Выявление и оценка теневой экономической деятельности коммерческого банка

В настоящее время российская банковская система находится в стадии становления. Банковской системе, как и другим отраслям экономики, присущи схожие проблемы, в частности вовлеченность в теневой сектор экономики. Данный тезис подтверждает статистика отзыва лицензий коммерческих банков, которая неутешительна. По данным ЦБ РФ, в 2019 г. лишились лицензии 38 банков (рис. 1).

Как отмечается в анализе Банки.ру [1], среди основных причин отзыва банковских лицензий является высокорискованная кредитная политика, нарушение требований ПОД/ФТ [2] и проведение теневых, сомнительных (транзитных) операций.

Рисунок 1. Количество действующих и кредитных организаций, у которых отозваны лицензии

Источник: рассчитано автором по данным ЦБ РФ) [9].

Область высокорискованных операций лежит в кредитовании связанных с руководством банка компаний, выдача заведомо невозвратных кредитов подставным юридическим лицам, манипуляции с резервами на возможные потери по ссудам (табл. 1).

Стоит отметить, что несмотря на все действия, которые предпринимает регулятор, проблемы выявляются слишком поздно, когда они уже отразились на деятельности банка.

Среди секторов экономики, которые формируют спрос на теневые финансовые услуги, наибольший удельный вес занимает сфера строительства (32 %), торговля (27 %), услуги (26 %), производство (14 %). [3]

Таблица 1

Классификация теневых операций коммерческого банка [4]

Участие в данных операциях может быть умышленное и неумышленное. Одно дело, когда имеются факты операционного риска (кассир-операционист ошибся и не увидел при проведении операции денежного перевода, что лицо числится в списке экстремистов), совершенно другое, когда менеджмент банка сознательно идет на рискованные и теневые операции с целью незаконно обогатиться.

Среди причин сомнительных операций могут быть желание руководства выполнить требования регулятора по поддержанию обязательных нормативов ликвидности и достаточности капитала банка [5].

Проблема выявления сомнительных операций стоит достаточно остро для регулятора. Разнообразие и сложность операций банка, форм отчетности не позволяют оперативно выявить данные факты.

Особенную актуальность приобретает исследование инструментария выявления подобных высокорискованных и теневых операций банка на ранних стадиях, чтобы не допустить негативного развития событий в будущем.

Исследованием проблематики оценки теневой экономической деятельности (ТЭД) занимались такие ученые, как Я.Д. Ширяева [13] (Shiryaeva, 2009), В.Ю. Буров [3] (Burov, 2014), Е.М. Мартишин [8] (Martishin, 2019), И.В. Бочкарева [5] (Bochkareva, 2019) и др.

Регулятором и исследователями выявляются новые схемы сомнительных операций банков и меры борьбы с «сомнительными» операциями (например, работы М. Каратаева [6], В.Ю. Бурова [4] (Burov, 2019)). Однако научных работ в области теневой экономической деятельности коммерческого банка недостаточно.

Также представлены работы по выявлению искажений и манипуляций с финансовой отчетностью предприятий. Среди наиболее известных зарубежных моделей оценки качества финансовой отчетности M-score (М. Бениша) [14] (Beneish, 1999) и модель M. Роксаса [15] (Roxas, 2011), Earnings Quality Score (Thomson Reuters).

В научных публикациях известны работы Богатырева С.Ю. [2] (Bogatyrev, 2018), Алексеева М.А. [1] (Alekseev, 2015), Корольковой М.В. [7] (Korolkova, 2015), Савельевой М.Ю. [10] (Saveleva, Saveleva, Borodina, Kukhta, 2015), Ферулевой Н.В. [11] (Feruleva, Shtefan, 2016), Ценжарика М.К. [12] (Tsenzharik, Kogan, 2019), которые посвящены применимости модели М. Бениша для российских предприятий.

Общий вывод авторов исследований состоит в том, что модели применимы, однако требуется их уточнение и калибровка из‑за разных подходов к бухгалтерскому учету.

Применимость модели М. Бениша [14] (Beneish, 1999) к банковским организациям изучали: Исакова А.С., Русакова Е.А., Мелихова Н.А. [6] (Isakova, Rusakova, Melikhova, 2016).

Таким образом, можно сделать вывод о недостаточном уровне проработки методологии оценки уровня вовлеченности коммерческого банка в ТЭД.

С учетом рассмотренных работ автором статьи представляется следующая структурно-логическая схема выявления вовлеченности кредитной организации в ТЭД (рис. 2).

Рисунок 2. Структурно-логическая схема выявления вовлеченности коммерческого банка в ТЭД

Источник: составлено автором.

Рабочая гипотеза: при проведении теневых операций возникают искажения результатов основной деятельности, которые должны найти свое отражение в финансовой отчетности.

Соответственно, первым этапом оценки теневой экономической деятельности должно стать выявление искажений в финансовой отчетности.

Далее необходима оценка качества кредитного портфеля для выявления высокорискованных кредитных операций и манипуляций с резервами. Стоит отметить, что выполнение данной работы возможно только при наличии доступа к внутренней информации.

В публичной отчетности банка недостаточно объективны показатели оценки качества кредитного портфеля. Стоимость риска оценивается через величину пруденциального резерва (сумма РВПС, сформированного по требованиям Положения № 590-П [7]) и уровень просроченной задолженности в портфеле (Non Performing Loan PL90+). Показатель NPL не является объективным, так как с ростом абсолютных значений портфеля относительное значение показателя будет корректироваться в меньшую сторону, что не будет отражать всю ситуацию.

Данный факт является значительным ограничением в анализе кредитного портфеля внешним экспертом и требует дальнейшей проработки.

Третьим важнейшим направлением является финансовый анализ коммерческого банка. Финансовый анализ представлен несколькими направлениями: горизонтальный и вертикальный анализ баланса и ОПиУ, оценка эффективности, ликвидности, качества фондирования и устойчивости в сравнении с конкурентами и отраслью.

Рассмотрим более подробно модель Бениша [14] (Beneish, 1999). Модель регрессии была получена в результате анализа факторов, определяющих вероятность организации манипулировать с отчетностью [2] (Bogatyrev, 2018).

Формула представлена ниже:

M-счет = – 4.84 + 0.920 * (DSRI) + 0.528 * (GMI) + 0.404 * (AQI) + 0.892 * (SGI) + 0.115 * (DEPI) – 0.172 * (SGAI) + 4.67 * (TATA) – 0.327 (LEVI),

где:

DSRI (Days Sales Receivable Index) – определяется как соотношение оборачиваемости дебиторской задолженности в текущем периоде к предыдущему периоду;

GMI (Gross Margin Index) – отношение рентабельности продаж по валовой прибыли в предыдущем периоде к текущему периоду;

AQI (Asset Quality Index) – показатель качества активов. Отношение оборотных активов к общей величине активов текущего года к предыдущему году.

SGI (Sales growth index) – отношение объема реализации текущего года к объему реализации предыдущего года.

DEPI (Depreciation index) – коэффициент амортизационных отчислений. Соотношение суммы амортизации и суммы амортизации и стоимости основных фондов предыдущего периода к сумме амортизации, деленной на сумму амортизации и стоимости основных фондов в текущем периоде;

SGAI (Sales, general and administrative expenses index) – соотношение доли административных, управленческих и коммерческих расходов в выручке текущего периода к предыдущему периоду;

TATA (Total accruals to total assets) – итоговые начисления к общей сумме активов.

Прибыль без учета нетипичных и нерегулярных доходов и расходов – операционный денежный поток / совокупные активы [2] (Bogatyrev, 2018).

LEVI (Leverage index) – коэффициент левереджа. Соотношение общей суммы долга и совокупных активов в текущем году относительно предыдущего года.

Если значение сводного индекса (М-счет) превышает -2,22, то это свидетельствует о наличии манипуляций (для значений же меньше -2,22 – отсутствие манипуляций).

Специфика банковских операций обуславливает низкую долю амортизационных отчислений и величины дебиторской задолженности в совокупной величине активов. Данный факт делает бессмысленным применение показателей DEPI и DSRI к анализу ФО банка.

В исследовании А.С. Исаковой [6] (Isakova, Rusakova, Melikhova, 2016) были проанализированы полученные расчетным путем значения показателей ТАТА, SGI и DEPI на выборке финансово благополучных банков и банков-банкротов.

TATA показал достоверную картину и выявил факт манипулирования отчетностью банками-банкротами, показатели SGI и DEPI не дали представления о том, был ли факт манипулирования, так как их значения как у финансово здоровых банков, так и у банков-банкротов принимают приблизительно равные значения.

Таким образом, выдвинутая авторами исследования гипотеза была подтверждена только частично в отношении показателя TATA. Показатель TATA может быть применен к кредитным организациям с целью выявления факта манипулирования отчетностью, а от показателей DEPI и SGI можно отказаться.

В исследовании Исаковой А.С. [6] (Isakova, Rusakova, Melikhova, 2016) нормальные значения TATA варьируются в пределах от -0,06 до 0,02. В исследованиях М. Бениша [14] (Beneish, 1999) для иностранных компаний приводится граничное значение показателя в размере 0,018.

Произведем расчет показателя TATA для ПАО Сбербанк, Банка ВТБ, Тинькофф Банка и ликвидированного ПАО Бинбанк (табл. 2).

Таблица 2

Расчет показателя TATA для российских банков

Критичные значения показателя были получены по ПАО Бинбанк, что логично, так как банк был вскоре ликвидирован.

Для расчета SGAI у других банков не было найдено достаточного количества данных. В связи с этим пример расчета произведен по ПАО Сбербанк (табл. 3).

Таблица 3

Расчет показателя SGAI для Сбербанка

Источник: рассчитано автором по данным Thomson Reuters.

Выводы о росте показателя не вполне очевидны. Необходимо учитывать другие показатели операционной эффективности банка и детально анализировать структуру административных расходов. В частности, Сбербанку приходится поддерживать большую филиальную сеть, и это вовсе не означает, что банк может начать манипулировать с отчетностью. Тем более у ПАО Сбербанк высокое значение качества финансовой отчетности по Earnings Quality Score – 79 (медианное значение по отрасли составляет 46).

Earnings Quality Score – аналитический показатель, который рассчитывается агентством Thomson Reuters на регулярной основе. Расчет данного показателя основан на длительном периоде наблюдений за операциями, которые могут носить нетипичный характер по отчетности (сокрытие дебиторской задолженности, отнесение побочных доходов к выручке, отнесение операционных расходов к разовым, включение в операционный денежный поток компоненты инвестиционных денежных потоков и т.д.) [2] (Bogatyrev, 2018). Компоненты Earnings Quality Score представлены в таблице 4.

Таблица 4

Компоненты Earnings Quality Score

Градация индекса по 100-балльной шкале. 100 баллов – наивысшая оценка качества отчетности. Недостаток данного показателя состоит в том, что его расчет осуществляется не по всем российским контрагентам, что существенно сужает его область применения.

Таким образом, при наличии достаточного количества данных возможно использовать показатель TATА как предварительный индикатор, который свидетельствует о манипуляциях с отчетностью.

Для более полного понимания ситуации необходима оценка качества кредитного портфеля банка и проведение финансового анализа. Как самостоятельные направления анализа представляется их рассмотреть в дальнейших работах. Отдельным направлением исследования является оценка масштаба вовлеченности в теневую экономическую деятельность.

[1] https://www.banki.ru/news/research/?id=10919284

[2] Противодействие легализации (отмыванию) доходов, полученных преступным путем и финансированию терроризма

[3] https://cbr.ru/Content/Document/File/83381/sectors_2019_1.pdf

[4] https://cbr.ru/Content/Document/File/83380/2019_1.pdf

[5] Инструкция банка России №180-И «Об обязательных нормативах банков» от 28.06.2017. Ныне действующая редакция № 199-И от 28.11.2019 «Об обязательных нормативах и надбавках к нормативам достаточности капитала банков с универсальной лицензией»

[7] Положение Банка России от 28 июня 2017 №590-П «О порядке формирования резервов на возможные потери по ссудам, ссудной и приравненной к ней задолженности»