Научная статья на тему 'Модели прогнозирования банкротства российских предприятий: отраслевые особенности'

Модели прогнозирования банкротства российских предприятий: отраслевые особенности Текст научной статьи по специальности «Экономика и экономические науки»

CC BY
595
82
Поделиться

Аннотация научной статьи по экономике и экономическим наукам, автор научной работы — Фёдорова Елена Анатольевна, Довженко Сергей Евгеньевич, Фёдоров Фёдор Юрьевич

В статье на основе анализа отчетности 8573 российских компаний определены пороговые значения индикаторов для известных зарубежных и отечественных моделей вероятности банкротства по десяти секторам экономики. Разработана десятифакторная модель банкротства с отраслевыми пороговыми значениями, обладающая сравнительно высокой прогностической способностью для большинства секторов.

Похожие темы научных работ по экономике и экономическим наукам , автор научной работы — Фёдорова Елена Анатольевна, Довженко Сергей Евгеньевич, Фёдоров Фёдор Юрьевич,

Текст научной работы на тему «Модели прогнозирования банкротства российских предприятий: отраслевые особенности»

МОДЕЛИ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА РОССИЙСКИХ ПРЕДПРИЯТИЙ: ОТРАСЛЕВЫЕ ОСОБЕННОСТИ

В статье на основе анализа отчетности 8573российских компаний определены пороговые значения индикаторов для известных зарубежных и отечественных моделей вероятности банкротства по десяти секторам экономики. Разработана десятифакторная модель банкротства с отраслевыми пороговыми значениями, обладающая сравнительно высокой прогностической способностью для большинства секторов.

Проблема прогнозирования банкротства занимает особое место среди теоретических и практических проблем управления предприятиями. Россия является страной с переходной экономикой, характеризующейся нестабильностью многих факторов внешней среды предпринимательства. Поэтому для эффективного управления предприятием необходимы не только финансовый анализ его текущего состояния, но и проведение диагностики на предмет возможного банкротства в будущем. Таким образом, определение нежелательных тенденций развития предприятия, прогнозирование кризисной ситуации и банкротства приобретают первостепенное значение.

Применение методик прогнозирования банкротства целесообразно и полезно как самим предприятиям - для превентивного антикризисного управления на основании раннего обнаружения признаков ухудшения своего положения, так и их деловым партнерам, а также кредитным организациям, оценивающим риск кредитования фирм-заемщиков, контролирующим и фискальным органам. В мировой и отечественной экономической науке и в хозяйственной практике используется множество моделей оценки вероятности банкротства предприятий и организаций, построенных на различных принципах и методах. Эффективность той или иной модели банкротства зависит не только от специфики национальной системы рыночных отношений, особенностей ее развития, разработанных правил и норм, регулирующих несостоятельность экономических субъектов, но и от возможно раннего выявления признаков банкротства и умения выбора для этого наиболее эффективных инструментов.

Цель данной работы - выявить модели прогнозирования вероятности банкротства предприятий, обладающие наиболее высокой прогнозной силой"' для следующих отраслей народного хозяйства РФ: информация и коммуникации, наука и техника, недвижимость, промышленность, сельское хозяйство, транспорт, строительство, торговля, финансы и страхование, электроэнергетика. Убедительным подтверждением того, что разработка модели прогнозирования банкротства предприятий, учитывающей особенности российской экономики, сегодня необходима, является статистика по делам о банкротстве (табл. 1).

Согласно данным табл. 1, в период 2010-2013 гг. в Высший Арбитражный Суд РФ поступило 146413 заявлений о признании предприятий-должников несостоятельными (банкротами), из них принято к производству около 83% заявлений. Примерно половина дел в том же году завершилась принятием решения о признании должника банкротом и открытии конкурсного производства. При этом далеко не все ликвидирующиеся предприятия проходят процедуру банкротства. Многие (особенно малые) предприятия ликвидируются добровольно.

' В данном случае под прогнозной силой подразумевается: (процент верно идентифицированных компаний-банкротов + процент верно классифицированных здоровых компаний)/2.

Таблица 1

Статистика по делам о банкротстве

Показатель 2010 г. 2011 г. 2012 г. 2013 г.

Поступило заявлений о признании должников не-

состоятельными (банкротами) 40243 33385 40864 31921

Количество дел, по которым проводилась проце-

дура финансового оздоровления 91 94 92 67

Количество дел, по которым проводилась проце-

дура введения внешнего управления 908 986 922 803

Принято решений о признании должника банкро-

том и об открытии конкурсного производства 16009 12794 14072 13144

Завершено производство по делам о несостоятель-

ности (банкротстве) 31195 26132 30159 23721

Таким образом, можно сделать следующие выводы:

1. Проблема прогнозирования банкротства предприятий стоит по-прежнему остро. В среднем только 3,9% предприятий, подверженных процедуре банкротства, испытывают незначительные потери (через внешнее управление, финансовое оздоровление или мировое соглашение). Большинство же ликвидируется, что приводит к потерям (не только материальным) для широкого круга юридических и физических лиц.

2. Высокий процент открытия конкурсного производства (от числа дел, принятых арбитражным судом к рассмотрению) позволяет нам в целях дальнейшего анализа поставить знак равенства между количеством предприятий-банкротов и количеством введенных конкурсных производств.

Проведенное исследование включает три этапа. На первом этапе была проверена прогнозная сила классических западных, а также отечественных моделей банкротства на нашей выборке, состоящей из компаний десяти секторов российской экономики. Согласно полученному результату, средняя прогнозная сила таких моделей составляет 66%.

На втором этапе предпринята попытка увеличить прогнозную силу путем уточнения отраслевых пороговых значений рассматриваемых моделей с помощью деревьев классификации и индекса Джини на российских данных. В результате уточнения пороговых значений средняя прогнозная сила моделей повысилась до 72,6%. Общая прогностическая способность рассматриваемых моделей до уточнения пороговых

критериев и после на примере некоторых отраслей показана на рисунке.

%

80 -,

Недвижимость Обрабатывающая Сельское хозяйство Производство и Строительство промышленность распределение

электроэнергии, газа и воды

Рисунок. Общая прогностическая способность зарубежных и отечественных моделей прогнозирования банкротства до ( 0) и после (Ц ) уточнения пороговых значений обобщающего критерия

Третий этап содержит разработку собственной модели прогнозирования банкротства предприятия и введенные уточненные пороговые значения для десяти отраслей для коррекции пороговых значений обобщенных показателей. Для того, чтобы повысить прогнозную силу модели в каждой отрасли. Так, для транспорта общая прогностическая сила модели повысилась с 79 до 85%.

Первый этап. Анализ существующих моделей прогнозирования банкротства. Данные модели используют: государственные органы - для анализа состояния отраслей и отдельных компаний; банки - для анализа кредитоспособности компаний-заемщиков; рейтинговые агентства, инвестиционные банки, консалтинговые и аудиторские компании (Moody's RiskCalc [1], CSFB's CreditRisk [2], McKinsey's CreditPortfolio View [3]); а также сами компании - для анализа текущего финансового состояния.

Интерес к использованию финансовых коэффициентов для прогнозирования кризисного состояния компании значительно возрос после выхода работ W. Beaver (1966) [4] и E. Altman (1968) [5]. В 1980-1990 гг. стали применяться модели бинарного выбора, основанные на оценке вероятности банкротства предприятия (логит-и пробит-модели). Дж. Ольсон (1980 г.) [6] впервые применил метод логистической регрессии для прогнозирования банкротства. Фулмером (1984 г.) [7] была предложена еще одна модель для прогнозирования банкротства компаний на основе анализа 60-ти предприятий, к которым были применены 40 финансовых коэффициентов. Модель прогнозирования банкротства Р. Таффлера (1977 г.) [8] включала более 80 финансовых показателей, которые затем были рассчитаны для 46-ти предприятий-банкротов и 46-ти финансово благополучных (здоровых) предприятий. В модели прогнозирования банкротства Г. Спрингейт (1978 г.) [9] использовал дискриминантный анализ и в конечном счете отобрал четыре наиболее значимые показатели из 19-ти исходных. М. Змиевский (1984 г.) [10] предложил модель, в которой применена пробит-регрессия. В качестве исходных данных была использована информация по 840 компаниям (40 банкротам и 800 здоровым компаниям) за период с 1972 по 1978 г.

В последнее время появились и отечественные разработки, посвященные вопросам прогнозирования банкротства предприятий, в которых предприняты попытки построить многофакторные модели для выявления возможной неплатежеспособности предприятий. Р.С. Сайфуллин и Г.Г. Кадыков [11] предложили использовать для оценки финансового состояния предприятия рейтинговое число. О.П. Зайцевой [12] разработана шестифакторная модель. Ученые Иркутского университета [13] предложили так называемую модель R-счет. Среди отечественных моделей прогнозирования банкротства предприятий можно также упомянуть работу Е.А. Федоровой, Е.В. Гиленко, С.Е. Довженко [14].

Выборка российских предприятий, которая использована для тестирования моделей банкротства, включает средние и крупные предприятия десяти различных отраслей. Она охватывает период с 2011 по 2013 г. и состоит из 8573 бухгалтерских отчетов компаний: 2136 компаний банкротов и 6437 небанкротов (табл. 2). Для компаний-банкротов были использованы значения финансовых показателей за год до введения процедуры банкротства.

После удаления из выборки компаний, не выполняющих основные балансовые соотношения (равенство активов и пассивов, ненулевой собственный капитал и т.д.), было отобрано 8262 наблюдений. Для проверки прогностических способностей классических западных, а также российских моделей прогнозирования банкротства на указанной выборке были использованы модели следующих авторов: зарубежных - Э. Альтмана, Дж. Фулмера, Г. Спрингейта, Р. Таффлера, М. Змиевского, и российских - Р.С. Сайфуллина и Г.Г. Кадыкова, О.П. Зайцевой, модель Иркутской Государ-

ственной Экономической Академии (ИГЭА). Можно видеть, что зарубежные модели в среднем имеют более высокую прогнозную силу, чем отечественные. Например, средняя прогнозная сила зарубежных моделей по всем отраслям составила 71,2%, в то время как отечественных моделей - около 57,1%.

Таблица 2

Исходная выборка, число предприятий по отраслям

Отрасль Всего Банкроты Небанкроты

Информация и коммуникации 492 32 460

Наука и техника 553 80 473

Недвижимость 586 107 479

Промышленность 1414 474 940

Сельское хозяйство 1354 357 997

Строительство 1310 362 948

Торговля 1422 465 957

Транспорт 645 145 500

Финансы и страхование 471 31 440

Электроэнергетика 326 83 243

Итого 8573 2136 6437

Источники: [15-16].

Второй этап. Уточнение пороговых значений критериев классических моделей, позволяющих сделать выводы о банкротстве предприятий2. Другими словами, было необходимо найти для каждой отрасли такое пороговое значение, которое наилучшим образом разделяло бы нашу выборку на два класса: преимущественно банкроты и небанкроты. Для разделения выборки были использованы деревья классификации и индекс Джини.

По результатам наиболее применимой для российской экономики оказалась модель Змиевского: ее прогнозная сила является самой высокой для сектора информации и коммуникаций (83%), науки и техники (83%), недвижимости (79%), сельского хозяйства (80%), строительства (76%), торговли (72%), электроэнергетики (86%). При этом разработанные пороговые значения итогового обобщающего критерия находятся в пределах от 0,7 для торговли до 2,6 для электроэнергетики.

Также высокую прогностическую способность имеет модель Таффлера. Она верно классифицирует банкротов и небанкротов с вероятностью 79% по сектору недвижимости, 80% по сельскому хозяйству, 70% по торговле, 84% по транспорту. Высокий результат показала модель Спрингейта для секторов информации и коммуникаций, сельского хозяйства, финансов и страхования - в этих отраслях прогностическая способность модели является наивысшей. Модель Альтмана имеет высокие прогностические результаты только в двух отраслях: секторе финансов и страхования, где ее прогностическая способность соответствует модели Спрингей-та, и в сельском хозяйстве, где она соответствует моделям Таффлера и Змиевского. Модель Фулмера не показала наилучшего результата ни в одной отрасли.

Что касается отечественных моделей, то их прогнозная сила относительно невысока по сравнению с западными моделями. Низкая прогностическая способность модели Зайцевой объясняется тем, что весовые значения показателей модели были определены экспертным путем без применения экономико-статистических методов анализа. Модели ИГЭА и Сайфуллина-Кадыкова значительно уступают западным моделям по прогностической способности. В некоторых отраслях общая прогнозная сила отечественных моделей находится в пределах 50-60%, например, в строительстве, торговле (табл. 3).

2 В данном случае знак действия порогового значения определяет область высокой вероятности банкротства компании. Таким образом, например, в обрабатывающей промышленности, по модели Альтмана, если полученное значение критерия меньше 0,656, то компания имеет высокую вероятность банкротства в ближайший год.

Таблица 3

Прогнозная сила моделей банкротства при исходных и скорректированных по отраслям пороговых значениях

Модель Оригинальные пороговые значения Уточненные пороговые значения

Л е ы в О а до З я аян аза Э 8 5 ИЗ С о О 8 & и § я 3 § я « 2 а о о К 8 " Л е ы в О а до З -о рая 5 ® I О

А 1 2 3 4 5 6 7

Модель Альтмана Модель Фулмера Модель Спрингейта Модель Таффлера Модель Змиевского Модель Сайфуллина-Кадыкова Модель ИГЭА Модель Зайцевой 90,6 68,8 90,6 90,6 84,4 84,4 78,1 75,0 73.5 69,3 65,9 57.6 68.7 37,2 38,5 50,7 Инфо 82,1 69.0 78.2 74.1 76,5 60,8 58.3 62,8 рмация и ко <=0,286 <=-7,227 <=0,217 <=-2,797 >1,559 <=0,518 <=-13,5 или >=-0,57 и <2,27 >33,026 ммуникаци 71,9 71,9 84.4 87.5 78,1 87,5 68,8 59,4 и 92,6 88,0 81,5 72.5 87,8 48.6 66,4 92,4 82,2 79,9 82,9 80,0 83,0 68,0 67,6 75,9

Модель Альтмана Модель Фулмера Модель Спрингейта Модель Таффлера Модель Змиевского Модель Сайфуллина- Кадыкова Модель ИГЭА Модель Зайцевой 81,3 75,0 80,0 87,5 86,3 65,0 56,3 73,8 56,9 70,2 48.2 53.7 65.3 34.5 37.6 47.8 69,1 72,6 64,1 70.6 75.8 49.7 46.9 60.8 Наука и те <=0,273 <=-9,729 <=0,082 <=-3,592 >=1,323 <=-1,485 >=1,647 >=22,309 хника 62,5 71,3 63,8 87,5 81,3 40,0 36,3 53,8 88,6 89,6 75,6 72.2 82,8 95.3 78,0 82,2 75,5 80,4 69,7 79,9 82,0 67,7 57,1 68,0

Модель Альтмана Модель Фулмера Модель Спрингейта Модель Таффлера Модель Змиевского Модель Сайфуллина-Кадыкова Модель ИГЭА Модель Зайцевой 78,5 73,8 84,1 86,0 79,4 72,0 65,4 75,7 52,6 53.2 49,1 60,1 65.3 35,3 42,0 42,8 65,6 63.5 66.6 73.1 72,4 53.6 53.7 59.2 Недвижим <=0,286 <=-9,071 <=0,477 <=-4,539 >=1,885 <=-2,731 <=-8,811 и >=2,432 >=43,290 ость 57.0 64.5 84.1 77.6 68.2 30,8 50,5 41,1 85,1 88,9 61,9 81,4 89,7 87,7 85,4 85,1 71.1 76,7 73,0 79,5 79.0 59.2 67,9 63.1

Модель Альтмана Модель Фулмера Модель Спрингейта Модель Таффлера Модель Змиевского Модель Сайфуллина- Кадыкова Модель ИГЭА Модель Зайцевой 88,2 75.7 88,0 94,9 91.8 77,6 61,6 79,5 65,5 81,0 66,8 60,0 69,4 53,4 67,4 32,3 Обрабат 76,9 78.3 77.4 77.5 80.6 65,5 64,5 55,9 ывающая и| <=0,656 <=-8,713 <=0,477 <=-5,120 >=1,48 <=-1,785 <=-1,586 >=10,345 омышленш 73,6 73.2 87.3 75,9 76,8 42,2 51,1 66,5 сть 90,0 92,8 70,3 89.8 91.2 86.3 82.9 65,8 81,8 83,0 78.8 82.9 84,0 64,2 67.0 66.1

Модель Альтмана Модель Фулмера Модель Спрингейта Модель Таффлера Модель Змиевского Модель Сайфуллина- Кадыкова Модель ИГЭА Модель Зайцевой 94,0 73,8 91,2 87.4 81,6 74,6 66,0 70.5 35.5 67.4 40,3 63.6 74,6 72.1 83.2 25.5 64.7 70,6 65.8 75.5 78,1 73,3 74.6 48,0 Сельское хоз <=0,155 <=-5,981 <=0,323 <=-3,476 >=1,76 <=0,292 <=-0,041 >=61,523 яйство 67,8 65.7 82,1 79,6 71,0 63,5 64,5 37.8 91,5 90,1 69,1 80,8 89,9 84.3 85.4 79,8 79,6 77,9 75,6 80,2 80,4 73,9 74,9 58,8

Продолжение табл. 3

А 1 2 3 4 5 6 7

Строительство

Модель Альтмана 78,7 48,7 63,7 <=1,369 73,8 65,5 69,6

Модель Фулмера 62,2 76,7 69,4 <=-3,396 61,9 88,6 75,2

Модель Спрингейта 79,0 41,2 60,1 <=0,372 67,1 62,8 65,0

Модель Таффлера 91,2 39,9 65,5 <=-4,943 65,7 82,8 74,3

Модель Змиевского 85,6 53,9 69,8 >=1,518 61,0 90,2 75,6

Модель Сайфуллина-

Кадыкова 70,7 22,8 46,8 <=0,292 <=-8,571 40,9 61,0 51,0

Модель ИГЭА 54,4 35,9 45,1 и >=0,320 61,9 62,7 62,3

Модель Зайцевой 73,2 30,8 52,0 >=110,564 32,0 88,8 60,4

Торговля

Модель Альтмана 57,2 75,5 66,4 <=1,369 52,3 83,7 68,0

Модель Фулмера 48,4 84,1 66,3 <=3,595 52,7 65,5 59,1

Модель Спрингейта 59,4 72,6 66,0 <=1,505 55,3 78,9 67,1

Модель Таффлера 83,2 45,7 64,4 <=-3,224 73,3 65,7 69,5

Модель Змиевского 78,3 53,4 65,8 >=0,700 77,2 57,9 67,6

Модель Сайфуллина- <=-1,809

Кадыкова 58,1 50,3 54,2 и >=1,477 46,0 61,4 53,7

Модель ИГЭА 43,9 60,7 52,3 <=-9,284 и >=1,974 43,9 59,3 51,6

Модель Зайцевой 75,5 27,4 51,4 >=11,645 56,8 63,9 60,3

Транспорт

Модель Альтмана 73,8 76,0 74,9 <=0,476 83,9 91,3 87,6

Модель Фулмера 64,1 71,4 67,8 <=-4,778 77,4 87,7 82,6

Модель Спрингейта 74,5 76,4 75,4 <=0,314 90,3 85,2 87,8

Модель Таффлера 92,4 67,8 80,1 <=-5,555 64,5 89,5 77,0

Модель Змиевского 86,9 75,8 81,3 >=2,257 67,7 95,0 81,4

Модель Сайфуллина-

Кадыкова 62,8 57,2 60,0 <=-0,941 38,7 96,1 67,4

Модель ИГЭА 47,6 76,0 61,8 <=-1,061 48,4 90,9 69,6

Модель Зайцевой 84,8 39,8 62,3 >=2,373 87,1 44,9 66,0

Финансы и страхование

Модель Альтмана 80,6 60,0 70,3 <=0,331 71,1 83,5 77,3

Модель Фулмера 74,2 73,2 73,7 <=-11,291 85,5 84,7 85,1

Модель Спрингейта 87,1 54,8 70,9 <=0,151 77,1 68,2 72,6

Модель Таффлера 90,3 51,8 71,1 <=-7,017 85,5 78,9 82,2

Модель Змиевского 90,3 47,7 69,0 >=2,606 84,3 88,0 86,2

Модель Сайфуллина-

Кадыкова 61,3 57,0 59,2 <=-3,899 33,7 91,3 62,5

Модель ИГЭА 54,8 69,8 62,3 <=-8,587 38,6 93,4 66,0

Модель Зайцевой 64,5 39,1 51,8 >=2,373 56,6 77,7 67,2

Электроэнергетика

Модель Альтмана 80,7 50,2 65,5 <=0,814 73,8 76,2 75,0

Модель Фулмера 88,0 61,7 74,8 <=-3,015 62,8 90,2 76,5

Модель Спрингейта 86,7 42,4 64,6 <=0,855 74,5 77,0 75,7

Модель Таффлера 95,2 44,0 69,6 <=-2,177 89,7 79,2 84,4

Модель Змиевского 92,8 60,9 76,8 >=2,606 79,3 85,8 82,5

Модель Сайфуллина-

Кадыкова 79,5 27,6 53,5 <=0,869 60,7 61,9 61,3

Модель ИГЭА 73,5 44,4 59,0 <=0,764 53,1 59,3 56,2

Модель Зайцевой 75,9 32,5 54,2 >=2,373 72,4 67,3 69,9

В столбце «новые пороговые значения» приведены значения, при которых предприятие является банкротом. Фактический комплексный коэффициент банкротства (К) следует сопоставить с нашим нормативным коэффициентом. Например, если для модели Альтмана для отрасли строительства фактический комплексный показатель равен 2, а уточненный комплексный показатель (нормативное значение) равен <=1,369, то мы можем сделать вывод, что предприятие является здоровым (не банкрот), так как 2 не меньше 1,369. Однако если фактический показатель по модели Змиевского для

транспорта равен 2, то предприятие является банкротом (так как область предприятий-банкротов лежит в пределах больше >=2,257)

Средняя прогнозная сила всех восьми рассматриваемых моделей по всем отраслям составляет 72,6%. Это финансы и страхование: (средняя прогностическая способность моделей - 77,4%, сельское хозяйство (75,2%), информация и коммуникации (77,5%), промышленность (76%), электроэнергетика (74,9%), транспорт (73%). Однако для предприятий торговли, даже при уточненных показателях критических значений, средняя прогнозная сила моделей составила 62,1%, что значительно ниже чем в других отраслях. Для предприятий строительства средняя прогностическая способность составила 66,7%. Хотя средняя прогностическая сила рассматриваемых моделей по всем отраслям составляет 72,6%, однако при этом имеется смещение в сторону здоровых предприятий (79,7%) относительно предприятий-банкротов (65,4%). Если рассматривать модели по отдельности, то преимущество их прогнозной силы может быть на стороне как здоровых предприятий, так и потенциальных банкротов.

Следует отметить, что используемый метод нахождения пороговых значений в нескольких случаях, показывает смещение прогностической способности в сторону другого класса (банкроты/небанкроты). Например, модель ИГЭА в отрасли науки и техники показала 56,3% верных прогнозов для потенциальных банкротов и 37,6% - для здоровых компаний. После уточнения пороговых значений прогнозная сила сместилась в сторону здоровых компаний - 78%, по сравнению с 36,3% - банкротами. Аналогичные результаты по данным других отраслей показывает не только модель ИГЭА, но и модель Сайфуллина-Кадыкова. Это объясняется тем, что указанные модели имеют низкую прогностическую способность, поэтому два класса компаний (потенциальные банкроты и небанкроты) сильно пересекаются между собой. При корректировке порогового значения модели возникают два крайних варианта смещения: в сторону банкротов или в сторону здоровых компаний.

Третий этап. Новая модификация модели прогнозирования банкротства предприятий. В качестве метода для построения модели была использована логит-регрессия.

Для зависимой переменной у, которая в рассматриваемых нами случаях является бинарной и определяет наличие факта банкротства для предприятия, принято предположение, что вероятность наступления события у = 1:

Р{У = 1 х} = / (г), (1)

где г=91Х1+.. ,+9„г„, х - векторы значений независимых переменных (или признаков, или предикторов), на основе которых строится предсказание; 9 - параметры регрессии; /г) - логистическая функция (или сигмоид, или логит-функция) [17]:

/ (г) = 1/(1 + е1г). (2)

На практике 1о§й-модели использовались в исследованиях Дж. Ольсона [6], Дж. Биг-ли, С. Леннокса и др.

Для построения модели выборка российских предприятий была разделена случайным образом на две подвыборки: обучающую (70% наблюдений), на которой проводится построение модели, и контрольную (проверочную) (30% наблюдений), на которой оценивается точность прогнозирования построенной модели. Такое процентное разделение соответствует общей практике, принятой в современной литературе.

Для анализа финансовых характеристик предприятий было сформировано 98 показателей (оборачиваемости, ликвидности, рентабельности, финансовой устойчивости). Однако по результатам построения модели (табл. 4) только десять показателей из 98-ти были включены в состав классифицирующего индикатора, на основании которого за год до возможного банкротства можно различать благополучных предприятий и банкротов.

Таблица 4

Разработанная модель прогнозирования банкротства

Показатель Коэффициент Стандартная ошибка

Х1 Оборачиваемость оборотных активов, раз -0,29 0,03

Х2 Краткосрочный долг к совокупным обязательствам 1,45 0,16

Хз Чистый оборотный капитал к совокупным активам -0,42 0,11

Х4 Рентабельность активов, ROA, % -8,24 0,58

Х5 Коэффициент автономии -0,90 0,11

Хб Отношение дебиторской задолженности к совокупным активам 1,01 0,12

Х7 Отношение рабочего капитала к активам 0,94 0,08

Х8 Лог (материальные активы) -0,06 0,02

Х9 Лог(ЕВ1Т/проценты к уплате) -0,58 0,07

Х10 Обратный коэффициент абсолютной ликвидности 0,00002 0,00

с Константа -2,20 0,15

ñ2McF 0,413

Таким образом, построенная модель принимает следующий вид: Д (7) = 1/(1 + е-г ),

г = -2,2 - 0,29х1 + 1,45 х2 - 0,42х3 - 8,24х4 - 0,9х5 + (3)

+ 1,01х6 + 0,94х7 - 0,06х8 - 0,58х9 + 0,00002х10.

Данная функция может принимать значения между 0 и 1 и трактуется как вероятность банкротства предприятия. При значениях Дг) выше 0,5 можно считать вероятность наступления банкротства в течение последующего отчетного года высокой, а при значениях ниже 0,5 - низкой. Иными словами, если значение г больше 0, то предприятие является потенциальным банкротом, если г меньше 0, то предприятие является здоровым.

Рассмотрим более подробно полученную модель. Часть показателей встречается и в других моделях, например, отношение рабочего капитала к активам присутствует в модели Альтмана, Спрингейта и ИГЭА. Логарифм материальных активов и ЕЬ^/проценты к уплате также присутствуют в модели Фулмера. Полученная модель имеет среднюю прогнозную силу по всем отраслям, равную 78,9% (банкроты - 78,9%, здоровые предприятия - 78,8%). Нами была также предпринята попытка построить специализированную модель для каждой отрасли отдельно. В табл. 5 приведены уточненные отраслевые пороговые значения для разработанной модели.

Таблица 5

Прогнозная сила (%) и уточненные пороговые значения для разработанной модели

Пороговое значение z>0 Уточненные пороговые значения

Отрасль ты о & н а е ы в о & о д Общая огнозная сила Новые »роговые [ачения z ты о & н а е ы в о & о д Общая огнозная сила

w го р п он пз w го р п

Информация и коммуникации 78,1 84,3 81,2 >-0,895 84,4 87,8 86,1

Наука и техника 82,5 83,5 83,0 >-1,118 83,8 83,1 83,4

Недвижимость 81,3 77,6 79,5 >-1,531 92,5 70,1 81,3

Обрабатывающая промышленность 85,0 80,7 82,9 >-1,001 83,1 83,7 83,4

Сельское хозяйство 74,6 85,3 79,9 >-1,476 85,1 75,7 80,4

Строительство 79,8 78,6 79,2 >-1,158 83,1 77,4 80,3

Оптовая торговля 65,2 77,1 71,1 >-1,280 71,4 73,0 72,2

Финансы и страхование 77,4 76,3 76,9 >-1,010 84,1 83,2 83,7

Электроэнергетика 77,4 74,0 75,7 >-0,816 84,3 79,3 81,8

Транспорт 88,0 70,2 79,1 >-0,870 81,4 89,0 85,2

Скорректированные по отраслям пороговые значения варьируют в диапазоне от -0,816 для электроэнергетики до -1,531 для сектора недвижимости. Если рассчитанный показатель г для исследуемого предприятия выше порогового значения, то предприятие имеет неудовлетворительное финансовое состояние и с высокой вероятностью станет банкротом.

Если, например, был рассчитан фактический комплексный показатель по модели (3) и он равен 1,2 для отрасли транспорта, то предприятие является банкротом, так как он больше нормативного порогового значения(-0,87). Предлагаемая модель обладает сравнительно наибольшей прогнозной силой для всех секторов, кроме промышленности (83% по сравнению с 84% модели Змиевского), финансов и страхования, электроэнергетики. Средняя прогностическая способность скорректированной модели составила 81,8%. Также разработанная модель является достаточно «сбалансированной» в отношении сравнительной достоверности предсказания банкротства и его отсутствия: для некоторых отраслей разница прогнозной силы по банкротам и небанкротам составляет около 5 проц. п., причем как в сторону здоровых предприятий, так и в сторону предприятий-банкротов.

* * *

Таким образом, в настоящем исследовании разработаны пороговые значения индикаторов вероятного банкротства предприятий для известных зарубежных и отечественных моделей прогнозирования банкротства, которые учитывают российскую стра-новую и отраслевую специфику. Также предлагается разработанная авторами десяти-факторная модель с отраслевыми пороговыми значениями, обладающая высокой прогностической способностью. На основании проведенного исследования можно рекомендовать компаниям использовать данную модель для текущего финансового анализа, прогнозирования риска банкротства и принятия эффективных управленческих решений. Кроме того, модель может быть использована банками и кредитными организациями при анализе кредитоспособности заемщика.

Литература

1. Falkenstein E., Boral A., Cartey L. RiskCalcTM for Private Companies: Moody's Default Model // Moody's Investor Service: Global Credit Research. May 2000. pp. 3-86.

2. Credit Suisse. Credit Risk: A Credit Risk Management Framework, Credit Suisse Financial Products. New York. NY, 1997.

3. Wilson T. Portfolio credit risk //FRBNY Economic Policy Review. October 1998. pp. 71-82.

4. Beaver W. Financial Ratios as Predictors of Failure. Empirical Research in Accounting Selected Studies // Journal of Accounting Research (Suppl.). 1966. № 4. pp. 71-111.

5. Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // Journal of Finance. 1968. № 23. pp. 589-609.

6. Ohlson J. Financial Ratios and the Probabilistic Prediction of Bankruptcy // Journal of Accounting Research. 1980. № 18. pp. 109-131.

7. Fulmer J., Moon J., Gavin T., Erwin M. A Bankruptcy Classification Model for Small Firms // Journal of Commercial Bank Lending. July 1984. pp. 25-37.

8. Taffler R. J., Tisshaw H.J. Going, Going, Gone, Four Factors Which Predict // Accountancy. 1977. № 88 (1003). pp. 50-52, 54.

9. Springate, Gordon L.V. Predicting the Possibility of Failure in a Canadian Firm. Unpublished M.B.A. Research Project. Simon Fraser University. January 1978.

10. Zmijewski Mark E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models // Journal of Accounting Research (Suppl.). 1984. № 22. pp. 59-82.

11. Минаев Э.С., Панагушин В.П. Антикризисное управление // Уч. пос. для технических вузов. М.: Приор. 1998. 432 с.

12. Зайцева О. П. Антикризисный менеджмент в российской фирме //Аваль. Сибирская финансовая школа. 1998. № 11-12.

13. Давыдова Г.В., Беликов А.Ю. Методика количественной оценки риска банкротства предприятий // Управление риском. 1999. № 3. С. 13-20.

14. Федорова Е.А., Гиленко Е.В., Довженко С.Е. Модели прогнозирования банкротства: особенности российских предприятий //Проблемы прогнозирования. 2013. № 2. С. 85-92.

15. База данных СПАРРК www.spark-interfax.ru/

16. База данных Ruslana https://ruslana.bvdep.com

17. Agresti A. An Introduction to Categorical Data Analysis. Hoboken: Wiley. 2007. 138 pp.