К ВОПРОСУ О СОВЕРШЕНСТВОВАНИИ МЕТОДИКИ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА МАЛОГО БИЗНЕСА Текст научной статьи по специальности «Экономика и бизнес»

УДК 338.27 : 336.6 ГРНТИ 06.81.85

К ВОПРОСУ О СОВЕРШЕНСТВОВАНИИ МЕТОДИКИ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА _МАЛОГО БИЗНЕСА_

DOI: 10.31618/ESU.2413-9335.2020.7.78.1028 Иванова Елена Владимировна

Сибирский государственный индустриальный университет г. Новокузнецк, 654007, ул. Кирова, 42

АННОТАЦИЯ

Целью данной статьи явилось выявление возможностей применения существующих в отечественной и зарубежной практике моделей оценки вероятности банкротства для прогнозирования риска дефолта малых предприятий. Актуальность данного исследования обусловлена ролью, которую играют компании малого бизнеса в социально-экономическом развитии регионов и страны в целом. Показана взаимосвязь отдельных показателей социально-экономического положения региона и уровня предприятий-банкротов в общем количестве предприятий. На примере регионов Сибирского федерального округа представлена дифференциация российских регионов по уровню социально-экономического развития, отмечена целесообразность учета регионального фактора в модели прогнозирования банкротства. На основе диалектического подхода, сравнения, абстрагирования, анализа и синтеза описан концептуальный подход к построению модели логистической регрессии для прогнозирования банкротства малых предприятий.

ABSTRACT

The aim of this paper is to identify the possibilities of applying of existing models for estimation of the probability of bankruptcy in domestic and foreign practice to predict the risk of default of small enterprises. The relevance of this research is due to the role the small businesses play in the social-economic development of regions and the country as a whole. The relationship between individual indicators of the region's social-economic situation and the level of bankrupt enterprises in the total number of enterprises is shown. The differentiation of Russian regions in terms of social-economic development (in Siberian Federal district as an example) are demonstrated, the desirability of including of regional factor in model of bankruptcy forecasting is highlighted. Based on the dialectical approach, comparison, abstraction, analysis and synthesis, a conceptual approach to creation of logistic regression model for predicting the bankruptcy of small enterprises is described.

Ключевые слова: кризис, прогнозирование банкротства, методика оценки вероятности банкротства, логистическая регрессия.

Keywords: crisis, bankruptcy forecasting, methods for assessing the probability of bankruptcy, logistic regression

Современные экономические реалии свидетельствуют о сохранении сырьевой направленности экономики и, соответственно, высокой степени ее зависимости от конъюнктуры на мировых рынках, замедлении процессов инновационного развития промышленного сектора, ограниченности источников инвестиционных ресурсов практически во всех отраслях и комплексах народного хозяйства. При накоплении избыточной ликвидности в банковском секторе направлений вложения средств с приемлемым соотношением «риск - доходность» становится все меньше, денежные потоки предприятий сокращаются, характеризуются большей волатильностью, усиливается дифференциация российских регионов по уровню социально-экономического развития. В экспортно-ориентированных «сырьевых» регионах возрастает социально-экономическая напряженность;

снижение активности деятельности

хозяйствующих субъектов, падение

платежеспособного спроса выводят на первый план задачи обеспечения экономической безопасности предприятий (организаций), в частности своевременного прогнозирования вероятности банкротства компаний.

Нестабильность мировой экономики и периодически возникающие кризисы на локальном и глобальном уровнях экономической системы создают благодатную почву для развития подходов и методик прогнозирования банкротства предприятий.

Возможность привлечения к субсидиарной ответственности лиц, контролирующих должника, также актуализирует вопрос о своевременном выявлении признаков банкротства компаний.

Несмотря на наличие в отечественной и зарубежной литературе множества подходов, основанных на разнообразных моделях прогнозирования вероятности дефолта компании, от одномерных до многомерных, реализующих методы машинного обучения (сравнительный анализ отдельных подходов представлен в работе [1]), динамизм развития общества и экономики, многогранность политических и экономических отношений, революционные изменения в технике и технологии не позволяют сформировать устойчивую основу для разработки научной методологии оценки вероятности банкротства компаний.

Основываясь на исследовании работ Э. Альтмана [2], Э. Альтмана, Р. Халдемана, П. Нараянана [3], Р. Таффлера [4], Р. Эдмистера [5], М.

Блама [6] К. Завгрен [7], Дж. Бегли, Дж. Мина и С. Уоттса [8], Л.Р. Гилберта, К. Менона и К. Шварца [9], Т. Уорда [10] и др., авторы статьи [1] отмечали сложность, а зачастую и невозможность использования зарубежных моделей в российских условиях в силу следующих причин:

- ориентация многих моделей на оценку рыночной стоимости компаний, что затрудняет их применение в условиях слабого развития отечественного фондового рынка;

- различия структуры балансов и параметров эффективности деятельности российских и зарубежных компаний;

- низкая эффективность применения множественного дискриминантного анализа, обусловленная мультиколлинеарностью факторов в моделях;

- заложенная в моделях концепция стационарности данных на фоне высокого уровня волатильности различных параметров российского финансового рынка и экономики в целом.

В научном плане развитие методики оценки вероятности наступления финансового кризиса компании является незавершенным процессом. При этом объективные условия реальности актуализируют поиск новых подходов к прогнозированию банкротства.

В существующих подходах, как правило, не уделено значительного внимания выявлению предкризисной зоны - состояния, когда негативные обстоятельства приобретают существенную значимость и когда непринятие мер по нейтрализации этих обстоятельств приводит к развитию дестабилизирующих факторов.

Само по себе предкризисное состояние не означает неминуемого наступления банкротства, но может свидетельствовать об ослаблении финансового состояния предприятия по отдельным аспектам или об ухудшении функционирования по отдельным направлениям деятельности.

Целесообразность диагностирования

предкризисной зоны обусловлена тем, что своевременное выявление возникающих негативных обстоятельств и принятие корректирующих мер, прежде всего организационно-управленческого характера, позволяет предотвратить ухудшение ситуации, ведь продолжительное воздействие

дестабилизирующих факторов подрывает «иммунитет» организации. В силу тесной взаимосвязанности различных подсистем управления компанией предкризисное состояние отдельных сфер деятельности со временем начинает отрицательно проявляться и в других сферах. Компания устремляется в зону кризиса, где принятия предупредительных мер уже становится недостаточно и требуется реализация общесистемных мероприятий, подразумевающих либо перестройку системы управления, либо трансформацию структуры собственности организации.

Преодоление точки сопротивления, разделяющей предкризисную и кризисную зоны, характеризуется следующими особенностями:

- ухудшением динамики ключевых показателей жизнедеятельности организации, отражающих различные сферы (сокращение объемов производства, остановку производства в связи с отсутствием необходимых ресурсов, снижение показателей платежеспособности, потерю ликвидности, критическое повышение финансовой зависимости предприятия, потерю квалифицированных специалистов и т.п.);

- снижением устойчивого развития в результате дальнейшего негативного изменения параметров системы;

- значительными затратами ресурсов для возвращения в безопасное состояние.

Выделение предкризисной и кризисной зон позволяет грамотно классифицировать состояния организации, которые определяют требуемые управленческие решения. Нестабильная экономическая ситуация в стране, обусловленная сжатием клиентской базы, сокращением платежеспособного спроса, ужесточением условий привлечения заемного финансирования объективно приводит ряд организаций к ухудшению финансового состояния. Наряду с этим существуют компании, практикующие искажение отчётности либо ведение деятельности с «дутым» капиталом.

Эти тенденции обостряют проблемы грамотного финансового мониторинга и оценки вероятности банкротства компаний. Нарастающая дифференциация российских регионов по уровню социально-экономического развития усугубляет эти проблемы: учет регионального фактора в модели прогнозирования банкротства придает дополнительную сложность при разработке методологии и инструментария оценки.

Так, например Сибирский федеральный округ (СФО) занимает ключевое место в российской экономике, что обусловлено его огромным ресурсным потенциалом (извлекаемые

разведанные запасы нефти в Сибири составляют более 70% российских запасов, природного газа -85%, угля - 80%, меди - 70%, никеля - более 60%, свинца - 85%, цинка - 77%, молибдена - 82%, золота - более 40%, металлов платиновой группы - 99%, гидроэнергетические ресурсы - 45% гидроэлектроэнергетического потенциала России и более 40 % российских запасов древесины) [11].

В Сибири развиты отрасли: топливная, энергетика, черная и цветная металлургия, машиностроение и металлообработка, лесная и деревообрабатывающая промышленность,

функционирует более 200 центров НИОКР, сибирских отделений РАН, РАМН, РАСХН, министерств и ведомств.

Таким образом, потенциал экономического роста Сибири, с учетом накопленной траектории, остается высоким.

Вместе с тем негативными специфическими особенностями СФО являются: низкая плотность населения, крайне слабое развитие

обрабатывающих производств, повышенный расход топливно-энергетических ресурсов на производственные и социальные нужды из-за суровых природно-климатических условий, отсутствие эффективных методов и инструментов привлечения инвестиций на региональном уровне, низкий уровень развития транспортной инфраструктуры, высокие транспортные издержки в стоимости производимых товаров, недостаточное развитие социальной инфраструктуры. В последнее время наметилась тенденция оттока населения из Сибири, относительного замедления темпов экономического развития. Но даже внутри округа отдельные регионы демонстрируют разный уровень социально-экономического развития (таблица 1).

Менее привлекательные значения показателей Кемеровской области относительно других регионов СФО (в частности по величине суммарного убытка организаций, удельному весу убыточных организаций, величине кредиторской задолженности, удельным весам просроченных дебиторской и кредиторской задолженностей) свидетельствуют о более высоких рисках предпринимательской деятельности.

Динамика суммы кредиторской

задолженности организаций Кемеровской области

свидетельствует об активном использовании хозяйствующими субъектами региона данного краткосрочного источника финансирования деятельности (за период с 2000 г по 2018 г значение показателя увеличилось в 6,3 раза). На протяжении всего периода регион занимал лидирующие позиции по сумме кредиторской задолженности организаций, периодически уступая лишь Красноярскому краю. Данный факт является позитивным с точки зрения стоимости ресурсной базы организаций, однако одновременно отражает и снижение финансовой устойчивости субъектов хозяйствования.

Анализ статистических зависимостей между различными социально-экономическими

показателями Кемеровской области позволил выявить тесную прямую зависимость между динамикой дебиторской задолженности организаций и удельным весом убыточных компаний в экономике за период 2000-2018 гг. В этой связи дальнейший рост дебиторской задолженности в организациях региона должен вызывать опасение, поскольку будет сопровождаться ухудшением финансового состояния организаций, увеличением доли убыточных компаний в экономике.

Таблица 1.

Основные социально-экономические показатели регионов СФО в 2018 г. (по данным [111)

й ыв о онс .б анн бур .б бур х чо Й ^ с о

Регион ■е ё =0 я ва тьл вро луз рид зер £н р о к кот ыб ,йи у иц са й г й на ны агр ньл ро ед горская задолж руб.

1 ты ыбУ дУ де р рК

Алтайский край 32799 8160 31,6 117170

Красноярский край 532296 72995 31,5 704650

Иркутская область 402128 16387 28 261404

Кемеровская область 249191 132583 33,7 708084

Новосибирская область 106953 27471 32,1 436535

Омская область 38811 9683 25 180391

Томская область 89527 20130 26,5 236301

Регион Удельный вес просроченной кредиторской задолженности, % Дебиторская задолженность, млн. руб. Удельный вес просроченной дебиторской задолженности, % ВРП на душу населения, руб.

Алтайский край 5,5 90650 4,9 234886

Красноярский край 4,3 794463 8,9 792981

Иркутская область 5,3 279431 4,1 580153

Кемеpовская область 28,9 732603 23,3 462495

Новосибирская область 3 353171 2 448659

Омская область 4,3 124854 3,7 349166

Томская область 5 232112 4,6 537512

В таблице 2 приведено количество ликвидируемых предприятий в регионах СФО (по данным Единого федерального ресурса сведений о

Таким образом, своевременная идентификация негативной динамики балансовых показателей позволит предпринять корректирующие управленческие действия, тормозящие переход предприятия из предкризисной зоны в зону банкротства.

Как уже было показано нами в проведенных ранее исследованиях [1], существующие в отечественной практике модели прогнозирования вероятности банкротства не всегда дают корректный результат и удобны в применении в силу следующих причин:

- громоздкости вычислений и использовании большого числа факторов в модели (так, модель Г.А. Хайдаршиной включает 11 факторов);

- закрытости формулы полученной модели для широкого доступа;

банкротстве [12]) на 01.10.2020 г., а также рассчитано количество ликвидируемых предприятий на 1000 предприятий в регионе.

Таблица 2.

- недостаточности объема данных, используемых при построении модели, и нерепрезентативности тестовой выборки, что ставит под сомнение адекватность модели;

- разномерности показателей, учитываемых в модели, что «оттягивает» значение результирующего показателя в сторону предприятий-небанкротов (так, в модели Г.А. Хайдаршиной [13] помимо ставки рефинансирования, составляющей на данный момент 0,0425 (4,25%), фактора возраста компании и фактора кредитной истории, принимающих значения 0 либо 1, присутствует коэффициент текущей ликвидности, который может принимать значения на уровне 2 и более).

При этом в отечественной литературе прогнозированию банкротства малых и средних предприятий (МСП) практически не уделялось

Число ликвидируемых должников-юридических лиц в регионах СФО

Регион число предприятий число ликвидируемых должников число ликвидируемых предприятий на 1000 предприятий

Алтайский край 50228 420 8,362

Красноярский край 74239 820 11,045

Иркутская область 59557 735 12,341

Кемеровская область 43853 894 20,386

Новосибирская область 113969 479 4,203

Омская область 43550 424 9,736

Томская область 29075 326 11,212

академического внимания. В то же время, учитывая роль малого бизнеса в развитии экономики (по данным Федеральной службы государственной статистики [11] на 01.01.2019, доля малых предприятий в общем числе российских предприятий составляет около 66%, доля занятых в малом бизнесе работников - более 40% от общего числа занятых в экономике, доля оборота малых предприятий составляет одну треть в суммарном обороте российских компаний) необходимо более глубокое понимание факторов, влияющих на вероятность возникновения кризиса МСП, и их масштабов.

Зарубежные исследователи [14] констатируют, что чем меньше размер фирмы, тем больше ее рост сдерживается следующими факторами:

- коррупцией чиновников банка;

- финансовыми и правовыми вопросами;

- ограничением доступа к внешнему финансированию.

Дж. Рамалхо и Дж. да Сильва [15], М. Матвеев, П. Патциорис и К. Иванов [16] подтверждают в своих работах, что структура капитала также значительно варьируется у микро-, малых и средних компаний. Они обнаруживают, что средние фирмы в основном зависят от долгосрочных банковских кредитов в качестве предпочтительного метода внешнего

финансирования, тогда как краткосрочные кредиты и торговые кредиты выступают основными источниками внешнего финансирования для микро- и малого бизнеса.

А. Гилл, Н. Бигер, С. Пай и С. Бхутани [17] отмечают, что стабильность денежного потока и разнообразие его источников увеличиваются с увеличением размера фирмы, при этом констатируется отрицательная корреляция между размером фирмы и вероятностью дефолта.

Дж. Гупта, А. Грегорио и Т. Эброхими [18] эмпирически доказывают, что фирмы разных категорий размеров имеют различающиеся детерминанты банкротства, в то время как факторы, способствующие возникновению финансовых трудностей, в основном не изменяются. Информация о движении денежных средств от операционной деятельности не добавляет какого-либо предельного прироста эффективности прогнозирования многовариантных моделей рисков по сравнению с базовыми моделями, разработанными с использованием информации из отчетов о прибылях и убытках и балансовых отчетов.

Данное утверждение важно для российских малых предприятий, представляющих, в большинстве своем, упрощенную финансовую отчетность, не содержащую исходных данных для расчетов вероятности банкротства по существующим в практике моделям прогнозирования, особенно предусматривающим использование нефинансовых показателей.

В этой связи предлагаемая нами концепция модели прогнозирования банкротства базируется на определении ограниченного набора показателей,

которые могут быть получены или рассчитаны на основе данных бухгалтерской отчетности (например, финансовый рычаг, коэффициент генерирования активов, рентабельность активов и рентабельность текущих активов, оборачиваемость активов и отношение дебиторской задолженности к обязательствам и др.).

В построенной модели логистической регрессии, как наиболее эффективной модели оценки риска несостоятельности, результирующая переменная имеет бинарный результат, равный «1» (банкротство) и «0» (в противном случае), в то время как независимые переменные представляют собой набор ковариат, которые оказались значимыми в одномерном регрессионном анализе на первоначальном этапе построения модели. Предусматривая возможность

мультиколлинеарности факторов модели (ковариат), мы вводим по очереди каждый значимый ковариат в многовариантную модель, основываясь на величине среднего предельного эффекта. Для этого мы сначала ранжируем ковариаты, признанные значимыми в одномерном анализе, исходя из абсолютного значения их среднего предельного эффекта. Далее, следуя Дж. Гупта [18], мы вводим по очереди каждую ковариату в многовариантную модель в порядке возрастания их ранга. Чем выше значение среднего предельного эффекта, тем выше изменение прогнозируемой вероятности банкротства. Таким образом, ковариата с более высоким значением среднего предельного эффекта более эффективна в разделении компаний на проблемные и компании, находящиеся в предкризисной зоне, чем независимая переменная с более низкими значениями среднего предельного эффекта. При этом, если введение ковариаты «переворачивает» знак любой ранее добавленной переменной, то эта ковариата исключается из многомерной модели. Данная ситуация может возникнуть из-за мультиколлинеарности независимых

переменных; соответственно, исключение этих ковариат является целесообразным. Данный способ введения ковариат при разработке многомерной модели, на наш взгляд, позволяет установить лучший набор ковариат с определенным знаком соответствующих коэффициентов.

Таким образом, анализ отечественных и зарубежных моделей прогнозирования банкротства позволил выявить ограниченность их применимости в российской практике. Особую проблему в существующих российских условиях представляет оценка вероятности банкротства малых предприятий, играющих важную роль в экономике регионов и страны в целом, поскольку публикуемая отчетность малых предприятий не всегда пригодна для оценки риска финансовой несостоятельности деловыми партнерами, инвесторами, кредиторами. В разрабатываемую для прогнозирования банкротства субъектов малого бизнеса модель логистической регрессии включен ограниченный набор показателей, определяемых на основе доступной отчетности.

Также заслуживает внимания необходимость учета регионального фактора в модели оценки вероятности.

1. Иванова Е.В., Ефремкова Т.И. Методологические предпосылки развития модели прогнозирования банкротства // Вестник Алтайской академии экономики и права. 2020. № 4 (часть 3). С. 336-343. [Ivanova E.V., Efremkova T.I. Methodological prerequisites for the development of the bankruptcy forecasting model. Vestnik Altayskoy academy economicy i prava. 2020; (4): 336-343. (In Russ).]. http://vaael.ru/ru/article/view?id=1092.

2. Altman E.I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance. 1968; 23 (4): 589-609.

3. Altman E.I., Haldeman R., Narayanan P. ZETATM analysis. A new model to identify bankruptcy risk of corporations. Journal of Banking and Finance. 1977; 1 (1): 29-54.

4. Taffler R. J. Forecasting company failure in the UK using discriminant analysis and financial ratio data. Journal of Royal Statistical Society. Series A. 1982; 14 (3): 342-358.

5. Edmister R. O. An Empirical Test of Financial Ratio Analysis for Small Business Failure Prediction. The Journal of Financial and Quantitative Analysis. 1972; 7 (2): 1477-1493.

6. Blum M. Failing company discriminant analysis. Journal of Accounting Research. 1974; 12 (1): 1-25.

7. Zavgren C.V. Assessing the vulnerability to failure of American industrial firms: a logistic analysis. Journal of Business Finance and Accounting. 1985; 12 (1): 19-45.

8. Begley J., Ming J., Watts S. Bankruptcy classification errors in the 1980's: An empirical analysis of Altman's and Ohlson's models. Review of Accounting Studies. 1996; 1 (4): 267-284.

9. Gilbert L.R., Menon K., Schwartz K.B. Predicting bankruptcy for firms in financial. Journal of Business Finance and Accounting. 1990; 17 (1): 161171.

10. Ward T.J. Cash flow information and the prediction of financially distressed mining, oil and gas

firms: A comparative study. Journal of Applied Business Research. 1994; 10 (3): 78-86.

11. Регионы России. Социально-экономические показатели. 2019: Стат. сб. / Официальный сайт Федеральной службы государственной статистики. URL: https://rosstat.gov.ru/folder/210/document/1320 4.

12. Единый федеральный ресурс сведений о банкротстве. URL: https://bankrot.fedresurs.ru/DebtorsSearch.aspx7attem pt=1.

13. Хайдаршина Г.А. Эффективность современных методов оценки риска банкротства предприятий в российской практике финансового менеджмента: logit- и SVM-модели // Экономические науки. 2008. № 44. С. 300-304 [Haydarshina G.A. Effeciency of modern methods for assessing the risk of bankruptcy of enterprises in the Russian practice of financial management: logit- and SVM-models. Economicheskie nauki. 2008; (44): 300304 (In Russ).].

14. Beck T., Demirgüg-Kunt A., Maksimovic, V. Financial and legal constraints to growth: Does firm size matter? The Journal of Finance. 2005; 60(1): 137177.

15. Ramalho J. J. S., Da Silva J. V. A two-part fractional regression model for the financial leverage decisions of micro, small, medium and large firms. Quantitative Finance. 2009; (5): 621-636

16. Mateev M., Poutziouris P., Ivanov K. On the determinants of SME capital structure in Central and Eastern Europe: A dynamic panel analysis. Research in International Business and Finance. 2013; 27(1): 2851.

17. Gill A., Biger N., Pai C., Bhutani S. The determinants of structure in the service industry: Evidence from United States. The Open Business Journal, 2009; (2): 48-53.

18. Gupta J., Gregoriou A., Ebrahimi T. Empirical comparison of hazard models in predicting SMEs failure. Quantitative Finance, 2018; 18(3): 437-466.