И коммерческие банки, и регулятор, проводя дистанционный анализ банков, используют статистические методы и методы многомерного анализа для выявления признаков фальсификации отчетности и нахождения аномальных «выбросов». Для этого вводится классификация схемных операций банков, и закладываются признаки их проведения, которые можно увидеть исходя из изменения остатков и оборотов по счетам второго порядка. С помощью таких методов можно исследовать кредитно-вексельные операции, признаки манипулирования прибылью, признаки рефинансирования проблемных или технических ссуд, регулирование обязательных нормативов банков и т.д. Зачастую, всю совокупность таких операций называют «регулировочными» схемами. Итогом такого анализа может быть результирующий показатель вероятности использования банком регулировочных схем, совокупный показатель степени доверия к банку, либо количественная сумма корректировки ключевых показателей оценки деятельности банка и обязательных нормативов.
Для решения задачи поиска дисбалансов в отчетности банков могут использоваться метод анализа на основании «ящичковой» диаграммы Тьюки и цифровой анализ на основе метода Бенфорда. График «ящик с усами» (англ. box-and-whiskers diagram or plot, box plot) был разработан Джоном Тьюки в 1970-х годах. Этот метод представляет собой быстрый способ изучения одного или нескольких наборов данных в графическом виде. Такая диаграмма показывает медиану, нижний и верхний квартили, минимальное и максимальное значение выборки и выбросы. Несколько таких ящиков можно нарисовать бок о бок, чтобы визуально сравнивать одно распределение с другим; их можно располагать как горизонтально, так и вертикально. Расстояния между различными частями ящика позволяют определить степень разброса (дисперсии) и асимметрии данных и выявить выбросы[18]. Закон Бенфорда или закон первой цифры говорит о том, что, в таблицах чисел, основанных на реальных данных, цифра 1 на первом месте встречается гораздо чаще, чем все остальные (приблизительно в 30% случаях). Такие методы анализа обеспечивает автоматизацию функции обнаружения аномалий и признаков фальсификации отчетности банков.
Специальные методы анализа при проведении проверок на местах подробно представлены в статье (Егорова, 2012). Эти методы могут быть расчетно-аналитическими и документарными, и различаться исходя из видов проводимого анализа (дистанционный анализ отчетности, анализ операций и сделок, анализ качества активов, документарный анализ). Аналогичные методы используются при проведении финансово-экономических экспертиз. Сводные данные о методах представлены на рисунке 3.
Рисунок 3. Специальные методы анализа признаков банкротства банков
Интересным представляется подход турбо-анализа[19], направленный на изучение причин возникновения неопределенности (турбулентности) в бизнес-процессах банков. При построении аналитической модели текущей оценки финансовой устойчивости применен подход к диагностике финансовой устойчивости через систему уравнений. При построении аналитической модели прогнозной оценки - метод экспертных оценок в приложении к математическому описанию комплементарной взаимосвязи показателей финансовой устойчивости. Для получения количественной оценки для каждого показателя системы устанавливается интервальное значение, где нижняя граница отражает неустойчивое финансовое состояние, а верхняя - устойчивое. В итоге, на базе 24-х показателей финансовой устойчивости банка, рассчитывается интегральный показатель, значение которого стремиться к минимуму у банка с высокой степенью финансовой устойчивости. Метод турбо-анализа интересен именно с позиции раннего предупреждения несостоятельности банков. Экономические системы в турбо-анализе рассматриваются как естественные, склонные к самоорганизации, и, применяя к ним теорию турбулентности, аналитик может выявить скрытые дестабилизирующие процессы, а также наметить пути преодоления кризисных явлений еще до появления их явных признаков.
Обобщенная информация о методах диагностики банкротства банков представлена в таблице 2.
Таблица 2 Методы диагностики банкротства банков
Заключение
Большая часть банкротств российских банков носит криминальный характер. Поэтому в диагностике банкротства банков до тех пор, пока с рынка не уйдут недобросовестные игроки, значительное внимание следует уделять специальным расчетно-аналитическим и документарным методам анализа, а также моделям, позволяющим учитывать нефинансовые факторы и НЕ-факторы, такие как неполнота, неточность, неопределенность, некорректность, нечеткость и др.
Очень важно развивать такое направление, как тестирование бизнес-модели банка, так как именно неэффективные схемы бизнеса постепенно съедают капиталы банков и способствуют переходу банков на нерыночные (криминальные) стратегии ведения бизнеса.
Ссылки
[1] О ликвидации кредитных организаций. Официальный сайт Центрального банка РФ.
[2] Буздалин А. (2014). Риски банкротств российских банков недооценены примерно в три раза.Банковское обозрение, 8.
[3] Sahajwala R., Bergh P. (2000). Supervisory Risk Assessment and Early Warning Systems. BCBS Working Paper, 4.
[4] Там же.
[5] Basel Committee on Banking Supervision (2002) Supervisory Guidance on Dealing with Weak Banks.
[6] Исаев Ю.О. (2014). Интервью агентству «Банки.ру». Режим доступа: http://www.asv.org.ru/agency/appearance/322554/.
[7] Мирошников В. (2014). Интервью журналу Forbes. Режим доступа: http://www.asv.org.ru/agency/appearance/326141/.
[8] Bluhm C., Overbeck, L, Wagner, C. (2010). An introduction to credit risk modeling. Boca Raton: CRC Press.
[9] Sahajwala R., Bergh P. (2000). Supervisory Risk Assessment and Early Warning Systems. BCBSWorking Paper, 4.
[10] Пугановская Т.И., Галямин А.В. (2006). Анализ зарубежных исследований в области моделирования банкротства компании. Проблемы региональной экономики. Режим доступа: http://regec.ru/articles/vol3/5-Galyamin_Banruptsy.pdf
[11] Тотьмянина К.М. (2011). Обзор моделей вероятности дефолта. Управление финансовыми рисками, 01(25).
[12] Персецкий А.А. (2010). Модели причин отзыва лицензий российских банков. М.: Российская экономическая школа, 2010.
[13] Карминский, А. М., Костров, А. В., Мурзенков, Т. Н. (2012). Моделирование вероятности дефолта российских банков с использованием эконометрических методов. М.: Изд. дом Высшей школы экономики, 2012. - 64 с.
[14] Карминский А.М. (2011). Использование информации независимых рейтинговых агентств для анализа рисков банков - участников системы страхования вкладов. Режим доступа: http://www.asv.org.ru/.
[15] Василюк А., Карминский А., Сосюрко В. (2011). Система моделей рейтингов банков в интересах IRB-подхода: сравнительный и динамический анализ. М.: Изд. дом Высшей школы экономики.
[16] Буздалин А.В. Секреты дистанционного анализа банка. Режим доступа: http://www.buzdalin.ru/text/Distans.pdf.
[17] Соложенцев Е.Д. (2006). Сценарное логико-вероятностное управление в бизнесе и технике. СПб.: Бизнес-пресса.
[18] Ящик с усами. Википедия. Режим доступа: https://ru.wikipedia.org/wiki/Ящик_с_усами.
[19] Герасимова Е.Б. (2010). Турбо-анализ банка: учебное пособие. М.: Форум.
Источники
Буздалин, А.В. (2004). Секреты дистанционного анализа банка. Бизнес и банки, 36. Режим доступа: http://www.buzdalin.ru/text/Distans.pdf
Василюк, А., Карминский, А., Сосюрко, В. (2011). Система моделей рейтингов банков в интересах IRB-подхода: сравнительный и динамический анализ (Препринт WP7/2011/07). М.: ИД Высшей школы экономики.
Герасимова, Е.Б. (2010). Турбо-анализ банка. М.: Форум.
Егорова, О.Ю. (2012). Специальные методы выявления обстоятельств банкротства банков. Деньги и кредит, 7, 57 60.
Карминский, А.М. (2011). Использование информации независимых рейтинговых агентств для анализа рисков банков - участников системы страхования вкладов [Доклад]. Режим доступа: https://www.asv.org.ru/upload/medialibrary/74b/110926.doc
Карминский, А.М., Костров, А.В., Мурзенков, Т.Н. (2012). Моделирование вероятности дефолта российских банков с использованием эконометрических методов (Препринт WP7/2012/04). М.: ИД Высшей школы экономики.
Кошелюк, Ю.М. (2008). Формирование рейтингов для российских банков (Дис. … к.э.н.: 08.00.10). Москва.
Пересецкий, А.А. (2010). Модели причин отзыва лицензий российских банков (Препринт #WP/2010/085). М.: Российская экономическая школа.
Пугановская, Т.И., Галямин, А.В. (2008). Анализ зарубежных исследований в области моделирования банкротства компании. Проблемы региональной экономики, 3, 46 61.
Соложенцев, Е.Д. (2006). Сценарное логико-вероятностное управление в бизнесе и технике (2-е изд., испр. и доп.). СПб: Бизнес-пресса.
Тотьмянина, К.М. (2011). Обзор моделей вероятности дефолта. Управление финансовыми рисками, 1, 12 24.
Bluhm C., Overbeck, L, Wagner, C. (2010). An introduction to credit risk modeling (2nd ed.). Boca Raton: CRC Press.
Sahajwala, R., Van den Bergh, P. (2000). Supervisory Risk Assessment and Early Warning Systems (BCBS Working Paper № 4). Retrieved from: http://www.bis.org/publ/bcbs_wp4.pdf