Русский   English
ДонНТУ   Портал магистров

Реферат з теми випускної роботи

Зміст

Введення

Ретельний відбір позичальників, аналіз умов видачі кредиту, постійний контроль за фінансовим станом позичальника, за здатністю погасити кредит є однією з основоположних складових фінансового благополуччя кредитних організацій. Аналіз кредитоспроможності у великій кількості банків проводиться експертами, які спираються, в основному, на свій досвід та інтуїцію, що може призводити до внесення в рішення не мають достатніх підстав субʼєктивних міркувань. У реальній ситуації думки аналітиків часто різняться, особливо якщо обговорюються спірні питання, що мають безліч альтернативних рішень. При розробці методів оцінки рівня кредитоспроможності фізичних осіб широке поширення отримав підхід, що базується на обчисленні рейтингу позичальника. Основою в цьому підході є початкова опитувальна анкета, дані якої відображають соціально-економічний стан і здатність клієнта своєчасного повернення кредиту. Скорингова система в цьому випадку здійснює кількісний, семантичний аналіз та обробку даних анкети. Внесення змін до опитувальну анкету спричиняє необхідність коригування або істотної модернізації всієї системи. Дана обставина обмежує можливість адаптації скорингових моделей до соціально-економічних умов в Україні. Тому, подібний підхід не дозволяє розробити універсальної системи автоматизованого аналізу кредитоспроможності.

Актуальність теми

Проблема своєчасного повернення кредитів актуальна для більшості банківських установ. Її рішення значною мірою залежить від якості оцінки кредитоспроможності потенційних позичальників. Актуальність теми роботи визначається необхідністю розробки формалізованої методики вдосконалення сучасних підходів до оцінки кредитоспроможності фізичних осіб та алгоритмів, реалізують методику у вигляді системи, що підтримує прийняття обʼєктивних рішень.

Мета і завдання дослідження

Метою роботи є розробка математичних та інструментальних засобів підвищення ефективності прийняття обʼєктивних рішень при аналізі кредитоспроможності фізичних осіб на основі методів нечіткої логіки.

Поставлені цілі визначили такі завдання роботи:

    1. Аналіз вітчизняних і зарубіжних підходів до оцінки кредитоспроможності фізичних осіб з метою використання позитивних досягнень та усунення недоліків.

    2. Вивчення та систематизацію розроблених до теперішнього часу математичних моделей і методів, які можна використовувати в задачах класифікації позичальників.

    3. Застосування методологічного апарату нечіткої логіки для оцінки якості кредитної історії позичальників.

    4. Побудова моделей, що відбивають специфіку аналізу соціально-економічного становища приватних клієнтів.

    5. Дослідження прикладних можливостей пропонованих моделей і процедур.

    6. Розробка методів розрахунку економічного ефекту від реалізації заходів, орієнтованих на оптимізацію якості кредитного портфеля банківської організації.

    7. Програмна реалізація розробленого математичного апарату.

Предмет і обʼєкт дослідження

Обʼєкт дослідження: кредитний портфель фізичних осіб банківської організації.

Предмет дослідження: математичний апарат моделювання та аналізу кредитоспроможності приватних клієнтів.

Система оцінки кредитоспроможності позичальника та її інформаційне забезпечення

В даний час в світі не існує єдиної стандартизованої системи оцінки кредитоспроможності. Кредитоспроможність – це комплексна правова та фінансова характеристика, яка представлена різноманітними показниками, що дозволяє оцінити його можливість в майбутньому повністю і в строк, передбачений у кредитному договорі, розрахуватися за своїми борговими зобовʼязаннями перед кредитором, а також визначає ступінь ризику банку при кредитуванні конкретного позичальника. Банки використовують різні системи аналізу кредитоспроможності позичальника. Перелік показників, що використовуються для аналізу фінансового стану позичальника, та порядок їх розрахунку визначаються кредитною організацією самостійно в залежності від галузі, сфери діяльності позичальника, завдань аналізу, з урахуванням всієї наявної інформації. Для визначення кредитного рейтингу банки ранжируют позичальників по різних класах. Необхідна кількість класів визначається банком самостійно.

В даний час в світі не існує єдиної стандартизованої системи оцінки кредитоспроможності. Кредитоспроможність – це комплексна правова та фінансова характеристика, яка представлена різноманітними показниками, що дозволяє оцінити його можливість в майбутньому повністю і в строк, передбачений у кредитному договорі, розрахуватися за своїми борговими зобовʼязаннями перед кредитором, а також визначає ступінь ризику банку при кредитуванні конкретного позичальника. Банки використовують різні системи аналізу кредитоспроможності позичальника. Перелік показників, що використовуються для аналізу фінансового стану позичальника, та порядок їх розрахунку визначаються кредитною організацією самостійно в залежності від галузі, сфери діяльності позичальника, завдань аналізу, з урахуванням всієї наявної інформації. Для визначення кредитного рейтингу банки ранжируют позичальників по різних класах. Необхідна кількість класів визначається банком самостійно.

Одним з найважливіших етапів в організації процесу кредитування є оцінка кредитоспроможності та платоспроможності клієнта. Від правильної оцінки часто залежить життєздатність банку. Неправильна оцінка може привести до неповернення кредиту, що в свою чергу здатне порушити ліквідність банку і в кінцевому рахунку призвести до банкрутства кредитної організації.

Аналіз моделей оцінки кредитоспроможності позичальника

Сучасні практичні підходи до методології аналізу кредитоспроможності позичальників у комерційних банках засновані на комплексному застосуванні фінансових і нефінансових критеріїв. Розглянемо класифікацію методів і моделей оцінки кредитоспроможності позичальників комерційних банків (рис. 2).

Моделі оцінки кредитоспроможності позичальника

Рис. 1. Моделі оцінки кредитоспроможності позичальника

Класифікаційні моделі дозволяють розбити на групи (класи) і є допоміжним інструментом при визначенні можливості задоволення кредитної замовки. Досить добре висвітлені в літературі дві моделі: бальною (рейтингової) оцінки і прогнозування банкрутств. Рейтингові моделі ділять позичальників на поганих і хороших, а моделі прогнозування намагаються диференціювати фірмибанкрути і стійкі компанії. Рейтингова оцінка підприємства-позичальника розраховується на основі отриманих значень фінансових коефіцієнтів і виражається в балах. Бали обчислюються шляхом множення значення будь-якого показника на його вагу в інтегральному показнику.  

1. Оцінка кредитоспроможності позичальника за допомогою дерева рішення

Схема дерево рішень дуже схожа на схему дерево ймовірностей. Її використовують, коли потрібно прийняти кілька рішень в умовах невизначеності, коли кожне рішення залежить від результату попереднього або фіналів випробувань. Складаючи дерево рішень, потрібно намалювати стовбур і гілки, що відображають структуру проблеми. Розташовуються дерева зліва направо. Гілки позначають можливі альтернативні рішення, які можуть бути прийняті, і можливі результати, що виникають в результаті цих рішень. На схемі ми використовуємо два види гілок: перший – пунктирні лінії, що зʼєднують квадрати можливих рішень, другий - суцільні лінії, що зʼєднують гуртки можливих результатів. Квадратні вузли позначають місця, де приймається рішення, круглі вузли – поява випадків. Так як приймаюче рішення не може впливати на появу фіналів, йому залишається лише обчислювати ймовірність їх появи.

Коли всі рішення і їх наслідки вказані на дереві, прораховується кожен з варіантів, і врешті проставляється його грошовий дохід. Усі витрати, викликані рішенням, проставляються на відповідній гілки. Стрімкий розвиток інформаційних технологій, зокрема, прогрес у методах збору, зберігання і обробки даних дозволив багатьом організаціям збирати величезні масиви даних, які необхідно аналізувати. Обсяги цих даних настільки великі, що можливостей експертів вже не вистачає, що породило попит на методи автоматичного дослідження (аналізу) даних, який з кожним роком постійно збільшується. Дерева рішень – один з таких методів автоматичного аналізу даних. Дерева рішень – це спосіб представлення правил в ієрархічній, послідовної структурі, де кожному обʼєкту відповідає єдиний вузол, що дає рішення.

Область застосування дерев рішень в даний час широка, але всі завдання, які вирішуються цим апаратом можуть бути обʼєднані в наступні три класи:

    1. Опис даних: дерева рішень дозволяють зберігати інформацію про дані в компактній формі, замість них ми можемо зберігати дерево рішень, яке містить точний опис обʼєктів.

    2. Класифікація: дерева рішень відмінно справляються із завданнями класифікації, тобто віднесення обʼєктів до одного з заздалегідь відомих класів. Цільова змінна повинна мати дискретні значення.

    3. Регресія: якщо цільова змінна має безперервні значення, дерева рішень дозволяють встановити залежність цільової змінної від незалежних (вхідних) змінних. Наприклад, до цього класу належать завдання чисельного прогнозування (передбачення значень цільової змінної).

Для побудови дерева на кожному внутрішньому вузлі необхідно знайти таку умову (перевірку), яке б розбивало безліч, асоційоване з цим вузлом на підмножини. В якості такої перевірки має бути вибраний один з атрибутів. Загальне правило для вибору атрибута можна сформулювати наступним чином: вибраний атрибут повинен розбити безліч так, щоб одержувані в результаті підмножини складалися з обʼєктів, що належать до одного класу, або були максимально наближені до цього, тобто кількість обʼєктів з інших класів (домішок) у кожному з цих множин було якомога менше.

Дерева рішень є прекрасним інструментом в системах підтримки прийняття рішень, інтелектуального аналізу даних (інтелектуальний аналіз даних). До складу багатьох пакетів, призначених для інтелектуального аналізу даних, вже включені методи побудови дерев рішень. В областях, де висока ціна помилки, вони послужать відмінною підмогою аналітика або керівника. Дерева рішень успішно застосовуються для вирішення практичних завдань у наступних галузі банківської справи для оцінки кредитоспроможності клієнтів банку при видачі кредитів.

2. Оцінка кредитоспроможності позичальника за допомогою моделі Альтмана

Розрахунок і аналіз динаміки фінансових ресурсів, що знаходяться в розпорядженні підприємства, в загальній сумі і в розрізі основних груп дозволяють зробити лише найзагальніші висновки про його майновий стан. Наступною аналітичної процедурою є вертикальний аналіз: інше уявлення звітної форми, в Зокрема балансу, у вигляді відносних показників. Таке подання дозволяє побачити питома вага кожної статті балансу в загальному підсумку. Обовʼязковий елемент аналізу – динамічні ряди цих величин, за допомогою яких можна відстежувати та прогнозувати структурні зміни у складі активів та джерел їх покриття.

Фінансовий стан організації можна оцінювати з точки зору короткострокової і довгострокової перспективи. У першому випадку критерій оцінки – ліквідність і платоспроможність підприємства, тобто здатність своєчасно і в повному обсязі провести розрахунки за короткостроковими зобовʼязаннями. Приклади подібних операцій – розрахунки з працівниками з оплати праці, з постачальниками за отримані товарно-матеріальні цінності та надані послуги, з банком по позиках і т. п.

Оцінка стабільності діяльності підприємства в довгостроковій перспективі повʼязана із загальною фінансовою структурою організації, ступенем її залежності від зовнішніх кредиторів та інвесторів, умовами, на яких залучені й обслуговуються зовнішні джерела коштів.

Існують різні методики аналізу фінансового стану. У нашій країні за досвідом економічно розвинених країн все більшого поширення набуває методика, заснована на розрахунку і використанні в просторово-часовому аналізі системи коефіцієнтів. Показники можуть бути розраховані безпосередньо за даними бухгалтерської звітності. Однак зручніше перетворити баланс шляхом агрегування статей та їх перегрупування : в активі – за рівнем зменшення ліквідності активів, у пасиві – за ступенем зростання термінів погашення зобовʼязань. Такий підхід більш зручний як в обчислювальному плані, так і з позиції розуміння логіки розрахунку.

Пакет супровідних документів

Рис. 2. Пакет супровідних документів
(анімація: 8 кадрів, 3 циклів повторення, 43 кілобайта)

Для банку-кредитора фінансова спроможність позичальника важлива постільки, поскільки він розраховує вчасно отримати назад видану як кредит суму і відсотки на неї. Платоспроможність – це здатність (наявність можливості) і готовність (наявність бажання) юридичної або фізичної особи своєчасно і в повному обʼємі погашати свої грошові зобовʼязання.

У відмінність від неї кредитоспроможність – це здатність і готовність своєчасно і в повному обʼємі погасити свої кредитні борги (основну суму боргу і відсотки). Кредитоспроможність – поняття вужче, ніж платоспроможність. Щоб зважитися видати кредит даному позичальникові, банку досить переконатися в його кредитоспроможності, не обовʼязково розглядаючи питання в ширшому плані. Позичальник надає в банк копії наступних супровідних документів, представлених на (Рис. 2).

3. Оцінка кредитоспроможності позичальника з застосуванням апарату нечіткої логіки

В даний час, в умовах кризи банківської системи, однією з актуальних завдань є оцінка кредитоспроможності банківських клієнтів, вирішення якої сприяє отриманню максимального прибутку від укладених угод з надання кредитів і виключенню можливості фінансових втрат. Iснуючі методики оцінки кредитоспроможності позичальників в більшості своїй грунтуються на аналізі експертних оцінок, які вносять в механізм оцінювання певну субʼєктивну похибку. Апарат теорії нечітких множин , покладений в основу розробленої в даній роботі моделі, дозволяє знайти вирішення цієї проблеми в умовах невизначеності, а також слабкою структурованості оціночних показників, не вдаючись до застосування експертних оцінок.

Основна перевага використання даного апарату полягає в можливості створення кількісних оцінок для лінгвістичних змінних, а також ефективного відображення залежності між цими змінними у вигляді нечітких правил.

Для вирішення завдання оцінки фінансової спроможності позичальника з застосуванням апарату нечіткої логіки розроблена і реалізована модель нечіткого логічного висновку в середовищі MATLAB. Реалізація нечіткого моделювання в середовищі MATLAB здійснюється з використанням пакета розширення Fuzzy Logic Ящик для інструменту, в якому реалізовані десятки функцій нечіткої логіки, нечіткого висновку та класифікації, з можливістю їх інтегрування в Simulink. Використано зручний FIS-редактор, який містить всі необхідні інструменти для реалізації функціонального відображення входи – виходи на основі нечіткого логічного висновку. Системи нечіткого логічного висновку перетворять значення вхідних змінних процесу управління у вихідні змінні на основі використання нечітких правил.

У даній роботі була розроблена нечітка модель з наступними вхідними змінними:

  • рентабельність сукупного капіталу;
  • коефіцієнт поточної ліквідності;
  • коефіцієнт фінансової незалежності.

Вихідна змінна:

  • оцінка рівня кредитоспроможності.

Отримана оцінка є основою для прийняття рішення керівництвом банку з надання кредиту потенційним клієнтам. У всіх вхідних змінних терми розподілені по функції приналежності Гаусса, яка найбільш точно описує динаміку зміни оцінки вхідних параметрів.

Алгоритм нечіткого висновку Мамдані – один з можливих варіантів вирішення розглянутої в даній роботі проблеми. В якості основних етапів даного методу можна виділити наступну послідовність операцій: фазифікації вхідних параметрів; побудова бази знань; визначення результуючого нечіткого множини; дефаззіфікації.

Схема нечіткого логічного вивода

Рис. 3. Схема нечіткого логічного висновку

Як терм-множини першої вхідної змінної Рентабельність сукупного капіталу використовується безліч: Т1 = {Погана, Нормальна, Відмінна} Числове значення змінної [0,1].

В якості терм-множини другої вхідної змінної Коефіцієнт поточної ліквідності використовується безліч: Т2 = {Погана, Нормальна, Відмінна}. Числове значення змінної належить інтервалу [0,3].

В якості терм-множини третьої вхідної змінної Коефіцієнт автономії використовується безліч: Т3 = {Погана, Нормальна, Відмінна}. Числове значення змінної належить інтервалу [0,1].

У вихідний змінної терми розподілені по трикутної функції приналежності т. к. дана функція найбільш повно описує зміну оцінки вихідного параметра. В якості терм-множини змінної Оцінка кредитоспроможності використовується безліч: М = {Погана, Нормальна, Відмінна}.Числове значення змінної належить інтервалу [0,3].

В якості терм-множини третьої вхідної змінної Коефіцієнт автономії використовується безліч: Т3 = {Погана, Нормальна, Відмінна}. Числове значення змінної належить інтервалу [0,1].

У вихідний змінної терми розподілені по трикутної функції приналежності т.к. дана функція найбільш повно описує зміну оцінки вихідного параметра. В якості терм-множини змінної Оцінка кредитоспроможності використовується безліч: М = {Погана, Нормальна, Відмінна}. Числове значення вихідний змінної [0,100].

Після оголошення входять змінних виконується процедура фазифікації – привласнення змінним термів (лінгвістична значень) з терм-множини, відповідно до їх числовими значеннями і функціями належності. Дефаззіфікації – процедура зворотна даної, результатом її виконання є перетворення лінгвістичного значення вихідної змінної в числове.

Загальний вигляд моделі

Рис. 4. Загальний вигляд моделі

Функція приналежності змінної Рентабельність сукупного капіталу

Рис. 5. Функція приналежності змінної Рентабельність сукупного капіталу

Функція приналежності змінної «Коефіцієнт автономії»

Рис. 6. Функція приналежності змінної Коефіцієнт автономії

Функція приналежності змінної «Оцінка кредитоспроможності»

Рис. 7. Функція приналежності змінної Оцінка кредитоспроможності


Рис. 8. Візуалізація поверхні входи – виходи

При побудові бази правил враховується те, що основним її завданням в даній моделі, є встановлення вагового коефіцієнта кожного вхідного показника відповідно до методу Д. Дюрана. На підставі лінгвістичної оцінки, дана модель формує чітку числову оцінку вхідного параметра відповідно до його функцією розподілу. Потім використовуючи отримані числові значення всіх вхідних змінних, за допомогою бази правил, виводиться підсумкова оцінка кредитоспроможності клієнта.

Проведені дослідження показали, що комплексне використання системи нечіткого логічного висновку в системах підтримки прийняття рішень банками для оцінки рівня кредитоспроможності, сприяє підвищенню швидкості і точності прийняття рішення за рахунок автоматизації процесу обробки надходить слабоструктурованої інформації. модель спрощує обробку нечіткої лінгвістичної інформації і не вимагає безпосередньої участі експерта.

Висновки

Розроблена методика оцінки кредитоспроможності та управління якістю кредитного портфеля може бути застосована в різних банківських організаціях, що реалізують програми з кредитування.

Світова та вітчизняна банківська практика дозволила виділити критерії кредитоспроможності клієнта: характер клієнта, здатність запозичати кошти, здатність заробити кошти в ході поточної діяльності для погашення боргу (фінансові можливості), капітал, забезпечення кредиту, умови, в яких здійснюється кредитна угода, контроль (законодавча основа діяльності позичальника, відповідність характеру позики стандартам банку і органів нагляду). Різнобічно оцінюється підприємство і в американській методиці. Тут виділяються такі показники як прибутковість фірми, які в деякій мірі здатні компенсувати залежність підприємства від позикових коштів. Також в методиках американських банків найбільший інтерес приділяється якісним характеристикам, таким як характер позичальника, здатність запозичати кошти. Ще виробляється контроль за діяльністю позичальника. У даній роботі використаний апарат нечіткої логіки для оцінки фінансової спроможності клієнтів при наданні банківського кредиту, реалізований засобами MATLAB. MATLAB дозволяє при наявність досить великої бази визначати ступенем значущості тих чи інших факторів при оцінці кредитоспроможності позичальників, що можна згодом використовувати при аналізі нового позичальника, а також приховані звʼязки, які не завжди можна виділити логічно.

Десятиліття діяльності комерційних банків в Україні поки не дозволяє говорити про наявність достатньої кількості внутрішньої інформації, необхідної для ефективної оцінки кредитоспроможності позичальника. У таких умовах доцільно використання зовнішніх незалежних джерел інформації. Вітчизняні банки повинні більшою мірою покладатися на зовнішні джерела інформації, а в разі відсутності таких ініціювати їх появу.

Список джерел

    1. Закон України Про банки і банківську діяльність від 07.12.2000р. за № 2121-ІІІ (зі змінами і доповненнями).

    2. Закон Україны Про охорону праці № 1419-IV від 03.02.2004.

    3. Інструкція про порядок регулювання діяльності банків в Україні, затверджена Постановою Правління НБУ від 28.08.2001 р. № 368 (зі змінами і доповненнями).

    4. Методичні вказівки про ведення параметрів аналітичного обліку, затверджені Постановою Правління НБУ від 17.06.97 р. № 191 (зі змінами і доповненнями).

    5. Положення Про кредитування, затверджено Постановою Правління НБУ від 28.09.95 року № 246 (зі змінами і доповненнями).

    6. Положення про порядок формування та використання резерву для відшкодування можливих втрат за кредитними операціями банків, затверджене Постановою Правління НБУ 06.07.2000 року № 279 (зі змінами і доповненнями).

    7. ГОСТ 12.1.004–91 ССБТ. Пожарная безопасность. Общие требования безопасности.

    8. Ачкасов Л. Я. Активные операции коммерческих банков: Учеб. пособие. – М.: Консалт – Банкир, 2001. – С. 218.

    9. Белоглазовой Г. Н., Кроливецкой Л. П. Банковское дело.– М.: Финансы и статистика, 2006. – С. 592.

    10. Баранов П., Лунева Ю. Принципы формирования методики оценки кредитования заёмщика // Аудитор. – 2004. – № 9. – С. 48.

    11. Варитрон К. Дж., Мак – Нотон Д. Организация работы в банках: интерпретация финансовой отчетности. – М: Финансы и статистика, 2002. – С. 220.

    12. Васильева Л. С., Петровская М. В. Финансовый анализ.– М.: КНОРУС, 2008. – С. 816.

    13. Вишняков И. В. Методы и модели оценки кредитоспособности заемщиков: Учеб.пособие. – СПб.: СПбГИЭА, 2006. – С. 197.

    14. Выборова Е. Особенности диагностики кредитоспособности субъектов хозяйствования // Финансы и кредит. – 2004. – № 1. – С. 84.

    15. Герасимова Е. Б. Комплексный анализ кредитоспособности заемщика // Экономический анализ: теория и практика. – 2005. – № 9. С. 43–51.

    16. Гиляровская Л. Т. Комплексный анализ финансово-экономических результатов деятельности банка и его филиалов – СПб.: Питер, 2003. С. 79.

    17. Горбаченко В. И. Вычислительная линейная алгебра с примерами на MATLAB. СПб.: БХВ – Петербург, 2011. – С. 320.

    18. Грачев В. Оценка платежеспособности предприятия за период // Финансовый менеджмент. – 2008. – № 6. – С. 144.

    19. Гусева И. Анализ кредитоспособности предприятия // Справочник экономиста. – 2005. – № 4. – С. 136.

    20. Дьяконов В. MATLAB 6/6.1/6.5+Simulink 4/5. Основы применения. Полное руководство пользователя. М.: Солон – Пресс, 2002.

    21. Ендовицкий Д. Анализ и оценка кредитоспособности заемщика [Текст]: учебно – практич. пособ. /Д.nbsp; Ендовицкий, И. Бочарова. – М.: КНОРУС, 2005. – С. 272.

    22. Ендовицкий Д. А., Бочарова И. В. Анализ соблюдения заемщиком требований по обеспечению кредита // Экономический анализ: теория и пра¬ктика. – 2006. – № 14. – С. 2–11.

    23. Едновицкий Д. А., Бочарова И. В. Комплексная оценка кредитоспособности хозяйствующего субъекта // Экономический анализ: теория и практика. – 2006. – № 15. – С. 2–11.

    24. Жидецкий В. Ц., Джигирей В. С. Безопасность жизнедеятельности: Учебное пособие. – Львов, 2000.

    25. Иванов В. Охрана труда на предприятии с позиции действующего законодательства. – Х. : Центр Консульт, 2003, – 238с.

    26. Иглин С. П. Теория вероятностей и математическая статистика на базе MATLAB. Харьков: НТУ ХПИ, 2006, – С. 612.

    27. Карпов М. В. Правовые вопросы определения кредитоспособности заемщика // Деньги и кредит. –2000, – № 11.

    28. Катренко Л. А. та ін. Охорона праці: Навч. посібн. – Суми: ВТД Університетська книга, 2007, – С. 496.

    29. Кирисюк Г., Ляховский В. Оценка банком кредитоспособности заемщика // Деньги и кредит. –2000. – № 7.– С. 120.

    30. Ковалев В. В. Финансовый анализ: управление капиталом. Выбор инвестиций. Анализ отчетности. – М: Финансы и статистика, 1995, – С. 138–139.

    31. Козлова О. Оценка кредитоспособности предприятий / О. Козлова, М. Сморчкова, А. Голубович. – М.: Финансы и статистика, 2002, – С. 358.

    32. Константинов Н. С. Методические рекомендации по оценке кредитоспособности корпоративных клиентов в коммерческом банке // Финансовый менеджмент. – 2006. – № 2. – С. 104-114.

    33. Кузнецов В. Охрана труда на предприятии. – 2–е изд., перераб. и доп. – Х. : Издательский дом Фактор, 2005, – С. 428.

    34. Кучерявый В. П., Павлюк Ю. Э. Охрана труда: Учебное пособие. – Орияна – Новая, Львов, 2007.

    35. Лаврушин О. И. Банковское дело: современная система кредитования: учебное пособие / О.И. Лаврушин, О.Н. Афанасьева, С.Л. Корниенко; под ред. д–ра экон.наук, проф. О. И. Лаврушина. – 3–е изд., доп.– М.: КНОРУС, 2007, – С. 264.

    36. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH. С–Пб.: БХВ – Санкт – Петербург, 2003.

    37. Любушин Н. П. Комплексный экономический анализ хозяйственной деятельности. М.:ЮНИТИ–ДАНА, 2005, – С. 448.

    38. Неволина Е. В. Об оценке кредитоспособности заемщиков//Деньги и кредит. – 2002. – № 10.

    39. Пожидаева Т. А. Оценка кредитоспособности заемщика по данным бухгалтерской отчетности // Экономический анализ: теория и практика.– 2006.– № 11. – С. 29–36.

    40. Охорона праці: Навч. посібн. – Суми: ВТД Університетська книга, 2007, – 496 с., – С. 464.

    41. Пещанская И. Организация деятельности коммерческого банка / И. Пещанская. – М.: ИНФРА–М, 2001, – С. 320.

    42. Пешанская И. В. Финансовые коэффициенты в системе оценки кредитоспособности заемщиков банками // Экономический анализ: теория и практика. – 2004, – № 2.

    43. Потемкин В. Вычисления в среде MATLAB. М.: Диалог – МИФИ, 2004.

    44. Прохно К. П., Баранов П. П., Лунева К. В. Теоретические и практические аспекты оценки предприятия – заемщика коммерческим банком // Деньги и кредит. – 2004. – № 7.

    45. Савицкая Г. В. Анализ хозяйственной деятельности предприятия. – М.: ИНФРА – М, 2009, – С. 536.

    46. Северинов А. Охрана труда: Учеб. пособие / Харьковский национальный экономический ун-т. — Х.:ИД Инжэк, 2006, – С. 112.

    47. Семененко М. Введение в математическое моделирование. М.: Солон– Р, 2002.

    48. Сухарев Д. В. Оценка финансовой состоятельности корпоративных заемщиков: опыт зарубежных банков// Банковские услуги. – 2004, – № 12.

    49. Тагирбеков К. Р. Организация деятельности коммерческого банка. – М.: Издательство Весь мир, 2004, – С. 848.

    50. Тарасевич М. Математическое и компьютерное моделирование. Вводный курс. М.: Едиториал – УРСС, 2001.

    51. Цветкова Е. Кредитная работа банка (общие положения) / Е. Цветкова. – М.: Издательство Посев, 2006, – С. 108.

    52. Цисарь И. Ф., Нейман В. Г. Компьютерное моделирование экономики. М.: ДИАЛОГ – МИФИ, 2008, – С. 384.

    53. Усоскин В. М. Современный коммерческий банк: управление и операции. – М: ИПЦ Вазар – Ферро, 1994,– С. 320.

    54. Шампайн Л. Ф., Гладвел И., Томпсон С. Решение обыкновенных дифференциальных уравнений с использованием MATLAB: Учебное пособие. 1–е изд. СПб.: Лань, 2009, – С. 304.

    55. Шеремет А. Д., Щербакова Г. Н. Финансовый анализ в коммерческом банке. – М: Финансы и статистика, 2000.

    56. Штовба С. Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая Линия – Телеком, 2007, – С. 288.

    57. Kiss F. (2003). Credit scoring process from a knowledge management perspective. Periodica Polytechnica Ser. Vol. II, No. I, pp. 95–110. – Информационная система J-Stor.

    58. Machine Learning, Neural and Statistical Classification. Editors D. Mitchie et.al. 1994.

    59. Murthy S. Automatic construction of decision trees from data: A Multi – disciplinary survey.1997.

    60. Ross J. Quinlan. C4.5: Programs for Machine learning. Morgan Kaufmann Publishers 1993.

    61. W. Buntine. A theory of classification rules. 1992.