Архаров Г.Ю. Идентификация проблемных банков в России: диагностика и надзорный мониторинг

Научная статья
УДК 336.71(470+571)
https://doi.org/10.24158/tipor.2026.5.27
 

Идентификация проблемных банков в России: диагностика и надзорный мониторинг

 

Григорий Юрьевич Архаров
Финансовый университет при Правительстве Российской Федерации, Москва, Россия,
grisha20082002@mail.ru, https://orcid.org/0009-0004-3346-4140
 
Аннотация. В статье рассматриваются методологические и эмпирические аспекты идентификации проблемных банков в российском банковском секторе. Цель работы – обоснование многофакторной системы диагностики, учитывающей институциональные особенности отечественной надзорной практики. Использован метод сплошного контент-анализа 140 пресс-релизов Банка России об отзыве лицензий за 2018–2025 годы, дополненный сравнительным анализом нормативных и научных подходов к диагностике. Установлено доминирование комплаенс-нарушений и качества активов в публично заявляемых основаниях отзыва лицензий при второстепенной роли формальных нарушений нормативов капитала и ликвидности. Предложена «горизонтальная» матрица перекрестной проверки сигналов, объединяющая нормативную классификацию, рейтинговую систему CAMELS, ранние предупреждающие модели, углубленный анализ качества активов и комплаенс-мониторинг. Описан пятистадийный цикл надзорного мониторинга и обоснована необходимость пропорциональной дифференциации диагностических процедур по типу лицензии и системной значимости кредитной организации.
Ключевые слова: проблемный банк, банковский надзор, Банк России, отзыв лицензии, ПОД/ФТ, финансовая устойчивость
Финансирование: инициативная работа.
Для цитирования: Архаров Г.Ю. Идентификация проблемных банков в России: диагностика и надзорный мониторинг // Теория и практика общественного развития. 2026. № 5. С. 242–248. https://doi.org/10.24158/tipor.2026.5.27.
 
Original article

 

Identification of Problem Banks in Russia: Diagnostics and Supervisory Monitoring

 

Grigory Yu. Arkharov
Financial University under the Government of the Russian Federation, Moscow, Russia,
grisha20082002@mail.ru, https://orcid.org/0009-0004-3346-4140
 
Abstract. The article examines methodological and empirical aspects of problem bank identification in the Russian banking sector. The goal of the research is to substantiate a multifactor diagnostic system that accounts for institutional features of the Russian supervisory practice. A complete content analysis of 140 Bank of Russia press releases on the license revocation for 2018–2025, supplemented by a comparative analysis of regulatory and scholarly approaches to diagnostics, is used. The study finds that compliance violations and assets quality dominate publicly stated grounds for license revocation, while formal violations of capital and liquidity ratios play a secondary role. The author proposes a “horizontal” matrix of signals cross-validation combining the regulatory classification, the CAMELS rating system, early warning models, in-depth assets quality review, and compliance monitoring.  A five-stage supervisory monitoring cycle is described, and the necessity of proportional differentiation of diagnostic procedures by license type and systemic importance of the credit institution is justified.
Keywords: problem bank, banking supervision, Bank of Russia, license revocation, AML/CFT, financial stability
Funding:Independent work.
For citation: Arkharov, G.Yu. (2026) Identification of Problem Banks in Russia: Diagnostics and Supervisory Monitoring. Theory and Practice of Social Development. (5), 242–248. Available from: doi:10.24158/tipor.2026.5.27 (In Russian).

© Архаров Г.Ю., 2026

Список источников:
 
Бурова А., Пеникас Г., Попова С. Применение модели вероятности дефолта для оценки прогнозируемого кредитного риска // Деньги и кредит. 2021. Т. 80, № 3. С. 49–72. https://doi.org/10.31477/rjmf.202103.49.
Живайкина А.Д., Пересецкий А.А. Кредитные рейтинги российских банков и отзывы банковских лицензий 2012–2016 гг. // Журнал Новой экономической ассоциации. 2017. № 4 (36). С. 49–80. https://doi.org/10.31737/2221-2264-2017-36-4-3.
Кутенко С., Озеров К. Подходы к оценке дефолтности рейтинговых шкал кредитных рейтинговых агентств // Деньги и кредит. 2024. Т. 83, № 4. С. 98–118.
Мамонов М.Е. Дисбалансы в срочной структуре банковских операций как предвестники скрытых «дыр» в капитале банков // Деньги и кредит. 2020. Т. 79, № 2. С. 51–74. https://doi.org/10.31477/rjmf.202002.70.
Мирошниченко Д.А. Воздействие макропруденциальной политики Банка России на рискованность портфеля потребительских кредитов банков // Деньги и кредит. 2021. Т. 80, № 3. С. 73–93. https://doi.org/10.31477/rjmf.202103.73.
Рахаев В.А. Развитие методов оценки кредитного риска для формирования резервов на возможные потери по ссудам // Финансы: теория и практика. 2020. Т. 24, № 6. С. 82–91. https://doi.org/10.26794/2587-5671-2020-24-6-82-91.
Синельникова-Мурылева Е.В., Горшкова Т.Г., Макеева Н.В. Прогнозирование дефолтов в российском банковском секторе // Экономическая политика. 2018. Т. 13, № 2. С. 8–27.
Тихонов Р., Масютин А., Анпилогов В. Взаимосвязь финансового результата банка и качества моделей кредитного скоринга // Деньги и кредит. 2021. Т. 80, № 2. С. 76–95. https://doi.org/10.31477/rjmf.202102.76.
Щепелева М.А., Тусипкалиев К., Столбов М.И. Моделирование риска дефолта российских банков, 2015–2020 гг. // Экономика современной России. 2024. № 2 (105). С. 101–124. https://doi.org/10.33293/1609-1442-2024-2(105)-101-124.
Alzayed N., Eskandari R., Yazdifar H. Bank failure prediction: corporate governance and financial indicators // Review of Quantitative Finance and Accounting. 2023. Vol. 61, no. 2. P. 601–631. https://doi.org/10.1007/s11156-023-01158-z.
Beutel J., List S., von Schweinitz G. Does machine learning help us predict banking crises? // Journal of Financial Stability. 2019. Vol. 45. Article 100693. https://doi.org/10.1016/j.jfs.2019.100693.
Citterio A. Bank failure prediction models: Review and outlook // Socio-Economic Planning Sciences. 2024. Vol. 92. Article 101818. https://doi.org/10.1016/j.seps.2024.101818.
Filippopoulou C., Galariotis E., Spyrou S. An early warning system for predicting systemic banking crises in the Eurozone: A logit regression approach // Journal of Economic Behavior & Organization. 2020. Vol. 172. P. 344–363. https://doi.org/10.1016/j.jebo.2019.12.023.
Li Z., Feng C., Tang Y. Bank efficiency and failure prediction: a nonparametric and dynamic model based on data envelopment analysis // Annals of Operations Research. 2022. Vol. 315, no. 1. P. 279–315. https://doi.org/10.1007/s10479-022-04597-4.
Makinen M., Solanko L. Determinants of bank closures: Do levels or changes of CAMEL variables matter? // Russian Journal of Money and Finance. 2018. Vol. 77, no. 2. P. 3–21. https://doi.org/10.31477/rjmf.201802.03.
Naili M., Lahrichi Y. The determinants of banks’ credit risk: Review of the literature and future research agenda // International Journal of Finance & Economics. 2022. Vol. 27, no. 1. P. 334–360. https://doi.org/10.1002/ijfe.2156.
Ozili P.K. Bank non-performing loans research around the world // Asian Journal of Economics and Banking. 2025. Vol. 9, no. 3. P. 437–462. https://doi.org/10.1108/AJEB-09-2024-0103.
Pancotto L., ap Gwilym O., Williams J. The evolution and determinants of the non-performing loan burden in Italian banking // Pacific-Basin Finance Journal. 2024. Vol. 84. Article 102306. https://doi.org/10.1016/j.pacfin.2024.102306.
Tölö E. Predicting systemic financial crises with recurrent neural networks // Journal of Financial Stability. 2020. Vol. 49. Article 100746. https://doi.org/10.1016/j.jfs.2020.100746.
 
References:
 
Alzayed, N., Eskandari, R. & Yazdifar, H. (2023) Bank failure prediction: corporate governance and financial indicators. Review of Quantitative Finance and Accounting. 61 (2), 601–631. Available from: doi:10.1007/s11156-023-01158-z.
Beutel, J., List, S. & von Schweinitz, G. (2019) Does machine learning help us predict banking crises? Journal of Financial Stability. 45, Article 100693. Available from: doi:10.1016/j.jfs.2019.100693.
Burova, A., Penikas, H. & Popova, S. (2021) Probability of default model to estimate ex ante credit risk. Russian Journal of Money and Finance. 80 (3), 49–72. Available from: doi:10.31477/rjmf.202103.49. (In Russian).
Citterio, A. (2024) Bank failure prediction models: Review and outlook. Socio-Economic Planning Sciences. 92, Article 101818. Available from: doi:10.1016/j.seps.2024.101818.
Filippopoulou, C., Galariotis, E. & Spyrou, S. (2020) An early warning system for predicting systemic banking crises in the Eurozone: A logit regression approach. Journal of Economic Behavior & Organization. 172, 344–363. Available from: doi:10.1016/j.jebo.2019.12.023.
Kutenko, S. & Ozerov, K. (2024) Approaches to default probability estimation of credit rating agencies’ rating scales. Russian Journal of Money and Finance. 83 (4), 98–118. Available from: https://rjmf.econs.online/2024/4/default-probability-estimation-of-credit-rating-agencies-rating-scales/. (In Russian).
Li, Z., Feng, C. & Tang, Y. (2022) Bank efficiency and failure prediction: a nonparametric and dynamic model based on data envelopment analysis. Annals of Operations Research. 315 (1), 279–315. Available from: doi:10.1007/s10479-022-04597-4.
Makinen, M. & Solanko, L. (2018) Determinants of bank closures: Do levels or changes of CAMEL variables matter? Russian Journal of Money and Finance. 77 (2), 3–21. Available from: doi:10.31477/rjmf.201802.03.
Mamonov, M.E. (2020) Forthcoming maturity structure imbalances of banks as the harbingers of hidden ‘holes’ in their capital. Russian Journal of Money and Finance. 79 (2), 51–74. Available from: doi:10.31477/rjmf.202002.70. (In Russian).
Miroshnichenko, D.A. (2021) Impact of Bank of Russia macroprudential policy on risk exposure of banks’ consumer loan portfolios. Russian Journal of Money and Finance. 80 (3), 73–93. Available from: doi:10.31477/rjmf.202103.73. (In Russian).
Naili, M. & Lahrichi, Y. (2022) The determinants of banks’ credit risk: Review of the literature and future research agenda. International Journal of Finance & Economics. 27 (1), 334–360. Available from: doi:10.1002/ijfe.2156.
Ozili, P.K. (2025) Bank non-performing loans research around the world. Asian Journal of Economics and Banking. 9 (3), 437–462. Available from: doi:10.1108/AJEB-09-2024-0103.
Pancotto, L., ap Gwilym, O. & Williams, J. (2024) The evolution and determinants of the non-performing loan burden in Italian banking. Pacific-Basin Finance Journal. 84, Article 102306. Available from: doi:10.1016/j.pacfin.2024.102306.
Rakhaev, V.A. (2020) Development of credit risk assessment methods to make loan loss provisions. Finance: Theory and Practice. 24 (6), 82–91. Available from: doi:10.26794/2587-5671-2020-24-6-82-91. (In Russian).
Shchepeleva, M.A., Tusipkaliev, K. & Stolbov, M.I. (2024) Modelirovanie riska defolta rossiiskikh bankov, 2015–2020 gg. [Modelling the risk of bank default: the case of Russian banking system]. Ekonomicheskaya politika. (2 (105)), 101–124. Available from: doi:10.33293/1609-1442-2024-2(105)-101-124. (In Russian).
Sinelnikova-Muryleva, E.V., Gorshkova, T.G. & Makeeva, N.V. (2018) Prognozirovanie defoltov v rossiiskom bankovskom sektore [Default prediction in the Russian banking sector]. Ekonomika sovremennoi Rossii.13 (2), 8–27. (In Russian).
Tikhonov, R., Masyutin, A. & Anpilogov, V. (2021) The relationship between the financial performance of banks and the quality of credit scoring models. Russian Journal of Money and Finance. 80 (2), 76–95. Available from: doi:10.31477/rjmf.202102.76. (In Russian).
Tölö, E. (2020) Predicting systemic financial crises with recurrent neural networks. Journal of Financial Stability. 49, Article 100746. Available from: doi:10.1016/j.jfs.2020.100746.
Zhivaikina, A.D. & Peresetsky, A.A. (2017) Credit ratings of Russian banks and license withdrawals 2012–2016. Journal of the New Economic Association. (4 (36)), 49–80. Available from: doi:10.31737/2221-2264-2017-36-4-3. (In Russian).