דירוג אשראי של לווים והבעייה האתית

 

על profiling של מגישי בקשה להלוואת משכנתא

כשאתם מגישים בקשה להלוואת משכנתא, על המלווה לקבל שתי החלטות:

(1 אם להעמיד לכם את ההלוואה שביקשתם

2) באיזה מחיר (=שיעור ריבית) להעמיד אותה

אם הלווה החליט להעמיד לכם את ההלוואה שביקשתם, המחיר (ריבית) שהוא יקבע להלוואה אמור לשקף שני רכיבים נפרדים: האחד – את מחיר השוק של הכסף, לרבות כיסוי העלות תפעולית של ביצוע ההלוואה ושל ניהולה בעתיד; השני – את פרמיית הסיכון של ההלוואה. בעוד שהרכיב הראשון הוא כללי וזהה לכל ההלוואות (בהינתן תקופת ההלוואה) – הרכיב השני הוא ספציפי לעיסקה: הסיכון שהמלווה לא יקבל את מלוא כספו בחזרה משתנה מעיסקה לעיסקה ותלוי במאפייני הסיכון שלה. לכן פרמיית הסיכון שונה מעיסקה לעיסקה, ושני לווים שיגישו בקשה (באותו יום ולאותו סכום הלוואה) עלולים למצוא שהריבית שנקבעה לכל אחד מהם שונה.

מה גורם להבדל בגובה הסיכון בין הלוואות? התשובה היא הבדלים במאפייני הסיכון שלהן. המאפיינים הנפוצים הם היחס שבין נטל התשלום החודשי לבין הכנסותיו של הלווה, שיעור המימון (היחס שבין גודל ההלוואה לערך הנכס הנרכש ומשמש לה כבטוחה), ופרופיל הסיכון האישי של הלווה. המטרה של המלווה היא להעריך מראש את סיכון האשראי הכרוך בכל הלוואה מבוקשת ולתרגם אותו לפרמיית סיכון שנתית (%) שתושת על הלווה. אנו נדרשים, אפוא, לבנות אלגוריתם שיתרגם את מאפייני הסיכון של ההלוואה המבוקשת לגודל יחיד, מבוטא באחוזים, שנוכל להוסיפו לריבית על ההלוואה. כיצד נקבע את האלגוריתם? מיהם המשתנים (מאפייני הסיכון) שכלולים בו, ומהי מידת הסיכון שהם משקפים?

ככלל, אנחנו יכולים לקבוע קריטריונים בהסתמך על מה שנראה בעינינו כ"שכל ישר" (Common Sense), או, לחילופין, לבנות אלגוריתם המתבסס על כושר ניבוי סטטיסטי של חדלות-פירעון. אלו שתי גישות שונות לחלוטין: בראשונה, אנחנו קובעים כללים המשקפים תפיסות ערכיות המקובלות עלינו (לדוגמא: הלווה הוא בעל הכנסה כלכלית יציבה, הלווה הוא בעל היסטוריית אשראי חיובית, נטל התשלום השוטף שיחול על הלווה בשל ההלוואה לא יעלה על אחוז מסוים מהכנסתו, ועוד); בשנייה, אנחנו משאירים את קביעת האלגוריתם בידי הניתוח הסטטיסטי: המשתנים שנכנסים בחישוב פרמיית הסיכון ומשקלם היחסי ייקבעו חישובית, במודל שמנבא בצורה הטובה ביותר (אמפירית) את תופעת חדלות-הפירעון.

התוצר של שתי גישות חליפיות אלו הוא שונה. הגישה הראשונה נשענת בדרך-כלל על קריטריונים קשיחים, נהלים, תנאי-סף וסמכויות אשראי היררכיות המאפשרות גמישות בהינתן אישור של רמה ניהולית גבוהה יותר (מנהל בכיר, ועדת אשראי וכו'), והתוצר שלה הוא בעיקר ההחלטה אם להעמיד את האשראי המבוקש. הגישה השנייה יכולה להיות גמישה יותר (היא מתרגמת סיכון לערך מספרי ולכן איננה ממוקדת בשאלה אם להעמיד את האשראי אלא בשאלה של תימחור הסיכון), והיא יעילה יותר תפעולית.

היסטורית, עד לשנת 1990 הבנקים למשכנתאות בישראל העמידו הלוואות לדיור בעיקר מכספי המדינה. מטרת המדינה לא הייתה להפיק רווח מימוני מהאשראי אלא לסייע לקבוצות אוכלוסייה מסוימות ("זכאים" - חסרי דיור, לרבות עולים חדשים וזוגות צעירים, ומשפרי דיור על רקע של תנאי דיור צפופים) להגיע לדיור מתאים לצרכיהם בבעלות עצמית. זה אומר שהקריטריונים למתן אשראי לא התייחסו לסיכון האשראי אלא התמקדו במידת ההזדקקות של הפונים לסיוע ממשלתי. התפתחות המשכנתאות הפרטיות בתחילת שנות ה-90' יצרה שינוי חשוב: היא חייבה את הבנקים לפתח מערכות (פרטיות) להערכת סיכוני אשראי. זה התחיל במערכות 'מבוססות-שכל-ישר' (קריטריונים קשיחים, תנאי-סף, סמכויות אשראי היררכיות), ובהמשך פותחו בבנקים מערכות ממוחשבות מבוססות-אלגוריתם. כיום יש לכל בנק מערכת פרטית להערכת סיכון אשראי. במקביל, יש לבנקים 'שאריות ארכיאולוגיות' של תנאי-סף, נהלים פנימיים ומידרג היררכי של סמכויות אישור.

הדילמה האתית:  המרחב הצר שבין profiling לבין אפליה

כשבנק מבסס את הערכת הסיכון שלו על מודל סטטיסטי פרטי (אלגוריתם) שבבעלותו עלולות להיווצר בעיות שנוגעות למישור האתי. ייתכן, לדוגמא, שבין המשתנים שקובעים את פרמיית הסיכון במודל של הבנק יש כאלו שנוגעים לצבע העור של הלווה, לעדה שאליה הוא שייך, להשתייכות הדתית שלו, לרמת ההשכלה שלו, למצבו המשפחתי, ליישוב בו הוא מתגורר, למצבו הבריאותי, ועוד. זה אולי נראה סביר למעריך הסיכונים להשתמש בכל פיסת מידע על הלקוח כדי לשפר את מידת הדיוק של הניבוי הסטטיסטי של המודל, אבל זה איננו כך מנקודת מבט חברתית: המכשיר שמשמש את הבנק לקבוע את פרמיית הסיכון עלול לשמש מכשיר לסימון ואפליה שיטתיים של קבוצות אוכלוסייה. כך, ייתכן שעולים חדשים יצטרכו לשלם ריבית גבוהה יותר מתושבים ותיקים, ערבים מיהודים, להט"בים מ'סטרייטים', בעלי השכלה אקדמית מבעלי השכלה אחרת, יוצאי מרוקו מיוצאי מרכז אירופה, זקנים מצעירים, וכן הלאה. לכן, על-אף שהשימוש באלגוריתם נראה כהישענות תמימה על מכשיר אובייקטיבי שמשמש את הבנק לדירוג ספציפי של סיכוני אשראי – הוא עלול לפגוע בזכויות הבסיסיות של הפרט, "לסמן" קבוצות אוכלוסייה ובכך אולי להפלות אותן לרעה. לכן, גופים שעניינם שמירה על זכויות הפרט צריכים לנטר את השימוש הבנקאי באלגוריתמים כדי להבטיח שהוא לא יפגע שיטתית בזכויות של מבקשי הלוואה.

הבעיה האתית הזו הטרידה לאורך השנים את המחוקק האמריקני (המודלים הראשונים לדירוג לווים פותחו, למיטב ידיעתי, בארה"ב). ההתנגחות המתמדת בין צרכי המלווים להעריך פרופיל סיכון של הלווים לבין המאמץ לשמור על זכויות הפרט ולמנוע תופעה גורפת של אפליה כלפי קבוצות אוכלוסייה (Redlining) הביאה לתוצאות חשובות: האלגוריתם האמריקני איננו מתייחס למאפיינים אישיים של הלווה אלא אך ורק לנתונים על התנהגותו הפיננסית בעבר (Credit History). כתוצאה מהערכת פרופיל הסיכון של הלווה האלגוריתם מספק לו ציון כמותי (Credit Score), וציון זה "שקוף" ללווה לפי חוק.

בניגוד לניסיון האמריקני, נושא דירוג הלווים הוא עדיין נושא "צעיר" בישראל. משום כך אנו פוגשים בישראל שימוש במודלים פרטיים שאינם "שקופים" (מגיש הבקשה איננו יודע את דירוג האשראי שקיבל), וחופש פעולה למלווים להשתמש גם במשתנים שעלולים "לסמן" קבוצות אוכלוסייה שלמות ובכך להפלות אותן לרעה לעומת קבוצות אוכלוסייה אחרות. עדיף היה לכולנו לקצר את "עקום הלמידה" על-ידי יישום כמה תובנות אמריקניות ולחסוך מעצמנו את הדרך הארוכה של עתירות לבג"צ (לדוגמא - נגד המפקח על הבנקים) על כך שהמלווים משתמשים במודלים שפוגעים בזכויות הפרט וגורמים בכך אולי עוול לקבוצות אוכלוסייה שלמות.

הדילמה האתית מתחדדת נוכח האפשרות הסבירה שמודלים (אלגוריתמים) סטטיסטיים של הערכות סיכון (ובפרט דירוג לווים) יוחלפו בעתיד הקרוב במודלים מונחי בינה מלאכותית (AI). בעוד שבפיתוח מודלים סטטיסטיים עכשוויים החוקרים הם שקבעו את סט המשתנים שישמשו את האלגוריתם בחישוב ההסתברות לחדלות-פירעון – אפשר לחשוב על מודלים מונחי בינה מלאכותית שיעשו שימוש במערכות נתונים נרחבות ביותר לצורך ניבוי, לרבות אינפורמציה שמקורה ברשתות החברתיות. רמת הדיוק של האלגוריתמים תהיה בוודאי גבוהה משמעותית והיא תאפשר כנראה להקטין את פרמיית הסיכון של הלווה, אבל בדרך תירמס זכותו של הלווה לפרטיות והיכולת להבטיח שהשימוש באלגוריתם איננו גורם לאפליה של קבוצות אוכלוסייה.