ભારતમાં લોન રિજેક્શન કટોકટી: જૂની ટેકનોલોજીને કારણે સારા ધિરાણ લેનારાઓ પણ બન્યા વંચિત

બેંકોની જૂની પ્રક્રિયાઓ ધિરાણ લેનારાઓને અવરોધે છે:

ભારતમાં ક્રેડિટ એક્સેસ (Credit Access) ની સમસ્યાનું મુખ્ય કારણ બેંકો દ્વારા ઉપયોગમાં લેવાતા કડક અને જૂના અંડરરાઇટિંગ મોડેલ્સ છે. આ મોડેલ્સ સંભવિત ધિરાણ લેનારાઓની યોગ્યતાનું મૂલ્યાંકન કરવામાં નિષ્ફળ જાય છે.

ઉદાહરણ તરીકે, ₹1.3 લાખ ની માસિક આવક ધરાવનાર અને 774 નો મજબૂત ક્રેડિટ સ્કોર (Credit Score) ધરાવનાર વ્યક્તિ પણ લોન મેળવી શકતો નથી, જો તેની કંપની બેંકની 'મંજૂર કંપનીઓની' આંતરિક યાદીમાં સામેલ ન હોય. આ પ્રકારના કૃત્રિમ અવરોધો અનેક લોકોને લોનથી વંચિત રાખે છે, જેઓ ખરેખર લોન ચૂકવવાની ક્ષમતા અને ઈરાદો ધરાવે છે.

ક્રેડિટ ઇનવિસિબિલિટી (Credit Invisibility) ની વ્યાપક સમસ્યા:

એડવાન્સમેન્ટ્સ (Advancements) છતાં, ભારતીય વસ્તીનો મોટો હિસ્સો હજુ પણ ફોર્મલ ક્રેડિટ (Formal Credit) ચેનલો દ્વારા સેવા મેળવી રહ્યો નથી અથવા અપૂરતી સેવા મેળવી રહ્યો છે. ઘણા લોકો તેમના ક્રેડિટ સ્કોરથી અજાણ હોય છે, અથવા તો ક્રેડિટ બ્યુરો (Credit Bureaus) માં તેમની કોઈ નોંધણી હોતી નથી. એક અભ્યાસ સૂચવે છે કે ઘણા ભારતીયોએ ક્યારેય તેમનો સ્કોર ચેક કર્યો નથી, કારણ કે તેઓ ડર રાખે છે કે તેનાથી તેમના સ્કોર પર નકારાત્મક અસર પડશે. આ કટોકટી ત્યારે વધુ વકરે છે જ્યારે વ્યક્તિઓને ખબર પડે છે કે તેમનો સ્કોર ઓછો છે, જે ઘણીવાર 21-30 વર્ષની વયજૂથમાં 650 થી નીચે હોય છે. આ ઓછો સ્કોર ડિફોલ્ટ (Defaults) ને કારણે નહીં, પરંતુ ક્રેડિટ હિસ્ટ્રી (Credit History) ના અભાવે હોય છે.

અનૌપચારિક લોનનો ફાંસો:

જ્યારે ફોર્મલ ધિરાણ સંસ્થાઓ આવા અવરોધો ઉભા કરે છે, ત્યારે ક્રેડિટ-ઇનવિસિબલ વ્યક્તિઓ અનૌપચારિક ક્રેડિટ (Informal Credit) તરફ વળવા મજબૂર બને છે. આ માર્ગો સામાન્ય રીતે ઘણા વધુ ખર્ચાળ, નબળી રીતે નિયંત્રિત હોય છે અને ધિરાણ લેનારાઓને અસ્થિર દેવાના ચક્રમાં ફસાવી શકે છે. સેન્ટર ફોર મોનિટરિંગ ઇન્ડિયન ઇકોનોમી (CMIE) ના ડેટા દર્શાવે છે કે નાણાકીય વર્ષ 2018-19 થી 2022-23 દરમિયાન, આર્થિક રીતે નબળા વર્ગોના ધિરાણ લેનારાઓ માટે ફોર્મલ ક્રેડિટની વાર્ષિક પહોંચમાં ઘટાડો જોવા મળ્યો છે.

વૈકલ્પિક ડેટા (Alternative Data) : ભવિષ્યનો માર્ગ:

ફક્ત પરંપરાગત ક્રેડિટ સ્કોર્સ પર આધાર રાખવાથી સંભવિત ક્રેડિટવર્ધી વ્યક્તિઓના વિશાળ બજારને અવગણવામાં આવે છે. આનો ઉકેલ વૈકલ્પિક ડેટામાંથી મળતી માહિતીને પરંપરાગત બ્યુરો સ્કોર્સ સાથે જોડવામાં રહેલો છે. આવક ટ્રાન્ઝેક્શન (Income Transactions), ઇ-વોલેટ પ્રવૃત્તિઓ (E-wallet Activities), યુટિલિટી બિલ પેમેન્ટ્સ (Utility Payments) અને વર્તણૂક સંકેતો (Behavioral Signals) નું વિશ્લેષણ કરીને ધિરાણ લેનારની વધુ વ્યાપક અને સૂક્ષ્મ પ્રોફાઇલ બનાવી શકાય છે. FinBox DeviceConnect જેવા સોલ્યુશન્સ દ્વારા, ધિરાણકર્તાઓ અગાઉ અપ્રાપ્ય ગણાતી લોન માટે આત્મવિશ્વાસપૂર્વક મંજૂરી આપી શકે છે, જે નાણાકીય સમાવેશ (Financial Inclusion) ને પ્રોત્સાહન આપે છે અને આર્થિક વૃદ્ધિ (Economic Growth) ને વેગ આપે છે. એક સમાન ક્રેડિટ ઇકોસિસ્ટમ (Credit Ecosystem) માટે પરંપરાગત સ્કોર્સ અને ડાયનેમિક વૈકલ્પિક ડેટાનું એકીકૃત મિશ્રણ આવશ્યક છે.