Идентификация проблемных банков в России: диагностика и надзорный мониторинг

Финансовый университет при Правительстве Российской Федерации, Москва, Россия, ,

Financial University under the Government of the Russian Federation, Moscow, Russia, ,

Введение. Российский банковский сектор занимает центральное место в финансовой системе страны: через кредитные организации обеспечиваются расчеты и платежи, аккумулируются сбережения домохозяйств, формируется кредитное предложение для предприятий и населения, поддерживается функционирование финансовой инфраструктуры. Банковская деятельность связана с повышенными рисками: трансформацией сроков и рисков, высокой долей заемных средств в пассивах, зависимостью от уровня доверия контрагентов и чувствительностью к макроэкономической среде и регуляторным требованиям. В силу этого своевременная идентификация банков, состояние которых свидетельствует о нарастании кризисных явлений, выступает приоритетной задачей пруденциального надзора, что подтверждается и современной литературой по прогнозированию банковских кризисов (Citterio, 2024; Naili, Lahrichi, 2022: 334–360).

Ключевая методологическая трудность связана с тем, что проблемность банка проявляется одновременно в нескольких контурах – финансовом, регуляторном, операционном и управленческом, – а традиционная «балансовая» диагностика по агрегированным коэффициентам охватывает лишь часть наблюдаемых сигналов. Качественные причины кризисов (дефекты корпоративного управления, конфликт интересов, схемы вывода активов или сомнительных операций) часто не видны напрямую в публичной отчетности и проявляются опосредованно: через нетипичную структуру операций, резкие изменения отдельных статей, устойчивую убыточность при формально приемлемых коэффициентах, повторяющиеся нарушения требований. Эмпирические исследования российского рынка показывают, что значимое прогнозное содержание имеют не только уровни финансовых показателей, но и их динамика – изменения переменных CAMEL предсказывают отзыв лицензий лучше, чем абсолютные значения (Makinen, Solanko, 2018: 3–21).

Методы и эмпирическая база . Цель настоящего исследования – обосновать методологически воспроизводимую систему идентификации проблемных банков в условиях российской надзорной практики, охватывающую институциональные особенности сектора, эмпирический анализ оснований принудительного отзыва лицензий, классификацию способов диагностики и архитектуру надзорного мониторинга. Эмпирической базой выступают официальные пресс-релизы Банка России о применении крайней меры надзорного воздействия – принудительного отзыва лицензии – за период 2018–2025 годов, нормативная база представлена федеральными законами Российской Федерации и нормативными актами Банка России, теоретико-методологическая база – научными работами по идентификации проблемных банков и финансовой стабильности. Применены общенаучные методы (системный и структурно-функциональный анализ, обобщение, классификация, сравнительный анализ) и специальные методы (контент-анализ официальных сообщений регулятора, статистический анализ структуры и динамики).

Результаты исследования . Институциональная модель отечественного банковского сектора во многом определяется статусом Банка России как мегарегулятора, закрепленным Федеральным законом «О Центральном банке Российской Федерации (Банке России)»¹. Банк России одновременно устанавливает обязательные правила, осуществляет дистанционный и инспекционный надзор, реализует меры раннего реагирования и принимает решения о выводе банка с рынка. Подобное сочетание функций придает публичным решениям регулятора выраженную сигнальную функцию: решения надзорного органа не только изменяют правовой статус банка, но и формируют информационный сигнал для рынка, который влияет на поведение вкладчиков и контрагентов. Следовательно, исследование проблемных банков целесообразно строить на сочетании количественных данных (отчетность, нормативы) и качественных источников (пресс-релизов, приказов, разъяснений), фиксирующих основания и контекст надзорного вмешательства.

Структурно сектор внутренне неоднороден. На долю системно значимых кредитных организаций приходится около 80 % совокупных активов банковского сектора2; перечень таких организаций формируется Банком России по методике, установленной Указанием № 5778-У3.

Эмпирическим источником, позволяющим реконструировать типовые механизмы проявления проблемности в российской практике, выступают публичные сообщения Банка России о применении крайней меры надзорного воздействия – принудительного отзыва лицензии. По данным регулятора4, за 2018–2025 годы лицензий лишились 226 кредитных организаций, у 140 из них лицензия отозвана принудительно (в 86 случаях имели место добровольное аннулирование или реорганизация – преимущественно присоединение или слияние). Аналитически релевантны именно принудительные отзывы: это подтвержденные регулятором случаи реализации проблемных явлений в максимальной их форме, а соответствующие пресс-релизы содержат прямое указание на основания, расцененные надзором как критические.

В рамках исследования был проведен сплошной контент-анализ всех 140 пресс-релизов с отнесением выделенных формулировок к одной из 12 риск-категорий и подсчетом частоты упоминаний. Поскольку один пресс-релиз обычно содержит несколько оснований, представленные далее показатели отражают частоту упоминаний категорий, а не взаимно исключающие «единственные» причины. Такой подход позволяет реконструировать типовые механизмы проблемности, прямо фиксируемые регулятором в публичных сообщениях, и связать их с институциональными особенностями российского банковского сектора. Структура упоминаний приведена в таблице 1.

Таблица 1. Структура оснований принудительного отзыва лицензий по пресс-релизам

Банка России (2018–2025 гг.)1

Table 1 . Structure of Grounds for Forced

License Revocation According to Bank of Russia Press Releases (2018–2025)

Причина (категория)	Количество	Доля, %
Неисполнение федеральных законов и нормативных актов Банка России	113	80,7
Нарушение требований ПОД/ФТ (115-ФЗ)	81	57,9
Вывод активов / сомнительные операции	46	32,9
Занижение резервов / недостаточное резервирование	42	30,0
Проблемные ссуды / кредитный портфель	32	22,9
Неэффективная / высокорискованная бизнес-модель	32	22,9
Проблемные / низкокачественные активы	27	19,3
Нарушение требований к капиталу	11	7,9
Недостаток ликвидности / неисполнение обязательств	8	5,7
Кэптивность / операции в интересах связанных лиц	7	5,0
Дефекты корпоративного управления	4	2,9
Недостоверность отчетности	2	1,4

Доминирующей категорией выступает общее указание на неисполнение федеральных законов и нормативных актов Банка России (113 случаев; 80,7 %), которое в целях диагностики требует декомпозиции на конкретные риск-категории: в большинстве пресс-релизов оно сопровождается дополнительными формулировками, локализующими источник нарушения. Второе по распространенности основание – нарушения требований ПОД/ФТ (57,9 %), которое в совокупности с близкими по содержанию формулировками о сомнительных операциях и выводе активов (32,9 %) эмпирически подтверждает специфическую значимость комплаенс-измерения в российском контексте: комплаенс-нарушения выступают не периферийным, а одним из ключевых каналов реализации проблемности.

Близкий результат на современных данных для рынка США получили авторы статьи «Bank failure prediction: corporate governance and financial indicators» (Alzayed et al. 2023: 601–631), показавшие, что показатели достаточности капитала проявляют меньшую прогнозную силу, чем индикаторы качества активов и корпоративного управления, тогда как первичные источники неблагополучия локализованы в качестве активов. Схожая картина наблюдается и для российского рынка: моделирование вероятности дефолта банков на данных 2015–2020 гг. показывает, что индикаторы качества активов и резервирования обладают большей предсказательной силой, чем формальные нормативы капитала (Щепелева и др., 2024: 101–124).

Редко упоминаемые категории – кэптивность и операции в интересах связанных лиц (5,0 %), дефекты корпоративного управления (2,9 %), недостоверность отчетности (1,4 %) – обладают высокой интерпретационной значимостью. Их низкая частотность объясняется прежде всего сложностью документирования соответствующих обстоятельств в коротких пресс-релизах, однако содержательно они формируют качественный контекст, в котором развиваются финансовые и комплаенс-нарушения. Таким образом, эмпирический срез публичных оснований принудительного отзыва лицензий подтверждает обоснованность многофакторной постановки задачи идентификации и обозначает приоритетные диагностические контуры: качество активов и резервирование, комплаенс и сомнительные операции, характеристики бизнес-модели.

Количественный каркас диагностики формируется на основе обязательных нормативов и интегральной оценки экономического положения банков. Методики определения и числовые значения обязательных нормативов для банков с универсальной лицензией закреплены Инструкцией Банка России № 220-И1; в российской надзорной практике формализованный подход к комплексной оценке состояния банка установлен Указанием Банка России № 4336-У2, которое задает пятиуровневую классификацию по совокупной оценке капитала, активов, доходности, ликвидности, процентного риска и риска концентрации, соблюдения нормативов, качества управления и прозрачности структуры собственности. Принципиальное значение здесь имеет учет не только факта нарушения пороговых значений, но и динамики приближения к ним, роста волатильности и структурных сдвигов, поскольку именно тренды и структурные сдвиги зачастую предшествуют формальному нарушению.

Существенным дополнением выступает рейтинговый подход CAMELS, в котором состояние банка оценивается по шести компонентам: достаточность капитала (C), качество активов (A), качество управления (M), прибыльность (E), ликвидность (L) и чувствительность к рыночному риску (S). При анализе по открытым данным надежно реконструируются преимущественно компоненты C, A, E и L, тогда как компоненты M и S требуют инспекционных данных. Тем не менее даже ограниченная по охвату реализация подхода повышает сопоставимость результатов и обеспечивает «горизонтальную» проекцию финансовых и управленческих характеристик. Прогнозное измерение в систему вносят ранние предупреждающие системы (early warning systems, EWS), реализуемые на основе логистической регрессии и иных методов бинарной классификации. Истоки данного направления восходят к классическим работам по дискриминантному анализу финансовых коэффициентов и логит-моделям прогнозирования банковских банкротств; систематический обзор эволюции этих подходов представлен в работе (Citterio, 2024). Зависимой переменной выступает событие неблагополучия (введение мер надзорного воздействия, потребность в финансовом оздоровлении и т. п.), объясняющими – набор банковских коэффициентов и макрофинансовые факторы. Современные исследования дополняют классические модели методами машинного обучения, что позволяет выявлять нелинейные взаимосвязи; однако интерпретируемость и качество исходных данных остаются ключевыми условиями применимости таких моделей. При этом ML-методы повышают точность прогноза банковских кризисов вне выборки по сравнению с классическими логит-моде-лями (Beutel et al., 2019; Tölö, 2020), хотя интерпретируемость моделей и качество исходных данных остаются ключевыми условиями для применения. У российского рынка похожий результат (Си-нельникова-Мурылева и др., 2018: 8–27), где «метод случайного леса» превосходит логит-модель в прогнозировании дефолтов отечественных банков.

Стоит также отметить, что дисбалансы в срочной структуре банковских операций могут сигнализировать о скрытых «дырах» в капитале банка – на горизонте до трех месяцев до их публичного выявления (Мамонов, 2020). Это обосновывает необходимость анализа не только агрегированных коэффициентов, но и структурных характеристик деятельности банка в рамках надзорного мониторинга.

Методологически контур анализа активов и резервов претерпел значительные изменения в связи с переходом к модели ожидаемых кредитных убытков по МСФО 9, требующей оценки потерь в перспективном, а не ретроспективном измерении (Рахаев, 2020: 82–91). Современный обзор детерминант неработающих кредитов показывает, что качество активов формируется под влиянием как банк-специфичных, так и макроэкономических и отраслевых факторов (Ozili, 2025: 437–462; Pancotto et al., 2024), что обосновывает необходимость многоуровневого анализа кредитного портфеля.

Прогнозным элементом выступают проверка качества активов (AQR) и стресс-тестирование, особенно значимые при формально приемлемых нормативах: они позволяют оценить устойчивость банка не только в текущей конфигурации баланса, но и при неблагоприятных сценариях. Прогнозные модели вероятности дефолта, разрабатываемые в Банке России, направлены именно на упреждающую оценку кредитного риска до момента его реализации в потерях (Бурова и др., 2021: 49– 72), что соответствует общей логике перехода надзора от констатации к прогнозированию.

Практическая реализация многофакторной идентификации в российском банковском секторе осуществляется через систему непрерывного надзорного мониторинга, выстроенного по логике «наблюдение – диагностика – надзорная реакция – оценка эффекта». В отличие от разовых контрольных действий мониторинг по своей природе предполагает регулярность, сопоставимость данных во времени и возможность раннего выявления негативных тенденций до их перехода в острую фазу. Такая постановка вопроса соответствует общим принципам организации надзорной оценки рисков (Citterio, 2024; Filippopoulou et al., 2020: 344–363) и важна методологически: проблемность банка, как правило, формируется не одномоментно, а как накопление дисбалансов в капитале, ликвидности, качестве активов, структуре доходов, управлении рисками и внутреннем контроле, и именно мониторинг позволяет «увидеть» постепенную деградацию устойчивости до того, как она трансформируется в публичный кризис доверия.

Информационную основу мониторинга образует дистанционное (off-site) наблюдение, опирающееся на регулярную отчетность кредитных организаций и банковских групп. В российской модели именно нормативно установленная отчетность формирует «скелет» данных: она определяет, какие показатели и с какой периодичностью обязаны раскрывать банки для целей надзора и, соответственно, какие сигналы доступны для первичной диагностики. Базовым индикатором выступает соблюдение обязательных нормативов, надзорная ценность которых состоит не только в фиксации факта нарушения. Существеннее, что обязательные нормативы превращают сложные балансовые и внебалансовые позиции в набор агрегированных коэффициентов, позволяющих оценивать устойчивость банка с точки зрения капитала, ликвидности и концентрации рисков. Для мониторинга проблемности принципиально отслеживать динамику нормативов: устойчивое ухудшение, рост волатильности, «рывки» улучшения на отчетные даты и несоответствие между трендом нормативов и экономической логикой бизнеса могут выступать ранними индикаторами ухудшения даже при формальном соблюдении минимальных требований.

Дистанционный мониторинг при всей его регулярности имеет объективные ограничения: он опирается на данные, формируемые самим банком, и уязвим к искажению учетных оценок и задержкам признания потерь. Поэтому второй уровень мониторинга – инспекционные (on-site) проверки – играет роль верификации и углубленной диагностики. В рамках инспекционной деятельности проверяются качество кредитных досье, корректность классификации активов, реальная стоимость и юридическая чистота принятого обеспечения, полнота отражения обязательств, состояние системы корпоративного управления. Институционально дистанционный и инспекционный контуры связываются через институт кураторства: куратор включается в состав рабочей группы, осуществляющей проверку, а накопленные в ходе дистанционного мониторинга гипотезы о рисках конкретного банка передаются непосредственно в инспекцию. Тем самым обеспечивается преемственность надзорного знания между двумя контурами мониторинга, а наиболее сильные надзорные сигналы возникают именно на стыке двух уровней – когда выявляется устойчивое расхождение между отчетной картиной и результатами анализа первичной документации.

Аналитически мониторинговый цикл целесообразно представлять как последовательность пяти стадий, представленных в таблице 2.

Таблица 2 . Алгоритм мониторинга проблемных банков в российском банковском секторе

Table 2 . Algorithm of Problem Bank Monitoring in the Russian Banking Sector

Этап	Содержание
Этап 1	Дистанционный мониторинг (off-site): сбор и первичная обработка данных
Этап 2	Скрининг и ранняя диагностика. Выявление «болевых точек»: устойчивое ухудшение нормативов, резкие изменения структуры баланса, несогласованность резервов и кредитного портфеля, признаки нарушений 115–ФЗ. Формирование перечня банков для углубленного анализа
Этап 3	Углубленный анализ: качество активов, резервирование, ликвидность
Этап 4	Инспекционная верификация (on-site). Проверка кредитных досье, корректности классификации активов, реальной стоимости обеспечения, полноты отражения обязательств, качества корпоративного управления. Верификация гипотез дистанционного анализа
Этап 5	Надзорная реакция и оценка результативности

Принципиальной особенностью цикла выступает дифференциация по глубине и частоте в зависимости от масштаба и системной значимости банка: при одинаковых «симптомах» цена ошибки в отношении крупной банковской группы существенно выше, что обусловливает повышенные требования к качеству исходных данных, стресс-оценкам и проверке устойчивости биз-нес-модели. Аналогичный вывод подтверждается на российских данных: события надзорной траектории (отзывы лицензий) тесно связаны с динамикой кредитных рейтингов, что обосновывает использование рейтинговых сигналов как составной части системы мониторинга (Живайкина, Пе-ресецкий, 2017: 49–80; Кутенко, Озеров, 2024: 98–118).

Современное направление развития мониторинга – усиление сценарного и прогнозного измерения. Помимо традиционных финансовых индикаторов, в качестве предикторов могут выступать показатели качества скоринговых моделей (Тихонов и др., 2021: 76–95), эффект макропру-денциальных мер регулятора (Мирошниченко, 2021: 73–93) и динамические показатели эффективности банка (Li et al., 2022: 279–315). Экономическая значимость такого подхода заключается в том, что проблемы проявляются быстрее, чем успевают быть отражены в отчетности, если банк высоко чувствителен к изменению макроусловий, следовательно, надзорный мониторинг должен стремиться оценить потенциальную скорость деградации капитала и ликвидности при стрессах, а не только фиксировать уже реализованные потери.

Заключение . Специфика российского банковского сектора как объекта диагностики определяется сочетанием взаимосвязанных факторов. Статус Банка России как мегарегулятора придает надзорным решениям выраженную сигнальную функцию, что повышает значимость качественных источников (пресс-релизов, приказов), наряду с количественной отчетностью. Высокая концентрация активов у системно значимых организаций при наличии сегмента небольших банков с базовой лицензией делает сектор структурно неоднородным и требует пропорциональной дифференциации диагностических процедур. Повышенная значимость комплаенс-рисков в сфере ПОД/ФТ, а также формирование четвертого, операционного, контура наблюдения формируют такую конфигурацию рисков, в которой ни один из традиционных балансовых индикаторов не способен в одиночку обеспечить надежную диагностику.

Проведенный контент-анализ 140 пресс-релизов Банка России за 2018–2025 годы эмпирически подтвердил многофакторную природу банковского кризиса. Этот результат опровергает упрощенное представление о доминировании дефицита капитала как ведущей причины банковского кризиса и обосновывает приоритеты диагностики – качество активов, резервирование и комплаенс.

Методологически целесообразным является построение системы идентификации как «горизонтальной» матрицы перекрестной проверки сигналов, объединяющей нормативную классификацию по Указанию № 4336-У1, рейтинговую систему CAMELS, ранние предупреждающие модели, углубленный анализ качества активов и адекватности резервирования, а также комплаенс-мониторинг. Практическая реализация такой системы воплощена в пятистадийном цикле надзорного мониторинга – от дистанционного сбора отчетности к скринингу «болевых точек», углубленному анализу, инспекционной верификации и надзорной реакции – с пропорциональной дифференциацией по типу лицензии и системной значимости кредитной организации. Перспективным направлением дальнейших исследований представляется построение количественных моделей ранней идентификации проблемных банков, включающих в качестве предикторов индикаторы комплаенс-риска и событийные маркеры надзорной траектории (предписания, ограничения операций, назначение временной администрации), наряду с традиционными финансовыми коэффициентами, а также калибровка сценарных подходов (AQR, стресс-тестирование), применительно к различным сегментам сектора.