Oʻzbekcha
ЦИФРОВЫЕ ИНДИКАТОРЫ ПЛАТЁЖНОГО ПОВЕДЕНИЯ В ОЦЕНКЕ КРЕДИТОСПОСОБНОСТИ ЗАЁМЩИКОВ УЗБЕКИСТАНА
Jurnal
Zamonaviy fan: innovatsion yondashuvlar va yosh tadqiqotchilarning dolzarb izlanishlari
Nashr
Zamonaviy fan: innovatsion yondashuvlar va yosh tadqiqotchilarning dolzarb izlanishlari
Annotatsiya
Tezisda O‘zbekiston tijorat banklarida qarz oluvchilarning kreditga layoqatliligini baholashda raqamli to‘lov xulq-atvori indikatorlaridan foydalanish asoslangan. Moliyaviy barqarorlik, to‘lov intizomi, tranzaksion xulq-atvor, kredit tarixi, raqamli identifikatsiya hamda risk-nazorat va muvofiqlik omillarini birlashtiruvchi integral ko‘rsatkich taklif etilgan. 0 dan 1000 ballgacha bo‘lgan shkala va beshta risk sinfi kredit qarorining shaffofligini oshirish, axborot assimetriyasini kamaytirish hamda halol qarz oluvchilarning moliyaviy inklyuziyasini kengaytirishga xizmat qiladi
Kalit so‘zlar
tijorat banklari
kreditga layoqatlilik
raqamli indikatorlar
to‘lov xulq-atvori
tranzaksion ma’lumotlar
kredit riski
Русский
ЦИФРОВЫЕ ИНДИКАТОРЫ ПЛАТЁЖНОГО ПОВЕДЕНИЯ В ОЦЕНКЕ КРЕДИТОСПОСОБНОСТИ ЗАЁМЩИКОВ УЗБЕКИСТАНА
В тезисе обосновано использование цифровых индикаторов платёжного поведения при оценке кредитоспособности заёмщиков коммерческих банков Узбекистана. Предложен интегральный показатель, объединяющий финансовую устойчивость, платёжную дисциплину, транзакционное поведение, кредитную историю, цифровую идентификацию и риск-контроль. Шкала от 0 до 1000 баллов и пять риск-классов позволяют повысить прозрачность кредитного решения, снизить информационную асимметрию и расширить доступ добросовестных заёмщиков к банковскому финансированию
коммерческие банки
кредитный риск
кредитоспособность
цифровые индикаторы
платёжное поведение
транзакционные данные
English
The thesis substantiates the use of digital payment-behavior indicators in assessing borrowers’ creditworthiness in commercial banks of Uzbekistan. An integral indicator combining financial stability, payment discipline, transaction behavior, credit history, digital identification, and risk-control factors is proposed. A 0-1000 scoring scale and five risk classes improve the transparency of lending decisions, reduce information asymmetry, and expand access to bank financing for reliable borrowers
commercial banks
credit risk
creditworthiness
digital indicators
payment behavior
transaction data
1. Berg T., Burg V., Gombović A., Puri M. On the Rise of FinTechs: Credit Scoring Using Digital Footprints // The Review of Financial Studies. Oxford: Oxford University Press, 2020. Vol. 33. No. 7. P. 2845-2897. DOI: 10.1093/rfs/hhz099.
2. Dastile X., Celik T., Potsane M. Statistical and Machine Learning Models in Credit Scoring: A Systematic Literature Survey // Applied Soft Computing. Amsterdam: Elsevier, 2020. Vol. 91. Article 106263. DOI: 10.1016/j.asoc.2020.106263.
3. Fuster A., Goldsmith-Pinkham P., Ramadorai T., Walther A. Predictably Unequal? The Effects of Machine Learning on Credit Markets // The Journal of Finance. Hoboken: Wiley, 2022. Vol. 77. No. 1. P. 5-47. DOI: 10.1111/jofi.13090.
4. He Z., Huang J., Zhou J. Open Banking: Credit Market Competition When Borrowers Own the Data // Journal of Financial Economics. Amsterdam: Elsevier, 2023. Vol. 147. No. 2. P. 449-474. DOI: 10.1016/j.jfineco.2022.12.003.
5. Постановление Президента Республики Узбекистан от 27 ноября 2025 года № ПП-359 «О мерах по дальнейшему развитию сферы финансовых технологий в Узбекистане». Ташкент, 2025.
6. Центральный банк Республики Узбекистан. Статистические данные банковской системы и дистанционного банковского обслуживания за 2020-2025 годы. Ташкент, 2026. URL: https://cbu.uz/ru/statistics/.
