Whalesbook
வங்கிகளின் பழைய நடைமுறைகளே முக்கிய காரணம்!
இந்தியாவில் கடன் பெறுவதில் உள்ள முக்கியப் பிரச்சனை, வங்கிகளின் மாறாத, பழமையான கடன் வழங்கும் முறைகளே (Underwriting Models) ஆகும். உதாரணத்திற்கு, மாதத்திற்கு ₹1.3 லட்சம் சம்பாதித்து, 774 என்ற மிகச் சிறந்த கிரெடிட் ஸ்கோர் (Credit Score) வைத்திருக்கும் ஒருவர் கூட, அவருடைய நிறுவனம் வங்கியின் 'அங்கீகரிக்கப்பட்ட நிறுவனங்கள்' பட்டியலில் இல்லையென்றால், லோன் மறுக்கப்படும் அபாயம் உள்ளது. இப்படிப்பட்ட கடுமையான தடைகளால், கடன் திருப்பிச் செலுத்தும் திறனும், விருப்பமும் இருந்தும் பலரும் நிதிச் சேவைகளில் இருந்து ஒதுக்கப்படுகிறார்கள்.
கிரெடிட் இன்விசிபிலிட்டி: யார் இது?
புதிய தொழில்நுட்பங்கள் வந்தாலும், இந்தியாவின் பெருமளவு மக்கள் இன்னும் முறையான கடன் வழங்கும் நிறுவனங்களின் சேவைகளைப் பெறாமலோ அல்லது குறைவாகவோ பெறுகிறார்கள். பலர் தங்கள் கிரெடிட் ஸ்கோர் பற்றியே அறியாமல் இருக்கிறார்கள், அல்லது கிரெடிட் பீரோக்களால் (Credit Bureaus) கண்டறியப்படாமலேயே இருக்கிறார்கள். ஒரு ஆய்வுப்படி, பலர் தங்கள் கிரெடிட் ஸ்கோரைச் சரிபார்க்கவே பயப்படுகிறார்கள், அது எதிர்மறையாகப் பாதிக்கப்படுமோ என்று அஞ்சுகிறார்கள். குறிப்பாக, 21 முதல் 30 வயதுக்குட்பட்டவர்களில் பலருக்கு, கடன் செலுத்தாததால் அல்லாமல், முறையான கடன் வரலாறு இல்லாததால், 650க்கும் குறைவான ஸ்கோர்களே கிடைக்கின்றன. இதுவே இந்தப் பிரச்சனையை மேலும் அதிகரிக்கிறது.
இன்ஃபார்மல் லோன்களின் பிடியில் சிக்கல்
முறையான கடன் நிறுவனங்கள் இது போன்ற தடைகளை விதிக்கும்போது, கடன் வரலாறு இல்லாதவர்கள் (Credit-Invisible) வேறு வழியின்றி, முறைசாரா கடன் (Informal Credit) பெறுவதையே நாடுகிறார்கள். இந்த வழிகள் பொதுவாக மிக அதிக வட்டியுடன், முறையாக ஒழுங்குபடுத்தப்படாமலும் இருப்பதால், கடன் வாங்கியவர்களைத் தாங்க முடியாத கடன் சுழற்சியில் சிக்க வைக்கின்றன. சென்டர் ஃபார் மானிட்டரிங் இந்தியன் எக்கானமி (CMIE) தரவுகளின்படி, 2018-19 நிதியாண்டுக்கும் 2022-23 நிதியாண்டுக்கும் இடைப்பட்ட காலத்தில், பொருளாதாரத்தில் நலிந்த பிரிவினர் முறையான கடன் பெறுவது குறைந்து வந்துள்ளது.
மாற்றுத் தரவுகளே தீர்வு!
பாரம்பரிய கிரெடிட் ஸ்கோர்களை மட்டுமே நம்பியிருப்பது, கடன் வாங்கத் தகுதியான ஏராளமான மக்களை அடையாளம் காணத் தவறுகிறது. இந்தப் பிரச்சனைக்கான தீர்வு, மாற்றுத் தரவுகளை (Alternative Data) ஒருங்கிணைப்பதில் உள்ளது. வருமானப் பரிவர்த்தனைகள் (Income Transactions), இ-வாலட் செயல்பாடுகள் (E-wallet Activities), பயன்பாட்டுக் கட்டணப் பதிவுகள் (Utility Payments), மற்றும் நடத்தை சிக்னல்கள் (Behavioral Signals) போன்றவற்றை ஆய்வு செய்வதன் மூலம், கடன் வாங்குபவரின் விரிவான சுயவிவரத்தை உருவாக்க முடியும். FinBox DeviceConnect போன்ற தீர்வுகள், இதற்கு ஒரு சிறந்த எடுத்துக்காட்டு. இப்படிப்பட்ட அணுகுமுறை, முன்பு மதிப்பீடு செய்ய முடியாததாகக் கருதப்பட்ட கடன்களை வங்கிகள் நம்பிக்கையுடன் வழங்க உதவுகிறது. இது நிதி உள்ளடக்கம் (Financial Inclusion) மற்றும் பொருளாதார வளர்ச்சியை ஊக்குவிக்கும். பாரம்பரிய ஸ்கோர்களையும், மாறும் தன்மையுடைய மாற்றுத் தரவுகளையும் இணைக்கும் ஒரு முழுமையான திட்டம், அனைவருக்கும் சமமான கடன் அமைப்பை உருவாக்க அவசியமாகும்.