Выявление и оценка теневой экономической деятельности коммерческого банка

Помулев А.А.
Identification and valuation of shadow economic activity of a commercial bank - View in English

 Скачать PDF | Загрузок: 3

Аннотация:
В статье рассмотрена проблематика выявления и оценки теневой экономическойдеятельности (ТЭД) коммерческого банка. Выдвинута гипотеза о возможности оценки уровня вовлеченности кредитной организации в ТЭД через искажение показателей финансовой отчетности. В статье проанализированы основные работы по данной теме. Предложена структурно-логическая схема выявления вовлеченности коммерческого банка в ТЭД. Выполнены расчеты и рассмотрена применимость модели Бенишаи ее отдельных компонентов, показателя EarningsQualityScore (ThomsonReuters) для целей выявления фактов искажения и фальсификации финансовой отчетности отечественного банка.Предложены дальнейшие направления исследования данной проблематики.

JEL-классификация:

Цитировать публикацию:
Помулев А.А. Выявление и оценка теневой экономической деятельности коммерческого банка // Теневая экономика. – 2020. – Том 4. – № 2. – С. 71-84. – doi: 10.18334/tek.4.2.110239

Pomulev, A.A. (2020) Identification and valuation of shadow economic activity of a commercial bank. Tenevaya ekonomika, 4(2), 71-84. doi: 10.18334/tek.4.2.110239 (in Russian)

Приглашаем к сотрудничеству авторов научных статей

Публикация научных статей по экономике в журналах РИНЦ, ВАК (высокий импакт-фактор). Срок публикации - от 1 месяца.

creativeconomy.ru Москва + 7 495 648 6241




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]

Направление
Наименование операции
Нарушение требований ПОД/ФТ
Участие в любых формах и видах операций, которые подлежат регулированию в сфере данного законодательства
Сомнительные (теневые) операции

Вывод средств за рубеж
Переводы по сделкам и услугам
Авансирование импорта товаров
Импорт товаров через страны Таможенного союза
Переводы по сделкам с ценными бумагами
Обналичивание денежных средств
Выдачи физическим лицам
Выдачи юридическим лицам
Выдачи ИП
Транзитные операции повышенного риска
Обналичивание денежных средств через счета физических лиц
Продажа наличной выручки торговыми туристическими компаниями, платежными агентами
Операции, способствующие уклонению от уплаты налогов в секторе закупки и обращения металлолома, лома драгоценных металлов и камней
Рисковые операции
Выдача заведомо невозвратных кредитов
Кредитование фирм-однодневок
Манипуляции с резервом на возможные потери по ссудам
Завышение стоимости приобретенных акций
Сокрытие просроченной задолженности в портфеле
Источник: составлено автором по данным ЦБ РФ.

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

Показатель
Сбербанк
Банк ВТБ
Тинькофф Банк
Бинбанк (ликвидирован)
Net Income Before Extraordinary Items usd
14 772 501 538
3 262 321 319,27
583 374 112,35
-152 556 042,15
Cash flow from operations usd
12 958 844 686,05
5 964 233 976,27
625 800 439,61
-6 163 031 695,79
Total assets usd
483 839 396 890
250 586 652 583
9 358 307 856
18 923 782 682
TATA
0,003748469
-0,01078235
-0,00453355
0,317614916
Earnings Quality Score (медианное значение по отрасли 46)
79
55
63
н/д
Источник: рассчитано автором по данным Thomson Reuters.

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

Показатель
2019
2018
Tot Rev from Biz Activ, RUB
1 971 100 000 000
1 829 300 000 000
SGA – Tot. RUB, RUB
688 400 000
623 200 000
SGAI
0,000349247
0,000340677
Динамика индекса SGAI
+2.5 %

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 Scoreаналитический 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

Показатель
Перевод
Интерпретация
Accruals
Начисления
Заработанные деньги можно разложить на две части: денежный поток и начисления. Правила учета по методу начисления требуют, чтобы компании фиксировали доходы и расходы в момент их получения и возникновения, что необязательно в момент получения или выплаты денежных средств; разница между денежной прибылью и заявленной прибылью называется начислениями. Начисления, в отличие от денежных потоков, подвержены ошибкам оценки и суждениям, и следовательно, доходы могут быть менее надежными, чем денежные потоки, даже если в идеальном мире они имеют большую ценность для инвесторов в качестве показателя текущей деятельности.
Начисления оцениваются как изменения
в операционных активах:
дебиторская задолженность;
– запасы;
– прочие оборотные активы;
– изменения в основных средствах / средние чистые операционные активы. Представляют собой изменение основных средств за последние 4 квартала / 2 полугодия / 1 год в процентах к средним чистым операционным активам по последним 4 кварталам / 2 полугодиям / 2 годам по бухгалтерским балансам. Чистые операционные активы представляют собой разницу между активами и обязательствами, связанными с операционной деятельностью.
Чистые операционные активы (NOA) = Инвестиционный капитал + Краткосрочная задолженность – Денежные средства – Краткосрочные инвестиции);
– прочие внеоборотные активы;
и обязательствах:
кредиторская задолженность;
– прочие краткосрочные обязательства;
– прочие долгосрочные обязательства
Cash Flow
Денежный поток
Компонент денежного потока отражает объем свободных денежных средств, доступных компании, и считается устойчивой частью прибыли, так как имеет тенденцию сохраняться из года в год. В отличие от начислений, денежный поток относительно не содержит ошибок оценки и поэтому является более надежным, чем начисления. Однако сам по себе денежный поток не является хорошим показателем деятельности фирмы в настоящее время или в прошлом. При оценке качества доходов следует учитывать как начисления, так и движение денежных средств. То есть для двух компаний с одинаковым уровнем прибыли компания с более высоким денежным потоком, скорее всего, будет иметь более высокое качество прибыли.
Денежный поток включает следующие компоненты:
– операционный денежный поток – рассчитывается как отношение операционного денежного потока к средним чистым операционным активам, которые представляют собой годовой (за 12 месяцев) денежный поток от операционной деятельности в процентах к средним чистым операционным активам на основе последних 4 кварталов / 2 полугодий / 2 годовых бухгалтерских балансов.
Чистые операционные активы представляют собой разницу между активами и обязательствами, связанными с операционной деятельностью.
Чистые операционные активы (NOA) = Инвестиционный капитал + краткосрочная задолженность – Денежные средства – Краткосрочные инвестиции.
– соотношение капитальных затрат к чистым операционным активам. Представляют собой отток денежных средств по капитальным вложениям в годовом исчислении (за 12 месяцев) в процентах от средних чистых операционных активов по последним 4 кварталам / 2 полугодиям / 2 годам бухгалтерского баланса
Operating Efficiency Component
Компонент операционной эффективности
Компонент операционной эффективности использует показатель рентабельности активов (ROA) в качестве основного показателя операционной эффективности. ROA отражает внутреннюю норму доходности проектов компании. Исследования Thomson Reuters показали, что в среднем 70 % рентабельности активов текущего года сохраняется на следующий год.
Для выявления источников различий в показателях ROA раскладывается на факторы маржинальности и подкомпонент оборачиваемости активов по аналогии с анализом модели Дюпона
Источник: составлено автором по данным Thomson Reuters.

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»

[6] https://vestnik115fz.ru/publication/article_post/novye-shemy-otmyvaniya-i-akcenty-mer-vnutrennego-kontrolya-v-bankah

[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»



Издание научных монографий от 15 т.р.!

Издайте свою монографию в хорошем качестве всего за 15 т.р.!
В базовую стоимость входит корректура текста, ISBN, DOI, УДК, ББК, обязательные экземпляры, загрузка в РИНЦ, 10 авторских экземпляров с доставкой по России.

creativeconomy.ru Москва + 7 495 648 6241



Источники:
1. Алексеев М.А. Проблемы применения показателя манипулирования к финансовой отчетности российских предприятий // Мы продолжаем традиции российской статистики: Материалы I Открытого российского статистического конгресса. Новосибирск, 2015. – c. 578-579.
2. Богатырев С.Ю. Новые модели анализа отчетности организаций // Международный бухгалтерский учет. – 2018. – № 2. – c. 124-137.
3. Буров В.Ю. Теневая экономика и малое предпринимательство: теоретические и методологические основы исследования. / Монография. - Чита: ЗабГУ, 2014. – 204 c.
4. Буров В.Ю. Опыт Российской Федерации по противодействию оттоку капитала за рубеж и легализации доходов, полученных преступным путем // Теневая экономика. – 2019. – № 3. – c. 153-164. – doi: 10.18334/tek.3.3.41329.
5. Бочкарева И.В. Определение размера теневого сектора малого бизнеса на региональном уровне (на примере Забайкальского края) // Теневая экономика. – 2019. – № 3. – c. 165-174. – doi: 10.18334/tek.3.3.41179.
6. Исакова А.С., Русакова Е.А., Мелихова Н.А. Применимость коэффициентов модели Бениша к анализу достоверности финансовой отчетности кредитных организаций // Cоциально-экономическое и научно-технологическое развитие: прогноз и перспективы: сборник научных трудов по материалам I Международной научно-практической конференции студентов, магистрантов и аспирантов. НОО «Профессиональная наука». Новосибирск, 2016. – c. 107-113.
7. Королькова М.В. Изучения возможности применения модели M-score к финансовой отчетности, подготовленной в соответствии с РСБУ // Мы продолжаем традиции российской статистики: Сборник докладов Международной научно-практической конференции \"I Открытый российский статистический конгресс\" в 4 томах. Новосибирск, 2015. – c. 596-597.
8. Мартишин Е.М. Анализ институциональной ловушки теневой экономики в странах с рыночной экономикой // Сборник научных работ серии "Государственное управление". – 2019. – № 14. – c. 150-156.
9. Обзор банковского сектора Российской Федерации. Статистические показатели. Центральный банк Российской Федерации, 2020. №210. Центральный банк Российской Федерации. [Электронный ресурс]. URL: https://cbr.ru/statistics/bank_sector/review/.
10. Савельева М.Ю., Савельева Ю.В., Бородина Ю.Б., Кухта А.О. Оценка отчетности компаний энергетической отрасли на предмет манипулирования показателем прибыли // Современные тенденции развития науки и технологий: сборник научных трудов по материалам IX Международной научно-практической конференции 31 декабря 2015 г. № 9-6, часть VI. Белгород. – c. 114-118.
11. Ферулева Н.В., Штефан М.А. Выявление фактов фальсификации финансовой отчетности в российских компаниях: анализ применимости моделей Бениша и Роксас // Российский журнал менеджмента. – 2016. – № 3. – c. 19-70. – doi: 10.21638/11701/spbu18.2016.303 .
12. Ценжарик М.К., Коган А.С. Анализ эффективности моделей Бениша и Роксас для оценки вероятности фальсификаций финансовой отчетности в российских компаниях // Экономика и предпринимательство. – 2019. – № 5. – c. 1045-1054.
13. Ширяева Я.Д. Ненаблюдаемая экономика и ее оценка // Terra Economicus. – 2009. – № 2. – c. 82-96.
14. Beneish M.D. The Detection of Earnings Manipulation // Financial Analysts Journal. – 1999. – № 55. – p. 24-36. – doi: 10.2469/faj.v55.n5.2296.
15. Roxas M.L. Financial Statement Fraud Detection Using Ratio and Digital Analysis // Journal of Leadership, Accountability and Ethics. – 2011. – № 8. – p. 56-66.