സ്വകാര്യ മേഖലയിലെ ബാങ്കുകൾ കുറഞ്ഞ കൃത്യത റിപ്പോർട്ട് ചെയ്യുന്നതോടെ ഡാറ്റാ വിശ്വാസ്യതയെക്കുറിച്ചുള്ള ആശങ്കകൾ വർദ്ധിക്കുന്നു

ഇന്ത്യയിലെ സ്വകാര്യ ബാങ്കിംഗ് മേഖലയിലെ സാമ്പത്തിക റിപ്പോർട്ടിംഗിന്റെ വിശ്വാസ്യത, ഡാറ്റാ കൃത്യത കുറയുന്നതായി റിപ്പോർട്ട് ചെയ്തതിനെത്തുടർന്ന് അഭൂതപൂർവമായ പരിശോധന നേരിടുകയാണ്. ഡിജിറ്റൽ ഇടപാടുകൾ വർദ്ധിച്ചുവരുന്ന സാഹചര്യത്തിൽ, റിപ്പോർട്ട് ചെയ്യപ്പെടുന്ന കണക്കുകളും യഥാർത്ഥ പ്രവർത്തന ഡാറ്റയും തമ്മിലുള്ള വ്യത്യാസം റെഗുലേറ്റർമാർക്കും നിക്ഷേപകർക്കും ഒരുപോലെ മുന്നറിയിപ്പായി മാറുന്നു.

സാമ്പത്തിക റിപ്പോർട്ടിംഗിലെ വർദ്ധിച്ചുവരുന്ന അന്തരങ്ങൾ

ഇന്ത്യയിലെ പ്രമുഖ സ്വകാര്യ ബാങ്കുകൾ അവരുടെ ഡാറ്റാ റിപ്പോർട്ടിംഗിന്റെ കൃത്യതയിൽ ആശങ്കാജനകമായ ഒരു പ്രവണത കാണിക്കുന്നുണ്ടെന്ന് സമീപകാല കണ്ടെത്തലുകൾ സൂചിപ്പിക്കുന്നു. ഇന്ത്യൻ സമ്പദ്‌വ്യവസ്ഥയിൽ വായ്പാ വളർച്ചയുടെയും ഡിജിറ്റൽ നവീകരണത്തിന്റെയും പ്രധാന ചാലകശക്തികളായി ഈ സ്ഥാപനങ്ങൾ പ്രവർത്തിക്കുമ്പോഴും, സ്റ്റേക്ക്‌ഹോൾഡർമാർക്ക് നൽകുന്ന വിവരങ്ങളുടെ ഗുണനിലവാരത്തിൽ ഒരു പൊരുത്തക്കേട് പ്രകടമായിക്കൊണ്ടിരിക്കുകയാണ്.

കൃത്യതയിലുള്ള ഈ കുറവ് വെറുമൊരു ക്ലറിക്കൽ പ്രശ്നമല്ല, മറിച്ച് വിപണി റിസ്ക്, ലിക്വിഡിറ്റി, അസറ്റ് ക്വാളിറ്റി എന്നിവയെ എങ്ങനെ കാണുന്നു എന്നതിനെ ബാധിക്കുന്ന ഒരു വ്യവസ്ഥാപിത പ്രശ്നമാണ്. ബാങ്കുകൾ ഹൈപ്പർ-ഓട്ടോമേറ്റഡ് (hyper-automated) സംവിധാനങ്ങളിലേക്ക് മാറുന്നതിനനുസരിച്ച്, പഴയ സിസ്റ്റങ്ങളും (legacy systems) പുതിയ കാലത്തെ ഡിജിറ്റൽ ഇന്റർഫേസുകളും തമ്മിലുള്ള സംയോജനം ഡാറ്റ തെറ്റായി റിപ്പോർട്ട് ചെയ്യപ്പെടാനോ ശരിയായി ഒത്തുനോക്കാൻ (reconcile) കഴിയാത്തതോ ആയ "ബ്ലൈൻഡ് സ്പോട്ട്സ്" (blind spots) സൃഷ്ടിച്ചിട്ടുണ്ട്.

റെഗുലേറ്ററി പരിശോധനയും റിസ്ക് മാനേജ്‌മെന്റും

ഡാറ്റാ ഗവേണൻസിൽ റിസർവ് ബാങ്ക് ഓഫ് ഇന്ത്യ (RBI) ചരിത്രപരമായി കർശനമായ നിലപാടാണ് സ്വീകരിച്ചിട്ടുള്ളത്. റിപ്പോർട്ടിംഗ് നിലവാരത്തിലുണ്ടായ ഈ സമീപകാല ഇടിവ് കൂടുതൽ കർശനമായ മേൽനോട്ടത്തിന് കാരണമായേക്കാം. സ്വകാര്യ വായ്പാദാതാക്കളെ സംബന്ധിച്ചിടത്തോളം ഇതിന്റെ ആഘാതം വളരെ വലുതാണ്; ബാസൽ III (Basel III) അനുസരണത്തിനും, മൂലധന പര്യാപ്തത (capital adequacy) വിലയിരുത്തലുകൾക്കും, സ്ട്രെസ് ടെസ്റ്റിംഗിനും (stress testing) കൃത്യമായ ഡാറ്റ അത്യന്താപേക്ഷിതമാണ്.

തെറ്റായ റിപ്പോർട്ടിംഗ് താഴെ പറയുന്ന ഗുരുതരമായ പരാജയങ്ങളിലേക്ക് നയിച്ചേക്കാം:

• നോൺ-പെർഫോമിംഗ് അസറ്റുകളുടെ (NPAs) തെറ്റായ കണക്കുകൂട്ടൽ: വായ്പാ തിരിച്ചടവുകളെക്കുറിച്ചോ ഈട് (collateral) മൂല്യങ്ങളെക്കുറിച്ചോ ഉള്ള ഡാറ്റയിൽ പിശകുകൾ ഉണ്ടെങ്കിൽ, ബാങ്കുകൾ അവരുടെ വായ്പാ കുടിശ്ശികകൾ കുറച്ചു കാണിച്ചേക്കാം, ഇത് ബാലൻസ് ഷീറ്റുകളുടെ യഥാർത്ഥ അവസ്ഥ മറച്ചുവെക്കാൻ കാരണമാകും.
• തെറ്റായ റിസ്ക് വെയ്റ്റിംഗ് (Risk Weighting): കസ്റ്റമർ പ്രൊഫൈലിംഗിലും ക്രെഡിറ്റ് സ്കോറിംഗിലുമുള്ള പിശകുകൾ തെറ്റായ മൂലധന വിനിയോഗത്തിലേക്ക് നയിച്ചേക്കാം, ഇത് സാമ്പത്തിക മാന്ദ്യകാലങ്ങളിൽ ബാങ്കുകളെ കൂടുതൽ ദുർബലരാക്കും.
• കംപ്ലയൻസ് പിഴകൾ: റിപ്പോർട്ടിംഗ് നിലവാരത്തിലെ വീഴ്ചകൾക്കും അപര്യാപ്തമായ ആഭ്യന്തര നിയന്ത്രണങ്ങൾക്കും സ്വകാര്യ വായ്പാദാതാക്കൾക്ക് സെൻട്രൽ ബാങ്ക് നേരത്തെ തന്നെ കനത്ത പിഴകൾ ചുമത്തിയിട്ടുണ്ട്.

ഡിജിറ്റൽ വൈരുദ്ധ്യം: വളർച്ചയും ഭരണനിർവ്വഹണവും

ആധുനിക ഇന്ത്യൻ ബാങ്കുകൾ നേരിടുന്ന വൈരുദ്ധ്യം എന്നത് അവ സാങ്കേതികമായി കൂടുതൽ മുന്നേറിക്കൊണ്ടിരിക്കുമ്പോഴും, അവയുടെ ഡാറ്റാ ഗവേണൻസ് ചട്ടക്കൂടുകൾ അതിനൊപ്പം എത്താൻ പാടുപെടുന്നു എന്നതാണ്. AI, മെഷീൻ ലേണിംഗ്, ക്ലൗഡ് കമ്പ്യൂട്ടിംഗ് എന്നിവയുടെ വേഗത്തിലുള്ള ഉപയോഗം ഇടപാടുകളുടെ അളവ് വർദ്ധിപ്പിച്ചെങ്കിലും, അത് ഓഡിറ്റ് ട്രയലിനെ സങ്കീർണ്ണമാക്കിയിട്ടുണ്ട്.

കോർ ബാങ്കിംഗ് സൊല്യൂഷനുകൾ (CBS) മുതൽ മൊബൈൽ ആപ്പ് ഇന്റർഫേസുകൾ വരെയുള്ള വിവിധ സംവിധാനങ്ങൾ തമ്മിൽ തടസ്സമില്ലാതെ ആശയവിനിമയം നടത്താൻ കഴിയാതെ വരുമ്പോൾ, 'ഡാറ്റാ സൈലോകൾ' (data silos) രൂപപ്പെടുന്നു. റിപ്പോർട്ടിംഗിലെ കൃത്യത കുറയുന്നതിന് പ്രധാന കാരണം ഈ സൈലോകളാണ്; വിവരങ്ങൾ തമ്മിലുള്ള വിടവുകൾ നികത്താൻ പലപ്പോഴും മാനുവൽ ഇടപെടലുകൾ ആവശ്യമായി വരുന്നത്, ഓട്ടോമേറ്റഡ് പ്രക്രിയകളിൽ മനുഷ്യസഹജമായ പിഴവുകൾക്കും കാരണമാകുന്നു.

പ്രധാന കാര്യങ്ങൾ

• സിസ്റ്റമിക് റിസ്ക്: സ്വകാര്യ ബാങ്കുകളിലെ ഡാറ്റാ കൃത്യത കുറയുന്നത് അസറ്റ് ക്വാളിറ്റി അസസ്‌മെന്റിനെയും മൊത്തത്തിലുള്ള സാമ്പത്തിക സ്ഥിരതയെയും ബാധിച്ചേക്കാം.
• സാങ്കേതിക വിടവുകൾ: പഴയ ലെഗസി സിസ്റ്റങ്ങളും അതിവേഗത്തിലുള്ള ഡിജിറ്റൽ വിപുലീകരണവും തമ്മിലുള്ള പൊരുത്തക്കേട് റിയൽ-ടൈം റിപ്പോർട്ടിംഗിൽ അപാകതകൾ സൃഷ്ടിക്കുന്നു.
• വർദ്ധിച്ച നിരീക്ഷണം: ഡാറ്റാ ഗവേണൻസിനും ആഭ്യന്തര ഓഡിറ്റ് സംവിധാനങ്ങളുടെ കരുത്തിനും മുൻഗണന നൽകിക്കൊണ്ട്, ആർബിഐയുടെ (RBI) നിയന്ത്രണ പരിശോധനകൾ ശക്തമാകുമെന്ന് പ്രതീക്ഷിക്കുന്നു.