Российские и китайские исследователи разработали поисковую модель, которая может определить местонахождение кредитных заемщиков, уклоняющихся от финансовых обязательств. Программа способна обрабатывать большие объемы данных на нескольких информационных площадках одновременно и рассчитана на китайских заемщиков. В основе разработки технология машинного обучения: в процессе поиска программа совершенствуется, что повышает качество и точность результата. Как поясняют разработчики, поисковая модель поможет повысить эффективность работы финансовых учреждений, позволяя им быстрее реагировать на изменения кредитоспособности клиентов и оперативно принимать меры по снижению рисков.
Высокая кредитная нагрузка населения представляет опасность для финансовой устойчивости государства. Во-первых, это может привести к сокращению потребления населения из-за обслуживания кредитного долга, что может сказаться на замедлении экономического роста. Во-вторых, при невыполнении финансовых обязательств кредитные организации могут стать более осторожны при выдаче кредитов, что сократит количество доступных заемных средств.
Банк международных расчетов утверждает, что общий объем задолженности китайских граждан приблизился к 10,75 триллионам долларов — это 61,9 процента от уровня национального ВВП. Кредитная нагрузка населения выше только в США (74,4 процента от ВВП) и Японии (68,2 процента). По данным South China Morning Post, основная часть задолженности китайских домохозяйств приходится на ипотечное кредитование — сейчас этот показатель равен 5,38 триллионам долларов.
Результаты нового исследования ученые опубликовали в Axioms. «Наша программа имеет ряд преимуществ по сравнению с другими программами для поиска должников. Во-первых, она базируется на машинном обучении с использованием кроссплатформенного поиска информации, что позволяет мониторить несколько интернет-платформ одновременно. Во-вторых, наша разработка способна анализировать различные типы данных, включая аудио-, видео- и текстовые файлы. Такая программа может быть полезна для финансовых учреждений, кредитных компаний и страховых организаций, которые стремятся снизить финансовый риск и улучшить процесс выдачи кредитов», — поясняет научный сотрудник школы экономики и менеджмента, доцент кафедры экономики УрФУ Ибрагим Алнафра.
Функциональность аналогичных разработок меньше, поскольку часто они опираются лишь на один источник информации — например, на данные об использовании мобильной связи. На практике информация о недобросовестных заемщиках разбросана на нескольких информационных платформах, поэтому для получения более точных результатов необходимо обрабатывать большие объемы данных сразу с нескольких ресурсов.
«Ключевая особенность нашей программы заключается в использовании многоагентного подхода. Каждая группа агентов отвечает за свою сферу поиска. Например, агенты кооперативного управления определяют цель поиска, агенты сбора данных находят информацию о заемщиках на разных платформах, а агенты анализа данных обрабатывают полученную информацию. Такая структура позволяет эффективно работать с большими объемами данных на разных информационных платформах», — рассказывает Ибрагим Алнафра.
Для поиска информации о заемщике пользователю необходимо ввести ряд данных — имя, место рождения, возраст, номер мобильного телефона, время последнего контакта и адресные данные. Затем на основе этой информации программа анализирует множество интернет-платформ, которые включают в себя социальные сети (например, WeChat, Weibo, QQ и TikTok), платформы электронной коммерции (например, данные об интернет-покупках или аренде автомобиля), банковские приложения, правительственные приложения, а также платформы однорангового кредитования (вид кредитования, когда сделка происходит между физическими лицами). После получения информации о предполагаемом местоположении заемщика данные о нем будут сохранены для дальнейшего использования.
«В процессе поиска алгоритм оценивает для заемщика важность того или иного источника информации на основании его пользовательской активности. Например, если человек часто публикует комментарии на платформе Weibo, то алгоритм будет склоняться к более детальному анализу информации именно этой платформы», — комментирует Ибрагим Алнафра.
Ученые отмечают, что Китай был выбран для исследования из-за широкого распространения цифровых технологий в обществе. Социальные сети, мобильные платежи, онлайн-торговля обеспечивают огромное количество данных для анализа.
«Глубокая цифровизация общества является ключевым фактором, мотивирующим нас сосредоточиться именно на этой стране. Кроме того, на фоне продолжающегося кризиса недвижимости в Китае многие люди сталкиваются с проблемой выполнения своих финансовых обязательств. Из-за этого значительная часть населения либо не в состоянии выполнить свои платежные обязательства, либо решила полностью прекратить платежи в ответ на экономические трудности», — заключает Ибрагим Алнафра.
Отметим, в исследовании приняли участие специалисты из Уральского федерального университета, Института Наньфан Гуанчжоу, Уханьского текстильного университета, а также Центрального южного университета.
