CC BY
129
УДК 336.6:338.434
О.Ю. Патласов Омская гуманитарная академия Н.В. Васина
Государственный университет Минфина России
(Омский филиал)
ЛОГИТ-РЕГРЕССИОННАЯ ТЕХНИКА МОДЕЛИРОВАНИЯ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ ЮРИДИЧЕСКИХ ЛИЦ -СЕЛЬСКОХОЗЯЙСТВЕННЫХ ОРГАНИЗАЦИЙ (на основе регламента ОАО «Сбербанк России»)
В статье проанализированы предлагаемые различными авторами техники финансового моделирования. Построены логит-регрессионные модели на основе регламента Сбербанка России, учитывающие аграрную специфику организаций и региональные особенности Омской области. Ключевые слова: логит-регрессия, моделирование, кредитоспособность, сельскохозяйственная организация.
Использование скоринговых моделей процедуры оценки заемщика получило широкое распространение при учете ограниченного периода времени на проведение анализа отдельного кредита и на принятие решения о выдаче кредита или об отказе. Этому способствует наличие наработанной базы, а также объем информации о финансовом положении потенциального заемщика. Скоринговое моделирование позволяет выявить определенное свойство, присущее заемщику (дефолт, степень просрочки по кредиту за некоторый период времени или, наоборот, полное и своевременное погашение кредита).
Скоринги делятся на статистические и экспертные. При отсутствии достаточных данных для использования статистических моделей, для оценки заемщика принимаются решения на основе экспертной оценки. Наличие большого объема статистической информации позволяет использовать статистический скоринг, отражающий закономерности, наблюдавшиеся в портфеле банковских ссуд.
При разработке скорингов используются ситуации, когда отдельное свойство или проявляется, или нет (с бинарной целевой переменной). Определенное ограничение на используемые модели накладывается в случаях использования непрерывной переменной. Таким образом, скоринговые модели позволяют делить заемщиков на «плохих» и «хороших» по степени присутствия в них нужного свойства. В зависимости от того, непрерывной или бинарной является зависимая переменная, для решения поставленной задачи в первую очередь применяется регрессионная модель - линейная или логистическая регрессия. По итогам построения модели все заемщики разбиваются на группы, они группируются по баллам ско-ринга - внутри одной группы один и тот же балл, то есть каждая группа соответствует своей степени (вероятности) присутствия нужного свойства.
На сегодняшний день разработано большое количество разнообразных методов, позволяющих оценивать и прогнозировать финансовое состояние и кредитоспособность организации.
Модели оценки можно классифицировать по применяемому математическому аппарату [5, с. 110].
Эконометрические модели - в основе которых лежит многомерный статистический анализ (регрессионный, кластерный и дискриминантный анализы).
Нейронные сети - компьютерные алгоритмы, имитирующие работу человеческого мозга посредством взаимодействия взаимосвязанных «нейронов». В нейросетях используются те же входные данные, что и в эконометрических моделях. Но модели оценки кредитного риска строятся с помощью определенных процедур обучения распознаванию образов (классов, ситуаций, процессов и т.д.).
Оптимизационные модели - основанные на методах математического прогнозирования, позволяющих минимизировать ошибки кредитора и максимизировать прибыль с учетом различных ограничений. С помощью методов математического программирования, в частности, определяют оптимальные доли клиентов в портфеле ссуд и (или) оптимальные параметры кредитных продуктов.
Экспертные системы используются для имитации оценки риска опытным кредитным инспектором при принятии решения о предоставлении кредитов. Составляющими экспертной системы являются: набор логических правил вывода, база знаний, содержащая количественные и качественные данные об объекте принятия решений, а также модуль для ввода ответов пользователя на вопросы системы.
Гибридные системы используют статистическое оценивание и имитационное моделирование и могут быть основаны на причинно-следственных соотношениях (модель EDF оценки вероятности дефолта заемщика, разработанная компанией KMV).
Существующие методы оценки кредитоспособности и прогнозирования банкротства можно разделить на две группы: классические статистические методы и альтернативные к ним [13]. В состав классических методов включаются: регрессионный анализ, множественный дискриминантный анализ, логистическая регрессия (логит-анализ), пробит-анализ.
Декомпозиционный анализ, нейросетевой анализ, теория приближенных множеств, многомерное шкалирование, дерево решений, самоорганизующие карты, экспертные системы, смешанный логит-анализ, линейное программирование, анализ выживания, метод ближайших соседей, векторный метод прогнозирования банкротства, теория разорения игрока, теория распознавания образов, теория оценки опционов и другие составляют группу альтернативных методов. Исследования, приведенные авторами статьи, показали, что сравнительное преимущество при определенных условиях в моделировании банкротства компании имеют следующие методологические подходы: нейросетевой анализ; анализ выживания; логит-анализ; множественный дискриминантный анализ.
За рубежом для оценки финансового состояния и прогнозирования риска банкротства широко используются интегральные показатели, рассчитанные с помощью многомерного дискри-минантного анализа. Среди наиболее известных моделей оценки финансового состояния, основанных на методах множественного дискриминантного анализа, скорингового анализа, а также методах расчетно-аналитического характера и позволяющих сгруппировать заемщиков по классам платежеспособности, можно выделить следующие: Э. Альтмана, В. Бивера, А. Винакора и Р. Смитира, Ж. Депаляна, Дюпона, Ж. Конана и М. Голдера, Р. Лиса, Г. Спрингейта, Р. Таффле-ра, Д. Фулмера, кредитного скоринга Д. Дюрана, счет Аргенти, модель Р. Чессера, модель Охе -Вербаера, модель Гордона, модель Эдвартса - Бэлла - Ольсона и др.
Механически переносить западные модели диагностики на финансовое состояние российской экономики не позволяют особенности последней. Точность расчетов зависит от исходной информации при построении модели, рекомендуется применять модель с числовыми значениями, соответствующими условиям российского рынка. Из этого следует, что применение зарубежных моделей к отечественным организациям требует осторожности, так как такие модели не учитывают специфику деятельности (структуру капитала в разных отраслях) и экономическую ситуацию.
В настоящее время в России разработано большое количество методов и приемов. Теоретические и методологические вопросы оценки финансового состояния и несостоятельности российских организаций нашли отражение в работах А.Ю. Беликова, Т.Б. Бердникова, Н.В. Васиной, А.В. Грачева, Г.В. Давыдовой, Л.В. Донцовой, Д.А. Ендовицкого, А.В. Ендовиц-кой, О.П. Зайцевой, Г.Г. Кадыкова, В.В. Ковалева, Н.А. Никифоровой, О.Ю. Патласова, Г.В. Савицкой, Р.С. Сайфулина, О.В. Сергиенко, Е.С. Стояновой, М.А. Федотовой, П.А. Фомина.
Авторами предлагались ранее скоринговые модели на основе различных техник моделирования: пошаговой регрессии, дискриминатного анализа и пр. [2, 11, 12, 16].
Несмотря на разнообразие методов, основные исследования связаны со статистическими моделями оценки финансового состояния и прогнозирования банкротства, что объясняется хронологией появления различных технологий моделирования. Исследования показали,
что наибольший процент точности прогнозирования демонстрируют модели искусственного интеллекта (88%), на втором месте - теоретические модели (85%). Статистические модели показывают более низкий процент точности прогнозирования (84%), который также является достаточно высоким с позиции оценки достоверности полученных результатов.
Научные методы прогнозирования, которые могут быть использованы для целей оценки финансового состояния, почти не применяются в практической деятельности организаций. Это связано со сложностью самих методов прогнозирования, отсутствием доступной информации о них, недостаточностью или полным отсутствием необходимых знаний и практических навыков применения у управленческого персонала организаций.
Множественная регрессия представляет собой набор методов линейной и фиксированной нелинейной регрессии. Эти методы включают простую, множественную, пошаговую регрессию (с пошаговым / блоковым включением или исключением предикторов), иерархическую, нелинейную (полиномиальную, экспоненциальную, логарифмическую и т.д.) и гребневую (ридж) регрессию с включением или без включения константы (свободного члена), модели взвешенных наименьших квадратов.
Среди предлагаемых наукой методов наиболее часто используемым является многофакторная линейная регрессия. Уравнение регрессии можно представить в следующем виде:
у = а + к1х1 + к2х2 + ... + кпхп, (1)
где у - независимая переменная; а - свободный член; к - регрессионные коэффициенты; х -зависимые переменные (факторы риска).
В линейной регрессионной модели зависимая переменная является линейной функцией независимых переменных. Такой линейной моделью хорошо описываются многие задачи, которые являются линейными по своей природе: в экономике, промышленности, медицине. Каждый из коэффициентов регрессии отражает величину вклада отдельного фактора риска. Положительный коэффициент регрессии означает, что данный фактор увеличивает общий риск (т.е. повышает вероятность наступления проверяемого события), в то время как отрицательный коэффициент означает, что этот фактор уменьшает данный риск. Большой коэффициент регрессии означает, что данный фактор существенно влияет на совокупный риск, в то время как почти нулевой коэффициент регрессии означает, что этот фактор имеет небольшое влияние на вероятность результата.
Модель может использоваться для оценки вероятности исхода событий. Так, банки могут применять линейную регрессию для оценки возможности невозврата кредита клиентом. Если рассматривать конечный итог - возврат-невозврат кредита, то для зависимой переменной задаются параметры: 1 - возврат кредита, 0 - невозврат кредита (дефолт).
Тогда уравнение регрессии представляется следующим [1]:
р = + Ж1Х1 + Ж2Х2 + ... + ЖпХп, (2)
где р - вероятность дефолта; ж - весовые коэффициенты (коэффициенты регрессии); х - характеристики клиента (факторы риска).
Для данной модели характерен следующий недостаток: левая часть уравнения может принимать значения в диапазоне от 0 до 1, а правая часть уравнения может принимать любые значения. Это неизбежно приведет к модели с предсказываемыми значениями, большими 1 и меньшими 0. Но такие значения вообще недопустимы для первоначальной задачи. Множественная регрессия игнорирует ограничения на диапазон значений для зависимой переменной.
Таким образом, линейная регрессионная модель, являясь универсальной, не способна постоянно качественно предсказывать значения зависимой переменной.
Для того чтобы решить данную проблему, необходимо задать не бинарную переменную со значениями 0 и 1, а непрерывную переменную со значениями на отрезке [0, 1] при любых значениях независимых переменных. Для этого необходимо использовать логит-преобразование [8]:
р = —-—
1 + е-у , (3)
где P - вероятность того, что произойдет интересующее событие; e - основание натуральных логарифмов 2,71...; y - стандартное уравнение регрессии.
Логит-регрессионная модель предназначена для решения задач предсказания значения непрерывной зависимой переменной при условии, что эта зависимая переменная может принимать значения на интервале от 0 до 1. Поэтому ее используют для получения ответа на вопрос вероятности наступления того или иного события в зависимости от некоторого числа факторов (предикторов). Возможно также применение логит-регрессионной модели и при выполнении задач с бинарным откликом. Такие задачи появляются, когда зависимая переменная может принимать только два значения, например, возврат кредита - дефолт.
Таким образом, независимо от значений независимых переменных в логит-регрессионной модели значения переменной отклика (зависимой переменной) не могут принимать значения меньше, или равные 0 и больше или равные 1.
При этом используется следующее уравнение регрессии (термин «логит» был впервые использован Berkson, 1944) [7]:
y = exp(b0 + b1 • x1 + ... + bn • xn) / [1 + exp(b0 + b1 • x1 + ... + bn • xn)]. (4)
Уравнение показывает, что значения зависимой переменной всегда будут находиться в указанном диапазоне, независимо от регрессионных коэффициентов (значений величин х -факторов риска). Данная модель может быть линеаризована при помощи логит-преобразования. Если предположить, что бинарная зависимая переменная у является непрерывной вероятностью р, находящейся в диапазоне [0, 1], вероятность может быть преобразована следующим образом:
Р = loge (p / (1 -p)). (5)
Это преобразование называется логит- или логистическим преобразованием. Теоретически p' может принимать любые значения от минус до плюс бесконечности. Логит-преобразование решает проблему 0/1 границ для исходной зависимой переменной (вероятности). Фактически при проведении логит-преобразования обеих частей логит-регрессионного уравнения, приведенного выше, получаем стандартную линейную модель множественной регрессии:
p = b0 + b1 • x1 + b2 • x2 + ... + bn • xn . (6)
Зависимость, связывающая вероятность события и величину y, показана на следующем графике (рисунок):
6 -2 0 2 4 6
Логистическая кривая
Логистическая функция иногда также называется или логит-функцией, или сигмоидом, что не совсем точно, так как в семейство функций класса «сигмоид» также входят такие функции, как арктангенс, гиперболический тангенс и другие функции подобного вида. Сигмоид - это гладкая монотонная нелинейная S-образная функция, которая часто применяется для «сглаживания» значений некоторой величины, применяется при этом не только в логит-
регрессионном анализе, но и в нейросетевом моделировании, чтобы ввести некоторую нелинейность в работу сети, но не слишком сильно изменить результат ее работы и существенно сократить вычислительную сложность метода обратного распространения ошибки, сделав его применимым на практике.
Логистическая регрессия относится к классу моделей, известных как обобщенные линейные модели. Для ее применения необходимы более сложные расчеты и более мощная техническая база, что не является проблемой при современном уровне развития компьютерной техники и технологии. Можно говорить о том, что на современном этапе развития логистическая регрессия является лидером скоринговых систем. Еще одним преимуществом логистической регрессии является возможность деления клиентов не только на 2 группы (0 -дефолт, 1 - возврат кредита), но и на большее количество групп риска.
Логистическая регрессия является частным случаем нейросетевого моделирования, т.к. в нейросетевом моделировании используются различные функции активации, в частности, так называемая сигмоидная, или логистическая, функция. Алгоритм Microsoft Logistic Regression представляет собой алгоритм регрессии, являющийся частным случаем алгоритма Microsoft Neural Network, получаемым в случае удаления скрытого слоя нейросети.
На логистическую регрессию очень похожа пробит-регрессия, отличающаяся лишь другим выбором функции. Softmax-регрессия обобщает логистическую регрессию на случай многоклассовой классификации, то есть когда зависимая переменная принимает более двух значений. Все эти модели, в свою очередь, являются представителями широкого класса статистических моделей - обобщенных линейных моделей.
Линейное программирование является областью математического программирования, посвященной теории и методам решения экстремальных задач, характеризующихся линейной зависимостью между переменными. Линейное программирование позволяет создавать линейные скоринговые модели. Недостатком данной модели для оценки клиентов является невозможность точного разделения клиентов банка на «плохих» и «хороших», но ошибка при использовании данного метода может быть сведена к минимуму. Таким образом, при линейном программировании решается задача поиска весовых значений коэффициентов, для которых ошибка и будет минимальной.
Нейронные сети и дерево решений (классификаций) позволяют разделить клиентов на достаточно однородные группы, внутри которых имеется одинаковый уровень риска, и этот уровень в наибольшей степени отличается от уровня риска других групп. Нейронные сети используются главным образом при определении кредитоспособности юридических лиц, где анализируются выборки меньшего размера, чем в потребительском кредите. Наибольшее распространение применение данного метода получило при выявлении случаев мошенничества с кредитными карточками (это основано на способности данных методов выявлять нестандартные ситуации).
Генетический алгоритм основан на аналогии с биологическим процессом естественного отбора. В сфере кредитования это выглядит следующим образом: имеется набор классификационных моделей, которые подвергаются «мутации», «скрещиваются», и в результате отбирается «сильнейший», т.е. модель, дающая наиболее точную классификацию.
В случае использования «метода ближайших соседей» для оценки потенциальных клиентов отбирается единица измерения для вычисления расстояния между отдельными заемщиками, а все клиенты в выборке получают определенное пространственное положение. Классификация нового клиента проводится по принципу нахождения рядом с ним соседей: устанавливается, каких клиентов вокруг него больше (способных возвратить кредит или с предполагаемым дефолтом).
Математический аппарат для классификации заемщиков по степени наличия выбранного для анализа свойства не ограничивается применением регрессионных моделей. Для решения данной задачи и получения аналогичного результата возможно применение нелинейных моделей, таких, как деревья решений и нейросети. Обе эти модели включают более широкий
круг закономерностей, чем регрессионные модели. Линейные регрессионные модели являются более простыми в применении и не уступают по своей классифицирующей силе нелинейным моделям.
Для получения достоверных результатов в практической деятельности организациями применяется не один, а совокупность нескольких методов. Такая информация не распространяется, поэтому нет однозначного ответа на вопрос: какой из возможных методов является лучшим? Принимая в основу научные публикации, можно оценивать достоинства и недостатки, имеющиеся у каждого метода, и делать приблизительные заключения. Кроме того, выбор метода или совокупности методов, применяемых банком, во многом зависит от его стратегии, а также от того, какие требования банк считает приоритетными при разработке моделей.
Так, регрессионные модели отражают значимость (весомость) каждого показателя для определения величины уровня риска. При этом среди показателей не должно быть сильно коррелированных независимых переменных. Оперировать значительным количеством переменных и моделировать условия позволяет применение линейного программирования.
Нейронные сети и деревья классификации выявляют нелинейные связи между переменными, которые могут привести к ошибке в линейных моделях.
Достоинством нейронных сетей является их способность соединять зависимости любой сложности, но при этом они являются в значительной степени неустойчивыми. Неустойчивость нейросетей вызвана сильной чувствительностью результатов обучения к малым изменениям в обучающей выборке. Учитывая способность нейросетей быстро утрачивать прогностические свойства при незначительных изменениях в характере входящих данных, необходимо проводить их мониторинг регулярно (практически ежедневно). Регрессионные модели способны отражать достаточно простой класс зависимостей, благодаря этому являются значительно более устойчивыми в работе. Еще одним достоинством регрессионных моделей и деревьев решений является их способность без особых затруднений встраиваться в любую платформу. Нейронные сети должны эксплуатироваться через отдельную среду, либо готовые сети могут оформляться в виде отдельно стоящих объектов, которые можно вызывать из различных программ, что в любом случае является технологически более сложной задачей.
Первым, кто применил метод логистической регрессии для создания модели диагностики риска банкротства предприятий, был Дж. А. Олсон в 1980 г. (ОЫбоп, 1980). Согласно этой модели вычисляется показатель Z по следующей формуле:
7 = -1,3 - 0,4Х1 + 0,6Х2 - 1,4Х3 + 0,1Х4 - 2,4Х5 - 1,8Х6 + 0,3Х7 - 1,7X8 - 0,5Х9. (7)
где Х1 - натуральный логарифм отношения совокупных активов к индексу - дефлятору валового национального продукта;
Х2 - отношение совокупных обязательств к совокупным активам;
Х3 - отношение рабочего капитала к совокупным активам;
Х4 - отношение текущих обязательств к текущим активам;
Х5 - 1, если совокупные обязательства превышают совокупные активы; если наоборот, то равен 0;
Х6 - отношение чистой прибыли к совокупным активам;
Х7 - отношение выручки от основной деятельности к совокупным обязательствам;
Х8 - 1, если чистая прибыль была отрицательной последние два года; если наоборот, то показатель равен 0;
Х9 - отношение разницы между чистой прибылью в последнем отчетном периоде и чистой прибылью в предшествующем отчетном периоде к сумме чистой прибыли в последнем отчетном периоде, взятой по модулю, и чистой прибыли в предшествующем отчетном периоде, взятой по модулю.
Показатель Z используется для нахождения вероятности риска банкротства по формуле логистической регрессии [15].
Г.В. Савицкая для построения логит-регрессии использовала информацию по 2160 сельскохозяйственным предприятиям Республики Беларусь за 2003 г. Были рассчитаны 15 коэффициентов, оказывающих существенное влияние на степень финансовой устойчивости. Далее с помощью кластерного, корреляционного и многомерного факторного анализа Глафирой Викентьевной отобраны следующие показатели для кризис-прогнозной модели:
XI - доля собственного оборотного капитала в формировании оборотных активов, коэффициент;
Х2 - коэффициент оборачиваемости оборотного капитала;
Х3 - коэффициент финансовой независимости (доля собственного капитала в общей валюте баланса);
Х4 - рентабельность собственного капитала, %.
Для диагностики риска банкротства была предложена следующая логит-регрессионая модель:
Z = 1 - 0,98 Xi - 1,8 X2 - 1,83 X3 - 0,28 X4. (8)
Если тестируемое предприятие по данной модели набирает значение 0 и ниже, то оно оценивается как финансово устойчивое; напротив, имеющее значение интегрального показателя 1 и выше, относится к группе высокого риска. Промежуточное значение от 0 до 1 характеризует степень близости или дальности предприятия от той или другой группы [14, с. 522].
Заметим, что не совсем ясно, почему автор настаивает, чтобы Х4 имел размерность в процентах, а также, строго говоря, в логит-регрессионных моделях в значения переменной отклика (зависимой переменной) не могут принимать значения меньше или равными 0 и больше или равными 1.
Одиннадцатифакторная logit-модель для оценки вероятности риска банкротства для 4 различных отраслей была разработана Г.А. Хайдаршиной в 2009 г. и имеет следующий вид [9]:
Z = а0 + а1 • Х1 + а2 • Х2 + а3 • Х3 + а4 • Х4 + а5 • Х5 + а6 • Х6 + а7 • Х7 + а8 • Х8 + а9 • Х9 + + аш • Х10 + ап • Хц. (9)
где Х1 - фактор, определяющий «возраст» предприятия. Может принимать 0, если предприятие было создано больше десяти лет и 1 - если меньше десяти;
Х2 - показатель, который определяет кредитную историю предприятия. Если она положительная, то данный показатель равен 0, если нет - 1;
Х3 - показатель текущей ликвидности;
Х4 - показатель отношения прибыли до уплаты процентов и налогов (EBIT) к уплаченным процентам;
Х5 - ln (собственного капитала);
Х6 - ставка рефинансирования Центрального банка РФ;
Х7 - показатель, определяющий деятельность предприятия с точки зрения его региональной специфики. Равен 0, если предприятие расположено в Москве или Санкт-Петербурге, и 1 - если оно находится в других регионах;
Х8 - показатель рентабельности активов предприятия (ROA);
Х9 - показатель рентабельности собственного капитала (ROE);
Х10 - показатель, отражающий темп прироста собственного капитала;
XII - показатель, отражающий темп прироста активов.
Из всех видов риска для российского банковского сектора наиболее существенным в настоящее время является кредитный. Кредитный риск, т.е. опасность, что дебитор не сможет осуществить процентные платежи или выплатить основную сумму кредита в соответствии с условиями, указанными в кредитном соглашении, является неотъемлемой частью банковской деятельности. Кредитный риск означает, что платежи могут быть задержаны или вообще не выплачены, что, в свою очередь, может привести к проблемам в движении денежных средств и неблагоприятно отразиться на ликвидности банка. Несмотря на инновации в секторе финансовых услуг, кредитный риск до сих пор остается основной причиной банков-
ских проблем. Более 80% содержания балансовых отчетов банков посвящено обычно именно этому аспекту управления рисками.
Из-за потенциально опасных последствий кредитного риска важно провести всесторонний анализ банковских возможностей по оценке, администрированию, наблюдению, контролю, осуществлению и возврату кредитов, авансов, гарантий и прочих кредитных инструментов. Общий обзор управления кредитными рисками включает в себя анализ политики и практики банка. Данный анализ должен также определить адекватность финансовой информации, полученной от заемщика, которая была использована банком при принятии решения о предоставлении кредита.
При оценке кредитоспособности заемщика наиболее часто встречаются методики, опирающиеся на требования положений Банка России № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности» от 26 марта 2004 г. и № 28-П «О порядке формирования кредитными организациями резервов на возможные потери» от 20 марта 2006 г. Основная цель данных методик - минимизация резервов, создаваемых с учетом требований законодательства.
Какую из методик выбрать, банк решает самостоятельно - ему предоставлено такое право. Состав конкретных показателей и их критерии закрепляются внутренними документами. Законодательно определены лишь признаки ухудшения финансового положения (появление картотеки неоплаченных документов к счетам заемщика, резкое уменьшение величины чистых активов, отсутствие информации о заемщике) или признаки ухудшения качества обслуживания долга - наличие просроченных платежей по процентам или сумме основного долга либо реструктуризация ссуды.
Кредитный анализ или анализ кредитоспособности заемщика характеризуется рядом особенностей, во-первых, существует временное различие между кредитоспособностью и платежеспособностью (кредитоспособность - это прогнозная, перспективная платежеспособность заемщика, оценка которой должна охватывать предполагаемый период пользования кредитом). Во-вторых, понятия различаются и в «пространственном» отношении (платежеспособность - это возможность и способность своевременно погасить все виды обязательств и задолженности, а кредитоспособность характеризуется лишь возможностью фирмы погасить кредитную задолженность). В-третьих, при оценке кредитоспособности нужно выявить не только возможность клиента, но и порядочность, желание своевременно вернуть долг.
Авторские модели оценки кредитоспособности заемщиков (сельскохозяйственных организаций)
Для построения логит-регрессионной модели нами были использованы финансовые показатели, рассчитанные на основании данных годовой бухгалтерской отчетности всех организаций сельского хозяйства Омской области. В основу отбора факторов риска для проведения классификации заемщика заложена Методика оценки кредитоспособности заемщиков (юридических лиц), применяемая Сбербанком России: Регламент предоставления кредитов юридическим лицам и индивидуальным предпринимателям Сбербанком РФ и его филиалами (утвержденный Комитетом по предоставлению кредитов и инвестиций Сбербанка России 30.06.2006 г., протокол № 322).
Для оценки кредитоспособности заемщика Сбербанком используются три группы оценочных показателей:
- коэффициенты ликвидности: коэффициент абсолютной ликвидности (К^, коэффициент быстрой ликвидности (К2), коэффициент текущей ликвидности (К3);
- коэффициент наличия собственных средств (К4);
- показатели оборачиваемости и рентабельности: оборачиваемость оборотных активов, оборачиваемость дебиторской задолженности, оборачиваемость запасов, рентабельность продукции (рентабельность продаж) К5, рентабельность деятельности предприятия (К6), рентабельность вложений в предприятие.
Основными оценочными показателями являются коэффициенты К1, К2, КЗ, К4, К5 и К6. Оценка результатов расчетов шести коэффициентов заключается в присвоении категории по каждому из этих показателей на основе сравнения полученных значений с установленными достаточными.
Таблица 1
Фрагмент диалогового окна классификационной таблицы прогнозов определения
процента корректности данных Classification Table(a)
Observed Predicted
VAR00007 Percentage Correct
0,00 1,00
Step 1 VAR00007 0,00 115 4 96,6
1,00 2 149 98,7
Overall Percentage 97,8
a The cut value is, 500
Результаты прогноза оформлены в табл. 2.
Таблица 2
_Обобщенные результаты прогноза данных _
VAR00007 = 1 VAR00007 = 0 Всего
Всего по выборке 119 151 270
Прогноз 117 153 270
Правильно 115 149 264
Неправильно 4 2 6
% правильно 96,6% 98,7% 97,8%
% неправильно 0,4% 1,3% 2,2%
Таблица 3
Данные для построения уравнения регрессии Variables in the Equation
B (коэффициент регрессии В) S.E. (стандартная ошибка) Wald (вальдов-ский) Df (степень свободы) Sig. (значимость) Exp(B) (противоположная функция Ln)
Step 1(a) (Шаг 1) VAR00001 2,796 3,930 ,506 1 ,477 16,379
VAR00002 -,639 ,529 1,461 1 ,227 1,528
VAR00003 ,844 ,295 8,192 1 ,004 2,325
VAR00004 16,486 4,059 16,499 1 ,000 14,243
VAR00005 3,333 1,838 3,288 1 ,070 28,009
VAR00006 ,579 ,541 1,143 1 ,285 1,783
Constant (Константа) -13,030 2,955 19,443 1 ,000 ,000
a Variable(s) entered on step 1 (переменные, введенные на шаге 1): VAR00001, VAR00002, VAR00003, VAR00004, VAR00005, VAR00006.
Соответствие значений таблицы и коэффициентов:
VAR00001 - К (коэффициент абсолютной ликвидности);
VAR00002 - К2 (промежуточный коэффициент покрытия);
VAR00003 - К3 (коэффициент текущей ликвидности);
VAR00004 - К4 (коэффициент наличия собственных средств);
VAR00005 - К5 (рентабельность продаж);
VAR00006 - К6 (рентабельность деятельности организации).
При построении логит-регрессионной модели были рассчитаны шесть основных коэффициентов, предусмотренных методикой Сбербанка.
Применив метод подстановки данных, определили экспериментальным путем границы классов в баллах по 100-балльной системе, взяв за основу Методику расчета показателей финансового состояния сельскохозяйственных товаропроизводителей (Постановление Прави-
тельства РФ от 30 января 2003 г. № 52). По результатам исследований получено, что: 1-й класс кредитоспособности - от 100 до 69 баллов (включительно); 2-й класс кредитоспособности - от 69 до 26 баллов (включительно); 3-й класс кредитоспособности - ниже 26 баллов.
Для того чтобы построить уравнение регрессии, необходимо сформировать исходную матрицу. Данные в матрицах формируются по годам, природно-хозяйственным зонам и в целом по Омской области. Для исследования использовались данные годовых отчетов сельскохозяйственных организаций Омской области за 2005-2007 гг. Обработка данных проводилась с использованием программы SPSS. После ввода данных, представленных в матрице, получена следующая информация. Представлены общие результаты оценки шестифакторной регрессионной модели, построенной на основании данных годовых бухгалтерских отчетов 270 сельскохозяйственных организаций Омской области за 2007 год.
Значимое уравнение регрессии получается при использовании всех отобранных шести коэффициентов одновременно. По результатам проведенного моделирования получено следующее уравнение регрессии:
У = -13,03 + 2,79К - 0,64К2 + 0,84К3 + 16,49К4 + 3,33К5 + 0,58К6. (10)
В данной модели высокую ошибку показывают коэффициент абсолютной ликвидности, коэффициент наличия собственных средств, рентабельность продаж. Однако данная модель построена под регламент Сбербанка, поэтому исключение из модели, например, показателя абсолютной ликвидности, рентабельности продаж как слабоотражающих реальную финансовую ситуацию в сельском хозяйстве, представляется нецелесообразным.
Вероятность наступления задержки платежей по кредиту рассчитывается по формуле
1 + е у (п)
Если для р получится значение меньшее 0,5, то можно предположить, что банкротство не наступит; в противном случае предполагается финансовый крах.
Преимуществом моделирования перед регламентом является возможность учета отраслевой специфики, региональных особенностей, этапа жизненного цикла фирмы, размера компании и иных условий хозяйствования.
В соответствии с предложенной методикой создан комплекс логит-регрессионных моделей, позволяющий прогнозировать финансовое состояние и кредитоспособность организаций, находящихся в различных условиях хозяйствования. Модели могут применяться кредитными аналитиками банков, финансовыми аналитиками и руководством организаций с целью прогнозирования финансового состояния организации.
Предлагаемые методы оценки кредитоспособности организации приемлемы для российских условий, они адаптированы к аграрному сектору. Модели созданы на региональном массиве данных и представлены в разрезе природно-хозяйственных зон области, что позволяет лучше учесть специфику и разработать модель для более точной оценки финансового состояния сельскохозяйственных организаций, находящихся в различных зонах.
Предлагаемые модели помогают организациям оценить свое финансовое состояние с позиции банков и получить информацию о соответствии требованиям, предъявляемым кредитными учреждениями. Благодаря своевременному получению такой информации можно принять управленческие решения, способствующие улучшению финансового состояния организации.
Модели могут использоваться рейтинговыми агентствами для расчета кредитного рейтинга организации, а также территориальными комиссиями по финансовому оздоровлению сельскохозяйственных товаропроизводителей.
Библиографический список
1. Андреева, Г. Скоринг как метод оценки кредитного риска [Электронный ресурс] / Г. Андреева. - Режим доступа : http://www.cfin.ru/finanalysis/banks/scoring.
2. Васина, Н.В. Моделирование финансового состояния сельскохозяйственных организаций при оценке их кредитоспособности / Н.В. Васина. - Омск : Изд-во НОУ ВПО ОмГА, 2012. - 252 с.
3. Горюнов, Е.В. Векторный метод прогнозирования вероятности банкротства предприятия / Е.В. Горюнов // Экономический анализ: теория и практика. - 2011. - № 27. - С. 37-43.
4. Журавель, Ю.Ю. Что может и чего не может скоринг в потребительском кредитовании? [Электронный ресурс] / Ю.Ю. Журавель. - Режим доступа: http://www.scoringlab.ru.
5. Ковалев, П. Методы банковского риск-менеджмента на этапе идентификации и оценки последствий от наступления рисков / П. Ковалев // Управление в кредитной организации. - 2006. - № 3. - С. 90-115.
6. Логит-анализ [Электронный ресурс]. - Режим доступа: http://www.machinelearning.ru.
7. Логистическая регрессия [Электронный ресурс]. - Режим доступа: http://www.statsoft.ru/ho-me/portal/taskboards/logitregression.htm.
8. Логистическая регрессия и ROC-анализ - математический аппарат [Электронный ресурс]. - Режим доступа : http://www.basegroup.ru/library/analysis/regression/logistic/.
9. Логистическая модель оценки банкротства Дж. Олсона (1980) [Электронный ресурс]. - Режим доступа: http://www.beintrend.ru/ohlson-logit.
10. Логистическая модель оценки банкротства предприятий Хайдаршиной (2009) [Электронный ресурс]. - Режим доступа: http://www.beintrend.ru/khaidarshina.
11. Патласов, О.Ю. Комплекс моделей оценки финансового состояния для целей анализа кредитоспособности заемщика / О.Ю. Патласов, Н.В. Васина // Экономика сельскохозяйственных и перерабатывающих предприятий. - 2008. - № 12. - С. 85-90.
12. Патласов, О.Ю. Моделирование оценки возможности привлечения заемных средств предпринимательскими структурами / О.Ю. Патласов, Н.В. Васина // Аудит и финансовый анализ. - 2009. - № 5. - С. 102-109.
13. Пугановская, Т.И. Анализ зарубежных исследований в области моделирования банкротства компании [Электронный ресурс] / Т.И. Пугановская, А.В. Галямин // Проблемы региональной экономики. - Режим доступа: http://www.regec.ru/articles/vol3/5-Galyamin_Banruptsy.pdf.
14. Савицкая, Г.В. Анализ хозяйственной деятельности предприятия : учебник. - 5-е изд., перераб. и доп. / Г.В. Савицкая. - М. : ИНФРА-М, 2011. - 534 с.
15. Ohlson, J.A. Financial Ratios and the Probabilistic Prediction of Bankruptcy / J.A. Ohlson // Journal of Accounting Research. - 1980. - Vol. 18. - № 1.
16. Patlasov, O.Y. Financial modeling of borrowers' creditworthiness / O.Y. Patlasov, N.V. Vasina // Olsztyn Economic Journal. - 2010. - № 5 (1). - С. 159-173.
© Патласов О.Ю., Васина Н.В., 2012
Авторы статьи:
Олег Юрьевич Патласов, доктор экономических наук, профессор, Омская гуманитарная академия; Тарский филиал Омского государственного аграрного университета, e-mail: [email protected].
Наталья Владимировна Васина, кандидат экономических наук, доцент, Государственный университет Минфина России (Омский филиал), e-mail: [email protected].
Рецензент - Н.Е. Алексеев, кандидат экономических наук, доцент, Сибирская государственная автомобильно -дорожная академия.
