие подходы

Помимо тактических методов, критически важными являются стратегические организационные и управленческие подходы, которые формируют фундамент для эффективной работы с проблемными активами. Без адекватной структуры и системы мотивации даже самые передовые технологии и методы не принесут желаемого результата.

Разработка системы ключевых показателей эффективности (КПЭ) для подразделений, работающих с проблемными активами:
- Цель: Декомпозировать общие стратегические цели банка до измеримых показателей на уровне отдельных подразделений и сотрудников. КПЭ должны быть чёткими, измеримыми, достижимыми, релевантными и ограниченными по времени (SMART).
- Примеры КПЭ:
  - Уровень взыскания: Процент возвращённых средств от общего объёма проблемной задолженности за период.
  - Количество успешно реструктурированных кредитов: Показатель, отражающий способность банка помочь заёмщикам вернуться в график.
  - Средний срок взыскания: Время, затраченное на урегулирование проблемного кредита.
  - Снижение доли NPL 90+: Прямой показатель улучшения качества портфеля.
  - Затраты на взыскание: Отношение расходов на работу с проблемными активами к взысканной сумме.
  - Уровень удовлетворённости заёмщиков (при реструктуризации): Отзывы клиентов о процессе урегулирования.
- Мотивация персонала: Система КПЭ должна быть тесно увязана с системой материального и нематериального стимулирования сотрудников. Это мотивирует их не просто выполнять рутинные операции, но и искать наиболее эффективные пути решения проблем.
Создание управляющих компаний или специализированных отделов внутри банка для работы с проблемными долгами:
- Цель: Отделить управление проблемной задолженностью от основного банковского бизнеса. Это позволяет сосредоточить экспертизу, ресурсы и процессы в одном месте, создавая «центр компетенций».
- Преимущества специализированных структур:
  - Фокус и специализация: Сотрудники становятся экспертами именно в работе с проблемными активами, развивая специфические навыки и знания.
  - Гибкость и оперативность: Такие структуры могут быстрее адаптироваться к изменениям рынка и регуляторной среды, принимать более быстрые и эффективные решения.
  - Оптимизация ресурсов: Концентрация ресурсов позволяет более эффективно их использовать (например, внедрять специализированное ПО, обучать персонал).
  - Снижение нагрузки на основные бизнес-подразделения: Кредитные менеджеры могут сосредоточиться на привлечении новых клиентов и выдаче качественных кредитов.
  - Улучшение прозрачности: Отделение функции позволяет более чётко отслеживать результаты и затраты на управление проблемными активами.
- Формы реализации:
  - Специализированный департамент (Управление проблемных активов): В рамках существующей структуры банка.
  - Дочерняя управляющая компания: Отдельное юридическое лицо, полностью сфокусированное на проблемных долгах, что может быть выгодно с точки зрения налогообложения и операционной гибкости.

Внедрение этих подходов позволяет банку не просто реагировать на уже возникшие проблемы, но и проактивно управлять качеством кредитного портфеля, повышая свою устойчивость и конкурентоспособность.

Повышение финансовой грамотности заёмщиков и клиентоориентированный подход

В эпоху постоянно усложняющихся финансовых продуктов и быстро меняющихся экономических условий, финансовая грамотность населения становится не просто желательной, но жизненно необходимой. Для банков, работающих с проблемой невозврата кредитов, это не просто социальная ответственность, а стратегический инструмент снижения рисков и улучшения качества кредитного портфеля.

Важность повышения финансовой грамотности населения:

Недостаточное понимание условий кредитования, принципов формирования процентных ставок, рисков и последствий неисполнения обязательств часто становится основной причиной возникновения проблемной задолженности. Заёмщики могут переоценивать свои финансовые возможности, не осознавать полную стоимость кредита или не иметь представления о механизмах урегулирования трудностей.

Банки могут и должны играть активную роль в этом процессе, реализуя следующие инициативы:

Предоставление полной и понятной информации о продуктах:
- Прозрачность условий: Максимально чётко и просто объяснять все условия кредитного договора, включая эффективную процентную ставку, комиссии, штрафы и пени. Использовать понятный язык, избегая излишней юридической терминологии.
- Моделирование платежей: Предоставлять клиентам удобные инструменты для расчёта ежемесячных платежей при различных сценариях (например, при досрочном погашении или увеличении срока).
- Документация: Обеспечить лёгкий доступ к образцам договоров и другой важной документации на сайте банка и в отделениях.
- Обучающие материалы: Создавать простые и наглядные брошюры, видеоролики, онлайн-курсы, объясняющие основы кредитования, управления личными финансами и последствий просрочки.
Содействие в решении сложных финансовых ситуаций (клиентоориентированный подход):
- Проактивная коммуникация: Не дожидаться, пока заёмщик выйдет на просрочку. При первых признаках финансовых трудностей (например, звонок клиента с вопросом о возможности отсрочки) инициировать диалог.
- Консультации и поддержка: Создать специализированные консультационные центры или горячие линии, где заёмщики могут получить квалифицированную помощь по вопросам управления долгом.
- Индивидуальные программы реструктуризации: Подходить к каждому случаю проблемной задолженности индивидуально, предлагая гибкие решения, адаптированные под конкретную ситуацию заёмщика. Это может включать:
  - Реструктуризацию: Изменение графика платежей, снижение ставки, кредитные каникулы.
  - Рефинансирование: Предложение нового кредита на более выгодных условиях для погашения старого.
  - Консолидацию долгов: Объединение нескольких кредитов в один для упрощения управления платежами.
- Помощь в составлении личного бюджета: Консультации по оптимизации расходов и доходов для улучшения платёжеспособности.

Применяя клиентоориентированный подход и повышая финансовую грамотность, банки не только снижают объём проблемных кредитов, но и строят долгосрочные доверительные отношения с клиентами, что в конечном итоге способствует их лояльности и устойчивости бизнеса.

Оценка экономической эффективности предложенных мер по совершенствованию работы с проблемными кредитами

Система ключевых показателей эффективности (КПЭ)

Для того чтобы понять, насколько успешно банк справляется с вызовами проблемных кредитов, необходимо разработать и внедрить чёткую систему оценки. Простое снижение объёма просрочки – это лишь вершина айсберга. Экономическая эффективность управления проблемными кредитами оценивается через систему ключевых показателей эффективности (КПЭ), которые позволяют декомпозировать стратегические цели деятельности подразделения до конкретных, измеримых показателей.

Основные КПЭ для оценки эффективности работы с проблемными кредитами:

NPL 90+ (Non-performing loan 90+): Доля просроченной задолженности сроком 90 дней и более в кредитном портфеле банка.
- Описание: Один из наиболее фундаментальных показателей, отражающий общее качество кредитного портфеля. Снижение этого показателя является прямой индикацией улучшения ситуации.
- Пример: Если кредитный портфель банка составляет 100 млрд рублей, а NPL 90+ = 7,9 млрд рублей, то доля NPL 90+ составляет 7,9%. Снижение этой доли до 7% будет говорить об улучшении качества.
Среднее количество дней просрочки:
- Описание: Показывает, сколько в среднем дней заёмщик находится в просрочке до момента погашения или урегулирования долга. Сокращение этого показателя свидетельствует об оперативной и эффективной работе.
Индекс эффективности сбора долгов (CEI — Collection Effectiveness Index):
- Описание: Комплексный финансовый показатель, оценивающий эффективность работы по взысканию просроченной задолженности за определённый период.
- Формула для расчёта CEI:
  
  CEI = [(ДЗ_нач + Продажи_{в_кредит} - ДЗ_{кон.общ}) / (ДЗ_нач + Продажи_{в_кредит} - ДЗ_{кон.тек})] × 100%
  
  Где:
  - ДЗ_нач — дебиторская задолженность на начало периода.
  - Продажи_{в_кредит} — продажи в кредит за период (для банка — выданные кредиты).
  - ДЗ_{кон.общ} — общая дебиторская задолженность на конец периода (включая просроченную).
  - ДЗ_{кон.тек} — текущая (непросроченная) дебиторская задолженность на конец периода.
- Пример использования CEI:
  Допустим, на начало месяца дебиторская задолженность составляла 10 млн рублей. За месяц было выдано новых кредитов на 5 млн рублей. На конец месяца общая задолженность составила 12 млн рублей, из которых 8 млн рублей – текущая, а 4 млн рублей – просроченная.
  
  CEI = [(10 000 000 + 5 000 000 - 12 000 000) / (10 000 000 + 5 000 000 - 8 000 000)] × 100%
  
  CEI = [(15 000 000 - 12 000 000) / (15 000 000 - 8 000 000)] × 100%
  
  CEI = [3 000 000 / 7 000 000] × 100% ≈ 42,86%
  
  Чем выше значение CEI, тем эффективнее система взыскания долгов.

Внедрение и регулярный мониторинг этих КПЭ позволяют банку не только отслеживать текущую ситуацию, но и принимать обоснованные управленческие решения по оптимизации процессов работы с проблемными активами.

Расчёт ожидаемых потерь и рисковой ставки

Понимание кредитного риска выходит за рамки простой констатации факта просрочки. Банкам необходимо количественно оценивать потенциальные потери, чтобы адекватно ценообразовать кредитные продукты и формировать достаточные резервы. В основе этого лежат три ключевые компоненты кредитного риска, которые мы уже затрагивали ранее, но сейчас рассмотрим их в контексте экономического расчёта.

Компоненты кредитного риска:

Вероятность дефолта (PD — Probability of Default): Доля заёмщиков, которые, как ожидается, не выполнят свои обязательства в течение определённого периода (обычно 1 год). Рассчитывается на основе статистических данных, скоринговых моделей и макроэкономических прогнозов. Например, если из 1000 заёмщиков в течение года 10 допускают дефолт, то $PD = 10 / 1000 = 0,01$ или 1%.
Сумма под риском (EAD — Exposure at Default): Ожидаемая сумма задолженности заёмщика перед банком в момент дефолта. Для кредита с фиксированным графиком это обычно остаток основного долга. Для кредитных карт или овердрафтов это более сложный расчёт, включающий использованную сумму и возможный дополнительный выбор средств до дефолта.
Величина убытка в случае дефолта (LGD — Loss Given Default): Процент от EAD, который банк потеряет в случае дефолта после всех процедур взыскания и реализации залога. $LGD = 1 — Коэффициент возмещения$ . Если банк в среднем возвращает 40% от суммы долга после дефолта, то $LGD = 1 — 0,4 = 0,6$ или 60%.

Формула расчёта ожидаемых потерь (EL — Expected Loss):

EL = EAD × PD × LGD

Эта формула позволяет банку заранее оценить объём потерь, которые являются ожидаемыми в рамках его кредитного портфеля.

Пример расчёта EL:
Допустим, у банка есть кредит на сумму 1 000 000 рублей.
- $EAD = 1 000 000$ рублей.
- $PD = 1% (0,01)$ .
- $LGD = 60% (0,6)$ .
- $EL = 1 000 000 \times 0,01 \times 0,6 = 6 000$ рублей.
Это означает, что банк ожидает потерять в среднем 6 000 рублей по такому кредиту за год.

Расчёт рисковой ставки (Risk rate):

Помимо ожидаемых потерь, банки должны учитывать и неожиданные потери (UL — Unexpected Loss), которые представляют собой отклонения фактических потерь от ожидаемых. Для покрытия этих неожиданных потерь банк должен держать дополнительный капитал. Стоимость этого капитала также должна быть заложена в стоимость кредита.

Risk rate = EL + Cost of capital × (EL + UL)

Где:

Risk rate – рисковая ставка, которую банк должен прибавить к безрисковой процентной ставке для формирования конечной ставки кредита.
Cost of capital – стоимость капитала, которую банк несёт за каждый рубль капитала, выделенного на покрытие риска.
UL – неожиданные потери, рассчитываемые с использованием более сложных статистических методов (например, Value at Risk).

Включение этих компонентов в ценообразование позволяет банку адекватно компенсировать принимаемые риски, что является основой финансовой устойчивости и конкурентоспособности.

Влияние проблемных кредитов на финансовые показатели банка

Проблемные кредиты – это не просто «плохие» долги на балансе; они оказывают каскадное негативное влияние на ключевые финансовые показатели банка, снижая его прибыльность, ликвидность и капитал. Понимание этого влияния подчёркивает критическую важность эффективного управления такими активами.

Основные последствия проблемных кредитов для банка:

Снижение прибыли:
- Формирование резервов: Главное и наиболее прямое следствие. В соответствии с требованиями Банка России (Положение № 590-П), по мере ухудшения качества кредита банк обязан формировать резервы на возможные потери. Эти резервы вычитаются из прибыли до налогообложения, тем самым напрямую её уменьшая. Например, если банк должен зарезервировать 51-100% от проблемного кредита в 1 млн рублей, его прибыль сократится на 510 тыс. – 1 млн рублей.
- Недополученный процентный доход: По проблемным кредитам прекращается начисление процентов или они перестают быть источником реального дохода, что снижает общий процентный доход банка.
- Расходы на взыскание: Процедуры взыскания (судебные издержки, затраты на коллекторов, оплата труда специализированных сотрудников) – это дополнительные операционные расходы, которые также уменьшают прибыль.
Отвлечение свободных ресурсов (капитала и ликвидности):
- Связывание капитала: Резервы под проблемные кредиты формируются за счёт собственного капитала банка. Это означает, что часть капитала, которая могла быть использована для выдачи новых, качественных кредитов или других доходных операций, «замораживается» для покрытия потенциальных потерь. Это снижает коэффициент достаточности капитала и ограничивает возможности для роста.
- Снижение ликвидности: Проблемные кредиты – это неликвидные активы. Вместо генерирования денежных потоков, они требуют от банка дополнительных вложений (на взыскание), что ухудшает общую ликвидность.
Ухудшение качества активов и баланса:
- Рост NPL: Увеличение доли проблемных кредитов в портфеле ухудшает общую структуру активов банка, делая его менее привлекательным для инвесторов и рейтинговых агентств.
- Снижение стоимости залога: В случае ипотечных или автокредитов, банк может столкнуться с необходимостью реализации залога, но его рыночная стоимость к моменту дефолта может значительно снизиться.
Повышение стоимости фондирования:
- Негативное восприятие: Высокая доля проблемных кредитов сигнализирует рынку о повышенных рисках банка. Это может привести к тому, что инвесторы и кредиторы будут требовать более высокую доходность по облигациям и депозитам, увеличивая стоимость фондирования для банка.
Репутационные риски:
- Негативный имидж: Активная работа по взысканию, особенно с использованием жёстких методов, может негативно сказаться на репутации банка, оттолкнуть потенциальных клиентов.

Эффективное снижение кредитного риска и, как следствие, объёма проблемных кредитов, не только предотвращает прямые финансовые потери, но и создаёт более финансово стабильную основу для будущего роста банка, укрепляет его конкурентные преимущества и повышает доверие со стороны рынка.

Перспективы развития рынка проблемных долгов и механизмов их урегулирования

Прогнозы динамики проблемных долгов и рынка цессии

Рынок проблемных долгов в России находится в состоянии динамичных изменений, обусловленных как макроэкономическими факторами, так и регуляторной политикой. В 2025 году ожидается дальнейший, хотя и не критический, рост объёма проблемных долгов в российском банковском секторе. Прогнозы Банка России указывают на возможное увеличение доли проблемных кредитов до 8,5-9% к концу года. Этот рост обусловлен «вызреванием» ранее выданных кредитов, особенно в условиях высоких процентных ставок, и снижением реальных доходов части населения. Однако, благодаря достаточному запасу капитала у банков и проводимой ЦБ РФ макропруденциальной политике, системного кризиса не ожидается.

Ключевые тенденции и прогнозы:

Пик реализации кредитного риска: Аналитики прогнозируют, что пик дефолтов, особенно по необеспеченным потребительским кредитам, придётся на III-IV квартал 2025 года. Ожидается, что уровень дефолтов по необеспеченным розничным кредитам может достигнуть 10-12% в этот период. Это связано с тем, что часть заёмщиков, взявших кредиты в условиях высоких ставок 2023-2024 годов, столкнётся с трудностями в их обслуживании.
Рост рынка цессии: Объём сделок по продаже просроченных долгов на российском рынке демонстрирует заметный рост. В I полугодии 2025 года он увеличился на 30,2% по сравнению с аналогичным периодом прошлого года, достигнув 142,7 млрд рублей. Банки активно избавляются от «плохих» активов, чтобы очистить свои балансы и снизить нагрузку по формированию резервов.
Снижение цен на долговые портфели: Несмотря на рост объёмов сделок, цены на долговые портфели имеют тенденцию к снижению. Это обусловлено высокими процентными ставками, которые ограничивают доступ покупателей (коллекторских агентств и инвесторов) к финансированию сделок, тем самым снижая их готовность платить высокую цену.
Увеличение доли банкротов: Отмечается значительный рост доли банкротов в цессионных портфелях банков, достигая 40% в 2025 году. Это свидетельствует о том, что всё больше физических лиц, неспособных обслуживать свои долги, прибегают к процедуре банкротства, что усложняет процесс взыскания для новых владельцев долгов.
Рекордный рост агентского взыскания: На рынке агентского взыскания зафиксирован рекордный рост объёмов. В I квартале 2025 года банки и МФО передали коллекторам 13,3 млн долгов на сумму 333 млрд рублей. Это на 66% больше по количеству и на 30,6% по объёму по сравнению с 2024 годом, что говорит о продолжающемся активном аутсорсинге функции взыскания.

Эти тенденции указывают на продолжающуюся трансформацию рынка проблемных долгов, где банки стремятся к оптимизации своих балансов, а коллекторский бизнес расширяет своё влияние, адаптируясь к новым реалиям.

Влияние экономической политики ЦБ РФ и цифровизации

Экономическая политика Центрального банка Российской Федерации и стремительная цифровизация банковских услуг являются двумя мощными силами, определяющими будущее рынка проблемных долгов и механизмов их урегулирования.

Влияние экономической политики ЦБ РФ:

Высокие ключевые ставки: Несмотря на недавнее снижение, ключевая ставка ЦБ РФ сохраняет относительно высокий уровень (17% в сентябре 2025 г.). Прогнозы на 2025 год в среднем составляют 18,8-19,6%, а на 2026 год – 12-13%. Такие ставки напрямую влияют на:
- Спрос на кредитование: Высокие ставки делают кредиты менее доступными и менее привлекательными для населения, что сокращает объёмы выдач и замедляет рост кредитного портфеля.
- Прибыль банков: Увеличение стоимости фондирования для банков (привлечение депозитов) и рост стоимости резервирования по проблемным кредитам снижает маржинальность и, как следствие, общую прибыль банковского сектора.
- Платёжеспособность заёмщиков: Высокие процентные платежи усугубляют долговую нагрузку заёмщиков, увеличивая риск дефолта.
Макропруденциальное регулирование: ЦБ РФ активно использует инструменты макропруденциального регулирования (например, надбавки к коэффициентам риска) для сдерживания избыточного роста кредитования и предотвращения накопления системных рисков. Это косвенно влияет на объём проблемных долгов, ограничивая выдачу рисковых кредитов.

Роль цифровизации:

Цифровизация является не просто трендом, а фундаментальным изменением в подходах к управлению долгами. Она позволяет автоматизировать, оптимизировать и персонализировать процесс взыскания:

Автоматизация взаимодействия с должниками: Использование чат-ботов, роботизированных голосовых систем, СМС-уведомлений и электронных писем для напоминаний, консультаций и первичного урегулирования задолженности. Это значительно снижает операционные издержки и повышает охват.
Повышение эффективности взыскания: Алгоритмы ИИ и машинного обучения анализируют данные о поведении должников, их платёжной истории, социальных и экономических факторах для определения наиболее эффективных стратегий взаимодействия и прогнозирования вероятности погашения. «Сбербанк» активно использует ИИ для создания стратегий урегулирования задолженности и анализа их эффективности, планируя внедрение ИИ-агентов как личных помощников должников.
Прозрачность и доступность рынка: Цифровые платформы (как DMAS в Казахстане) для продажи стрессовых активов делают рынок более прозрачным, привлекая новых инвесторов и повышая ликвидность проблемных портфелей.
Сбор и анализ данных: Цифровизация позволяет собирать и систематизировать огромные объёмы данных о клиентах и их долговом поведении, что является основой для построения более точных предиктивных моделей и персонализированных решений.

Взаимодействие этих двух факторов – жёсткой денежно-кредитной политики, сдерживающей рост задолженности, и цифровизации, повышающей эффективность её урегулирования – формирует сложную, но перспективную картину развития рынка проблемных долгов.

Новые подходы и стратегические направления в управлении проблемными активами

Эволюция рынка проблемных долгов и ужесточение требований регуляторов вынуждают банки пересматривать свои стратегические подходы. Фокус внимания смещается от примитивной «логики взыскания» к более сложным, недефолтным и инвестиционным стратегиям, ориентированным на поиск взаимовыгодных решений для всех сторон.

1. Смещение фокуса от «логики взыскания» к недефолтной и инвестиционной стратегии:

От ранней просрочки к предотвращению: Банки всё больше концентрируются на превентивных мерах и раннем выявлении признаков проблемности. Цель – не допустить дефолта заёмщика, а не просто взыскать долг после его возникновения.
Взаимовыгодные решения: Вместо жёсткого давления на должника, акцент делается на предложении программ реструктуризации, рефинансирования и других гибких решений, которые позволяют заёмщику восстановить платёжеспособность. Это выгоднее для банка, чем судебные тяжбы и списание долга.
Инвестиционный подход: Проблемные активы рассматриваются не как неизбежные потери, а как потенциал для инвестиций в их восстановление. Это может включать более глубокую работу с залоговым имуществом, поиск новых владельцев для активов, или даже участие в финансовом оздоровлении корпоративных заёмщиков.

2. Концепция «банков плохих долгов» (Asset Management Companies — AMC):

Сущность: Создание специализированных финансовых институтов, главной задачей которых является управление проблемными активами, выкупленными у коммерческих банков. Цель – очистить балансы банков от «токсичных» активов, оздоровить банковскую систему и максимизировать возврат по этим долгам.
Преимущества:
- Специализация: AMC обладают глубокой экспертизой и ресурсами для работы с проблемными долгами.
- Очищение балансов: Позволяет банкам сосредоточиться на основной деятельности и кредитовании, улучшая их финансовые показатели.
- Системная стабильность: Способствует оздоровлению всего финансового сектора.
Формы реализации: Могут быть государственными (как в некоторых странах Азии после кризисов) или частными. В России обсуждается создание подобных структур или расширение функционала существующих институтов.

3. Реформирование системы урегулирования неплатежеспособных банков (на примере Казахстана):

Международные стандарты: Многие страны, включая Казахстан, реформируют свои системы урегулирования банков в соответствии с международными стандартами, такими как принципы Совета по финансовой стабильности.
Механизм bail-in: Это механизм, при котором убытки неплатежеспособного банка покрываются за счёт его акционеров и инвесторов (держателей облигаций, крупных вкладчиков), а не за счёт государственных средств (bail-out). Это снижает нагрузку на бюджет и повышает ответственность участников рынка.
Независимые органы урегулирования: Создание специализированных, независимых органов, которые занимаются урегулированием кризисных ситуаций в банках, обеспечивая оперативность и объективность решений.

4. Внутренние трансформации банков:

Единые центры по работе с проблемными активами («долговые центры»): Концентрация всех функций по управлению проблемными кредитами в одном подразделении или группе, что позволяет стандартизировать процессы, повысить эффективность и обеспечить сквозной контроль.
Проектные группы: Формирование гибких, кросс-функциональных команд для работы с особо крупными или сложными проблемными активами.

Эти новые подходы отражают общемировую тенденцию к повышению устойчивости финансовой системы, переходу от реактивного к проактивному управлению рисками и более эффективному использованию капитала.

Заключение

Исследование, посвящённое совершенствованию работы банка с проблемными кредитами физических лиц в условиях динамично меняющейся экономической и регуляторной среды РФ (2025 г.), позволило глубоко проанализировать ключевые аспекты данной проблематики и сформулировать комплексные выводы.

Мы установили, что макроэкономический ландшафт 2025 года, характеризующийся ростом доли проблемных кредитов (NPL 90+ до 7,9% к декабрю 2024 года), высокими процентными ставками и ужесточением регуляторной политики, создаёт значительные вызовы для банковского сектора. Особенно остро это ощущается на фоне «вызревания» кредитов, выданных новым заёмщикам, и замедления розничного кредитования. В то же время, внедрение новых правил внесудебного взыскания бесспорных долгов с ноября 2025 года свидетельствует о стремлении государства к более эффективному управлению задолженностью.

Анализ теоретических основ и правового регулирования показал, что, несмотря на отсутствие прямого законодательного закрепления термина «проблемный кредит», система нормативных актов Банка России (Положения № 590-П, № 611-П) чётко определяет категории качества ссуд и требования к формированию резервов. Федеральные законы (№ 230-ФЗ, № 127-ФЗ, № 353-ФЗ, № 102-ФЗ, а также новый ФЗ № 287-ФЗ) формируют сложную, но упорядоченную рамку для работы с проблемными активами, защищая интересы как кредиторов, так и заёмщиков.

Мы подробно рассмотрели методологии оценки и классификации кредитного риска, выявив преимущества и недостатки кредитного скоринга в его различных видах. Была представлена классификация ссуд Банка России и детально разобраны количественные модели оценки риска, включая PD, EAD, LGD, EL и формулу расчёта рисковой ставки. Эти инструменты являются фундаментом для принятия обоснованных кредитных решений и адекватного резервирования.

Особое внимание было уделено инновационным технологиям. Предиктивная аналитика, ИИ и машинное обучение доказали свою эффективность в повышении точности оценки рисков и оптимизации процессов взыскания, о чём свидетельствует опыт «Сбербанка» и запуск цифровой платформы DMAS в Казахстане. Однако мы также подчеркнули важность учёта рисков, выделенных ЦБ РФ, таких как снижение конкуренции, компрометация данных и этические вопросы, требующие внимательного регулирования.

На основе проведённого анализа были разработаны практические рекомендации по совершенствованию работы с проблемными кредитами, включающие создание систем раннего выявления, применение разнообразных методов урегулирования (самостоятельная работа, аутсорсинг, цессия, реструктуризация), а также внедрение организационных подходов (КПЭ, специализированные отделы) и повышение финансовой грамотности населения.

Оценка экономической эффективности предложенных мер через систему КПЭ (NPL 90+, CEI, среднее количество дней просрочки) и расчёт ожидаемых потерь продемонстрировала, что эффективное управление проблемными кредитами напрямую влияет на финансовые показатели банка, снижая расходы на резервы, повышая прибыльность и укрепляя капитал.

Наконец, анализ перспектив развития рынка проблемных долгов показал, что в 2025 году ожидается дальнейший рост просроченной задолженности, особенно по необеспеченным потребительским кредитам. Рынок цессии будет расти, но с тенденцией к снижению цен и увеличением доли банкротов. Ключевую роль в будущем будут играть экономическая политика ЦБ РФ и дальнейшая цифровизация, смещающая фокус от «логики взыскания» к превентивным и инвестиционным стратегиям, а также появлению концепций «банков плохих долгов».

Таким образом, цель исследования достигнута, задачи выполнены. Мы подтвердили, что комплексный подход, объединяющий глубокий анализ макроэкономических факторов, строгое следование регуляторным требованиям, активное внедрение инновационных технологий и клиентоориентированные стратегии, является краеугольным камнем для совершенствования работы банка с проблемными кредитами.

Перспективы дальнейших исследовани�� могут включать углублённый анализ влияния внесудебного взыскания на поведение заёмщиков, разработку кастомизированных ИИ-моделей для оценки риска в условиях «тонких» кредитных файлов, а также изучение долгосрочных эффектов создания специализированных управляющих компаний для проблемных активов в российской практике.

Список использованной литературы

Гражданский кодекс Российской Федерации (часть вторая) от 26.01.1996 № 14-ФЗ.
О банках и банковской деятельности: Федеральный закон от 2 декабря 1990 г. № 395-1 (ред. 25.11.2009 г.).
Положение Банка России от 26.06.2023 № 611-П «О порядке формирования кредитными организациями резервов на возможные потери».
Положение Банка России от 15.03.2023 № 590-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности».
Федеральный закон от 03.07.2016 № 230-ФЗ «О защите прав и законных интересов физических лиц при осуществлении деятельности по возврату просроченной задолженности и о внесении изменений в Федеральный закон «О микрофинансовой деятельности и микрофинансовых организациях».
Банковский менеджмент: учебник / под ред. О.И. Лаврушина. М.: КноРус, 2010. 560 с.
Банковское дело: кредитная деятельность коммерческих банков: учеб. пособие / Л.П. Кроливецкая, Е.В. Тихомирова. М.: КноРус, 2009. 280 с.
Банковское дело: розничный бизнес: учеб. пособие / под ред. Г.Н. Белоглазовой, Л.П. Кроливецкой. М.: КноРус, 2010. 416 с.
Банковское дело: управление кредитной организацией: учеб. пособие / А.М. Тавасиев. 2-е изд., перераб. и доп. М.: Издательско-торговая корпорация «Дашков и К», 2009. 640 с.
Банковское дело: учеб. пособие / под ред. В.И. Колесникова, Л.П. Кроливецкой. М.: Финансы и статистика, 2008. 615 с.
Банковское дело: учебник / под ред. Г.Г. Коробовой. М.: Магистр, 2011. 590 с.
Банковское дело: учебник / под ред. О.И. Лаврушина. М.: КноРус, 2011. 768 с.
Барышников М.Н. Деловой мир России: Историко-библиографический справочник. СПб: Искусство – СПБ, Logos, 1998. С. 301.
Белоглазова Г.Н., Кроливецкая Л.П. Банковское дело. Организация деятельности коммерческого банка: учебник. М.: ИД Юрайт, 2010. 422 с.
Бланк И.А. Словарь-справочник финансового менеджера. М.: Ника центр, 1998. С. 182.
Бор М.З., Пятенко В.В. Стратегическое управление банковской деятельностью. М.: Приор, 2008. 159 с.
Борисов А.Б. Большой экономический словарь. М.: Книжный мир, 2002. С. 580.
Все о кредите для населения / М.С. Ефимова. М.: Издательство «Омега-Л», 2008. 176 с.
Демьянова Д.А. Скоринговые системы как компонент риск – менеджмента // Банковское кредитование. 2009. № 1. С. 85–94.
Егорова Н.Е., Смулов А.М. Предприятия и банки: взаимодействие, экономический анализ, моделирование. М.: Дело, 2012.
Ендовицкий Д.А. Анализ и оценка кредитоспособности заемщика: учеб.-практ. пособие. М.: КноРус, 2008. 272 с.
Жигалова Н.Е. Анализ деятельности коммерческого банка. Н.Новгород: Изд-во ФГОУ ВПО ВГАВГ, 2008. 96 с.
Зелеев О.Д. Цели потребительского кредитования // Сибирская финансовая школа. 2011. №2. С. 86.
Иванов С.Г. Обзор деятельности Ассоциации российских банков // Деньги и кредит. 2008. № 1. С. 45.
Ильясов С.М. Методологические аспекты формирования кредитной политики банка // Деньги и кредит. 2009. № 6. С. 23–25.
Казакова О.Н. Дискуссионные вопросы содержания понятий «кредит» и «межбанковский кредит» // Банковские услуги. 2008. № 9.
Ковалев В.В. Финансовый анализ. М.: Финансы и статистика, 2008. 560 с.
Лаврушин О.И. Деньги. Кредит. Банки. М: Финансы и статистика, 2008. 464 с.
Лаврушин О.И. О денежно-кредитной и банковской политике // Банковское дело. 2008. №2. С. 51-66.
Меркулов В.В. Мировой опыт ипотечного жилищного кредитования и перспективы его использования в России. СПб.: Юридический центр Пресс, 2009. С. 128.
Национальные банковские системы: учебник / под ред. В.И. Рыбина. М.: Инфра-М, 2009. 528 с.
Неволина Е.В. Об оценке кредитоспособности заемщиков // Деньги и кредит. 2008. № 10. С. 31–34.
Новосельцева М.М. Вопросы кредитной политики коммерческих банков в современных условиях // Банковские услуги. 2010. № 2. С. 11-17.
Ожегов С.И. Словарь русского языка. М.: Рус. яз., 1988. С. 166. С. 506.
Ольшаный А.И. Банковское кредитование: российский и зарубежный опыт / Под ред. Ищенко Е.Г., Алексеева В.И. М.: Русская Деловая Литература, 1997.
Основы банковской деятельности (Банковское дело) / под ред. К. Р. Тагирбековой. М.: Весь мир, 2005.
Основы банковской деятельности (Банковское дело): учеб. пособие / Под ред. Тагирбекова К.Р. М.: Весь мир, 2011. С. 307.
Платонова Ю.Ю. Инструменты управления портфелем проблемных кредитов в современных условиях // Финансы и кредит. 2011. №4 (436). С. 38.
Полищук А.И. Точная модель потребительского кредита // Финансы и кредит. 2009. № 5. С. 22–32.
Румянцева Е.Е. Новая экономическая энциклопедия: 3-е изд. М.: Инфра-М, 2008. 826 с.
Севрук В.Т. Анализ кредитоспособности СП // Деньги и кредит. 1990. № 3. С. 7–10.
Смулов А.М. Проблемы кредитной политики и пути их решения // Банковское дело. 2009. № 2.
Смулов А.М., Нурзат О.А. О перспективных подходах банков к работе с проблемной и просроченной ссудной задолженностью // Финансы и кредит. 2010. № 33 (417). С. 2–18.
Состояние банковского сектора России в первом полугодии 2010 г. // Вестник Банка России. 2010. № 51 (1220). С. 12–20.
Сытин Ф.М., Каяшева Е.В. Организация процесса работы с проблемными активами в коммерческом банке. Мониторинг кредитных рисков // Управление финансовыми рисками. 2009. № 4.
Тавасиев А.М. Основы банковского дела. М.: Маркет ДС, 2008. 568 с.
Татаринова Л.Ю. Банковские риски // Финансы и кредит. 2009. № 8. С. 47–53.
Трускова Т.М. Финансы и кредит: Учебное пособие. М.: Маркетинг, 2009. С. 201.
Тютюнник А. Российская банковская система после кризиса // Банковское обозрение. 2009. № 5/8 (123).
Финансово-кредитный энциклопедический словарь / Под ред. А.Г. Грязновой. М.: Финансы и статистика, 2002. С. 526.
Финансы, деньги, кредит: Учебник / Под ред. О.В. Соколовой. М.: Юристъ, 2009. С. 115.
Цамеева А.Э. Особенности банковского кредитования. М.: Инфра-М, 2008. 481 с.
Rose Peter S. Commercial bank management: producing and selling financial services. IRWIN, 1991.
Выдачи кредитов наличными россиянам упали на 6% // Эксперт. 2025. 7 октября. URL: https://expert.ru/2025/10/7/vydachi-kreditov-nalichnymi-rossiyanam-upali-na-6/ (дата обращения: 11.10.2025).
В России доля проблемных кредитов в мае немного выросла // Финам. 2025. 18 июля. URL: https://www.finam.ru/analysis/newsitem/v-rossii-dolya-problemnykh-kreditov-v-mae-nemnogo-vyrosla-20250718-1600/ (дата обращения: 11.10.2025).
По итогам сентября 2025 года объем выдач кредитов составил 947 млрд руб. // Frank RG. URL: https://frankrg.com/97887 (дата обращения: 11.10.2025).
Российский банковский сектор — прогноз на 2025 год // Ассоциация банков России. URL: https://asros.ru/upload/iblock/c38/k3m1r2j52h434p4q3m1l5e1u5r2o5z7d.pdf (дата обращения: 11.10.2025).
Российские банки: финансовые итоги 2024 года // Finversia (Финверсия). URL: https://finversia.ru/publication/rossiiskie-banki-finansovye-itogi-2024-goda-115312 (дата обращения: 11.10.2025).
Сложно ли будет получить кредит в 2025 году? Мнение эксперта // Банки.ру. URL: https://www.banki.ru/news/daytheme/?id=10996847 (дата обращения: 11.10.2025).
ЦБ сохранил все прогнозы по темпу роста кредитования физлиц и юрлиц на горизонте трех лет // Fomag.ru. URL: https://fomag.ru/news/tsb-sokhranil-vse-prognozy-po-tempu-rosta-kreditovaniya-fizlits-i-yurlits-na-gorizonte-trekh-let/ (дата обращения: 11.10.2025).
Кредиторы стали резко избавляться от долгов россиян-банкротов в 2025 году // Forbes.ru. URL: https://www.forbes.ru/finansy/532320-kreditory-stali-rezko-izbavlyat-sa-ot-dolgov-rossiyan-bankrotov-v-2025-godu (дата обращения: 11.10.2025).
Банк России принял решение снизить ключевую ставку на 100 б.п., до 17,00% годовых // Банк России. 2025. 12 сентября. URL: https://www.cbr.ru/press/pr/?file=12092025_133000key_rate.htm (дата обращения: 11.10.2025).
В российской экономике нарастает проблема неплатежей // Независимая газета. 2025. 26 июня. URL: https://www.ng.ru/economics/2025-06-26/1_8757_economy.html (дата обращения: 11.10.2025).
Вы уже переохладились или еще ничего? Как финансисты в Петербурге обсуждали рост экономики // ФОНТАНКА.ру. 2025. 7 июля. URL: https://www.fontanka.ru/2025/07/07/73775464/ (дата обращения: 11.10.2025).
Долговая нагрузка в России: статистика за 2025 год // fpa.ru. URL: https://fpa.ru/article/dolg-tyazheloe-bremya-dolgovaya-nagruzka-v-rossii-statistika-za-2025-god (дата обращения: 11.10.2025).
Рост продаж долгов банкротов-физлиц в 2025 году // probankrotstvo.ru. URL: https://probankrotstvo.ru/rost-prodazh-dolgov-bankrotov-fizlic-v-2025-godu/ (дата обращения: 11.10.2025).
Макроэкономический опрос Банка России. Сентябрь 2025. URL: https://www.cbr.ru/Collection/Collection/File/49156/macro_poll_25_09.pdf (дата обращения: 11.10.2025).
Ключевую ставку ЦБ снова снизят? Вот что ответила Набиуллина // Пруфы. URL: https://prufy.ru/news/finance/156947-klyuchevuyu-stavku-tsb-snova-snizyat-vot-chto-otvetila-nabiullina/ (дата обращения: 11.10.2025).
С 1 ноября 2025 года россияне начнут жить по новым правилам // Сравни.ру. URL: https://www.sravni.ru/novosti/s-1-noyabrya-2025-goda-rossiyane-nachnut-zhit-po-novym-pravilam/ (дата обращения: 11.10.2025).
В России утвердили внесудебный порядок взыскания задолженности с физлиц // ГАРАНТ.РУ. URL: https://www.garant.ru/news/1691166/ (дата обращения: 11.10.2025).
Закон о взыскании задолженности по кредитам с физ. лиц в 2025 // fcbg.ru. URL: https://fcbg.ru/zakon-o-vzyskanii-zadolzhennosti-po-kreditam-s-fiz-lic-v-2025/ (дата обращения: 11.10.2025).
Закон о взыскании задолженности по кредитам с физ. лиц // БК — Банкрот Консалт. URL: https://bankrotconsalt.ru/zakon-o-vzyskanii-zadolzhennosti-po-kreditam-s-fiz-lits/ (дата обращения: 11.10.2025).
Закон о взыскании задолженности: что нужно знать о возврате долгов // fpa.ru. URL: https://fpa.ru/article/zakony-o-vzyskanii-zadolzhennosti-kakim-pravilam-sleduyut-kreditory-i-dolzhniki/ (дата обращения: 11.10.2025).
В России утвердили внесудебный порядок взыскания задолженности с физлиц // ГАРАНТ.РУ. URL: https://www.garant.ru/news/1691166/ (дата обращения: 11.10.2025).
Применение ИИ в банках: как применяется искусственный интеллект в финансовой сфере // Билайн Big Data & AI. URL: https://bigdata.beeline.ru/blog/primenenie-ii-v-bankah-kak-primenyaetsya-iskusstvennyj-intellekt-v-finansovoj-sfere/ (дата обращения: 11.10.2025).
Что такое кредитный скоринг: настоящее и будущее скоринговой системы банка // FIS. URL: https://fisgroup.ru/blog/kreditnyj-skoring/ (дата обращения: 11.10.2025).
Искусственный интеллект в банках: ТОП-10 эффективных кейсов по версии Smartgopro. URL: https://smartgopro.ru/blog/iskusstvennyj-intellekt-v-bankah-top-10-effektivnyh-kejsov-po-versii-smartgopro/ (дата обращения: 11.10.2025).
Машинное обучение в оценке кредитных рисков: как ML меняет правила игры? // Habr. URL: https://habr.com/ru/companies/selectel/articles/803737/ (дата обращения: 11.10.2025).
Кредитный скоринг // ЭБК system. URL: https://ebk.ru/blog/kreditnyy-skoring/ (дата обращения: 11.10.2025).
Скоринг: как банки и МФО решают, давать ли вам кредит // Финансовая культура. URL: https://fincult.info/article/skoring-kak-banki-i-mfo-reshayut-davat-li-vam-kredit/ (дата обращения: 11.10.2025).
Кредитный скоринг в банке — что это и какими методами оценивается // Альфа-Банк. URL: https://alfabank.ru/get-money/credits/articles/kreditnyy-skoring/ (дата обращения: 11.10.2025).
Кредитный скоринг. Как он работает и зачем нужен // Platforma. URL: https://platforma.ru/blog/kreditnyy-skoring (дата обращения: 11.10.2025).
Дипломная работа посвящена оценке вероятности дефолта заёмщика с использованием методов машинного обучения и процессом // НИУ ВШЭ. URL: https://www.hse.ru/data/2023/06/15/2056262450/Дипломная_работа_Гриневой_Н_С.pdf (дата обращения: 11.10.2025).
Машинное обучение: применение машинного обучения и проблемы прогнозирования кредитных рисков // FasterCapital. URL: https://fastercapital.com/ru/content/mashinnoe-obuchenie—primenenie-mashinnogo-obucheniya-i-problemy-prognozirovaniya-kreditnykh-riskov.html (дата обращения: 11.10.2025).
Преимущества и недостатки кредитного скоринга как метода оценки кредитоспособности потенциального заемщика // Elibrary. URL: https://www.elibrary.ru/item.asp?id=47355088 (дата обращения: 11.10.2025).
Новая эра в кредитном скоринге: как ИИ помогает оценивать заемщиков? Спросили экспертов и рассказали про опыт JetLend // VC.ru. URL: https://vc.ru/u/1327170-jetlend-fintech/1105953-novaya-era-v-kreditnom-skoringe-kak-ii-pomogaet-ocenivat-zaemshchikov-sprosili-ekspertov-i-rasskazali-pro-opyt-jetlend (дата обращения: 11.10.2025).
Как банки используют искусственный интеллект для персонализации услуг и продуктов // Сравни.ру. URL: https://www.sravni.ru/novosti/iskusstvennyj-intellekt-v-bankah-personalizatsiya-uslug-i-produktov-s-pomoschyu-ii/ (дата обращения: 11.10.2025).
Использование математических моделей при оценке кредитных рисков // КиберЛенинка. URL: https://cyberleninka.ru/article/n/ispolzovanie-matematicheskih-modeley-pri-otsenke-kreditnyh-riskov/viewer (дата обращения: 11.10.2025).
Искусственный интеллект в банковской сфере: как AI поднимает финансовый сектор // VC.ru. URL: https://vc.ru/u/1500331-iskusstvennyy-intellekt-v-bankovskoy-sfere/1044458-iskusstvennyy-intellekt-v-bankovskoy-sfere-kak-ai-podnimaet-finansovyy-sektor (дата обращения: 11.10.2025).
Модели оценки кредитных рисков // Проблемы анализа риска. URL: https://cyberleninka.ru/article/n/modeli-otsenki-kreditnyh-riskov/viewer (дата обращения: 11.10.2025).
Применение машинного обучения для моделирования дефолта заемщика // КиберЛенинка. URL: https://cyberleninka.ru/article/n/primenenie-mashinnogo-obucheniya-dlya-modelirovaniya-defolta-zaemschika/viewer (дата обращения: 11.10.2025).
Использование больших данных в финансовом секторе и риски финансовой стабильности // Банк России. URL: https://www.cbr.ru/Collection/Collection/File/42147/analytic_note_200424.pdf (дата обращения: 11.10.2025).
Использование технологий Big Data в финансовой отрасли // Экономические системы. URL: https://cyberleninka.ru/article/n/ispolzovanie-tehnologiy-big-data-v-finansovoy-otrasli/viewer (дата обращения: 11.10.2025).
Категории качества кредита // Банки.ру. URL: https://www.banki.ru/wikibank/kategorii_kachestva_kredita/ (дата обращения: 11.10.2025).
Технологии Big Data на финансовых рынках: практические аспекты / Болонин А.И., Алиев М.М. и др. // Экономическая безопасность. 2024. № 5. URL: https://cyberleninka.ru/article/n/tehnologii-big-data-na-finansovyh-rynkah-prakticheskie-aspekty/viewer (дата обращения: 11.10.2025).
Проблемный кредит: причины появления и основные методики по управлению // Elibrary. URL: https://www.elibrary.ru/item.asp?id=50352516 (дата обращения: 11.10.2025).
Оценка кредитного риска и ее методы // Platforma — Платформа больших данных. URL: https://platforma.ru/blog/ocenka-kreditnogo-riska/ (дата обращения: 11.10.2025).
Методические подходы к организации работы с проблемной задолженностью физических лиц в банке // КиберЛенинка. URL: https://cyberleninka.ru/article/n/metodicheskie-podhody-k-organizatsii-raboty-s-problemnoy-zadolzhennostyu-fizicheskih-lits-v-banke/viewer (дата обращения: 11.10.2025).
Технологии Big Data в управлении крупными банками // КиберЛенинка. URL: https://cyberleninka.ru/article/n/tehnologii-big-data-v-upravlenii-krupnymi-bankami/viewer (дата обращения: 11.10.2025).
Ключевые показатели эффективности работы с проблемными активами банка и их расчет // Финансы: теория и практика/Finance. URL: https://cyberleninka.ru/article/n/klyuchevye-pokazateli-effektivnosti-raboty-s-problemnymi-aktivami-banka-i-ih-raschet/viewer (дата обращения: 11.10.2025).
Big Data в банковской сфере и аналитика больших данных // DECO systems. URL: https://decosystems.ru/blog/big-data-v-bankah/ (дата обращения: 11.10.2025).
Банковский сектор. Обзор. Март 2024. URL: https://www.cbr.ru/Collection/Collection/File/49257/obs_24-02.pdf (дата обращения: 11.10.2025).
Оценка банковского кредитного риска // Международный журнал прикладных и фундаментальных исследований (научный журнал). URL: https://applied-research.ru/ru/article/view?id=7277 (дата обращения: 11.10.2025).
Как машинное обучение помогает оценивать резервы банка? // Habr. URL: https://habr.com/ru/companies/selectel/articles/805175/ (дата обращения: 11.10.2025).
Пути решения проблемы просроченной задолженности банков по розничным кредитам // КиберЛенинка. URL: https://cyberleninka.ru/article/n/puti-resheniya-problemy-prosrochennoy-zadolzhennosti-bankov-po-roznichnym-kreditam/viewer (дата обращения: 11.10.2025).
Основные проблемы в методике оценки кредитоспособности клиента банка // КиберЛенинка. URL: https://cyberleninka.ru/article/n/osnovnye-problemy-v-metodike-otsenki-kreditosposobnosti-klienta-banka/viewer (дата обращения: 11.10.2025).
Сравнительный анализ преимуществ и недостатков различных методов оценки кредитоспособности заемщика // КиберЛенинка. URL: https://cyberleninka.ru/article/n/sravnitelnyy-analiz-preimuschestv-i-nedostatkov-razlichnyh-metodov-otsenki-kreditosposobnosti-zaemschika/viewer (дата обращения: 11.10.2025).
Методы оценки кредитоспособности заемщиков-физических лиц (на примере) // Томский политехнический университет. URL: https://cyberleninka.ru/article/n/metody-otsenki-kreditosposobnosti-zaemschikov-fizicheskih-lits-na-primer/viewer (дата обращения: 11.10.2025).
Банковский сектор. Обзор. Февраль 2024. URL: https://www.cbr.ru/Collection/Collection/File/49274/obs_24-01.pdf (дата обращения: 11.10.2025).
Анализ и учёт дебиторской задолженности организации // Мое дело. URL: https://www.moedelo.org/spravochnik/buhgalteria/raschety/debitorka/analiz-debitorskoy-zadolzhennosti (дата обращения: 11.10.2025).
Услуги для банков по работе с проблемными кредитами корпоративных клиентов // KPMG International. URL: https://kpmg.com/ru/ru/home/services/advisory/deal-advisory/debt-restructuring/problem-loans-for-banks.html (дата обращения: 11.10.2025).
Управление дебиторской задолженностью: методы, этапы, алгоритм // Финтабло. URL: https://fintablo.ru/blog/upravlenie-debitorskoy-zadolzhennostyu/ (дата обращения: 11.10.2025).
Финансовые методы управления дебиторской задолженностью предприятия // Электронный научный архив УрФУ. URL: https://elar.urfu.ru/bitstream/10995/104192/1/978-5-7996-3398-3_2022_073.pdf (дата обращения: 11.10.2025).
Методы анализа дебиторской задолженностью // КиберЛенинка. URL: https://cyberleninka.ru/article/n/metody-analiza-debitorskoy-zadolzhennostyu/viewer (дата обращения: 11.10.2025).
Проблемные банки: сущность и урегулирование их деятельности // КиберЛенинка. URL: https://cyberleninka.ru/article/n/problemnye-banki-suschnost-i-uregulirovanie-ih-deyatelnosti/viewer (дата обращения: 11.10.2025).
Классификация проблемной задолженности коммерческого банка // КиберЛенинка. URL: https://cyberleninka.ru/article/n/klassifikatsiya-problemnoy-zadolzhennosti-kommercheskogo-banka/viewer (дата обращения: 11.10.2025).
Анализ актуальных методов управления дебиторской задолженностью // Вестник Евразийской науки. URL: https://esj.today/PDF/86ECVN220.pdf (дата обращения: 11.10.2025).
В Казахстане запустили цифровую платформу по продаже проблемных активов // Arbat.media. 2024. 8 октября. URL: https://arbat.media/v-kazahstane-zapustili-cifrovuyu-platformu-po-prodazhe-problemnyh-aktivov-20241008115655/ (дата обращения: 11.10.2025).
Предиктивная аналитика: что это такое и какие задачи решает // OTD.ru. URL: https://otd.ru/blog/chto-takoe-prediktivnaya-analitika-i-kakie-zadachi-ona-reshaet/ (дата обращения: 11.10.2025).
В Казахстане запущена первая цифровая платформа для продажи стрессовых активов // Inbusiness.kz. URL: https://inbusiness.kz/ru/last/v-kazahstane-zapushena-pervaya-cifrovaya-platforma-dlya-prodazhi-stressovyh-aktivov (дата обращения: 11.10.2025).
Банки автоматизируют сбор долгов // CNews. 2009. URL: https://www.cnews.ru/reviews/collecting/2009/analytics/banki_avtomatiziruyut_sbor_dolgov (дата обращения: 11.10.2025).
Предиктивная аналитика в финансово-банковском секторе // СКЭНД — SCAND. URL: https://scand.com/ru/company/blog/predictive-analytics-in-financial-banking-sector/ (дата обращения: 11.10.2025).
Первая электронная площадка по продаже стрессовых активов запущена в Казахстане // Uchet.kz. URL: https://uchet.kz/news/pervaya-elektronnaya-ploshchadka-po-prodazhe-stressovykh-aktivov-zapushchena-v-kazakhstane/ (дата обращения: 11.10.2025).
Как применяется Machine Learning в банках: 9 успешных кейсов по всему миру // VC.ru. URL: https://vc.ru/marketing/53874-kak-primenyaetsya-machine-learning-v-bankah-9-uspeshnyh-keysov-po-vsemu-miru (дата обращения: 11.10.2025).
Предиктивная аналитика кредитных рисков на основе данных цифровых следов заемщиков и методов статистического машинного обучения // Elibrary. URL: https://www.elibrary.ru/item.asp?id=47466851 (дата обращения: 11.10.2025).
Предикативная (предиктивная) аналитика Predictive Analytics // TAdviser. URL: https://www.tadviser.ru/index.php/Статья:Предикативная_аналитика_(Predictive_Analytics) (дата обращения: 11.10.2025).
Искусственный интеллект в банках // TAdviser. URL: https://www.tadviser.ru/index.php/Статья:Искусственный_интеллект_в_банках (дата обращения: 11.10.2025).
Предиктивная аналитика: что это, как работает, методы и применение в бизнесе // Skillbox.ru. URL: https://www.skillbox.ru/media/marketing/chto-takoe-prediktivnaya-analitika/ (дата обращения: 11.10.2025).
Большие данные и искусственный интеллект на службе банку // КиберЛенинка. URL: https://cyberleninka.ru/article/n/bolshie-dannye-i-iskusstvennyy-intellekt-na-sluzhbe-banku/viewer (дата обращения: 11.10.2025).
Вопросы автоматизации процессов управления проблемных кредитов в коммерческом банке // Elibrary. URL: https://www.elibrary.ru/item.asp?id=47230006 (дата обращения: 11.10.2025).
Налоговая разрабатывает систему автоматического взыскания долгов с банковских счетов — Минфин // Minfin.com.ua. 2025. 3 октября. URL: https://minfin.com.ua/2025/10/03/132170308/ (дата обращения: 11.10.2025).
5 необходимых цифровых технологий в вашей бизнес-платформе управления кредитными рисками // Emagia. URL: https://www.emagia.com/ru/5-neobhodimyh-tsifrovyh-tehnologij-v-vashej-biznes-platforme-upravleniya-kreditnymi-riskami/ (дата обращения: 11.10.2025).
Применение искусственного интеллекта на финансовом рынке // Банк России. URL: https://www.cbr.ru/Collection/Collection/File/46077/ONFM_AI_2310.pdf (дата обращения: 11.10.2025).
Топ-9 примеров использования Data Science в банковской сфере // DataStart Blog. URL: https://datastart.ru/blog/data-science-v-bankovskoy-sfere (дата обращения: 11.10.2025).
Искусственный интеллект в банковском деле: обзор применения и потенциал для развития // АПНИ. URL: https://apni.ru/article/2199-iskusstvennyj-intellekt-v-bankovskom-dele-obzor (дата обращения: 11.10.2025).
Искусственный интеллект в российских банках // НБКИ. URL: https://nbki.ru/upload/ib/b06/b06253457223b2089f2a033c467bf755.pdf (дата обращения: 11.10.2025).
Российские банки взяли курс на цифровизацию взыскания долгов // iDSystems. URL: https://idsys.ru/pressroom/rossiyskie-banki-vzyali-kurs-na-tsifrovizatsiyu-vzyskaniya-dolgov (дата обращения: 11.10.2025).
В Казахстане запустили цифровую платформу по продаже стрессовых активов // Zakon.kz. URL: https://www.zakon.kz/6420556-v-kazakhstane-zapustili-tsifrovuyu-platformu-po-prodazhe-stressovykh-aktivov.html (дата обращения: 11.10.2025).
12 платформ цифровизации бизнеса и как их выбирать // iSpring. URL: https://www.ispring.ru/elearning-insights/tsifrovye-platformy-biznesa/ (дата обращения: 11.10.2025).
Автоматизация обработки кредитных заявок // Content AI. URL: https://content-ai.com/solutions/avtomatizatsiya-obrabotki-kreditnyh-zayavok/ (дата обращения: 11.10.2025).
Банковские технологии и тренды мобильного банкинга 2024 // Bifit.com. URL: https://bifit.com/blog/bankovskie-tehnologii-i-trendy-mobilnogo-bankinga-2024/ (дата обращения: 11.10.2025).
Вопросы автоматизации процессов управления проблемных кредитов в коммерческом банке // Экономика и инновационные технологии — inLIBRARY. URL: https://inlibrary.uz/index.php/economics_and_innovative/article/view/11923 (дата обращения: 11.10.2025).
Управление банковскими рисками в условиях развития цифрового банкинга: трансформация подходов // КиберЛенинка. URL: https://cyberleninka.ru/article/n/upravlenie-bankovskimi-riskami-v-usloviyah-razvitiya-tsifrovogo-bankinga-transformatsiya-podhodov/viewer (дата обращения: 11.10.2025).
Кредиты под 2333%: власти объявляют бой скрытому «грабежу» казахстанцев // Kursiv.media. 2025. 9 октября. URL: https://kz.kursiv.media/2025/10/09/kredity-pod-2333-vlasti-objavlyajut-boj-skrytomu-grabezhu-kazahstancev/ (дата обращения: 11.10.2025).
В правительстве исключили досрочное завершение налогового режима для самозанятых // Деловой Петербург. 2025. 9 октября. URL: https://www.dp.ru/a/2025/10/09/V_pravitelstve_isklyuchili (дата обращения: 11.10.2025).
Банковские меры противодействия преступлениям в сфере информационных технологий // КиберЛенинка. URL: https://cyberleninka.ru/article/n/bankovskie-mery-protivodeystviya-prestupleniyam-v-sfere-informatsionnyh-tehnologiy/viewer (дата обращения: 11.10.2025).
Факторы влияющие на появление проблемных кредитов // Law-Clinic.Net. URL: https://law-clinic.net/faktory-vliyayushhie-na-poyavlenie-problemnyh-kreditov/ (дата обращения: 11.10.2025).
Эффективное управление долгами: стратегии погашения // Т-Банк. URL: https://www.tbank.ru/media/articles/upravlenie-dolgami/ (дата обращения: 11.10.2025).
Оптимизация и стратегия работы с проблемной задолженностью в банках // КиберЛенинка. URL: https://cyberleninka.ru/article/n/optimizatsiya-i-strategiya-raboty-s-problemnoy-zadolzhennostyu-v-bankah/viewer (дата обращения: 11.10.2025).
Методы работы с проблемной задолженностью потребительского кредитования, их преимущества и недостатки // Современные проблемы науки и образования (сетевое издание). URL: https://science-education.ru/ru/article/view?id=7901 (дата обращения: 11.10.2025).
Головоломка проблемных активов // Банковское обозрение. URL: https://bosfera.ru/bo/golovolomka-problemnyh-aktivov (дата обращения: 11.10.2025).
Управление проблемными активами в банке: специфика работы на различных этапах и использование вспомогательных механизмов // ФАКТОРинг ПРО. URL: https://factoringpro.ru/library/knigi/upravlenie-problemnymi-aktivami-v-banke-spetsifika-raboty-na-razlichnykh-etapakh-i-ispolzovanie-vspomogatelnykh-mekhanizmov/ (дата обращения: 11.10.2025).
Современные методы управления долгами: стратегии и рекомендации // artfamilyhotels.ru — ФинансыИРиски. URL: https://artfamilyhotels.ru/finansy-i-riski/sovremennye-metody-upravleniya-dolgami-strategii-i-rekomendatsii.html (дата обращения: 11.10.2025).
Проблемные долги: подход, стратегии и инструменты «Сбербанка» // Legal Academy. URL: https://legal.academy/analitika/problemnye-dolgi-podhod-strategii-i-instrumenty-sberbanka/ (дата обращения: 11.10.2025).
4 проблемы, которые банки решили с помощью кредитного конвейера // ABanking.ru. URL: https://abanking.ru/blog/4-problemy-bankov-kotorye-reshil-kreditnyy-konveyer (дата обращения: 11.10.2025).
Работа банка с проблемными активами: эффективное управление и лучшие практики», 22 мая 2023 г. // bblg.ru. URL: https://bblg.ru/events/rabota-banka-s-problemnymi-aktivami-effektivnoe-upravlenie-i-luchshie-praktiki-22-maya-2023-g/ (дата обращения: 11.10.2025).
Современное состояние проблемной задолженности по кредитам в кредитном портфеле российских банков: оценка изменения ключевых компонент // Вестник Алтайской академии экономики и права (научный журнал). URL: https://vaael.ru/ru/article/view?id=1171 (дата обращения: 11.10.2025).
Как работать с бесперспективными долгами — секреты профессионалов рынка // Рынок взыскания. URL: https://rynokvzyskania.ru/articles/kak-rabotat-s-besperspektivnymi-dolgami-sekrety-professionalov-rynka/ (дата обращения: 11.10.2025).
Что такое оптимизация долга // ДаБанкрот.рф. URL: https://дабанкрот.рф/chto-takoe-optimizatsiya-dolga/ (дата обращения: 11.10.2025).
Диссертация на тему «Перспективные подходы к повышению эффективности управления проблемными кредитами в коммерческих банках // disserCat. URL: https://www.dissercat.com/content/perspektivnye-podkhody-k-povysheniyu-effektivnosti-upravleniya-problemnymi-kreditami-v-ko (дата обращения: 11.10.2025).
Методы совершенствования работы банков с проблемными кредитами // Современные научные исследования и инновации. 2014. № 12. URL: https://web.snauka.ru/issues/2014/12/41903 (дата обращения: 11.10.2025).
41. Проблемные кредиты, причины появления и способы управления // КиберЛенинка. URL: https://cyberleninka.ru/article/n/41-problemnye-kredity-prichiny-poyavleniya-i-sposoby-upravleniya/viewer (дата обращения: 11.10.2025).
Автоматизированная система принятия решений для кредитного конвейера, созданная на low-code платформе GreenData // GreenData.ru. URL: https://greendata.ru/blog/avtomatizirovannaya-sistema-prinyatiya-resheniy-dlya-kreditnogo-konveyera-keys-psb/ (дата обращения: 11.10.2025).
Управление проблемными долгами в банковском секторе: уроки кризиса // Центр макроэкономического анализа и краткосрочного прогнозирования. URL: https://www.forecast.ru/_ARCHIVE/Analitics/PROM/bank-debt.pdf (дата обращения: 11.10.2025).
Проблемы кредитования физических лиц и пути их решения // КиберЛенинка. URL: https://cyberleninka.ru/article/n/problemy-kreditovaniya-fizicheskih-lits-i-puti-ih-resheniya/viewer (дата обращения: 11.10.2025).
Проблемы управления просроченной задолженностью заемщиков в потреби // КиберЛенинка. URL: https://cyberleninka.ru/article/n/problemy-upravleniya-prosrochennoy-zadolzhennostyu-zaemschikov-v-potrebi/viewer (дата обращения: 11.10.2025).
О просроченной задолженности в кредитных портфелях российских банков, причинах ее возникновения и методах работы с ней // Elibrary. URL: https://www.elibrary.ru/item.asp?id=23023023 (дата обращения: 11.10.2025).
Хуже кредита — лучше нет? Почему государству выгодно, чтобы люди брали кредиты // Kursiv.media. 2025. 6 октября. URL: https://kz.kursiv.media/2025/10/06/khuzhe-kredita-luchshe-net-pochemu-gosudarstvu-vygodno-chtoby-ljudi-brali-kredity/ (дата обращения: 11.10.2025).
Что будет, если не платить по кредитам? Спросили у юриста из банка // Myfin.by. URL: https://myfin.by/wiki/term/chto-budet-esli-ne-platit-po-kreditam (дата обращения: 11.10.2025).
Система относительных KPI банка при урегулировании проблемной задолженности // КиберЛенинка. URL: https://cyberleninka.ru/article/n/sistema-otnositelnyh-kpi-banka-pri-uregulirovanii-problemnoy-zadolzhennosti/viewer (дата обращения: 11.10.2025).
Эксперты допустили сжатие прибыли банков из-за проблемных кредитов // РБК. URL: https://quote.rbc.ru/news/article/67634f189a7947701e23f05f (дата обращения: 11.10.2025).
Снижение кредитного риска: 6 ключевых методов финансовой стабильности // Emagia. URL: https://www.emagia.com/ru/6-key-credit-risk-reduction-methods-for-financial-stability/ (дата обращения: 11.10.2025).
Формула эффективности сбора: Как ее рассчитать? // Oddcoll. URL: https://oddcoll.com/ru/collection-efficiency-formula-how-to-calculate-it/ (дата обращения: 11.10.2025).
Оценка кредитного риска, методы, анализ и способы снижения рисков банка // Банки.ру. URL: https://www.banki.ru/wikibank/otsenka_kreditnogo_riska/ (дата обращения: 11.10.2025).
Анализ банковского сектора за 2015-2024 годы, часть 2: кредитный портфель // Halyk Finance. URL: https://halykfinance.kz/ru/analytics/analytics-list/research/analiz-bankovskogo-sektora-za-2015-2024-gody-chast-2-kreditnyy-portfel/ (дата обращения: 11.10.2025).
Ключевые показатели эффективности работы с проблемными активами банка и их расчет / Долженко // Финансы: теория и практика/Finance: Theory and Practice. URL: https://cyberleninka.ru/article/n/klyuchevye-pokazateli-effektivnosti-raboty-s-problemnymi-aktivami-banka-i-ih-raschet/viewer (дата обращения: 11.10.2025).
Финансовый анализ деятельности коммерческого банка // КиберЛенинка. URL: https://cyberleninka.ru/article/n/finansovyy-analiz-deyatelnosti-kommercheskogo-banka/viewer (дата обращения: 11.10.2025).
Оценка риска в цене кредитных продуктов // Журнал Проблемы современной экономики. URL: https://www.m-economy.ru/art.php?nArtId=4524 (дата обращения: 11.10.2025).
Индекс эффективности сбора долгов // KPI бухгалтерии и финансового отдела — fin-accounting.ru. URL: https://fin-accounting.ru/kpi-bukhgalterii-finansovogo-otdela/indeks-effektivnosti-sbora-dolgov/ (дата обращения: 11.10.2025).
Как оценить эффективность взыскания сомнительной дебиторской задолженности? // ИППНОУ. URL: https://www.ippnou.ru/article/kak-otsenit-effektivnost-vzyskaniya-somnitelnoy-debitorskoy-zadolzhennosti (дата обращения: 11.10.2025).
Оценка и способы снижения рисков // КиберЛенинка. URL: https://cyberleninka.ru/article/n/otsenka-i-sposoby-snizheniya-riskov/viewer (дата обращения: 11.10.2025).
Снижение кредитных рисков как способ обеспечения экономической безопасности банка // КиберЛенинка. URL: https://cyberleninka.ru/article/n/snizhenie-kreditnyh-riskov-kak-sposob-obespecheniya-ekonomicheskoy-bezopasnosti-banka/viewer (дата обращения: 11.10.2025).
Оценка эффективности работы методов управления проблемными потребительскими кредитами в коммерческом банке // Фундаментальные исследования (научный журнал). URL: https://fundamental-research.ru/ru/article/view?id=38139 (дата обращения: 11.10.2025).
Проблемные активы российского банковского сектора: оценки и пути решения // КиберЛенинка. URL: https://cyberleninka.ru/article/n/problemnye-aktivy-rossiyskogo-bankovskogo-sektora-otsenki-i-puti-resheniya/viewer (дата обращения: 11.10.2025).
Двойной удар // АКРА. URL: https://www.acra-ratings.ru/upload/iblock/58c/3t032l91z7s3k9l5m25t5d462g1g5h4k.pdf (дата обращения: 11.10.2025).
Инструменты анализа эффективности сотрудников по взысканию // Первый БИТ. URL: https://bitaudit.ru/articles/instrumenty-analiza-effektivnosti-sotrudnikov-po-vzyskaniyu/ (дата обращения: 11.10.2025).
Оценка эффективности управления портфелем потребительского кредито // КиберЛенинка. URL: https://cyberleninka.ru/article/n/otsenka-effektivnosti-upravleniya-portfelem-potrebitelskogo-kredito/viewer (дата обращения: 11.10.2025).
Методы и инструменты управления рисками кредитных операций // КиберЛенинка. URL: https://cyberleninka.ru/article/n/metody-i-instrumenty-upravleniya-riskami-kreditnyh-operatsiy/viewer (дата обращения: 11.10.2025).
5 ключевых показателей дебиторской задолженности (ДЗ) и KPI, которые следует отслеживать // Emagia. URL: https://www.emagia.com/ru/5-key-receivables-kpis-and-metrics-you-should-track/ (дата обращения: 11.10.2025).
Оценка эффективности управления дебиторской задолженностью // КиберЛенинка. URL: https://cyberleninka.ru/article/n/otsenka-effektivnosti-upravleniya-debitorskoy-zadolzhennostyu/viewer (дата обращения: 11.10.2025).
Статистический анализ влияния экономического кризиса на показатели деятельности кредитной организации // КиберЛенинка. URL: https://cyberleninka.ru/article/n/statisticheskiy-analiz-vliyaniya-ekonomicheskogo-krizisa-na-pokazateli-deyatelnosti-kreditnoy-organizatsii/viewer (дата обращения: 11.10.2025).
Экономический анализ деятельности коммерческого банка // КиберЛенинка. URL: https://cyberleninka.ru/article/n/ekonomicheskiy-analiz-deyatelnosti-kommercheskogo-banka/viewer (дата обращения: 11.10.2025).
Показатели взыскания долгов: как измерить и улучшить эффективность // FasterCapital. URL: https://fastercapital.com/ru/content/pokazateli-vzyskaniya-dolgov—kak-izmerit-i-uluchshit-effektivnost.html (дата обращения: 11.10.2025).
Тексты лекций по курсу «Анализ деятельности банка и управление риска // Репозиторий УО «Гомельский государственный университет имени Франциска Скорины». URL: https://elib.gsu.by/handle/123456789/2718 (дата обращения: 11.10.2025).
Методы управления кредитным риском коммерческих банков // КиберЛенинка. URL: https://cyberleninka.ru/article/n/metody-upravleniya-kreditnym-riskom-kommercheskih-bankov/viewer (дата обращения: 11.10.2025).
Непрофильные активы и сильные банки: проблемы банкротного рынка // Право.ру. URL: https://pravo.ru/story/214309/ (дата обращения: 11.10.2025).
Как цифровизация помогает взыскать долги? // EOS Solutions. URL: https://eos-solutions.ru/articles/kak-tsifrovizatsiya-pomogaet-vzyskat-dolgi/ (дата обращения: 11.10.2025).
Технологии взыскания в эпоху цифровой трансформации, управление дебиторской задолженностью // FIS — Финансовые Информационные Системы. URL: https://fisgroup.ru/blog/tekhnologii-vzyskaniya-v-epokhu-tsifrovoj-transformatsii-upravlenie-debitorskoj-zadolzhennostyu/ (дата обращения: 11.10.2025).
Debt Tech 2024: о цифровой трансформации в коллекшн и будущем рынка взыскания // НБКИ. URL: https://www.nbki.ru/company/news/?id=30248 (дата обращения: 11.10.2025).
Сбербанк запускает революцию в взыскании долгов с помощью искусственного интеллекта // Лента новостей Орла. 2025. 10 октября. URL: https://orelonline.ru/2025/10/10/sberbank-zapuskaet-revolyuciyu-v-vzyskanii-dolgov-s-pomoshhyu-iskusstvennogo-intellekta/ (дата обращения: 11.10.2025).
Объем продаж просроченных долгов в России увеличился на 30% // Frank Media. URL: https://frankmedia.ru/144903 (дата обращения: 11.10.2025).
Банки плохих долгов: нюансы реанимации // Финансы — Банковский сектор — Econs.online. URL: https://econs.online/articles/finansy/banki-plokhikh-dolgov-nyuansy-reanimatsii/ (дата обращения: 11.10.2025).
Рынок просроченных долгов: что происходит в 2025 году? // NoBuffetForYa — Т-Банк. URL: https://www.tbank.ru/invest/social/profile/NoBuffetForYa/post/43190823-38c6-4b5a-9477-98e3b0df3518/ (дата обращения: 11.10.2025).
Как цифровизация увеличила скорость взыскания и урегулирования долгов // РБК. URL: https://plus.rbc.ru/news/646d6d4a7a815a51989069d2 (дата обращения: 11.10.2025).
Вне профиля: тенденции рынка проблемных активов // Блоги — Forbes.ru. URL: https://www.forbes.ru/blogs/329587-vne-profilya-tendencii-rynka-problemnyh-aktivov (дата обращения: 11.10.2025).
Новый сегмент рынка M&A – инвестирование в проблемные активы // PROбанкротство. URL: https://probankrotstvo.ru/articles/novyy-segment-rynka-m-a-investirovanie-v-problemnye-aktivy-9206 (дата обращения: 11.10.2025).
Российские банки опасаются надвигающегося долгового кризиса // ProFinance.Ru. 2025. 26 июня. URL: https://www.profinance.ru/news/2025/06/26/d256-rossijskie-banki-opasayutsya-nadvigayuschegosya-dolgovogo-krizisa.html (дата обращения: 11.10.2025).
Прогноз ЦБ по ключевой ставке и инфляции на 2025-2026 годы // Frank Media. URL: https://frankmedia.ru/144703 (дата обращения: 11.10.2025).
Актуальные тенденции управления залогами и проблемными активами обсудили в Российском аукционном доме // Банковское обозрение. URL: https://bosfera.ru/press-release/aktualnye-tendencii-upravleniya-zalogami-i-problemnymi-aktivami-obsudili-v-rossiyskom (дата обращения: 11.10.2025).
Проблемные долги у банков РФ начинают расти, но далеки от критического уровня — глава ЦБР // The Moscow Times. 2025. 25 сентября. URL: https://www.moscowtimes.ru/2025/09/25/problemnye-dolgi-u-bankov-rf-nachinayut-rasti-no-daleki-ot-kriticheskogo-urovnya-glava-tsbr-a89045 (дата обращения: 11.10.2025).
Комментарий к среднесрочному прогнозу Банка России. 2025. 25 июля. URL: https://www.cbr.ru/Collection/Collection/File/49148/macro_2507.pdf (дата обращения: 11.10.2025).
Пишут, что в 2025 году ЦБ может поднять ставку до 22%: как на самом деле // Т–Ж. URL: https://journal.tinkoff.ru/news/cbr-forecast-2025/ (дата обращения: 11.10.2025).
Денежно-кредитная политика: ЦБ РФ опубликовал основные направления на 2025 — 2027 годы // КонсультантПлюс. 2024. 1 ноября. URL: https://www.consultant.ru/legalinfo/fed/2024/11/01/ (дата обращения: 11.10.2025).
Глобальные экономические тренды: давление долгов и торговые войны // КиберЛенинка. URL: https://cyberleninka.ru/article/n/globalnye-ekonomicheskie-trendy-davlenie-dolgov-i-torgovye-voyny/viewer (дата обращения: 11.10.2025).
Рынок облигаций. Пессимизм охватил инвесторов // Альфа-Банк. 2025. 7 октября. URL: https://alfabank.ru/about/news/2025/10/7/495204/ (дата обращения: 11.10.2025).
Русские горки. Обзор российского рынка на 10 октября 2025 // Финансы Mail. 2025. 10 октября. URL: https://finance.mail.ru/2025-10-10/russkie-gorki-obzor-rossiyskogo-rynka-na-10-oktyabrya-2025-50262143/ (дата обращения: 11.10.2025).
Реформирование системы урегулирования неплатежеспособных банков: почему это стало необходимостью // Регистр ТВ Казахстан. URL: https://register.tv/news/reforming-the-system-of-insolvent-banks-why-it-became-necessary-3406 (дата обращения: 11.10.2025).
Рекорды глобального долга: решения и риски // Экономика — Бюджет — ECONS.ONLINE. URL: https://econs.online/articles/ekonomika/rekordy-globalnogo-dolga-resheniya-i-riski/ (дата обращения: 11.10.2025).
Кто украл рост на рынке и в какие активы вложиться российскому инвестору? // Финам. 2025. 6 октября. URL: https://www.finam.ru/analysis/newsitem/kto-ukral-rost-na-rynke-i-v-kakie-aktivy-vlozhit-sya-rossiiskomu-investoru-20251006-1600/ (дата обращения: 11.10.2025).
Плохие долги: как они влияют на банки и экономический рост // Econs.online. URL: https://econs.online/articles/finansy/plokhie-dolgi-kak-oni-vliyayut-na-banki-i-ekonomicheskiy-rost/ (дата обращения: 11.10.2025).
Инфляция в сентябре оказалась ниже ожиданий // Interfax.ru. 2025. 10 октября. URL: https://www.interfax.ru/business/986036 (дата обращения: 11.10.2025).
Роль государства в работе с проблемными долгами в кризисные периоды: российский и международный опыт // КиберЛенинка. URL: https://cyberleninka.ru/article/n/rol-gosudarstva-v-rabote-s-problemnymi-dolgami-v-krizisnye-periody-rossiyskiy-i-mezhdunarodnyy-opyt/viewer (дата обращения: 11.10.2025).
Цифровизация денежно-кредитной системы: институциональный и регуляторный аспекты // КиберЛенинка. URL: https://cyberleninka.ru/article/n/tsifrovizatsiya-denezhno-kreditnoy-sistemy-institutsionalnyy-i-regulyatornyy-aspekty/viewer (дата обращения: 11.10.2025).
Актуальные проблемы регулирования экономических отношений в условиях цифровизации финансового рынка // КиберЛенинка. URL: https://cyberleninka.ru/article/n/aktualnye-problemy-regulirovaniya-ekonomicheskih-otnosheniy-v-usloviyah-tsifrovizatsii-finansovogo-rynka/viewer (дата обращения: 11.10.2025).
Цифровизация банковского сектора: тенденции и проблемы / Созаева // Сибирская финансовая школа. URL: https://cyberleninka.ru/article/n/tsifrovizatsiya-bankovskogo-sektora-tendentsii-i-problemy/viewer (дата обращения: 11.10.2025).
Власти Казахстана передумали создавать фонд для спасения проблемных банков // Orda.kz. URL: https://orda.kz/vlasti-kazahstana-peredumali-sozdavat-fond-dlya-spaseniya-problemnyh-bankov/ (дата обращения: 11.10.2025).
Государство не должно отвечать за ошибки банков – эксперт // LS — lsm.kz. URL: https://lsm.kz/gosudarstvo-ne-dolzhno-otvechat-za-oshibki-bankov-ekspert (дата обращения: 11.10.2025).
Госдолг развивающихся стран вырос в 3,7 раза за 15 лет // Frank Media. URL: https://frankmedia.ru/144933 (дата обращения: 11.10.2025).
Кому спасать проблемные банки: что вызывает вопросы у финансистов // LS — lsm.kz. URL: https://lsm.kz/komu-spasat-problemnye-banki-chto-vyzyvaet-voprosy-u-finansistov/ (дата обращения: 11.10.2025).

С этим материалом также изучают

Кредит и кредитные отношения в современной экономике 4

... ресурс] - Режим доступа. - URL: http://www.cbr.ru (дата обращения 27.09.2013). 29. Системные риски российской банковской системы // http://fingazeta.ru 30. Структура и отдельные показатели деятельности кредитных организаций. - [Электронный ресурс ...

Кредит и кредитные отношения в современной экономике 2

... URL: http://www.cbr.ru (дата обращения 27.09.2013).29. Системные риски российской банковской системы // http://fingazeta.ru30. Структура и отдельные показатели деятельности кредитных ... кредита и кредитных отношений. Для ... банке Российской Федерации (Банке ...

Совершенствование форм и видов кредита в кредитной системе страны (на примере ОАО "Альфа-Банк"

... -18 34.Мусорина Е.И. Сокращение «проблемных» кредитов // Прямые инвестиции. – 2005. - № 4. – С.12-15 35.Романов М.Н. Основные подходы к оценке кредитного риска банков РФ // Банковское дело. – 2006. ...

Совершенствование форм и видов кредита в кредитной системе страны: комплексный анализ на примере АО «Альфа-Банк»

Комплексный анализ совершенствования форм и видов кредита в России на примере АО «Альфа-Банк». Изучение рисков, инноваций и роли господдержки в развитии банковской системы.

Развитие Центрального банка России: от истоков до современной денежно-кредитной политики

Полный анализ истории Банка России с 1860 года. Раскрываем ключевые реформы, функции и денежно-кредитную политику. Готовая база фактов и структура для курсовой.

Потребительский кредит как двигатель и риск для экономики РФ — исчерпывающий анализ для курсовой работы

Всестороннее исследование потребительского кредитования в России для студентов. Рассмотрены сущность, функции и виды кредита, его влияние на экономический рост и платежеспособный спрос, а также проанализированы проблемы долговой нагрузки и риски для финансовой системы на основе актуальных данных.

Управление кредитом и кредитными рисками в коммерческом банке на конкретном (примере коммерческого банка ОАО АКБ «Пробизнесбанк»)

... и значение кредитных операций для деятельности коммерческого банка 5 1.2Содержание и методы управления кредитными рисками в коммерческом банке 8 Глава 2 анализ управления кредитом и кредитными рисками В ОАО ...

Кредитные операции физических лиц в коммерческом банке на примере ООО «Хоум кредит энд Финанс Банк»

... № 4. – С. 9.Денежное обращение. Кредит и банки. / Под ред. Н.Г. Антонова, М.А. ... проверки системы управления банковскими рисками в кредитной организации (ее филиале) ( ... быть снижена для конкретного банка. Другое дело, если банк использует внерыночные ...

Кредит и кредитные отношения в современной экономике

... Финансы и статистика, 2000.6.Деньги. Кредит. Банки: Учебник /Под ред. Е.Ф. Жукова. -М.: ЮНИТИ-ДАНА, 2005.7.Журнал Финансовый менеджмент//Управление кредитными рисками в современном банке. Абдулов.Н.И. 2006г №88.Журнал ...

Кредит и кредитный рынок: сущность, функции и значение в современной экономике

Глубокий анализ роли кредита и кредитного рынка. Рассматриваем функции, структуру, участников и актуальную статистику. Ценный материал для написания курсовой работы.

Совершенствование работы банка с проблемными кредитами физических лиц в условиях меняющейся экономики и регуляторной среды (на примере РФ, 2025 г.)

Макроэкономические тенденции и динамика проблемных кредитов физических лиц в РФ (2025 г.)

Современное состояние кредитного портфеля и доля проблемных кредитов (NPL 90+)

Макроэкономические факторы, влияющие на качество кредитного портфеля

Тенденции на рынке корпоративной задолженности и новые механизмы взыскания

Теоретические основы и правовое регулирование управления проблемными кредитами

Понятие и сущность проблемных кредитов в банковской деятельности

Обзор основных законодательных и нормативных актов

Методологии оценки и классификации кредитного риска по проблемным кредитам физических лиц

Кредитный скоринг как инструмент оценки заемщиков

Классификация проблемных кредитов в соответствии с требованиями Банка России

Количественные модели оценки кредитного риска

Инновационные технологии и цифровые решения в управлении проблемными активами

Роль предиктивной аналитики, искусственного интеллекта и машинного обучения

Примеры внедрения ИИ и автоматизированных систем в практику работы банков

Риски и этические вопросы применения инновационных технологий

Стратегии и практические рекомендации по совершенствованию работы с проблемными кредитами

Системы раннего выявления и мониторинга проблемной задолженности

Методы урегулирования проблемной задолженности

Организационные и управленческие подходы

Повышение финансовой грамотности заёмщиков и клиентоориентированный подход

Оценка экономической эффективности предложенных мер по совершенствованию работы с проблемными кредитами

Система ключевых показателей эффективности (КПЭ)

Расчёт ожидаемых потерь и рисковой ставки

Влияние проблемных кредитов на финансовые показатели банка

Перспективы развития рынка проблемных долгов и механизмов их урегулирования

Прогнозы динамики проблемных долгов и рынка цессии

Влияние экономической политики ЦБ РФ и цифровизации

Новые подходы и стратегические направления в управлении проблемными активами

Заключение

Список использованной литературы

Концепция «толстого» журнала (на примере литературно-художественного журнала Новый мир )

Проектирование трехэтажного жилого дома: структура и содержание курсового проекта

Организация системы обращения с медицинскими отходами в лечебно-профилактических учреждениях РФ: нормативы и практическая реализация

Современные способы финансирования инвестиционных проектов 2

Методы прогнозирования и планирования прибыли предприятия (организации)

Имидж и культура предприятия

Макроэкономические тенденции и динамика проблемных кредитов физических лиц в РФ (2025 г.)

Современное состояние кредитного портфеля и доля проблемных кредитов (NPL 90+)

Макроэкономические факторы, влияющие на качество кредитного портфеля

Тенденции на рынке корпоративной задолженности и новые механизмы взыскания

Теоретические основы и правовое регулирование управления проблемными кредитами

Понятие и сущность проблемных кредитов в банковской деятельности

Обзор основных законодательных и нормативных актов

Методологии оценки и классификации кредитного риска по проблемным кредитам физических лиц

Кредитный скоринг как инструмент оценки заемщиков

Классификация проблемных кредитов в соответствии с требованиями Банка России

Количественные модели оценки кредитного риска

Инновационные технологии и цифровые решения в управлении проблемными активами

Роль предиктивной аналитики, искусственного интеллекта и машинного обучения

Примеры внедрения ИИ и автоматизированных систем в практику работы банков

Риски и этические вопросы применения инновационных технологий

Стратегии и практические рекомендации по совершенствованию работы с проблемными кредитами

Системы раннего выявления и мониторинга проблемной задолженности

Методы урегулирования проблемной задолженности

Организационные и управленческие подходы

Повышение финансовой грамотности заёмщиков и клиентоориентированный подход

Оценка экономической эффективности предложенных мер по совершенствованию работы с проблемными кредитами

Система ключевых показателей эффективности (КПЭ)

Расчёт ожидаемых потерь и рисковой ставки

Влияние проблемных кредитов на финансовые показатели банка

Перспективы развития рынка проблемных долгов и механизмов их урегулирования

Прогнозы динамики проблемных долгов и рынка цессии

Влияние экономической политики ЦБ РФ и цифровизации

Новые подходы и стратегические направления в управлении проблемными активами

Заключение

Список использованной литературы

С этим материалом также изучают

Похожие записи