Материал: Сборника М. Н. Ахметова, Ю. В. Иванова, А. В. Каленский, В

Таблица 2

«Возраст» аудиторских организаций [3]

Количество лет ведения аудиторской деятельности	Доля в общем количестве аудиторских организаций, %
	2013	2014	2015
Менее года	3,5	4,8	7,2
1–2 года	7,2	6,8	7,9
3–4 года	11,9	9,7	6,2
5 и более лет	77,4	78,7	78,7

Наибольший удельный вес на рынке аудиторских услуг занимают организации с «возрастом» от пяти лет. Это го- ворит об общественном доверии высокому качеству ока- зываемых профессиональных услуг таких организаций, их опыте в аудиторском контроле. Поэтому для аудиторов важно, чтобы их клиенты, пользующиеся финансовой от- четностью, доверяли качеству аудита и предоставленным им услуг.

В последние годы в Российской Федерации получил широкое распространение аудит эффективности.

Аудит эффективности использования государственных средств представляет собой новую для РФ форму бюджет- ного контроля, заключающуюся в проверке деятельности органов государственной власти и получателей государ- ственных средств в целях определения эффективности ис- пользования государственных средств, полученных для выполнения возложенных на них функций и поставленных задач.

Аудит эффективности на сегодняшний день является трудновыполнимой задачей, для решения которой требу-

ются значительные временные затраты, финансовые ре- сурсы, и высококвалифицированные специалисты. Тем не менее, это одно из перспективных направлений развития аудита в РФ.

Следовательно, роль аудиторского контроля заклю- чается в том, в его основе лежит взаимная заинтере- сованность государства, руководства и собственников организаций в достоверной учетной и отчетной инфор- мацией. Можно сказать, что аудит как форма финансо- вого контроля относится к независимой проверке фи- нансовой отчетности организации, осуществляемой специальным субъектом (аудитором), в соответствии с законодательством об аудите на коммерческой основе. На сегодняшний день аудиторская деятельность явля- ется приоритетным направлением в области финансо- вого контроля.

Таким образом, на основе исследуемого материала мы видим, что происходит развитие аудиторского контроля в России.

Д
ля повышения надежности и эффективности функ- ционирования банковский системы необходим посто- янный мониторинг и анализ текущего финансового со- стояния банков. Такой анализ необходимо проводить как надзорным органам, ответственным за развитие и устой- чивое функционирование банковской системы — Цен- тральному банку Российской Федерации (ЦБ РФ), Агент- ству по страхованию вкладов (АСВ), так и банкам, и их контрагентам. Своевременный мониторинг позволяет надзорным органам выделить наиболее уязвимых участ- ников банковского сектора и принять меры по улучшению их финансового состояния. Мониторинг банками своего финансового положения позволяет предупредить насту- пление преддефолтного состояния, оценить риски от тех или иных действий и правильно определить дельнейшую стратегию. Для контрагентов банков (вкладчиков, заем- щиков, инвесторов и других банков) мониторинг финансо- вого состояния позволяет определиться с вопросом даль-

нейшего сотрудничества, оценить риски вложений.

На сегодняшний день разработано множество спо- собов моделирования и анализа финансового положения организаций, в их числе: моделирование на основе при- своенных рейтингов, на основе экспертных оценок и эко- нометрическое моделирование [7–12, 14].

Эконометрическое моделирование вероятности де- фолтов банков состоит в построении моделей с использо-

ванием финансовых, макроэкономических и других пока- зателей, потенциально влияющих на состояние банка, а также на основе данных по дефолтам банков. Наиболее подходящим инструментом здесь являются модели би- нарного выбора (logit, probit). Преимуществами данных моделей являются, во-первых, возможность опреде- лять степень влияния различных регрессоров на веро- ятность дефолта, во-вторых, возможность построения нелинейных зависимостей, и в-третьих, получить количе- ственную оценку вероятности дефолта [10–12].

В данной работе на основании квартальных данных российских банков за период с первого квартала 1998 года по 4 квартал 2016 года проводится моделирование вероят- ностей отзывов лицензий с использованием logit-моделей. Финансовые показатели были получены из информаци- онно-аналитической системы «Банки и финансы» ин- формационного агентства Мобиле. Данные об отзывах и их причинах были собраны из приказов Центрального Банка Российской федерации (ЦБ РФ), публикуемых на сайте cbr. ru. Источником дополнительной информации о банках послужила база данных сайта bаnki. ru. Макроэ- кономические показатели использовались из статистиче- ских данных, публикуемых Федеральной службой госу- дарственной статистики (gks. ru), а также Федеральной таможенной службой (customs. ru). При моделировании факт отзыва лицензии фиксировался на конец квартала.

Зависимой переменной является переменная, содер- жащая информацию об отзыве лицензии. Для модели- рования был проведен анализ причин отзывов лицензий, на основании чего были определены зависимые пере- менные:

• 
  Переменная default — содержит данные о всех от- зывах лицензий;
  
• 
  Переменная economic — содержит данные только о тех отзывах, причинами которых стали один или не- сколько из следующих фактов: финансовая несостоятель- ность банка, нарушение законодательства, недостоверная отчетность, а также недостаточность капитала;
  
• 
  Переменная laundry — содержит данные о тех от- зывах, которые были совершены в том числе по причине нарушения Федерального закона «О противодействии ле- гализации (отмыванию) доходов, полученных преступным путем, и финансированию терроризма» от 07.08.2001 N 115-ФЗ.
  

Таким образом, данные зависимые бинарные пере- менные принимают значение, равное 1, если в указанные период была отозвана лицензия по определенной причине, и значение 0 в противном случае.

В Таблицах 1 и 2 представлены показатели, использу- емые в качестве независимых переменных:

Таблица 1

Макроэкономические факторы

Обозначение	Показатель
d4_ipc	Прирост индекса цен за последние четыре квартала
d4_gdp	Прирост ВВП за последние четыре квартала
unempl	Уровень безработицы
curs	Обменный курс рубль к доллару США
trade	Состояние внешней торговли (отношение экспорта к импорту)

Таблица 2

Финансовые показатели

Обозначение	Показатель	Примечание
LnCA	Логарифм чистых активов
BP	Балансовая прибыль	Данные показатели взяты в относи- тельном виде к чистым активам (СА)
SK	Собственный капитал
LA	Ликвидные активы
GDO	Государственные ценные бумаги
NCB	Негосударственные ценные бумаги
MBK	Межбанковские кредиты
LnOKSCA	Логарифм оборота по корреспондентским счетам к чистым активам
VDFL	Депозиты физических лиц
VDUL	Депозиты юридических лиц
KE	Кредиты предприятиям
KE_F	Кредиты физическим лицам
PNA	Прочие неработающие активы
RES	Резервы под возможные потери	Показатель взят в относительном виде к кредитам предприятиям (KE)

Ввиду присутствия некоторого временного лага между фактом дефолта банка и отзыва лицензии, в работе будут построены два вида моделей, отличающиеся сдвигом по времени факта отзыва лицензии. Первый вид соответ- ствует сдвигу в два квартала, то есть, для банков, у ко- торых отзыв лицензии или сообщение о начале процедуры оздоровления были совершены в момент времени t, в мо- дели данные события фиксировались в момент времени t-2 квартала. Во всех наблюдениях, когда дефолт не был зафиксирован, состоянию банка в момент времени t ста- вились в соответствие финансовые и макроэкономические

показатели также в момент времени t. Второй вид про- реживания строился аналогичным способом, с разницей только в величине сдвига, равной 4 кварталам назад. Такое прореживание, во-первых, связано с тем, что в момент от- зыва лицензий у банков отчетность за данный квартал от- сутствует или часто искажена, во-вторых, сдвиги предо- ставляют возможность оценить финансовое состояние и вероятность дефолта заранее и предупредить и воз- можных событиях.

Далее, для улучшения точностей моделей была произ- ведена очистка данных. Из выборки были удалены несо-

ответствия и ошибки, связанные с финансовой отчетно- стью, такие как отрицательные значения для показателей: кредиты предприятиям и физическим лицам, резервы под возможные потери, собственный капитал, чистые активы, относительные переменные, значения которых превы- шали единицу. Для предотвращения смещения оценок, по каждому показателю были удалены «выбросы» — зна- чения, значимо отличающиеся от остальных. Следующим шагом были удалены наблюдения по 5 банкам, входящих в перечень системно значимых банков:13 Газпромбанк, Сбербанк России, ВТБ, Россельхозбанк и Альфа-банк.

Таким образом после прореживания и очистки данных имеем две выборки (с лагом в 2 и 4 квартала соответ- ственно). Первая включает 74641 наблюдение и 907 фактов отзыва лицензии, вторая 72742 наблюдения и 882 факта отзыва лицензии.

Для каждой из выборок были построены два вида мо- делей — в первой все объясняющие факторы присут- ствуют в линейном виде — во второй добавлена ква- дратичная зависимость по следующим переменным: ликвидные активы (LACA2), чистые активы (LnCA2), межбанковские кредиты (MBKCA2) и негосударственные ценные бумаги (NCBCA2). В Таблицах 3 и 4 представлены результаты оценивания данных моделей.

Проанализируем результаты оценивания каждой мо- дели.

Моделислинейнымипоказателями.

Рассмотрим отдельно модели с лагом 2 и 4 квартала.

Модельслагом2квартала. Значение коэффициента при переменной доля балансовой прибыли в чистых ак- тивах (BPCA) значима для всех моделей с лагом 2 квар- тала, кроме модели с зависимой переменной laundry1 — где единственной причиной отзыва лицензии является причина отмывания денег. Отрицательный знак коэффи- циента подтверждает предположения о характере вли- яния данной переменной на вероятность дефолта — уве- личение балансовой прибыли уменьшает вероятность дефолта. Аналогичная связь и значимость коэффициентов присутствует для переменных, отражающих долю государ- ственных ценных бумаг (GDOCA), кредиты физическим лицам (KE_FCA) и долю оборота по корреспондентским счетам в чистых активах (LnOKSCA). Данные результаты объяснимы — стабильность данных активов и активная деятельность банка отрицательно влияют на вероятность дефолта. Коэффициент при переменной кредиты предпри- ятиям (KECA) оказался незначим, вероятно, из-за корре- ляции с другими переменными. Коэффициент перед фак- тором кредиты другим банкам (MBKCA) значим и имеет отрицательное влияние на вероятность дефолта для всех моделей, кроме модели с отзывом лицензии по экономи- ческой причине. Подтвердились ожидания касательно влияния переменной резервы под возможные потери (RESKE) — влияние положительное, ввиду возможной рисковой кредитной политики банков. Не подтвердились предположения о направлении влияния депозитов физи- ческих лиц (VDFLCA)

Проявилось значимое положительное влияние дан- ного параметра в общей модели для всех причин отзыва лицензии (default) и для отзыва по экономическим при- чинам (economic). Коэффициент перед показателем соб- ственного капитала (SKCA) не значим для общей модели, однако значимость появляется в моделях, где причины разделены, причем в модели дефолта по экономическим причинам направление влияния — отрицательное, то есть увеличение капитала говорит о большей устойчивости и уменьшении вероятности дефолта, однако, для моделей, где присутствует причина отмывания денег, влияние дан- ного параметра — положительное. Данные результаты соответствуют содержательному смыслу причин отзыва лицензий. Здесь же можно отметить, что разное направ- ление влияния одного и того же параметра говорят о не- обходимости разделять модели с различными причинами дефолта при исследовании. Примечательно направление влияния и значимость переменной ликвидных активов (LACA). Она значима опять же только для моделей, где присутствует среди причин дефолта — отмывание денег, с положительным влиянием, что соответствует нашим ожи- даниям.

Макроэкономические факторы значимы все для общей модели, в которую входят все причины отзыва и для модели с экономическими причинами отзыва лицензий. Данный факт говорит о необходимости включения данных пара- метров в модели. Положительная влияние на увеличение вероятности дефолта оказывают прирост индекса потре- бительских цен (d4_ipc), курс рубля к доллару (curs) и со- стояние внешней торговли (trade). Повышение уровня ин- фляции и ослабление национальной валюты отрицательно влияют на финансовый результат деятельности банка, что, в свою очередь, влияет на вероятность дефолта. Отрица- тельное влияние оказывают коэффициенты перед пока- зателем прироста уровня ВВП (d4_gdp) и безработицы (unempl). Увеличение ВВП свидетельствует об общем по- ложительном состоянии экономики, что положительно влияет на результаты деятельности банка.

Модель с лагом 4 квартала. В моделях с лагом в 4 квартала меньше значимых коэффициентов. Отсутствует значимость по показателям балансовой прибыли и кре- диты предприятиям. В целом направления влияния зна- чимых коэффициентов совпадают. Однако, стоит заметить, что показатели качества моделей — расчетная статистика log-likelihood и информационный критерий Акаике для моделей с лагом в два квартала несколько лучше.

Моделисвключениемквадратичныхпоказателей.Включение в модель квадратов некоторых переменных увеличивает все, используемые в данной работе, пока- затели качества модели. При этом коэффициенты перед данными переменными значимы за исключением по- казателя доля собственного капитала в чистых активах (SKCA2). Данный показатель значим только в модели с лагом в 4 квартала и зависимой переменной laundry — то есть среди причин отзыва есть причина отмывания денег. Коэффициент положительный перед квадратами пере-