Научные записки молодых исследователей, 2017, № 3

слово редактора

Поздравляю вас с окончанием учебного года 
и подведением итогов в научной работе! В этом 
учебном году было много интересных научных 
мероприятий, в которых участвовали студенты 
Финансового университета. В мае были подведены 
итоги VI Международного конкурса научных работ 
студентов и аспирантов. В конкурсе участвовали 
бакалавры, магистры, аспиранты и учащиеся колледжей. Победителями стали более ста талантливых молодых исследователей из 23 вузов России 
и стран ближнего зарубежья.
В III Всероссийском конкурсе студенческих научных обществ и конструкторских бюро 1–5 июня 
в Алтайском государственном университете, который проводится при поддержке Министерства образования и науки Российской Федерации, 
Всероссийского клуба молодых исследователей, 
Российского союза студенческих организаций, 
приняли участие около 80 студенческих научных 
обществ и студенческих конструкторских бюро 
из более чем 60 регионов Российской Федерации. 
Финансовый университет на конкурсе представляло НСО факультета «Государственное управление 
и финансовый контроль», которое заняло 2-е место. 
Хочется поздравить НСО Финансового университета с победой и Марка Дудко отдельно!
Представители студенческой науки Финансового университета приняли участие в работе 
III Всероссийского съезда молодежных научных и конструкторских объединений в Тюменском 
государственном университете.
Шестой ежегодный рейтинг вузов агентства RAEX (Эксперт РА) показал, что научные 
публикации российских университетов стали чаще цитироваться, зафиксировал заметный 
рост позиций экономических вузов.
Наибольшего прогресса российские вузы достигли в области научных публикаций, 
а Финансовый университет при Правительстве РФ отмечен дипломом за высокое качество 
карьеры выпускников.
По шкале Международного рейтинга высших учебных заведений (ARES-2017) Финансовый 
университет получил оценку А+, которая означает высокое качество преподавания, научной 
деятельности и востребованности выпускников работодателями (High quality performance).
Итоги первого национального рейтинга вузов РФ «Три миссии университетов» представили лучшую двадцатку российских вузов, в которой достойное и заслуженное место занял 
наш университет: МГИМО МИД России, МГТУ имени Н. Э. Баумана, МГУ имени М. В. Ломоносова, МФТИ, НИТУ «МИСиС», НИЯУ МИФИ, Первый МГМУ имени И. М. Сеченова Минздрава 
России, Финансовый университет при Правительстве российской Федерации, РАНХиГС при 
президенте РФ, РГУ нефти и газа (НИУ) имени И. М. Губкина, РНИМУ имени Н. И. Пирогова 
Минздрава РФ, Российский университет дружбы народов.
Подводя итоги всего года, можно говорить о впечатляющих результатах.
Впереди летние каникулы, время для отдыха, восстановления сил и новых ярких впечатлений!

Уважаемые читатели!

О.В. Карамова, 
заместитель руководителя 
Департамента экономической 
теории по научной работе, 
главный редактор журнала

Научные записки молодых исследователей № 3/2017
2

содержание

Учредитель
ФГоБУ «Финансовый 
университет 
при Правительстве 
российской Федерации»

свидетельство 
о регистрации 
Пи № Фс77-67073 
от 15 сентября 2016 г.

Главный редактор
о.в. карамова,
д-р экон. наук

Заведующий редакцией 
научных журналов
в.а. Шадрин

Выпускающий редактор
и. с. довгаль

Корректор
с.Ф. Михайлова

Верстка
с.М. ветров

Мнение редакции 
и членов редколлегии 
может не совпадать 
с мнением авторов.

Письменное 
согласие редакции 
при перепечатке, ссылки 
при цитировании статей 
журнала «Научные 
записки молодых 
исследователей» 
обязательны.

Подписной индекс 
в объединенном каталоге 
«Пресса России» — 42136. 
По вопросам подписки 
и приобретения журнала 
в редакции звонить 
(499) 943-94-31
e-mail: NAGurskaya@fa.ru 
Гурская н.а.

Почтовый адрес редакции: 
125993, Москва, ГСП-3, 
Ленинградский проспект, 
д. 53, 5-й этаж, комн. 5.4.  
Тел.: (499) 943-94-53

http://www.fa.ru/dep/
scinotes/journal/Pages/
Default.aspx
E-mail: vestnicfinu@mail.ru

Формат 60 × 84 1/8
Заказ № 791  
от 13.07.2017
Отпечатано 
в Отделе полиграфии 
Финуниверситета
(Ленинградский пр-т, д. 49)

ЭКОНОМИКА

Дьяков О. А.
особенности применения методов Data Mining в скоринговых решениях 
для коммерческих банков . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5

Смирнова Д. С.
влияние создания компенсационного фонда защиты дольщиков  
на строительную отрасль россии  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12

Вандышева Е. С.
Эконометрический анализ факторов  
инновационной активности регионов россии . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .20

Никитин Н. А.
совершенствование внешнеэкономической 
стратегии российской экономики . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .27

ИНФОРМАЦИОННАЯ БЕЗОПАСНОСТЬ

Трембицкий Я. С.
Повышение безопасности расчетов, совершаемых в интернет-банкинге . . . . . . .34

Мусихина Д. А.
Проблемы определения актуальных угроз безопасности  
персональных данных в банковско-финансовой сфере . . . . . . . . . . . . . . . . . . . . . .39

Григорьев В. С.
Проблемы распознавания зашифрованного трафика в канале связи . . . . . . . . . .43

СОЦИУМ

Шпак С. В.
критическое мышление как инструмент  
создания профессиональной команды . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .52

Абузярова Я. Э.
решение проблем управления конфликтами 
в современных организациях . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .55

ФОРУМ

Хазгалиева Н. Р.
влияние инновационных технологий на развитие финансовой системы 
в современных условиях . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .59

Погосян А. М.
инновационные платежные инструменты в цифровой экономике  . . . . . . . . . . . .63

Коровкина Е. В.
создание цифровой экосистемы коммерческого банка: основные пути 
и прогнозируемые результаты  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .68

Прошина Л. Н.
Проблемы развития ит-стартапов в россии . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .72

Гурин А. С., Гурин Я. С.
облачные технологии как тренд дигитализации финансового сектора . . . . . . . . .75

наУЧнЫе ЗаПиски
МолодЫх исследователей

1919

1919

Научные записки молодых исследователей № 3/2017
3

Contents

редакционнЫй 
совет

Председатель  
совета —  
М.а. Эскиндаров, 
ректор 
Финансового 
университета

а.Г. аксаков, 
научный 
руководитель 
кредитноэкономического 
факультета

М.в. Мишустин, 
научный 
руководитель 
факультета налогов 
и налогообложения

в.и. соловьев, 
руководитель 
Департамента 
анализа данных, 
принятия решений 
и финансовых 
технологий

Г.а. тосунян, 
президент 
Ассоциации 
российских банков

а.в. трачук, 
руководитель 
Департамента 
менеджмента

в.в. Федоров, 
научный 
руководитель 
факультета 
социологии 
и политологии

л.З. Шнейдман, 
научный 
руководитель 
факультета учета 
и аудита

ECONOMY

Dyakov O. A.

The Specific Features of Using Data Mining Techniques in Scoring Solutions for 

Commefrcial Banks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .5

Smirnova D. S.

The Impact of the Establishment of a Compensation Fund for the Protection of 

Investors on the Construction Industry of Russia  . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12

Vandysheva E. S.

Econometric Analysis of Factors of Innovation Activity in Russian Regions . . . . . . . .20

Nikitin N. A.

Improvement of the Foreign Economic Strategy of the Russian Economy . . . . . . . . .27

INFORMATION SECURITY

Trembitskiy Y. S.

The Improvement of the Security of Payments  

Made through Internet Banking System . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34

Musikhina D. A.

The Problem of Determining the Relevant Threats to the Security  

of Personal Data in the Banking and Financial Sector  . . . . . . . . . . . . . . . . . . . . . . . . .39

Grigoriev V. S.

The Problem of Recognition of Encrypted Traffic in the Communication Channel . . .43

SOCIUM

Shpak S. V.

Critical Thinking as a Tool for Creating a Professional Team . . . . . . . . . . . . . . . . . . . .52

Abuzyarova Y. E.

The Decision the Conflict Management`s Problems  

in the Modern Organizations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .55

FORUM

Khazgalieva N. R.

The Impact of Innovative Technologies for the Development 

of the Financial System in Modern Conditions  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .59

Pogosyan A. M.

Innovative Payment Instruments in the Digital Economy . . . . . . . . . . . . . . . . . . . . . . .63

Korovkina E. V.

The Creation of a Digital Ecosystem of Commercial Bank  . . . . . . . . . . . . . . . . . . . . . .68

Proshina N. L.

The Development Issues of It-Startups in Russia . . . . . . . . . . . . . . . . . . . . . . . . . . . . .72

Gurin A. S., Gurin J. S.

Cloud Technology as the Trend of Digitalization of the Financial Sector . . . . . . . . . .75

Научные записки молодых исследователей № 3/2017
4

редакционная коллеГия

вЫ Можете оФорМитЬ ПодПискУ на жУрнал 
«наУЧнЫе ЗаПиски МолодЫх исследователей»

•  В любом отделении связи «Почта России». 
Подписной индекс по объединенному каталогу 
«Пресса России» 42136

•  В редакции по адресу: 
Москва, Ленинградский проспект, 53, комн. 5.3
Тел.: (499) 943-9431
Менеджер Гурская Наталья Анатольевна

а.н. Зубец, 
проректор по стратегическому 
развитию и практикоориентированному образованию

а.и. ильинский, 
декан Международного 
финансового факультета

и.и. климова, 
руководитель Департамента 
языковой подготовки

р.М. нуреев,
научный руководитель 
Департамента экономической 
теории

М.р. Пинская, 
директор Центра налоговой 
политики и налогового 
администрирования

в.Ю. Попов, 
профессор Департамента анализа 
данных, принятия решений 
и финансовых технологий

с.а. Посашков, 
декан факультета прикладной 
математики и информационных 
технологий

с.н. сильвестров, 
директор Института 
экономической политики 
и проблем экономической 
безопасности

л.в. клепикова, 
декан факультета учета и аудита

к.в. симонов, 
первый проректор 
по международному 
сотрудничеству и внешним 
коммуникациям

в.н. сумароков, 
советник при ректорате

р.в. Фаттахов, 
главный научный сотрудник 
Центра региональной 
экономики и межбюджетных 
отношений

М.а. Федотова, 
руководитель Департамента 
корпоративных финансов 
и корпоративного управления

а.н. Чумаков, 
профессор Департамента 
социологии

в.Ф. Шаров, 
доктор экономических наук, 
профессор

а.Б. Шатилов, 
декан факультета социологии 
и политологии

н.т. Шестаев, 
заместитель проректора 
по социальной 
и воспитательной работе

о.в. карамова, 
заместитель руководителя 
Департамента экономической 
теории по научной работе, 
главный редактор журнала

л.и. Гончаренко, 
руководитель Департамента 
налоговой политики 
и таможенно-тарифного 
регулирования

н.и. Пушкарская, 
заместитель главного редактора, 
начальник Управления 
регионального развития

М.а. абрамова, 
заместитель руководителя 
Департамента по учебнометодической работе

в.и. авдийский, 
декан факультета анализа 
рисков и экономической 
безопасности

е.в. арсенова, 
декан факультета менеджмента

е.р. Безсмертная, 
декан кредитно-экономического 
факультета

в.а. дмитриев, 
научный руководитель факультета 
международных экономических 
отношений

в.н. Засько, 
декан факультета налогов 
и налогообложения

Научные записки молодых исследователей № 3/2017
5

УДК 004.891

осоБенности ПриМенения 
Методов DATA MInIng 
в скоринГовЫх реШениях 
для коММерЧеских Банков

Дьяков О. А.,
магистр кафедры бизнес-информатики,
Финансовый университет, Москва, Россия
olegdyakov93@gmail.com

Аннотация. В контексте возрастающей потребности в автоматизации и повышении качества 
процесса оценки кредитоспособности заемщика и его дальнейшего поведения скоринговая модель, 
построенная с применением технологий Data Mining, является хорошим технологическим подспорьем. Скоринговое решение позволяет сделать процесс оценки кредитоспособности и мониторинга 
кредитной заявки более прозрачным и контролируемым. Рабочий цикл Data Mining, представляющий 
собой спиральную модель, хорошо укладывается в границы разработки скоринговой модели и позволяет использовать при ее создании такие методы, как: логистическая регрессия, дискриминантный 
линейный анализ, нейронные сети и деревья решений. Немаловажным является тот факт, что 
указанные методы представляют возможность самообучения и развития скоринговой модели на 
основе статистических и исторических данных. Тем не менее значимость и степень применения 
тех или иных средств интеллектуального анализа данных определяется руководством организации 
на основе принятой скоринговой стратегии. В конечном итоге банк получает возможность быстро 
и эффективно решать широкий спектр задач скоринга в условиях динамической бизнес-среды.
В рамках статьи рассмотрены вопросы значимости технологии кредитного скоринга для финансовой 
организации, особенности принятия решений в рамках различных видов скоринга, а также особенности 
и целесообразность применения методов интеллектуального анализа данных в скоринговых моделях.
Ключевые слова: кредитный риск; скоринг; банкинг; интеллектуальный анализ данных; методы 
data mining.

The Specific feaTureS of uSing DaTa Mining 
TechniqueS in Scoring SoluTionS  
for coMMercial BankS

Dyakov O. A.,
Master’s degree in of Business Informatics,
Financial university, Moscow, Russia
olegdyakov93@gmail.com

Abstract. Credit scoring technology provides a fast and objective assessment of the risk level for preapproved 
loans and some recommendations how to work with such loans. Due to the fact of growing need to automate 
and improve the quality of the evaluation of borrower creditworthiness and to predict his financial behavior, a 

Научный руководитель: Громова А. А., кандидат экономических наук, доцент кафедры бизнес-информатики.

ЭконоМика

Научные записки молодых исследователей № 3/2017
6

В 

настоящий момент услуга предоставления 
кредитной организацией займов физическим 
лицам пользуется большой популярностью 
среди населения страны. По результатам исследования «Объединенного кредитного бюро» (ОКБ) 
[1] практически 60% активного населения России 
имеет непогашенные кредитные обязательства, при 
этом каждый заемщик в среднем должен банку порядка 210 тыс. руб.
В то же время в банковской сфере на фоне общей сложной экономической ситуации, острой 
конкурент ной борьбы и ужесточившегося надзора со стороны главного финансового регулятора 
отлаженная работа основного направления, подразумевающего кредитование физических лиц 
и индивидуальных предпринимателей, особенно 
важна. Стоит отметить, что фундаментальным звеном 
в данном сквозном бизнес-процессе является оценка 
кредитоспособности потенциальных заемщиков. 
Здесь имеет место проявление кредитного риска, 
управление которым зачастую определяет эффективность деятельности банка, а также обеспечивает 
его финансовую устойчивость. Понятие кредитного 
риска представлено в письме Банка России «О типичных банковских рисках»: кредитный риск —  риск 
возникновения убытков вследствие неисполнения, 
несвоевременного либо неполного исполнения должником финансовых обязательств перед кредитной 
организацией в соответствии с условием договора *.
Принимая во внимание условия Второго Базельского соглашения (Базель II) [2], предписывающего 

банкам при определении величины кредитного 
риска использование либо стандартизированного 
подхода, либо базового внутреннего рейтинга, основанного на собственных разработках, применение 
скоринговой системы может оказаться хорошим 
подспорьем в решении данного вопроса.
Технологическое решение задачи количественной оценки кредитных рисков и разработки методов 
расчета резервов лежит в области формализованного применения инноваций в области информационных технологий. В данной сфере основной 
уклон необходимо сделать в сторону интеллектуальных автоматизированных и полуавтоматизированных систем класса Business Intelligence (BI), 
а также технологий Data Mining, представляющих 
мощный аппарат современной бизнес-аналитики 
и исследования данных для обнаружения скрытых 
закономерностей и построения предсказательных 
моделей [3]. В этой связи оправдано применение 
финансовыми организациями скоринговой модели, 
построенной на основе методов Data Mining —  инструмента, включающего в себя математические 
и программные методы интеллектуальной обработки исторических и статистических данных для 
принятия кредитных решений, а также являющегося 
элементом кредитной стратегии розничного банка.
Такая модель позволяет перевести гетерогенную 
информацию из разряда характеристик заемщика 
в категорию специфических значений и сформировать некоторый интегральный показатель, указывающий на степень кредитного риска, связанного 
с этим заемщиком.
Необходимо отметить, что кредитование юридических лиц и организаций в банках чаще всего 

особенности применения методов Data Mining в скоринговых решениях для коммерческих банков

scoring model based on Data Mining technology could be an effective solution for such a question. The scoring 
solution makes a process of credit assessment and monitoring of credit applications more transparent and well 
controlled at all stages of the loan life cycle: from submitting credit application to the full credit repayment or 
collection of receivables. Having a spiral model operating cycle of Data Mining technology fits well into the 
borders of the development of scoring models and the fact of creating them allows to use different methods such 
as logistic regression, discriminant linear analysis, neural networks and decision trees. It is also important that 
these methods provide an opportunity for scoring model to learn by itself and develop, being based on statistical 
and historical data. Nevertheless, the significance of certain data mining methods and their extent of use are 
based on current scoring strategy and determined by the top-management. Eventually banks will be able to 
solve a wide range of specified scoring business tasks in a dynamic business environment quickly and efficiently.
The scope of the article includes the following issues: the importance of credit scoring technology for 
financial institutions, the specific features of decision-making for various types of scoring, as well as some 
features and the expediency of using data mining methods in credit scoring models.
Keywords: credit risk; scoring; banking; data mining; scoring model.

* Письмо Центрального банка Российской Федерации 
от 23.06.2004 № 70-Т.

Научные записки молодых исследователей № 3/2017
7

подразумевает индивидуальный подход к каждой 
отдельной сделке. Условия таких сделок согласуются 
коллегиально на кредитных комитетах и предусматривают возможность отклонения от стандартных 
условий кредитования. Таким образом, применение 
скоринговой модели имеет место главным образом 
в процессе кредитования физических лиц, особенно 
в части потребительского кредитования при необеспеченных ссудах. Далее речь пойдет об оценке 
кредитного риска заемщиков —  физических лиц.
Основные задачи практически любой скоринговой модели в банковской сфере включают в себя 
следующие:
• Увеличение объемов кредитного портфеля 
за счет снижения доли необоснованных отказов 
по кредитным сделкам.
• Ускорение процесса оценки кредитоспособности потенциального заемщика при максимальном качестве и точности оценки.
• Снижение общего уровня невозврата заемных 
средств.
• Использование в качестве инструмента централизованного накопления данных о клиенте.
• Снижение резерва на возможные потери по 
ссудам (РВПС) по портфельным и непортфельным 
кредитам.
• Оценка динамики изменений ссудного счета клиента как в разрезе конкретной сделки, так 
и всего кредитного портфеля в целом.
Скоринговая модель подразумевает осуществление оценки кредитного риска с применением 
отдельных методов стандартизированного подхода. 
Такой подход основан на расчете кредитными организациями количественных и качественных оценок 

рисков по результатам проведения комплексного 
анализа деятельности заемщика. Основные элементы такого анализа чаще всего включают в себя 
информацию о текущем финансовом положении 
заемщика, качестве обслуживания долга по уже 
имеющимся ссудам, а также находящуюся в распоряжении кредитной организации информацию 
о любых рисках заемщика, включая сведения о его 
внешних обязательствах, полученные из бюро кредитных историй [4].
Каждый из этапов жизненного цикла кредитной 
заявки и в последующем кредитного договора имеет 
свои характерные особенности в рамках принятия 
того или иного решения, а также свои методологии 
расчета оценок [5]. Так, в зависимости от того, на каком этапе находится кредитная заявка или договор, 
системой может применяться соответствующий вид 
скоринга. Если условно разделить жизненный цикл 
кредитной заявки на этапы «Заведение», «Сопровождение» и «Взыскание», то привязку к скоринговым 
решениям можно представить, как показано на рис. 1.
На этапе заведения сделки применяется скоринг заявок и обращений по кредитным продуктам 
(Application Scoring), задачей которого является 
оказание помощи андеррайтерам и кредитным инспекторам при принятии решения о выдаче кредита 
на основе имеющейся информации о заявителе. 
Параллельно с этим на данном этапе жизненного 
цикла сделки используется скоринг мошенничества 
(Fraud Scoring) для статистической оценки вероятности мошеннических действий со стороны потенциального заемщика. Учитывая, что Fraud Scoring 
позволяет риск-аналитикам выявлять зависимости 
и согласованность действий по множеству кли
ЭконоМика

Рис. 1. Этапы скоринга на жизненном цикле заявки

Научные записки молодых исследователей № 3/2017
8

ентов, его применение целесообразно и на этапе 
сопровождения кредитной сделки. Также на этапе 
сопровождения задействован поведенческий скоринг (Behavioral Scoring), главной целью которого 
является анализ всей истории взаимоотношений 
с действующими клиентами для прогнозирования 
изменения платежеспособности заемщика, т. е. возможности отвечать по долговым обязательствам на 
текущий момент времени в целях корректировки 
установленных кредитных параметров либо формирования индивидуальных предложений. В случае 
если сделка переходит на этап «Взыскание», для 
эффективного управления дебиторской задолженностью кредитными организациями часто применяется 
система скоринга просроченных задолженностей 
(Collection Scoring).
Скоринговые системы, использующие различные 
виды скоринга, позволяют кредитной организации 
снизить издержки и минимизировать операционный 
риск за счет автоматизации принятия решения, сокращают время обработки заявок на предоставление кредита, дают возможность банкам проводить 
свою кредитную политику централизованно, обеспечивают дополнительную защиту от мошенничества. 
При этом необходимо учитывать, что банк имеет 
возможность самостоятельно определять степень 
и периодичность использования указанных видов 
скоринга для каждого конкретного направления кредитования, корректируя свою скоринговую модель.

Возвращаясь к вопросу о технологической реализации скоринговой системы, обеспечить высокую 
степень автоматизации процессов скоринга с высокой степенью эффективности во всей цепочке 
работы, начиная со сбора данных и заканчивая 
получением итоговых баллов и предложениям по 
стратегии, возможно с помощью методов интеллектуальной обработки данных Data Mining.
Согласно определению компании SAS Institute 
[6] Data Mining представляет собой процесс выявления скрытых закономерностей, обнаружения 
в необработанных данных ранее неизвестных, нетривиальных знаний, простых для интерпретации 
и практически полезных в принятии решений во 
всех областях человеческой деятельности.
Отличительной особенностью технологии Data 
Mining является возможность выявлять среди больших массивов данных закономерности, которые не 
могут быть обнаружены стандартными тривиальными способами обработки информации, но при этом 
являются практически полезными и объективными. 
При этом методы Data Mining реализованы на базе 
различных научных дисциплин, таких как теория 
вероятности и математическая статистка, теория баз 
данных, искусственный интеллект, алгоритмизация, 
визуализация и другие.
В качестве основных методов Data Mining, которые технологически возможно применить при 
построении скоринговой модели в кредитной ор
Рис. 2. искусственный нейрон в нейронной сети

1
=
=
×
∑

n

i
i

i

S
 
X
w           Y = F(S)

особенности применения методов Data Mining в скоринговых решениях для коммерческих банков

Научные записки молодых исследователей № 3/2017
9

ганизации, можно определить следующие: модель 
логистической регрессии, дискриминантный линейный анализ, нейронные сети и деревья решений. При этом при выборе того или иного метода 
необходимо в первую очередь руководствоваться 
видом скоринга, для которого будет разрабатываться 
скоринговая модель. Это связано с тем, что каждый 
из 4 видов скоринга, описанных выше, преследует 
свою цель при интерпретации результатов, имея 
при этом различные перечни значимых входных 
данных и стратегии их обработки.
Нейронные сети представляют собой самообучающиеся статистические модели, построенные 
по принципу функционирования и организации 
биологических сетей нервных клеток в живом 
организме. Каждый нейрон в такой модели —  это 
обрабатывающий элемент, связанный с другими 
элементами и внешней средой с помощью входных 
связей, определяемых весовыми коэффициентами 
(синапсами), и выходных связей (аксонами). Стандартными составными элементами нейрона также 
являются следующие: входной сумматор связей, 
агрегирующий силу входных импульсов нейрона, 
нелинейный преобразователь —  основная расчетная 
функция (ядро нейрона) и точка ветвления, выдающая итоговый результат выполнения функции (рис. 2).
Применительно к скоринговой модели уровень 
входящих связей можно представить как набор 
характеристик, использующихся для определения платежеспособности клиента. Точка ветвления 
представляет собой ожидаемый результат —  оценку 
платежеспособности клиента. Входящими и исходящими данными такой модели могут быть как 
количественные, так и качественные показатели, 
переведенные в фиктивные переменные. Другими 
словами, нейронная сеть —  это «черный ящик», где 
разработчик-аналитик с помощью статистических 
программ задает имеющиеся независимые переменные и ожидаемый результат, а на выходе получает 
подсчитанные системой коэффициенты модели 
(скоринговые веса).
Деревья решений —  это модель, строящаяся 
на логической цепочке правил, которые пытаются 
описать отдельные взаимосвязи между данными 
относительно ожидаемого результата. Для принятия 
решения, к какому классу отнести некоторый объект или ситуацию, требуется ответить на вопросы, 
стоящие в узлах этого дерева, начиная с его корня. 
При этом структура деревьев решений открыто показывает аргументацию правил и поэтому позволяет 

легко интерпретировать процесс принятия решения 
на том или ином узле. Фрагмент дерева решений 
для скоринга заявок и обращений по кредиту приведен на рис. 3.
Следующий метод интеллектуального анализа 
данных —  множественная линейная регрессия —  связывает поведение зависимой переменной (в случае 
скоринга заявок и обращений —  платежеспособность 
клиента) с линейной функцией определенного набора независимых переменных (характеристиками 
заемщика). Такая функция позволяет определить 
наилучшую линейную зависимость путем минимизации суммы стандартных отклонений и имеет 
следующий вид:

1
1
2
2
i
i
i
m
im
y
x
x
x
= α + χ ×
+β ×
+…+β ×
,

где α  —  свободный член уравнения; yi —  зависимая переменная (платежеспособный/неплатежеспособный клиент); xi —  независимые переменные 
(характеристики заемщика); β —  параметры модели 
(скоринговые веса). Полученные в результате построения модели β значения —  это параметры, которые определяют характер связи между наблюдаемым значением зависимой переменной «оценка 
кредитоспособности клиента» и соответствующими 
скоринговыми характеристиками.
Еще одним методом интеллектуального анализа 
данных при построении скоринговых моделей является дискриминантный линейный анализ, содержанием которого является выявление решения задач 
различения (дискриминации) объектов наблюдения 
по заданным признакам. Применительно к скорингу 
объектами наблюдения являются собственно заемщики, а признаки —  характеристики этих заемщиков 
(независимые переменные, или предикторы). Процедуры дискриминантного анализа можно условно 
разделить на две группы. Первая группа процедур 
предназначена для интерпретации различия между 
существующими группами, вторая —  для проведения классификации новых объектов в тех случаях, 
когда неизвестно заранее, к какой из существующих 
групп они относятся.
В ситуации применения метода дискриминантного анализа для скоринга заявок и обращений 
(Application Scoring) скоринговая модель может 
полностью дублировать модель множественной 
регрессии для того же вида скоринга. Это связано 
с тем, что в этом случае дискриминация применяется 
только к двум группам клиентов: кредитоспособным 

ЭконоМика

Научные записки молодых исследователей № 3/2017
10

и некредитоспособным заемщикам. Таким образом, 
используя эти группы в качестве зависимых переменных в множественной регрессии, будут получены результаты, аналогичные тем, которые могли 
бы быть получены с помощью дискриминантного 
анализа. Другими словами, в случае дискриминации двух групп составляется линейное уравнение 
следующего типа:

(
)
1
1
2
2
1,2
m
m
Группа
a
b
x
b
x
b
x
=
+
×
+
×
+…+
×
,

где a  —  константа; 
1b …m
b  —  коэффициенты регрессии.
Интерпретация результатов задачи с двумя группами тесно следует логике использования множественной регрессии: здесь переменные с наибольшими 
значениями регрессионных коэффициентов привносят наибольший вклад в дискриминацию групп.
Обращаясь к результатам зарубежных исследований в области статистики и анализа данных 
[7, 8], следует отметить, что алгоритм бинарного 
дерева решений имеет более высокую степень кластеризации заемщиков по доходному признаку по 
сравнению с методами логистической регрессии, 
дискриминантного линейного анализа и нейронных сетей. С другой стороны, выявлено, что метод 
нейронных сетей имеет наименьший (причем много 
меньше остальных методов) процент ошибок 2-го 
рода, подразумевающих, что некредитоспособный 

заемщик будет квалифицирован скоринговой системой как кредитоспособный. При этом необходимо 
учитывать, что ошибки 2-го рода являются наиболее 
критическими с точки зрения кредитного риска, 
а ошибки 1-го рода (кредитоспособный заемщик 
квалифицируется скоринговой системой как некредитоспособный) характеризуют нереализованные банковские продукты и упущенные рыночные 
возможности.
Тем не менее необходимо учитывать, что степень 
эффективности применимости того или иного метода или их совокупности варьируются в зависимости 
от направлений скоринговой стратегии в том или 
ином банке.
Говоря о целесообразности применения методов 
Data Mining при построении скоринговой модели, 
необходимо также отметить возможность тесной 
увязки этапов жизненного цикла скоринговой системы, рассматриваемой как в качестве самостоятельного программного продукта, и рабочего цикла 
Data Mining [9] с точки зрения его использования 
как технологического фундамента для информационной системы. Оба цикла представляют собой 
набор повторяющихся функциональных шагов, при 
этом каждый из 11 основных шагов разработки 
скоринговой модели можно однозначно соотнести 
с этапами разработки модели Data Mining (рис. 4).
Таким образом, в контексте возрастающей потребности в автоматизации и повышении качества 

Рис. 3. Фрагмент дерева решений для скоринга заявок по кредиту

особенности применения методов Data Mining в скоринговых решениях для коммерческих банков

Научные записки молодых исследователей № 3/2017
11

процесса оценки кредитоспособности заемщика 
и его дальнейшего поведения скоринговая модель, 
построенная с применением технологии Data Mining, 
может стать универсальным и эффективным инструментом, который может быть тиражирован в систему 
потребительского кредитования многих финансовых 
организаций.
Стоит отметить, что система скоринга —  это динамическая среда, которая требует своевременных 
доработок и планового сопровождения. Учитывая, 
что скоринг строится на статистических данных 
прошлого, система может реагировать на изменения 

социально-экономической ситуации с некоторым 
временным лагом. Однако методы Data Mining при 
построении скоринговых моделей предполагают 
использование генерации гипотез о закономерностях, имеющих место в анализируемых данных, 
и построение моделей, позволяющих количественно 
оценить уровень корреляции исследуемых факторов, 
основываясь на имеющейся информации. Такой 
подход в некоторой степени дает возможность превратить скоринговую модель в самообучающуюся 
систему и тем самым максимально нивелировать 
отставание от текущей действительности.

список источников

1. Аналитическая Русская служба BBC. У 59% занятого населения России есть непогашенные кредиты [Электронный ресурс] // http://www.bbc.com/russian/, 06.04.2016. URL: http://www.bbc.com/russian/
news/2016/04/160406_russia_bank_loans (дата обращения: 19.11.2016).

2. Финансовая газета. Что такое «Базельские соглашения»? [Электронный ресурс] // http://fingazeta.ru/, 
24.01.2012. URL: http://fingazeta.ru/how-much/173977/ (дата обращения: 25.09.2016).

3. Дьяков О. А., Солянов К. С. Формирование кредитного конвейера банка на основе систем бизнес-аналитики. 
Стратегии бизнеса. 2016, (7):2. DOI:10.17747/2311–7184–2016–7–2.

4. Саитова С. Т. Использование скоринговой модели при управлении кредитным риском // Молодой ученый. 
2013. № 12. С. 342–344.

5. Коптелов А. Кредитный скоринг: реальные возможности [Электронный ресурс] // http://www.cnews.ru/, 
04.09.2013. URL: http://www.cnews.ru/articles/kreditnyy_skoring_realnye_vozmozhnosti (дата обращения: 
22.11.2016).

6. SAS Institute. Data Mining. What it is and it matters? [Электронный ресурс] // http://www.sas.com. URL: 
http://www.sas.com/en_us/insights/analytics/data-mining (дата обращения: 17.11.2016).

7. Huseyin Ince, Bora Aktan. A comparison of Data Mining techniques for credit scoring in banking: a managerial 
perspective // Journal of Business Economics and Management, 2010, Vol. 10, No. 3.

8. Evaristus Didik Madyatmadja, Mediana Aryuni. Comparative study of Data Mining model for credit card application 
scoring in bank // Journal of Theoretical and Applied Information Technology, 2014, Vol. 59, No. 2.

9. ИНТУИТ, Национальный открытый университет. Лекция 28: Data Mining консалтинг [Электронный ресурс] // http://www.intuit.ru/. URL: http://www.intuit.ru/studies/courses/6/6/lecture/212?page=1 (дата обращения: 
16.11.2016).

Рис. 4. соотнесение рабочего цикла Data Mining 
с последовательностью разработки скоринговой модели

 

ЭконоМика

Научные записки молодых исследователей № 3/2017
12

УДК 659.1(06)

влияние соЗдания 
коМПенсационноГо Фонда 
ЗаЩитЫ долЬЩиков 
на строителЬнУЮ отраслЬ россии

Смирнова Д. С.,
студентка, Финансовый университет, Москва, Россия
daria_smirnova_1998@mail.ru

Аннотация. В статье рассмотрена проблема приобретения гражданами России жилья по договорам долевого участия (ДДУ) в условиях волатильности рынка и банкротства строительных 
компаний. Представлено исследование механизмов страхования договоров долевого участия и их 
недостатки. Были проанализированы статистические данные о построенных жилых объектах, их 
площади, незавершенных строительных объектах и случаях банкротства строительных компаний. 
Рассмотрена политика Правительства Российской Федерации в отношении страхования обязательств застройщиков —  создание государственного компенсационного фонда. Описаны функции 
фонда, условия вступления в него, а также его недостатки. Обозначены ожидаемые изменения при 
полном функционировании компенсационного фонда. Также предложены возможные пути решения 
проблемы.
Ключевые слова: строительство; договор долевого участия; страхование; банкротство; компенсационный фонд.

The iMpacT of The eSTaBliShMenT of a coMpenSaTion 
funD for The proTecTion of inveSTorS on The 
conSTrucTion inDuSTry of ruSSia

Smirnova D. S.,
student, Financial University, Moscow, Russia
daria_smirnova_1998@mail.ru

Abstract. The article considers the problem of house-buying by Russian citizens on the basis of the 
equity participation agreement in conditions of market volatility and bankruptcy of the building companies. 
The author studies insurance mechanisms of equity participation agreements and their negative features. 
The article analyzes the statistical data about the constructed residential objects, their area, unfinished 
building objects and cases of bankruptcy of construction companies. The author considers the policy of the 
Government of the Russian Federation regarding the insurance of developers’ obligations —  the creation of a 
state compensation fund. The article describes some functions of the fund, conditions for joining it, as well 
as its weaknesses. The author elaborates on expected changes as a result of creation and full functioning 
of the compensation fund. This paper introduces possible solutions to the problem.
Keywords: building; equity participation agreement; insurance; bankruptcy; compensation fund.

Научный руководитель: Карамова О. В., доктор экономических наук, профессор, заместитель руководителя Департамента экономической теории по научной работе.

ЭконоМика