CC BY
2326
17 (203) - 2014
Банковский сектор
УДК 336.77
МОДЕЛИРОВАНИЕ ВЕРОЯТНОСТИ ДЕФОЛТА ПРЕДПРИЯТИЙ МИКРО- И МАЛОГО БИЗНЕСА
Е.В. КАЯШЕВА,
преподаватель департамента теоретической экономики
E-mail: [email protected] Национальный исследовательский университет «Высшая школа экономики»
В связи с положительной динамикой развития банковского кредитования микро- и малого бизнеса на российском рынке и наметившейся тенденцией выделения банками этого блока в отдельное направление актуальной становится задача выявления факторов, оказывающих наибольшее влияние на финансовое состояние предприятий и их кредитоспособность. В статье сделан обзор ключевых работ по моделированию вероятности дефолта малых и средних предприятий, выделены особенности этих моделей по сравнению с подобными моделями для корпоративного сектора, и описана общая процедура совершенствования модели прогнозирования вероятности дефолта в микро- и малом бизнесе.
Ключевые слова: кредитный риск, прогнозирование, вероятность, дефолт, микро- и малый бизнес
Введение
Предприятия малого и среднего бизнеса (МСБ) в США и Европе являются основой развития экономики, обеспечивая занятость более половины населения и создавая около 60% ВВП. Россия отстает по этим показателям от большинства стран мира, поэтому в ближайшее время можно ожидать ускорения развития сектора малого и среднего предпринимательства в нашей стране (табл. 1) [5].
В настоящее время число наемных работников в МСБ достигает 27% от общего числа занятых во
Таблица 1
Занятость в секторе малого и среднего предпринимательства, %
Страна Россия США Бразилия Англия Франция Япония Китай Италия Чехия Италия
Доля занятых 27 50 54 55 64 70 80 80 68 81
в МСБ
Доля МСБ в ВВП 21 50 30 50 56 60 60 80 56 71
всех предприятиях России, а по вкладу в ВВП доля МСБ составляет одну пятую часть1. Большая часть предприятий микро-, малого и среднего бизнеса в России (табл. 2) приходится на микропредприятия (84% от всех предприятий), наименьшую часть (1%) составляют средние компании.
Постепенное вовлечение все большего числа россиян в малое предпринимательство и прогноз существенного роста вклада этого сектора в ВВП заставляют кредитные организации уделять особое внимание оценке кредитоспособности субъектов микро- и малого бизнеса (ММБ).
Анализ деятельности средних предприятий в России преимущественно проводится по методикам оценки финансового состояния предприятий кор-
1 Малый и средний бизнес в 2012 году: международный опыт регулирования и финансирования. Отчет МСП Банка, апрель 2013 г.
Таблица 2
Деление предприятий России на микро-, малые и средние
Вид бизнеса Численность работников Годовая выручка, млн руб. Средний размер кредита, млн руб. [1]
Микро- До 15 До 60 0,5
Малый 16-100 До 400 3
Средний 101-250 До 1 000 30
Источник: [8].
поративного сектора, а для ММБ идет разработка специальных отдельных программ. Поэтому на российском рынке особый интерес представляет изучение факторов, влияющих на кредитный риск предприятий именно микро- и малого бизнеса.
Организации ММБ благодаря простой структуре способны быстро реагировать на изменяющиеся потребности целевой аудитории и внешние экономические условия. При успешной стратегии развития эти предприятия могут стать крупными игроками рынка. Но, принимая на себя повышенные риски и не обладая значительной долей рынка, они могут и быстро разориться (25% предприятий ММБ в 2010 г.). По данным за 2009-2011 гг., количество таких организаций возросло на 16%, и на 10% возросла их задолженность по кредитам банкам2. Расширение кредитования ММБ привело к тому, что банки начинают анализировать риски этих предприятий как отдельного субъекта кредитования, выделяя его из сектора малого и среднего бизнеса.
Далее будут рассмотрены отличительные черты предприятий ММБ, которые, с одной стороны, позволяют конкурировать с другими игроками рынка, но, с другой стороны, увеличивают рискованность деятельности. Отдельно будут выделены факторы, способствующие развитию сектора ММБ на российском рынке, и требования регуляторов в области оценки рисков кредитования микро- и малых предприятий. Отдельно приводится обзор существующих методов моделирования вероятности дефолта ММБ, и составлен список переменных, необходимых для анализа устойчивости их финансового состояния.
Предприятия ММБ как отдельный субъект кредитования
Организации ММБ, занимающие большую долю рынка в большинстве секторов в странах с развитой экономикой, имеют ряд черт, отличающих их от бо-
2 Малый и средний бизнес в 2012 году: международный опыт регулирования и финансирования. Отчет МСП Банка, апрель 2013 г.
лее крупных компаний, что позволяет более детально исследовать факторы, влияющие на их финансовое состояние, и в-частности на вероятность дефолта.
По сравнению с крупными компаниями предприятия микро- и малого бизнеса:
• имеют более простую структуру, благодаря которой они быстро подстраиваются под потребности рынка;
• имеют меньше имущества, которое может быть передано банку в залог с целью получения дополнительного финансирования;
• имеют менее прозрачную финансовую отчетность, что затрудняет возможность получения кредита, особенно для фирм, недавно вышедших на рынок (возникает проблема асимметрии информации). Денежные потоки ММБ менее предсказуемы и, в отличие от получателей заработной платы или крупных компаний, зачастую проходят через банковские счета лишь в определенных пределах;
• имеют большую вероятность дефолта;
• являются более рискованными, так как обычно зависят от достаточно ограниченного круга клиентов и (или) поставщиков;
• больше зависят от персонального мнения собственника бизнеса, чем от политики менеджеров;
• более подвержены колебаниям курса национальной валюты, поскольку не располагают возможностями хеджировать валютные риски;
• являются важным субъектом кредитования для банков, наращивающих свои конкурентные преимущества на рынке кредитования.
Требования регуляторов к оценке рисков кредитования ММБ
Учитывая особенности функционирования микро- и малых предприятий, Банк России предупреждает банки о высокой рискованности кредитования этого сектора экономики и необходимости снижения, в частности, кредитного риска путем тщательной оценки финансовой деятельности потенциальных заемщиков.
Главным ограничением банковского кредитования ММБ является отсутствие у большинства предприятий достаточного залогового обеспечения. Одним из способов решения этой проблемы является схема, по которой банк предоставляет предпринимателям кредиты под гарантии уполномоченных региональных организаций, получивших субвенции из федерального бюджета на создание механизма поручительства [6].
Важным сдерживающим фактором развития кредитования ММБ в России являются требования Банка России создавать значительные резервы по ссудам микро- и малым предприятиям, которые могут достигать 100% от кредита. Возможностью снизить затраты на резервирование является создание портфеля однородных ссуд. Размер резерва по таким ссудам определяется внутренними методиками банка, но при этом минимальные границы размера резерва определены положением № 254-П [7].
Политика Банка России, нацеленная на постепенное внедрение в банковскую практику рекомендаций Базельского комитета, в частности в области оценки кредитных рисков, дополнительно стимулирует банки разрабатывать новые методики оценки кредитоспособности заемщиков.
Согласно рекомендациям комитета, банки имеют право классифицировать фирмы с объемом продаж до 50 млн евро и объемом совокупной задолженности на одну малую организацию менее 1 млн евро либо как корпорации, либо как представителей розницы. Включение кредитов в группу розничных позволяет снизить веса при взвешивании активов по риску и уменьшить объем резервируемого под них капитала при применении базового 1К£-подхода3 на основе внутренних рейтингов [16].
Ужесточение требований регуляторов в области достаточности капитала стимулирует банки разрабатывать собственные модели оценки кредитных рисков. При применении передового подхода банки используют самостоятельно разработанные модели оценки потерь при реализации рискового события. Они выбирают ту модель прогнозирования вероятности дефолта (для корпоративного или розничного сектора), которая больше подходит именно для их
3 IRB-подход (англ. Internal Risk-Based Approach) — подход к
оценке кредитных рисков банков для оценки достаточности регулятивного капитала, основанный на использовании внутренних рейтингов заемщиков, т.е. рейтингов, устанавливаемых самими банками.
портфеля кредитов с целью минимизации требований к капиталу.
Последствия внедрения требований к капиталу Базеля III:
• ограничение рисков, принимаемых на себя банками, снизит доходность их операций;
• в связи с повышением требований к достаточности капитала для расширения объема кредитования банкам необходимо наращивать капитал, что отрицательно скажется на доступности кредитов ММБ;
• при ограничении предложения кредитов банки будут повышать процентные ставки по ним;
• в современных условиях будет применяться принцип рационирования кредитов с повышением требований к кредитоспособности заемщиков. Это может привести к тому, что предприятия ММБ, даже готовые заплатить повышенную цену за кредит, не будут иметь к нему доступа;
• организации, кредиты которым теперь можно оценивать как розничные (т.е. до 1 млн евро), получат преимущества в кредитовании.
Государственная поддержка развития ММБ в России
Высокие риски, связанные с деятельностью предприятий микро- и малого бизнеса, и социальная значимость этого сектора для развития экономики обусловливают необходимость государственной поддержки в этой сфере.
Содействие сектору кредитования ММБ в России реализуется несколькими путями.
1. Минэкономразвития России осуществляет поддержку ММБ преимущественно на безвозмездной основе посредством предоставления субсидий и грантов субъектам РФ на конкурсной основе. Основным направлением поддержки в последние годы стала поддержка инновационных и модернизацион-ных малых и средних компаний. Микрофинансовые организации (МФО) с государственным капиталом в соответствии с приказом Минэкономразвития России предоставляют кредиты ММБ на срок до 12 мес. Но средний размер кредита в портфеле не должен превышать 700 тыс. руб.
2. В 1999 г. был создан Российский банк поддержки малого и среднего предпринимательства (ОАО «МСП Банк»), который является 100%-ной дочерней компанией Внешэкономбанка. Используя ресурсы этого учреждения, предприятия ММБ,
нацеленные на инновационный сектор, имеют возможность получить кредит по процентной ставке, часть которой субсидируется государством.
3. При поддержке стран — участниц «большой семерки» и Швейцарии в рамках программы Европейского банка реконструкции и развития (ЕБРР) по кредитованию микро- и малого бизнеса в России создан Фонд поддержки малого бизнеса, который призван распространять успешные технологии кредитования и управления рисками ММБ и внедрять их в ежедневную работу банка.
Создавая предпосылки для дальнейшего самостоятельного развития кредитования ММБ, ЕБРР передает местным рынкам опыт и технологии, получившие распространение в развитых странах. Банкам были представлены методики оценки кредитоспособности заемщиков ММБ, примеры продуктов. Предпринимателям стали доступны дополнительные консультационные услуги, целью которых является разъяснение требований к деятельности ММБ, предъявляемых банками для получения финансирования.
Кроме использования инфраструктурных мер ЕБРР также финансирует некоторые проекты ММБ через местные банки-партнеры, лизинговые компании и другие кредитные учреждения.
Использование международных технологий кредитования ММБ позволило наращивать портфели кредитов в этом секторе, создавая продукты, наиболее востребованные этими предприятиями, и устанавливая требования к заемщикам, снижающие риски организации.
Методика ЕБРР при оценке кредитоспособности
Методика оценки кредитоспособности заемщиков ММБ, которую стали использовать банки-партнеры ЕБРР, стала базовой для накопления банками статистики по предприятиям малого и среднего бизнеса. А именно анализ статистических данных является основой моделирования финансовой деятельности ММБ в рамках стандартизированного и продвинутого подходов анализа кредитных рисков.
Более половины предприятий ММБ в России недостоверно отражают результаты своей финансовой деятельности в документах официальной отчетности, занижая размер налогооблагаемой базы4.
4 По данным Минэкономразвития России, в случае выхода малого бизнеса из тени его доля в ВВП России составит 40-50% против нынешних 19% [2].
Если при принятии решения о выдаче кредита использовать такую отчетность, оценить реальный размер кредитного риска предприятия нельзя. Это снижает возможности получения финансирования предприятиями ММБ и ограничивает возможности банков в оценке рисков таких заемщиков и моделировании рискованности всего портфеля кредитов ММБ. Поэтому банкам приходится собирать данные из ежемесячной управленческой отчетности предприятий и трансформировать полученную информацию в финансовые отчеты по форме банка: баланс, отчет о прибыли и убытках, отчет о движении денежных средств. По индивидуальным предпринимателям, которые по закону не обязаны формировать бухгалтерскую отчетность и отчитываться по ней в налоговых органах, данные собираются вручную, экспертным путем.
Особое внимание при составлении отчетности уделяется кредиторской и дебиторской задолженностям организации. Дополнительной проверки требует наличие займов у предприятия как на банковском рынке, так и в неформальном секторе, а также у лизинговых компаний. При этом если сомнительную дебиторскую задолженность не следует включать в актив баланса, то любая кредиторская задолженность, даже если формальные сроки ее выплаты больше, чем срок кредита, должна быть учтена в пассиве баланса. Это позволяет определить реальный размер собственного капитала и объективно подойти к принятию решения о сумме кредита5.
В случае наличия у заемщика связанных фирм необходимо проверить наличие просроченной задолженности по налогам (что часто является причиной отказа в проведении ликвидации этих компаний) по всем организациям для снижения риска потери бизнеса заемщиком.
Для оценки жизнеспособности предприятия заемщика анализ всех показателей его деятельности нужно проводить в динамике, и лучше сопоставлять эти данные со среднеотраслевыми показателями. Методика ЕБРР предусматривает целый ряд коэффициентов, позволяющих сравнивать и интерпретировать данные финансовых отчетов (табл. 3).
По итогам проведения количественной и качественной оценки финансового состояния бизнеса потенциального заемщика определяются кредитные характеристики, что изображено на рисунке.
5 Программа кредитования малого и среднего бизнеса ОАО АКБ «Росбанк». М., 2005.
Таблица 3
Коэффициенты финансовой устойчивости ММБ
Коэффициент Формула расчета
Коэффициент общей ликвидности Текущие активы / Текущие задолженности
Коэффициент краткосрочной ликвидности (Ликвидные средства + Дебиторская задолженность) / (Краткосрочные задолженности + Среднесрочные задолженности)
Коэффициент собственного капитала Собственный капитал / Суммарные активы
Оборачиваемость кредиторской задолженности Кредиторская задолженность х 30 / Себестоимость в месяц
Оборачиваемость дебиторской задолженности Дебиторская задолженность х 30 / Среднемесячный доход
Скорость товарооборота ТМЗ х 30 / Себестоимость в месяц
Коэффициент обеспеченности собственными оборотными средствами (Собственный капитал — Постоянные активы) / Текущие активы
Коэффициент покрытия Взнос по кредиту / Чистая прибыль
Таблица 3
Коэффициенты ф инансовой устойчивости ММБ
Коэффициент Формула расчета
Коэффициент общей ликвидности Текущие активы / Текущие задолженности
Коэффициент краткосрочной ликвидности (Ликвидные средства + Дебиторская задолженность) / (Краткосрочные задолженности + Среднесрочные задолженности)
Коэффициент собственного капитала Собственный капитал / Суммарные активы
Оборачиваемость кредиторской задолженности Кредиторская задолженность Ч 30 / Себестоимость в месяц
Оборачиваемость дебиторской задолженности Дебиторская задолженность Ч 30 / Среднемесячный доход
Скорость товарооборота ТМЗ х 30 / Себестоимость в месяц
Коэффициент обеспеченности собственными оборотными средствами (Собственный капитал — Постоянные активы) / Текущие активы
Коэффициент покрытия Взнос по кредиту / Чистая прибыль
Определение существенных параметров кредита
После предоставления кредита заемщику финансовая организация должна проводить постоянный мониторинг состояния клиента с целью уменьшения риска невозврата кредита.
Моделирование вероятности дефолта для ММБ
В зарубежной литературе по моделям оценки дефолта выделяют модели для корпоративного сектора и модели для МСБ. Но в российской практике оценка компаний среднего бизнеса проводится по методикам, разработанным для корпораций, а микро- и малый бизнес выделяют в отдельную группу. Можно предположить, что методы оценки, применимые для МСБ, можно использовать для анализа деятельности микро- и малых предприятий на российском рынке. Поэтому дальнейшее описание зарубежных работ стоит воспринимать именно с такой точки зрения.
Применимость моделей прогнозирования вероятности дефолта для МСБ впервые исследовал Джон Эдмистер в 1972 г. Он изучал динамику финансовых показателей компаний малого и среднего бизнеса в сравнении с аналогами в этой же отрасли и доказал, что значения финансовых показателей на определенную дату не позволяют точно определить вероятность дефолта компании МСБ, для этого необходим динамический анализ.
Однако данные за три года и более доступны были лишь для 10% предприятий, включенных в анализ, поэтому часть гипотез все равно проверялась на финансовых показателях компаний за один период. Применимость модели Эдмистера в современных условиях оспаривается учеными. Например, на рынке Хорватии данная модель только в 49% случаев смогла предсказать возникновение финансовых проблем у предприятий МСБ в 2010 г. [31].
После основополагающей работы 1968 г. Э. Альтман [15] также расширил применение своего индекса кредитоспособности для мелких частных
фирм (1983, 1993). Индекс кредитоспособности Альтмана является линейной комбинацией таких показателей:
• капитал/сумма активов;
• нераспределенная прибыль/сумма активов;
• операционная прибыль/сумма активов;
• балансовая стоимость капитала/задолженность;
• выручка/сумма активов [15, 34].
По значению этого индекса компании могут быть отнесены к финансово надежным, ненадежным, а часть организаций со средними показателями относится к зоне неопределенности. Точность моделей Альтмана достаточно высока, что позволяет заключить, что около 97% фирм на американском рынке, достигших порогового значения индекса Альтмана, сохраняют стабильное финансовое состояние в течение ближайшего года.
Однако для российской экономики, по мнению экспертов, применение модели Альтмана имеет ряд ограничений из-за разной методики отражения инфляционных факторов, различий в информационной и законодательной базах [10, 11].
Анализ показал, что невозможно применять по всему миру модели, разработанные для конкретных территориальных рынков и отраслей. Значимость переменных, объясняющих вероятность дефолта, различается в зависимости от странового и отраслевого факторов, формы собственности, размера компании [4, 9, 31], других аспектов [21, 26, 27, 32, 35, 36]. Поэтому модели оценки вероятности дефолта постоянно модифицируются и адаптируются под конкретные рынки.
Методическая база
В теории различают несколько методов оценки вероятности дефолта МСБ (табл. 4).
Метод дискриминантного анализа практически не применяется в последние годы. Этому есть ряд объяснений. Коэффициенты из модели такого
Таблица 4
Методы оценки вероятности дефолта МСБ
Метод Авторы, использующие этот метод для оценки МСБ
Дискриминантный E. Altman, G. Sabato (2007); L. Lugovskaya (2009) [29]
Модели бинарного выбора (включая ло-гит- и пробит-модели) M. Dietsch, J. Petey (2004) [23]; E. Altman, G. Sabato (2005, 2007); A. Coravos (2010) [22]; E. Altman, G. Sabato, N. Wilson (2010); S. Lin, J. Ansell, G. Andreeva (2012) [28]; A. Paula, M. Gama, H. Susana, A. Geraldes (2012);
Модели редких событий (extreme value models) R. Calabrese, S. Osmetti (2011); R. Calabrese, G. Marra, S. Osmetti (2013)
17 (203) - 2014 Банковский сектор
Окончание табл. 4
Метод Авторы, использующие этот метод для оценки МСБ
Модели нейронных сетей F. Ciampi, N. Gordini (2013) [20]
Модель пропорциональных рисков/интен-сивностей (proportional hazard model) D. Glennon, P. Nigro (2001) [24]; S. Agarwal, S. Chomsisengphet, C. Liu (2006)
Многокритериальный анализ решений S. Angilella, S. Mazz'U (2013) [17]
Интеллектуальный анализ данных (Data mining) O. Koyuncugil (2006, 2009, 2010)
Модели скоринга A. Berger, W. Frame, N. Miller (2005); R. Hasumi, H. Hirata (2010); C. Peder-zoli, G. Thoma, C. Torricelli (2012)
рода не указывают на относительную значимость включенных в рассмотрение переменных. Кроме того, нормальное распределение этих переменных и совпадение групповой дисперсии у фирм-дефолтов и недефолтов не подтверждается на практике.
После работы [33], посвященной анализу вероятности дефолта корпораций с помощью модели логистического типа, большинство авторов стали отдавать предпочтение этому методу оценки, несмотря на неоднозначные результаты предсказаний этих моделей.
Модели бинарного выбора предполагают, что результативная переменная может принимать только узкий круг заранее заданных значений. В нашем случае для г -го предприятия ММБ
подчиняются логистическому закону распределения, и тогда
У =■
[1, если происходит дефолт
0 при отсутствии дефолта
Тогда вероятность дефолта может быть представлена с помощью функции распределения вероятности
РгоЬ( у = 1) = F (Р0 +& х1+^кхг), где F (-да) = 0; F (+») = 1.
В этом случае прогнозные значения у полученные с помощью данной модели, будут лежать в пределах интервала [0; 1], что удобно для интерпретации полученных результатов.
Для отнесения предприятия к дефолтным и
недефолтным вводится ненаблюдаемая переменная
*
у. , тогда
У* = Рс +РА + - + Р* хы +8,,
У =■
1, 1 > У* > с
Prob( y = 1) =
1
1 + е-(Ьо +ЬЛ 1 +-■+bnkXk ) '
[0, 0 < у* < с
где с задается пользователем модели и принадлежит интервалу [0; 1].
Модель бинарного выбора называется логит-моделью, если случайные остатки регрессии ег
где х.. — значение /-го признака для г -го предприятия;
Ь. — коэффициент регрессии для/-го признака.
Преимущества таких эконометрических моделей над моделями дискриминантного анализа в том, что они не предполагают нормального распределения финансовых индикаторов, входящих в модель, и дают ответ в виде оценки вероятности, а не только бинарный ответ (дефолт / не дефолт). В отличие от моделей дискриминантного анализа бинарные модели позволяют учитывать в выборке меньший вес фирм, имеющих финансовые проблемы, по сравнению с нормально функционирующими предприятиями.
Также есть работы, посвященные сравнению моделей дискриминантного анализа и бинарного выбора, не дающие, к сожалению, однозначного ответа о превосходстве того или иного метода. Например, Э. Альтман и Ю. Ягтиани не находят существенного различия между подходами для анализа вероятности дефолта корпораций, Дж. Лен-нокс (1999) и Э. Альтман и Г. Сабато приходят к выводу о превосходстве моделей бинарного выбора, в частности логистической модели (особенно это касается ошибки первого типа) при включении в модель одинаковых переменных.
При построении модели оценки вероятности дефолта также должен быть учтен тот факт, что столкнувшихся с дефолтом фирм меньше, чем продолжающих деятельность. Логистическая регрессия сама по себе этого не предполагает, поэтому необходимо проводить корректировку выборки. Обычно из недефолтных фирм случайным образом отбирают только часть, чтобы доля фирм-дефолтов возросла (например, до среднеотраслевого пока-
зателя по стране). При этом минимальный объем выборки может быть определен, например, по такому правилу: при делении количества дефолтов на количество предикторов должно получиться число больше 20 [25].
Другой способ — использовать модель редких событий для анализа дефолтов МСБ, основываясь на распределении Пуассона с положительной скошенностью. Данная модель позволяет уменьшить ошибки первого и второго рода по сравнению с логит- и пробит- моделями [18, 19].
Существуют также работы, использующие нестатистические методы, например нейросети или рекурсивное разбиение. При сравнении разного типа моделей на реальных данных Ю. Ягтиани с соавторами (2003) и С. Лин (2009) пришли к выводу, что нестатистические методы уступают эконометри-ческим в прогнозной силе, в то время как Ф. Кьямпи и Н. Гордини (2013) доказали обратное.
Отдельного внимания заслуживает работа Э. Альтмана в соавторстве с Г. Сабато, в которой акцент делается именно на предприятия МСБ. Вместо дискриминатного анализа, который использовался в предыдущих работах Альтмана, модель для МСБ основывается на логистической регрессии. И наиболее точные результаты были получены для логарифмированных входных переменных (87%-ная точность по сравнению с 75%-ной для нетран-сформированных переменных) [14].
Построение модели прогнозирования вероятности дефолта ММБ на российском рынке
Для создания названной модели на основе финансовых показателей необходимо собрать данные балансов предприятий, их отчетов о прибыли и убытках и отчетов о движении денежных средств. Как уже было сказано, в условиях отсутствия достоверной финансовой отчетности по ММБ в России банкам приходится использовать данные управленческой отчетности предприятий, собранные вручную.
Финансовые показатели, по которым можно судить о кредитоспособности предприятия, делятся на несколько категорий:
• показатели рентабельности оценивают, насколько доходным является предприятие, и в целом отражают степень эффективности использования этим предприятием ресурсов;
• показатели ликвидности позволяют оценить, насколько обеспечена компания активами, легко и без лишних издержек преобразуемыми в наличные средства для погашения обязательств;
• показатели покрытия отражают долю процентных расходов предприятия в доходах или общих расходах, оценивая, насколько обременительно для компании при текущих финансовых показателях обслуживать долг банку;
• показатели структуры капитала представляют информацию о соотношении собственных и заемных средств;
• показатели эффективности отражают эффективность использования каждой единицы ресурсов предприятия, например в расчете на одного работника. Особое внимание уделяется оборачиваемости и соотношению дебиторской и кредиторской задолженностей.
Полный список финансовых показателей и опыт их применения в работах ведущих экономистов представлены в таблице.
Для расширения модели с учетом специфики деятельности предприятий ММБ наряду с финансовыми показателями во время сбора информации отдельное внимание нужно уделить характеристикам собственника бизнеса, сферы деятельности и кредитной истории заемщика. Среди таких факторов можно выделить:
— характеристики бизнеса:
• размер;
• вид деятельности;
• длительность ведения бизнеса;
• диверсификация бизнеса;
• наличие широкого круга поставщиков;
• наличие широкого круга покупателей;
• является ли собственник единственным менеджером в компании;
— ведение бизнеса:
• качество кредитной истории;
• отсутствие во время детализированного отчета о движении денежных средств;
• наличие аудированной отчетности;
— взаимоотношения с банком:
• является ли банк единственным кредитором компании;
• средняя продолжительность задержек в платежах банку;
• наличие и объем реструктуризации по действующим ссудам;
Прогнозирование вероятности дефолта ММБ на основе показателей их финансовой деятельности
Показатель Описание S. Lin, J. Ansell, G Andreeva (2011) R. Calabrese, G. Marra, S. Osmetti (2013) E. Altman, G. Sabato (2007) E. Altman, G. Sabato (2005) Altman, G. Sabato, N. Wilson (2010) F. Ciampi, N. Gordini (2013) L. Lugovskaya (2009) R. Calabrese, S. Osmetti (2011) A. Paula, M. Gama, H. Susana, A. Geraldes (2012) Ю. Ефимова (2010) [3] F. McCann, T. McIndoe-Calder (2012) [30]
Налично сть/активы Ликвидность + + — — + — +
Оборотный капитал/активы + -
Текущие активы/текущие обязательства + + +
Ликвидные активы/обязательства
Налично сть/обязательства
Кредиторская задолженность/активы +
Долгосрочный долг банку/долг банку
Материальные активы/активы
Коэффициент рентабельности собственного капитала Рентабельность + + +
Нераспределенная прибыль/активы + + +
Прибыль до процентов, налогов и амортизации/активы +
Добавленная стоимость/активы + + —
Валовая прибыль/выручка +
Чистый финансовый результат/объем продаж (выручка) +
Долг банку/(активы — долг банку) Структура капитала +
Долг/капитал
Обязательства/активы +
Долг банку/активы +
Краткосрочные обязательства/балансовая стоимость капитала +
Обязательства/(обязательства + капитал) +
Средне- и долгосрочные обязательства/ активы +
Выручка/активы Эффективность + + + +
Кредиторская задолженность/дебиторская задолженность + +
Прибыль до налогов/число работников Эффективность работников +
Расходы на персонал/прибыль от основной деятельности
Долгосрочные активы/число работников - +
Добавленная стоимость/число работников + +
Прибыль до процентов, налогов и амортизации/процентные расходы Покрытие + +
Процентные выплаты/объем продаж (выручка) +
Процентные платежи/долги банку
Сумма активов Размер + +
Денежный поток +
Логарифм годовой выручки - — +
• величина «чистых» оборотов заемщика в кредитующем банке.
Согласно исследованиям [12, 13], включение в модель оценки вероятности дефолта ММБ нефинансовых переменных существенно повышает ее точность. Но большинство работ, признавая важность этих переменных, из-за отсутствия статистической информации их не учитывают. Относительно широкое распространение получило использование в моделях переменных размера и длительности ведения бизнеса как наиболее доступных данных для оценки.
В российских условиях, когда данные о финансовой деятельности предприятий ММБ собираются вручную сотрудниками банка и не обладают 100%-ной точностью, принятие в рассмотрение именно нефинансовых показателей помогает построить более точную модель прогнозирования дефолта.
Приблизительный анализ показывает, что наиболее важными характеристиками предприятия для банка являются стаж собственника бизнеса, наличие кредитной истории у заемщика, структура его капитала и доля в нем задолженности банку, а также величина доли оборотов заемщика в банке к выручке. Подтверждение данной гипотезы возможно при анализе количественных и качественных характеристик основной группы предприятий ММБ — клиентов банка с учетом отраслевой структуры портфеля ссуд.
Заключение
Наметившийся в последние годы рост банковского кредитования малого и среднего бизнеса в России делает актуальным вопрос о готовности банков корректно оценить риски этого сегмента рынка, т.е. внедрить методики оценки кредитоспособности заемщиков, оптимизирующие принимаемые банком риски, но в то же время делающие кредитные ресурсы доступными благонадежным клиентам.
Процесс кредитования предприятий микро-, малого и среднего бизнеса, обладая рядом характерных черт, отличающих его от предоставления средств крупным компаниям, заслуживает отдельного изучения [33].
Среди существующих методов оценки вероятности дефолта ММБ наибольшее распространение получили бинарные модели, основанные на логистической регрессии. В качестве входных данных в эти модели включают показатели ликвидности, рентабельности, эффективности, покрытия и структуры капитала и нефинансовые переменные раз-
мера, отраслевой принадлежности и длительности ведения бизнеса предприятия.
Применение моделей, разработанных для других стран, отличных по методам учета, законодательству и развитости сектора ММБ, на российском рынке нецелесообразно. Отсутствие надежной официальной финансовой отчетности по ММБ затрудняет проведение анализа и повышает роль нефинансовых характеристик предприятий при разработке моделей дефолта этих компаний.
Для корпоративных заемщиков рейтинговые модели оценки вероятности дефолта используются достаточно давно, в то время как микро- и малый бизнес в основном оцениваются с помощью розничного или экспертного подхода к оценке ожидаемых и неожиданных потерь.
Как показывают исследования, оба эти подхода уступают в точности моделям, разработанным специально для оценки микро- и малого бизнеса. Поэтому построение российскими банками собственных моделей оценки вероятности дефолта для этого сегмента рынка позволило бы более точно подойти к оценке кредитного риска этого класса заемщиков, что повлияет на ценообразование и уровень резервов на покрытие убытков.
Список литературы
1. Белкина Е. Малый и средний бизнес Промсвязьбанка пойдут разными дорогами // РБК daily. 2013. Июль. URL:http://rbcdaily.ru/finance/ 562949988279983.
2. Глава Минфина оценил теневой сектор экономики РФ в 15-20% от ВВП. URL: http://top.rbc. ru/economics/20/06/2013/862716.shtml.
3. ЕфимоваЮ.В. Оценка вероятности дефолта заемщиков малого бизнеса российскими банками с учетом международных требований // Финансы и бизнес. 2010.№ 2.
4. Карминский А.М. Модели рейтингов промышленных компаний // Управление финансовыми рисками. 2009. № 3. С. 228-242.
5. Карминский А.М., Костров А.В., Мурзен-ков Т.Н. Моделирование вероятности дефолта российских банков с использованием эконометри-ческих методов. М.: НИУ «ВШЭ», 2012.
6. Коссова Т.В., КоссоваЕ.В. Оценка кредитного риска компаний российского корпоративного сектора на основе прогнозирования вероятности дефолта по обязательствам // Проблемы анализа риска. 2011. Т. 8. № 2. С. 68-78.
7. О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной задолженности и приравненной к ней задолженности: положение Банка России от 26.03.2004 № 254-П.
8. О развитии малого и среднего предпринимательства в Российской Федерации: Федеральный закон от 24 июля 2007 № 209-ФЗ.
9. Патласов О.Ю. Применение моделей и критериев Альтмана в анализе финансового состояния сельхозпредприятий // Финансовый менеджмент. 2006. № 6.
10. ПорошинаА.М. Развитие моделей кредитного риска на рынке ипотечного кредитования // Управление экономическими системами. 2012. № 12.
11. Тотьмянина К.М. Обзор моделей вероятности дефолта // Управление финансовыми рисками. 2011. № 1. С. 12-24.
12. Agarwal S., Chomsisengphet S., Liu C. Determinants of small business default. Working Paper, University of Nevada, Reno, 2004.
13. Altman E.I, Sabato G., Wilson N. The value of non-financial information in small and medium-sized enterprise risk management // Journal of credit risk, 2010, no. 6, pp. 95-127.
14. Altman E.I., Sabato G. Modelling credit risk for SMEs: evidence from the U.S. market // Abacus, 2007, no.43, pp. 332-357.
15. Altman Edward I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // Journal of finance, September 1968, pp. 589-609.
16. Angelkort A. Stuwe A. Basel III and SME financing. Edited by Sina Dwrenfeldt, Philipp Fink, Friedrich-Ebert-Stiftung, 2011.
17. Angilella S., Mazz U.S. The financing of innovative SMEs: a multicriteria credit rating model. URL: http://arxiv.org/pdf/1308.0889.
18. Calabrese R., Marra G., Osmetti S.A. Bankruptcy prediction of small and medium enterprises using a flexible binary generalized extreme value model // Journal of applied statistics, 2013, vol. 40.
19. Calabrese R., Osmetti S.A. Modelling small and medium enterprise loan defaults as rare events: the generalized extreme value regression model // Journal of applied statistics, 2013, vol. 40, no. 6, pp. 1172-1188.
20. Ciampi F., Gordini N. Small enterprise default prediction modeling through artificial neural networks: an empirical analysis of Italian small enterprises // Journal of small business management, 2013.
21. Cody R., Smith J. Applied statistics and the SAS programming language. Pretence Hall, 1991. 445 p.
22. Coravos A.R. Measuring the likelihood of small business loan default: community development financial institutions (CDFIs) and the use of credit-scoring to minimize default risk. Duke University, Durham, North Carolina, 2010.
23. Dietsch M., Petey J. Should SME exposures be treated as retail or corporate exposures? A comparative analysis of default probabilities and asset correlations in French and German SMEs // Journal of banking and finance, 2004, 28, pp. 773-788.
24. Glennon D., NigroP. Measuring the default risk of small business loans: a survival analysis approach // Journal of money, credit, and banking, 2005, vol. 37, no. 5, pp. 923-947.
25. HarrellFrank. Regression modeling strategies. New York, Springer, 2001. 600 p.
26. Hausman J.A. and McFadden D.A. Specification test for the multinomial logit model // Econometrica,1984, vol. 52, pp. 1219-1240.
27. Hosmer D. andLemeshow S. Applied logistic regression. John Wiley and sons, New York, 2000. 528 p.
28. Lin S.-M., Ansell J., Andreeva G. Predicting default of a small business using different definitions of financial distress // Journal of operational research society, 2011, no. 4, p. 539-548.
29. Lugovskaya L. Predicting default of Russian SMEs on the basis of financial and non-financial variables // Journal of financial services marketing, 2009, vol. 14, pp. 301-313.
30. McCann F., McIndoe-Calder T. Determinants of SME loan default: the importance of borrower-level heterogeneity // Research technical papers from Central bank of Ireland, 2012.
31. Milos S., Klepac D.M., Suman P. The applicability of the Edmister model for the assessment of credit risk in Croatian SMEs // UTMS journal of economics, 2013, vol. 4, pp. 163-174.
32. Moro FinkM. Loan managers' trust and credit access for SMEs // Journal of banking & finance, 2013, vol. 37, pp. 927-936.
33. Ohlson J. Financial ratios and the probabilistic prediction of bankruptcy // Journal of accounting research, 1980, pp. 109-131.
34. Pederzoli C., Thoma G., Torricelli C. Modelling credit risk for innovative SMEs: the role of innovation measures // Journal of financial services research, 2013, vol. 44.
35. Sanobar anjum. Business bankruptcy prediction 36. Vieira A., Ribeiro B., Chen N. Credit scoring for
models: a significant study ofthe Altman's Z-score model SME using a Manifold supervised learning algorithm.
// Asian journal of management research, 2012, vol. 3. IDEAL, 2012, pp. 763-770.
Bank sector
DEFAULT PROBABILITY MODELING FOR MICRO AND SMALL ENTERPRISES
Elena V. KAIASHEVA
Abstract
The article considers the factors that have the greatest impact on the financial condition of enterprises and their creditworthiness of the companies of micro and small businesses. It becomes a currently important problem because of positive dynamics in bank lending of Russian's micro and small businesses and tendency of banks to detach this block separately. The author makes a survey of main researches, concerning the modeling of default's probability in the sphere of small and medium enterprises, compares these models with similar models in a corporate sector and highlighted peculiarities. Also the author describes generic procedure regarding perfection of model of forecasting of default's probability in the area of micro and small businesses.
Keywords: credit risk, probability, forecast, default, micro and small enterprises
References
1. Belkina E. Malyi i srednii biznes Promsviaz 'banka poidut raznymi dorogami [Small and medium business of Promsvyazbank go to different ways]. Available at: http://rbcdaily.ru/finance/562949988279983. (In Russ.)
2. Glava Minfina otsenil tenevoi sektor ekonomiki RFv 15-20% ot VVP [The head of Ministry of Finance evaluated the shadow economy of Russian economy as 15-20% of GDP]. Available at: http://top.rbc.ru/eco-nomics/20/06/2013/862716.shtml. (In Russ.)
3. Efimova Iu.V. Otsenka veroiatnosti defolta zaemshchikov malogo biznesa rossiiskimi bankami s uchetom mezhdunarodnykh trebovanii [Probability of default evaluation of small business borrowers by Russian banks according to international requirements]. Fi-nansy i biznes — Finance and business, 2010, no. 2.
4. Karminskii A.M. Modeli reitingov promyshlen-nykh kompanii [Rating models of enterprises]. Upravle-
nie fmansovymi riskami — Financial risk management, 2009,no. 3, pp. 228-242.
5. Karminskii A.M., Kostrov A.V., Murzenkov T.N. Modelirovanie veroiatnosti defolta rossiiskikh bankov s ispol 'zovaniem ekonometricheskikh me-todov [Probability of default modeling of Russian banks based on econometric methods]. Moscow, NIU "VSHE" Publ., 2012.
6. Kossova T.V., Kossova E.V. Otsenka kredit-nogo riska kompanii rossiiskogo korporativnogo sektora na osnove prognozirovaniia veroiatnosti defolta po obiazatel'stvam [Credit risk evaluation of Russian corporations based on forecasting the probability of default of liabilities]. Problemy analiza riska — Problems of risk evaluation, 2011, vol. 8, no. 2, pp. 68-78.
7. Bank of Russia Proposal "Order of creation of reserves on probable losses on credits and equated to them receivables by credit organizations" of March 26, 2004 № 254-P. (In Russ.)
8. RF Federal Law "Small and medium entrepre-neurship development in the Russian Federation" of July 24, 2007 № 209-FZ. (In Russ.)
9. Patlasov O.Iu. Primenenie modelei i kri-teriev Al'tmana v analize finansovogo sostoianiia sel'khozpredpriiatii [Using Altman's models and criteria for evaluation of financial stability of companies in agriculture]. Finansovyi menedzhment — Financial management, 2006, no. 6.
10. Poroshina A.M. Razvitie modelei kreditnogo riska na rynke ipotechnogo kreditovaniia [Credit risk models development in the mortgage market]. Uprav-lenie ekonomicheskimi sistemami — Economic system management, 2012. no. 12.
11. Tot'mianina K.M. Obzor modelei veroiatnosti defolta [Review of probability of default models]. Up-ravlenie finansovymi riskami — Financial risks management, 2011, no. 1, pp. 12-24.
12. Agarwal S., Chomsisengphet S., Liu C. Determinants of small business default. Reno, University of Nevada, Working Paper, 2004.
13. Altman E.I, Sabato G., Wilson N. The value of non-financial information in small and medium-sized enterprise risk management. Journal of Credit Risk, 2010, no. 6, pp. 95-127.
14. Altman E.I., Sabato G. Modelling credit risk for SMEs: evidence from the U.S. market. Abacus, 2007, no.43,pp.332-357.
15. Altman Edward I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance, September 1968, pp. 589-609.
16. Angelkort A. Stuwe A. Basel III and SME financing. Edited by Sina Dürrenfeldt, Philipp Fink, Friedrich-Ebert-Stiftung, 2011.
17. Angilella S., Mazz U.S. The financing of innovative SMEs: a multicriteria credit rating model. Available at: http://arxiv.org/pdf/1308.0889.
18. Calabrese R., Marra G., Osmetti S.A. Bankruptcy prediction of small and medium enterprises using a flexible binary generalized extreme value model. Journal of Applied Statistics, 2013, vol. 40.
19. Calabrese R., Osmetti S.A. Modelling small and medium enterprise loan defaults as rare events: the generalized extreme value regression model. Journal of Applied Statistics, 2013, vol. 40, no. 6, pp. 1172-1188.
20. Ciampi F., Gordini N. Small enterprise default prediction modeling through artificial neural networks: an empirical analysis of Italian small enterprises. Journal of Small Business Management, 2013.
21. Cody R., Smith J. Applied statistics and the SAS programming language. Pretence Hall, 1991, 445 p.
22. Coravos A.R. Measuring the likelihood of small business loan default: community development financial institutions (CDFIs) and the use of credit-scoring to minimize default risk. Duke University, Durham, North Carolina, 2010.
23. Dietsch M., Petey J. Should SME exposures be treated as retail or corporate exposures? A comparative analysis of default probabilities and asset correlations in French and German SMEs. Journal of Banking and Finance, 2004, 28, pp. 773-788.
24. Glennon D., Nigro P. Measuring the default risk of small business loans: a survival analysis approach. Journal of money, credit, and banking, 2005, vol. 37, no.5, pp.923-947.
25. Harrell Frank. Regression modeling strategies. New York, Springer, 2001, 600 p.
26. Hausman J.A. and McFadden D.A. Specification test for the multinomial logit model. Econometrica, 1984, vol. 52, pp. 1219-1240.
27. Hosmer D. and Lemeshow S. Applied logistic regression. John Wiley and sons, New York, 2000. 528 p.
28. Lin S.-M., Ansell J., Andreeva G. Predicting default of a small business using different definitions of financial distress. Journal of operational research society, 2011, no. 4, pp. 539-548.
29. Lugovskaya L. Predicting default of Russian SMEs on the basis of financial and non-financial variables. Journal of financial services marketing, 2009, vol. 14, pp. 301-313.
30. McCann F., McIndoe-Calder T. Determinants of SME loan default: the importance of borrower-level heterogeneity. Research technical papers from Central Bank of Ireland, 2012.
31. Milos S., Klepac D.M., Suman P. The applicability of the Edmister model for the assessment of credit risk in Croatian SMEs. UTMS journal of economics, 2013, vol. 4, pp. 163-174.
32. Moro Fink M. Loan managers' trust and credit access for SMEs. Journal of banking & finance, 2013, vol. 37, pp. 927-936.
33. Ohlson J. Financial ratios and the probabilistic prediction of bankruptcy. Journal of accounting research, 1980, pp. 109-131.
34. Pederzoli C., Thoma G., Torricelli C. Modelling credit risk for innovative SMEs: the role of innovation measures. Journal of financial services research, 2013, vol. 44.
35. Sanobar anjum. Business bankruptcy prediction models: a significant study of the Altman's Z-score model. Asian journal of management research, 2012, vol. 3.
36. Vieira A., Ribeiro B., Chen N. Credit scoring for SME using a Manifold supervised learning algorithm. IDEAL, 2012, pp. 763-770.
Elena V. KAIASHEVA
National Research University "Higher School of Economics", Moscow, Russian Federation [email protected]
