Предположим, предприниматель или заемщик с небольшой кредитной или деловой историей идет в банк или какое-либо финансовое учреждение, чтобы занять деньги.
Банки могут использовать в качестве альтернативы кредитной или деловой истории «психометрические» или «поведенческие» тесты.
Какие «психометрические» или «поведенческие» тесты используются для оценки кредитоспособности потенциального заемщика с ограниченной кредитной историей? Где я могу прочитать об этом подробнее (например, какие статьи, какие статьи или журналы, ключевые слова для поиска в Google)?
Не совсем моя область знаний, но я считаю, что это очень интересный вопрос, и я немного погуглил ответы.
EFL (Entrepreneurial Finance Lab) — это коммерческая компания, претендующая на звание лидера рынка в области психометрической оценки кредитов. Компания была выделена из исследовательского проекта Центра международного развития Гарвардского университета. Метод EFL освещался в ряде сообщений СМИ (например, здесь и здесь ).
Основная идея заключается в применении психометрических данных в качестве основы для определения того, давать ли микрофинансовые ссуды потенциальным предпринимателям в развивающихся странах. На таких развивающихся рынках традиционный кредитный скоринг, используемый в промышленно развитых странах, либо недоступен, либо менее надежен. Если это сработает, психометрия может помочь выдавать кредиты предпринимателям, которые менее склонны к дефолту, и тем самым более эффективно бороться с бедностью.
Учитывая, что это частный тест, получить подробную информацию о том, какие данные используются, сложно. Согласно новостным сообщениям и веб-сайту компании, они оценивают подвижный интеллект , определенные взгляды и убеждения , предсказывающие предпринимательский успех (например, локус контроля), конкретные деловые навыки , а также этику и честность . Часть этих данных основывается на вопросах самоотчета, другие, по-видимому, используют больше поведенческих данных (например, производительность в интеллектуальном задании или риск-играх).
Чтобы предсказать кредитоспособность, они используют байесовское иерархическое моделирование. Насколько я понял, первоначально они использовали данные мета-анализа предикторов предпринимательского успеха в качестве входных данных (например, Rauch & Frese, 2007). Теперь они, кажется, используют свои собственные данные для построения моделей.
Источником дополнительной информации о том, как это работает, может быть книга, опубликованная основателями EFL (Klinger, Khwaja, & del Carpio, 2013). Цитата из отрывка из главы 2 книги:
Что касается личностных качеств «большой пятерки », обнаружено, что экстраверсия тесно связана с более высокими уровнями прибыли, с более слабыми отношениями к покладистости (положительные) и добросовестности (отрицательные).
Интересно, что добросовестность имеет слабую отрицательную связь с прибылью: самые честные предприниматели не самые честные (так в оригинале). И наоборот, при рассмотрении риска дефолта предприниматели с самым низким уровнем риска также, как правило, получают более высокие баллы по оценке добросовестности, а также регистрируют более высокий уровень добросовестности.
Диапазон цифр (гибкий интеллект), контролирующий уровень образования, отрицательно связан с уровнем прибыли, но не связан с риском дефолта.
В сочетании эти отношения с добросовестностью, честностью и уровнем образования имеют AUC (общий показатель предсказательной силы кредитного рейтинга) 0,57–0,66, что не является чрезвычайно сильным по сравнению с моделями кредитного скоринга в странах с высоким уровнем информации и на рынке. сегментов, но этого достаточно, чтобы повысить ценность задачи анализа рисков, стоящей перед банками, кредитующими МСП на развивающихся рынках.
Мы показываем, что для одного из выборочных банков риск дефолта для клиентов с низким баллом на 50% выше, чем для клиентов с высоким баллом. Кроме того, мы показываем, что эти результаты можно улучшить, настроив модели для каждой страны и финансового учреждения , что неудивительно, учитывая культурные различия между Перу, Колумбией, Кенией и Южной Африкой. В то время как традиционные методы построения моделей сталкиваются с трудностями при такой настройке без больших объемов данных, показано, что новые методологии, такие как байесовские методы, обещают еще больше улучшить результаты, делая возможной настройку без чрезмерной подгонки и еще больше укрепляя аргументы в пользу использования психометрических данных. инструменты для анализа кредитного риска.
Очевидный вопрос заключается в том, могут ли злонамеренные заемщики и кредитные инспекторы использовать этот тип оценки ( которые говорят своим клиентам, как, по их мнению, они должны ответить, чтобы получить кредит). EFL говорит , что они принимают различные меры для предотвращения этого (например, проверяют, не вызывают ли определенные кредитные специалисты невероятные шаблоны ответов для своих клиентов, рандомизируют ответы, анализируют вопросы, на которые нет очевидного «правильного» ответа и т. д.).
Компания утверждает, что очень успешно улучшила качество кредитных решений, представив серию тематических исследований. Тем не менее, учитывая, что это коммерческая компания и все анализы проводятся за закрытыми дверями, было бы разумно воспринимать эту информацию с долей скептицизма .
использованная литература
Клингер, Б., Хваджа, А.И., и дель Карпио, К. (2013). Предприимчивая психометрия и сокращение бедности. SpringerBriefs по психологии. Нью-Йорк, штат Нью-Йорк: Springer New York. Получено с http://link.springer.com/10.1007/978-1-4614-7227-8
Раух, А., и Фрезе, М. (2007). Вернемся к исследованию предпринимательства: метаанализ взаимосвязи между личностными качествами владельцев бизнеса, созданием бизнеса и успехом. Европейский журнал труда и организационной психологии, 16, 353–385. дои: 10.1080/13594320701595438
Антон Тарасенко
BCLC
Антон Тарасенко
BCLC