2025. — Т 12. — №4 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://resources.today/34ecor425.html

This article metadata is also available in English

DOI: 10.15862/34ECOR425 (https://doi.org/10.15862/34ECOR425)

Полный текст статьи в формате PDF (объем файла: Файл не найден)

Ссылка для цитирования этой статьи:

Шуржунов, Н. В. Комплексная методология оценки кредитного риска девелоперских компаний на основе открытых данных и машинного обучения с учётом требований международного стандарта финансовой отчётности «Финансовые инструменты» и Банка России / Н. В. Шуржунов // Отходы и ресурсы. — 2025. — Т 12. — №4. — URL: https://resources.today/PDF/34ECOR425.pdf. — DOI: 10.15862/34ECOR425. (дата обращения: 26.06.2026).

Комплексная методология оценки кредитного риска девелоперских компаний на основе открытых данных и машинного обучения с учётом требований международного стандарта финансовой отчётности «Финансовые инструменты» и Банка России

Шуржунов Никита Валерьевич
АНО ВО «Московский университет «Синергия», Москва, Россия
Аспирант
E-mail: alotholl@gmail.com
РИНЦ: https://elibrary.ru/author_profile.asp?id=1180691

Аннотация. В условиях трансформации механизмов финансирования жилищного строительства в России актуальной становится задача совершенствования методов оценки кредитного риска девелоперских компаний. Автором представлена комплексная методология прогнозирования вероятности дефолта застройщиков, интегрирующая традиционные финансовые коэффициенты с альтернативными источниками данных: показателями покрытия эскроу-счетов, динамикой строительства и арбитражными спорами. Для валидации методологии использован синтетический датасет, содержащий 500 компаний с долей дефолтов 8 %, сгенерированный методом гауссовой копулы на основе эмпирической корреляционной структуры польского датасета банкротств компаний с калибровкой под российский рынок по данным Федеральной налоговой службы России, Центрального банка Российской Федерации и портала единой информационной системы жилищного строительства. Сравнительный анализ показал превосходство модели случайного леса (показатель дискриминирующей способности 0,763, коэффициент Джини 0,525) над логистической регрессией (0,695) и градиентным бустингом (0,700). Включение альтернативных данных обеспечило прирост прогнозной силы на 6,6–13,8 процентных пункта в зависимости от модели. Анализ важности признаков выявил критическую роль покрытия эскроу-счетов (8,1 %) и арбитражных споров (5,7 %) как ранних индикаторов финансовых проблем. Практическая значимость методологии заключается в использовании исключительно открытых источников данных — Федеральной налоговой службы России, Центрального банка Российской Федерации, картотеки арбитражных дел и единой информационной системы жилищного строительства, — что обеспечивает воспроизводимость и доступность для внедрения в банковскую практику. Основным ограничением является использование синтетического датасета на основе польской корреляционной структуры, что требует верификации на реальных российских портфелях. Методология соответствует требованиям международного стандарта финансовой отчётности «Финансовые инструменты» и нормативным актам Банка России.

Ключевые слова: кредитный риск; девелоперы; проектное финансирование; эскроу; машинное обучение; метод случайного леса; градиентный бустинг; международный стандарт финансовой отчётности; открытые данные; синтетический датасет

Скачать