УДК 336.77:338.48
DOI: 10.36871/26189976.2026.03-4.003

Авторы

Зелимхан Рамзанович Мусостов,
ФГБОУ ВО Чеченский государственный университет им. А.А. Кадырова, Грозный, Россия
Наталья Николаевна Григорьева,
ФГБОУ ВО Красноярский государственный медицинский университет имени профессора В.Ф. Войно-Ясенецкого Министерства здравоохранения Российской Федерации, Институт гастрономии, Сибирский федеральный университет, Красноярск, Россия
Ирина Анатольевна Максименко,
ФГАОУ ВО «Сибирский федеральный университет», Институт гастрономии, Красноярск, Россия

Аннотация

В статье обоснован теоретико-методологический подход к моделированию кредитного риска малого и среднего предпринимательства на основе транзакционных данных с применением интерпретируемых моделей машинного обучения. Показано, что в условиях дефицита финансирования МСП и расширения кредитного портфеля данного сегмента традиционные скоринговые процедуры уже недостаточны для своевременного выявления ухудшения качества заемщика. Транзакционный массив позволяет фиксировать устойчивость денежных потоков, сезонность выручки, концентрацию контрагентов и ранние признаки нарушения платежной дисциплины. Сделан вывод, что интерпретируемые алгоритмы обеспечивают сочетание аналитической чувствительности, прозрачности модели и возможности пересмотра автоматизированного кредитного решения.

Ключевые слова

кредитный риск
малое и среднее предпринимательство
транзакционные данные
интерпретируемые модели

Список литературы

[1] Ахмаров А. В. Модели софинансирования социальных страховых программ: сравнительный анализ и перспективы для России / А. В. Ахмаров, А. М. Мамаева, К. Д. Шахдуллаев // Экономика и управление: проблемы, решения. – 2025. – Т. 11, № 3(156). – С. 211-217. – DOI 10.36871/ek.up.p.r.2025.03.11.022. – EDN AYUZOK.

[2] Ишина И. В., Сазонова М. Н. Скоринг — модель оценки кредитного риска // Аудит и финансовый анализ. 2007. № 4. С. 297–304.

[3] Кантаев Н. К. Перспективы использования методов машинного обучения для оценки кредитных рисков // Вестник евразийской науки. 2025. Т. 17. № S2. С. 172–180.

[4] Кирилюк И. Л. Модельные риски в финансовой сфере в условиях использования искусственного интеллекта и машинного обучения // Russian Journal of Economics and Law. 2022. Т. 16. № 1. С. 40–50.

[5] Костыкова М. Ю. Скоринговая модель кредитования малого бизнеса и ее совершенствование в Российской Федерации // Финансы и кредит. 2014. № 15 (591). С. 57–64.

[6] Кривошапова С. В., Горьков А. А. Перспективы использования новых цифровых технологий в сфере управления кредитным риском и оценки кредитоспособности // Азимут научных исследований: экономика и управление. 2021. Т. 10. № 4 (37). С. 96–99.

[7] Матвеевский С. С. Опыт Японии по использованию аналитики больших данных для снижения кредитного риска при финансировании малых и средних предприятий // Вестник университета. 2019. № 10. С. 182–187.

[8] Самойлова С. С., Курочка М. А. Скоринговые модели оценки кредитного риска // Социально-экономические явления и процессы. 2014. Т. 9. № 3 (61). С. 99–102.

[9] Шешукова Т. Г., Быкова М. В. Кредитный скоринг как система анализа заемщика предприятия малого бизнеса кредитной организацией // Вестник Пермского университета. Серия: Экономика. 2013. № 1 (16). С. 52–56.

[10] Якубин А. Я. Объяснимый искусственный интеллект в кредитном скоринге: подход на основе поведенческих и макроэкономических признаков // Молодой ученый. 2025. № 19 (570). С. 35–39.