Luottotietosääntelyn muutoksien vaikutukset pankkien luottoriskien hallintaan
Bibliographic record
Abstract
Pankkien luottoriskien hallinta perustuu sääntelyyn, ohjeistuksiin ja pankkien omaan luottopolitiikkaan. Luotonmyönnön yhteydessä pankit tarkastavat yleensä luotonhakijan tiedot luottotietorekisteristä ja tavallisesti luoton myönnön edellytyksenä on se, että hakijalla ei ole maksuhäiriömerkintöjä. Aikaisemmin maksuhäiriötiedot ovat säilyneet useamman vuoden luottotietorekisterissä saatavan maksamisen jälkeen, jolloin merkinnällä on ollut pitkäaikainen vaikutus luotonhakijalle. Maksuhäiriömerkintöjen pitkät säilytysajat ovat aiheuttaneet yksityishenkilöille kohtuuttoman negatiivisia seurauksia, joiden seurauksena niiden säilytysaikoja on haluttu lyhentää. Lainsäädännön yhdenmukaisuuden vuoksi myös yritysten maksuhäiriömerkintöjen säilytysaikoja on haluttu lyhentää vastaavasti. Vuoden 2024 alussa tulee käyttöön positiivinen luottotietorekisteri, johon tulee tiedot kaikkien luonnollisten henkilöiden ottamista luotoista ja tuloista. Luotonantajat pystyvät tarkastamaan nämä positiiviset luottotiedot luotonmyönnön yhteydessä. Tämän tutkielman tarkoituksena oli selvittää, minkälaisia vaikutuksia maksuhäiriömerkintöjen säilytysajan lyhentämisellä sekä positiivisen luottotietorekisterin käyttöönotolla on pankkien luottoriskien hallintaan. Lisäksi tutkielmassa haluttiin selvittää, kuinka luottotietosääntelylle asetetut yhteiskunnalliset tavoitteet ovat muuttuneet ajan kuluessa. Tutkimus on toteutettu lainopillisena tutkimuksena ja lisäksi luottotietosääntelyn tavoitteiden tutkimisessa asiaa lähestytään oikeuspoliittisesta näkökulmasta. Tärkeimpänä lähteenä on käytetty lainsäädännön ohella lainvalmisteluaineistoja ja lainvalmistelun yhteydessä annettuja asiantuntijalausuntoja. Muina lähteinä on käytetty muun muassa oikeuskirjallisuutta sekä muita oikeudellisia julkaisuja. Tutkimuksessa päädyttiin siihen lopputulokseen, että luottotietosääntelyä on lähdetty toteuttamaan entistä enemmän yksityishenkilöiden asemaa korostaen. Maksuhäiriötietojen säilytysaikojen lyhentämisellä on jonkin verran negatiivisia vaikutuksia pankkien luottoriskien hallintaan, mitkä tulevat esiin erityisesti luoton myönnön yhteydessä. Vastaavasti positiivinen luottotietorekisteri kuitenkin tuo uusia mahdollisuuksia pankeille luotonhakijan maksukyvyn arviointiin liittyen, joten sen vaikutukset luotonantajille ovat positiivisia. Kun arvioidaan luottotietosääntelyn muutoksia ja positiivista luottotietorekisteriä yhtenä kokonaisuutena, on kokonaisuudessaan vaikutukset luottoriskien hallinnalle positiiviset yksityishenkilöille suunnatussa luotonmyönnössä. Yrityksille suunnatussa luotonmyönnössä vaikutukset ovat stabiilimmat, sillä pelkän luottotietorekisterin hyödyntäminen yritysluotonannossa ei ole niin merkityksellistä kuin yksityishenkilöille suunnatussa luotonannossa, ja ainakaan toistaiseksi yritysluottojen tietoja ei tule saataville positiiviseen luottotietorekisteriin.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".