CC BY
15А. В. Бычкова1, Е. М. Бронштейн1
ПРИМЕНЕНИЕ МОДИФИЦИРОВАННОГО ИЕРАРХИЧЕСКОГО ДИСКРИМИНАНТНОГО АНАЛИЗА К ОЦЕНКЕ КРЕДИТОСПОСОБНОСТИ ПРЕДПРИЯТИЙ-ЗАЕМЩИКОВ НА БАЗЕ БУХГАЛТЕРСКОЙ ОТЧЕТНОСТИ3
Финансовые кризисы последних двух десятилетий обусловили повышенный интерес к управлению кредитным риском [14]. Кризисы происходили по разным причинам, но, по мнению Базельского комитета по банковскому надзору [13], крупнейшим источником серьезных проблем банковского кредитного риска является риск дефолта контрагентов банка [8]. В связи с этим возникла необходимость анализа и прогнозирования оценки кредитоспособности организаций. Управление кредитным риском включает четыре этапа: определение, измерение, управление и контроль [14]. Самым сложным для исследования является измерение кредитного риска. Существует множество моделей оценки кредитоспособности предприятий [16, 18, 11, 13, 15]. Проанализировав различные методы оценки возможности банкротства с точки зрения их эффективности [1], мы выделили преимущества и недостатки каждого метода на выборке из 111 предприятий Республики Башкортостан: у 53 из них обслуживание долга по ссуде расценивается как неудовлетворительное, у 59 - как удовлетворительное. Обслуживание долга по ссуде признается неудовлетворительным при наличии просроченных платежей по основному долгу и (или) процентам свыше 30 календарных дней, в противном случае обслуживание долга считается удовлетворительным. В выборке нет фирм-банкротов. Анализируемый временной период по каждому предприятию составляет 11 месяцев, предшествующих кредитному событию - наличию просроченной задолженности свыше 30 календарных дней. Состояние компаний оценивается по бухгалтерской отчетности (ф.1 и 1).
1. Анализ методов оценки кредитного риска
Сегодня нет стандартных методологий оценки кредитоспособности предприятий, применяемых финансовыми институтами. Так, для оценки кредитного риска банки используют метод экспертных оценок, кредитный скоринг и рейтинговые оценки. Помимо оценки кредитоспособности предприятия банку для объективности выводов о судьбе заемщика целесообразно использовать результаты применения различных методик оценки вероятности дефолта предприятия-заемщика.
1.1. Метод экспертных оценок. Этот метод основан на предварительном анализе всех кредитных рисков предприятия, по итогам которого эксперты выносят суждение о вероятности невозвращения кредита в срок. В общем виде метод экспертного анализа можно представить как систему получения и обработки экспертных оценок,
1 Анна Владимировна Бычкова, аспирант Уфимского государственного авиационного технического университета.
1 Ефим Михайлович Бронштейн, профессор кафедры вычислительной математики и кибернетики Уфимского государственного авиационного технического университета, д-р физ.-мат. наук.
3 Работа выполнена при поддержке РФФИ (проект 13-01-00005).
где главную роль играют профессиональный опыт, интуиция и интеллект экспертов, а также методика организации опроса. Согласно методу экспертных оценок, при оценке кредитного риска должны быть приняты во внимание специфические факторы, относящиеся к контрагенту и внешней среде [24]. Специфические факторы предприятия, которые рассматриваются при субъективном методе, включают в себя все, что может угрожать компании, в том числе внешние факторы - события за пределами личного контроля заемщика, например промышленный и страновый риск4. Страновый риск возникает из-за возможных последствий для предприятия изменений в той или иной стране. Промышленный риск связан с вероятностью спада в промышленности, в результате чего многие компании в секторе могут оказаться несостоятельными. После изучения всех характеристик предприятия аналитики оценивают кредитный риск. Преимуществом субъективного метода является простота. Эксперты используют различные источники информации (в том числе бухгалтерский баланс, отчет о прибылях и убытках, справочники и интернет), надежность которых не всегда высока. Серьезным недостатком рассматриваемого метода является субъективность интерпретации полученной информации аналитиком. Данные психологии и теории принятия решений свидетельствуют, что мы способны обрабатывать лишь ограниченную информацию; люди избирательно запоминают только некоторые сообщения, ориентируясь на то, что их интересует; видят только то, чего они ожидают и хотят видеть, и не всегда то, что есть на самом деле [12]. Аналитики вряд ли являются исключением из этого правила. В процессе анализа они самостоятельно выбирают и выделяют информацию, которую будут учитывать при принятии решения. Опираясь на свои суждения, аналитики могут принять необъективное решение, в итоге оценка кредитоспособности предприятия может оказаться неверной.
1.2. Кредитный скоринг. Адекватной мерой, снижающей кредитный риск банка и позволяющей оптимально решать задачу, служит кредитный скоринг (в пер. с англ. scoring - набирание очков) - статистическая модель, которая позволяет предсказать будущее поведение на основе оценки деятельности в прошлом. Таким образом, банк определяет, насколько велика вероятность того, что потенциальный заемщик вернет кредит в установленный срок [6, с. 109].
Кредитные организации применяют скоринговый метод при оценке кредитоспособности юридических и физических лиц - заемщиков. Изначально под кредитным скорингом понималась методика оценки финансового состояния заемщика - физического лица - в целях определения целесообразности предоставления ему некрупного, относительно краткосрочного кредита без целевого назначения [6]. Специфика подобных кредитов подразумевает принятие решения об их предоставлении в достаточно короткие сроки на основании оценки ключевых характеристик заемщика.
Первый шаг в модели кредитного скоринга - выявление характеристик переменных, информация по которым выбирается из форм заявок, финансовых отчетов и других источников, предоставляемых заемщиком в кредитную организацию. Второй шаг - вычисление с помощью статистических методов интегрального показателя (score), по величине которого контрагента относят к определенному классу и делают вывод о его надежности. Наиболее популярные методы, используемые в кредитном скоринге, - дискриминантный
4 Страновый риск - риск, связанный с политико-экономической стабильностью страны, резидентом которой является заемщик, и одинаковый для всех компаний данной страны (например, инфляционный риск, риск возникновения социальной нестабильности); характеризуется рейтингом, присваиваемым рейтинговыми агентствами.
анализ (линейная регрессия, логистическая регрессия), линейное программирование, дерево классификации, нейронные сети, генетический алгоритм, метод ближайших соседей [24].
Самыми распространенными моделями дискриминантного анализа являются модели Альтмана, Олсона, Чессера, Таффлера, Лиса, Спрингейта, Фулмера [20, 25]. Отечественные дискриминантные методы прогнозирования банкротств представлены моделями Р. С. Сайфуллина, Г. Г. Кадыкова и Иркутской государственной экономической академии [20]. В основе этих моделей лежат различные показатели, входящие в основном в пять групп: прибыльности, ликвидности, оборачиваемости, финансового рычага, обслуживания долга.
Рассмотрим приведенные модели более подробно.
Э. Альтман одним из первых в 1968 г. построил модель для определения вероятности банкротства предприятия, которая остается наиболее известной из подобных моделей. В частности, он использовал множественный дискриминантный анализ и сформировал линейную модель на основе пяти показателей, позволяющую в первом приближении разделить заемщиков на нормально функционирующих и потенциальных банкротов [25]. В своей работе Альтман рассмотрел два класса компаний (предприятия, объявленные банкротами, и функционирующие организации из тех же отраслей) по 33 компании в каждом за период 1946-1965 гг. В 1983 г. Альтман построил пятифакторную модель для компаний, чьи акции не котировались на бирже [23]:
7 = 0,717Х1+0,847Х2+3,107Х3+0,42Х4+0,995Х5, (1)
Оборотный капитал Нераспределенная прибыль
где Хг = —-; А2 = ——-;
Общая сумма активов Общая сумма активов
_ Прибыль до уплаты процентов и налогов _ Собственный капитал
= ^ ; =
Общая сумма активов ' 4 Объем заемных средств '
Выручка
= -
Общая сумма активов
При значении 7<1,23 предприятие признается банкротом; при 7=1,23...2,90 ситуация неопределенная; при 7 >2,90 компания стабильна и финансово устойчива.
Точность прогноза данной модели на рассматриваемой выборке составила 54 %: 30 % компаний не были идентифицированы, 16% организаций были классифицированы с ошибкой [2]. Модель Альтмана предназначена для прогнозирования банкротств, для определения некредитоспособности нужна более чувствительная модель, позволяющая выявить невозможность нести кредитное бремя на начальных этапах, а не на самой последней стадии, как в случае с банкротством.
Еще одним примером применения метода множественного дискриминантного анализа является модель британских ученых Р. Таффлер и Г. Тишоу. Они разработали в 1977 г. регрессионную модель с четырьмя финансовыми показателями. Исследование основано на показателях 92 предприятий, у половины из которых хорошее финансовое положение, остальные потерпели крах в период 1969-1975 гг. [26].
г = о,5зх1 + о,1зх2 + о,18Х3 + 0,16x4, (2)
„ _ Прибыль от реализации „ __Оборотные активы
где Лх — ----; Л2 — '
Краткосрочные обязательства 2 Краткосрочные обязательства+Долгосрочные обязательства'
„ _ Краткосрочные обязательства „ __Выручка
—-^-; —
ПйТТТ1П гтплл чт^тттлл ^
Общая сумма активов ' Общая сумма активов
При X >0,3 предприятие имеет небольшой риск банкротства в течение года, а при г<0,2 - высокий риск банкротства [22]. Модель Таффлера - Тишоу позволила верно определить финансовое состояние 54 % предприятий из нашей выборки (как и модель Альтмана); одно предприятие попало в зону неопределенности; у остальных 45 % фирм, неверно спрогнозированных по модели Таффлера и Тишоу, финансовое состояние было расценено как удовлетворительное, что противоречило действительности [2].
Большой известностью пользуется модель надзора за ссудами по Чессеру, позволяющая не только оценить вероятность риска банкротства, но и прогнозировать невыполнение заемщиком обязательств кредитного соглашения, подразумевающее любые отклонения, делающие ссуду менее выгодной для банка. Логистическая модель диагностики риска банкротства Д. Чессера основана на данных банков по 74 предприятиям; финансовое состояние 37 компаний расценено как удовлетворительное, 37 - как неудовлетворительное [18]:
7 — 1 (3)
/ — 1 + е-? '
где X - вероятность невыполнения контрагентом кредитных обязательств; е - основание натуральных логарифмов.
У = -2,0434 - 5,24X1 + 0,0053Х2 + 6,6507Х3 + 4,4009Х4 - 0,0791Х5 - 0,102Х6 , (4)
Наличность+Ликвидные ЦБ Нетто—Продажи Брутто—Доходы
где Л1 —-; л2 —-; л3 —-;
Совокупные активы Наличность+Ликвидные ЦБ Совокупные активы
_ Совокупная задолженность _ Основной капитал _ Оборотный капитал
А4 —- ; Ас —- ; Аб —-■
Совокупные активы Чистые активы Выручка
Модель Чессера характеризуется следующими критериями: X > 0,5 - заемщик не выполнит свои обязательства; X < 0,5 - заемщик выполнит свои обязательства. Чем ближе значение данного показателя к нулю, тем выше устойчивость финансового состояния предприятия и ниже вероятность невыполнения им кредитного договора. Модель Чессера верно оценила финансовое состояние 70% предприятий тестовой выборки, показав высокую точность в предсказании финансового состояния производственных предприятий (80%).
Российские ученые Р. С. Сайфуллин и Г. Г. Кадыков предприняли попытку адаптировать модель Э. Альтмана к российским условиям [16], предложив использовать для оценки финансового состояния предприятий рейтинговое число:
I = 2X1 + 0,1Х2 + 0,08Х3 + 0,45Х4 + Х5 , (5)
... Собственные оборотные средства
где = — р р
X, =
Оборотные активы
Оборотные активы —Долгосрочная дебиторская задолженность Оборотные активы
__Выручка _ Прибыль от продаж _ Прибыль до налогообложения
Аз = -; Ал = - ; Ас = -.
Общая сумма активов Выручка Собственный капитал
При полном соответствии значений финансовых коэффициентов минимальным нормативным уровням рейтинговое число будет равно 1. Финансовое состояние предприятий с рейтинговым числом меньше 1 характеризуется как неудовлетворительное, с числом больше 1 - как удовлетворительное. Эта модель позволила правильно спрогнозировать 75% тестовой выборки.
Для применения описанных моделей, особенно зарубежных, требуется их адаптация к российской действительности: к специфике ведения бизнеса и экономическим условиям в целом. В первую очередь необходимо принимать во внимание отраслевые особенности компаний, которые учитывает модель оценки неплатежеспособности предприятий, разработанная Рахимкуловой и Бронштейном на базе фирм-банкротов [14].
1.3. Рейтинговая оценка. Эта оценка заключается в присвоении предприятию-заемщику определенной категории финансового состояния в процессе анализа количественных и качественных характеристик. Методики формирования рейтингов кредитоспособности компаний и их назначение различны. Одни финансовые институты используют качественные и количественные показатели финансовой стабильности, другие - только официальную финансовую отчетность предприятий (как правило, бухгалтерский баланс и отчет о прибылях и убытках).
Общая методика рейтинговой оценки следующая. Качественным показателям присваивают баллы в соответствии с алгоритмом, принятым внутри кредитной организации. Финансовым показателям также присваивают баллы, которые зависят в том числе и от отраслевой принадлежности заемщика. Далее для компании вычисляют суммы промежуточных баллов качественных и финансовых показателей, и на основе этих оценок с учетом их удельного веса рассчитывают итоговый рейтинговый балл в соответствии с внутренней методикой коммерческого банка. По результатам расчета определяют категорию финансового состояния заемщика на основании итоговой рейтинговой оценки. Контрагенту присваивают категорию финансового состояния в зависимости от того, в какой диапазон попала набранная им сумма баллов итогового рейтинга, что соответствует определенной вероятности дефолта контрагента. Чаще всего для каждой группы кредитного риска устанавливают свой размер процентной ставки и свои условия обеспечения по кредиту.
Модели рейтинговой оценки в коммерческих банках различны, как и методики их формирования. Так, по мнению М. И. Баканова, М. В. Мельника, А. Д. Шеремета [1, с. 179-180], основными этапами методики рейтинговой оценки финансового состояния предприятия являются:
• сбор и аналитическая обработка исходной информации за оцениваемый период;
• обоснование системы показателей, используемых для рейтинговой оценки финан-
сового состояния, рентабельности и деловой активности предприятия, их классификация и расчет итогового показателя рейтинговой оценки;
• классификация (ранжирование) предприятий.
Для второго этапа в работе [17, с. 180] приводится таблица - примерный набор исходных показателей для расчета рейтинговой оценки. Показатели объединены в четыре группы. В основе расчета итогового показателя лежит сравнение предприятий по каждому показателю финансового состояния с условным эталонным предприятием, имеющим наилучшие результаты по всем сравниваемым показателям. Таким образом, базой отсчета для получения рейтинговой оценки состояния дел предприятия служат не субъективные предположения экспертов, а сложившиеся в реальной рыночной среде наиболее высокие результаты по всей совокупности сравниваемых объектов. Эталоном является конкурент, у которого все показатели наилучшие.
В общем виде алгоритм рейтинговой оценки финансового состояния предприятия [21, с. 184] состоит из следующих этапов:
1. Исходные данные представляют в виде матрицы (а..), где по строкам записаны номера показателей (.= 1,2,3, ...п), а по столбцам - номера предприятий (.=1,2,3,...да);
2. По каждому показателю находят максимальное значение и заносят в столбец эталонного предприятия (да+1).
3. Исходные показатели матрицы стандартизируют по отношению к соответствующему показателю эталонного предприятия:
х.. — а'У , (6)
у шах;(ау) '
где х.. - нормированные показатели состояния .-го предприятия.
4. Значение рейтинговой оценки каждого анализируемого предприятия определяют по формуле
Щ — ^(1 — Х1У)2 + (1 — Х2у)2 + ^ + (1 — Хпу )2 , (7)
где Я. - рейтинговая оценка .-го предприятия; х , х ..., х. - стандартизованные показатели .-го анализируемого предприятия.
5. Предприятия упорядочивают (ранжируют) в порядке убывания рейтинговой оценки. Наивысший рейтинг имеет предприятие с минимальным значением Я.
Естественно, что у каждой кредитной организации эталонные предприятия и части этапов формирования методики рейтинговой оценки различны - от исходных данных до набора финансовых показателей оценки кредитоспособности. Автоматизированные базы данных финансовых показателей для рейтинговой оценки, сформированные на базе статистики за ряд лет по разным компаниям, на основе которых выбирается эталонное предприятие, у каждого банка также индивидуальны. Это обусловливает разную эффективность рейтинговых оценок, используемых финансовыми институтами, что может приводить к формированию неадекватных экономических оценок и принятию необоснованных решений.
С учетом изложенного требуется формирование нового подхода к выбору финансовых показателей для оценки кредитоспособности предприятия и алгоритма их отбора с целью применения при разработке внутренних методик в деятельности коммерческих банков.
2. Иерархический дискриминантный анализ
2.1. Иерархический дискриминантный анализ. Объекты, характеризуемые некоторым набором показателей, разбиты на два подмножества - кредитоспособные и некредитоспособные предприятия. По каждому показателю определяют границы значений для обоих классов. Подробности методики описаны в статье [2].
Для анализа финансового состояния предприятия использовались стандартизированные показатели, характеризующие отдельные аспекты деятельности организации и результаты ее работы за истекший год: К1 - коэффициент финансовой независимости; К2 - коэффициент автономии собственных средств; КЗ - коэффициент покрытия; К4 - коэффициент покрытия текущих обязательств оборотными активами; К5 - степень платежеспособности относительно выручки; К6 - степень платежеспособности по текущим обязательствам относительно выручки; К7 - коэффициент оборачиваемости оборотных средств; К8 - рентабельность продаж; К9 - рентабельность активов; К10 - эффективность внеоборотного капитала; К11 - рентабельность собственного капитала; К12 - оборачиваемость дебиторской задолженности; К13 - коэффициент оборачиваемости кредиторской задолженности; К14 - коэффициент изменения стоимости чистых активов; К15 - коэффициент соотношения заемных и собственных средств; К16 - обеспеченность материальных запасов собственными оборотными средствами; К17 - коэффициент общей платежеспособности; К18 - коэффициент текущей платежеспособности; К19 - коэффициент обеспеченности собственными оборотными средствами; К20 - коэффициент оборачиваемости собственного капитала.
Есть выборка из 112 компаний, которые классифицировались по отраслям и доле размера кредита в собственном капитале предприятия. Рассматривались предприятия следующих отраслей: производство, торговля, сфера услуг, транспорт и связь. Оценка доли кредита определялась соотношением
^ = - (8)
га"
где AC (Amount of Credit) - размер выданного кредита; VE (Value of Equity) - собственный капитал предприятия.
По этому показателю выделялись следующие классы предприятий: small -Kac<0,5; middle - KACe [0,5;1]; large - KAC>1.
Методика иерархического дискриминантного анализа применялась к предприятиям из анализируемой выборки. Предполагалось, что множество значений показателя, соответствующих успешным предприятиям, расположено правее аналогичного множества для предприятий с признаками некредитоспособности (см. рисунок). Для этого в некоторых случаях знак показателя изменялся на противоположный. Результаты применения иерархического дискриминантного анализа и исследования финансового состояния предприятий в зависимости от отраслевой специфики и в группах, сформированных в зависимости от доли займа в собственном капитале компаний, опубликованы в работе [2]. Каждой группе предприятий сопоставлены наиболее характерные показатели финансового состояния с границами интервала неопределенности. По итогам применения методики точность верификации данных в группах, сформированных по доле займа в собственном капитале предприятия, составила 89 %, по отраслям - 87 %. Совместное применение двух методик на группах предприятий по отраслям и по относительной характеристике сузило зону неопределенности и увеличило точность разделения до 96 %.
С
В
Кредитоспособные п/п А
Kn
Некредитоспособные п/п
Множества предприятий с различным финансовым положением: А - предприятия, финансовое состояние которых спрогнозировано как хорошее; В - не идентифицированные предприятия;
С - предприятия, финансовое состояние которых расценено как плохое
Эффективность предложенной методики была проверена на контрольной выборке из 50 фирм, различных по отрасли и масштабу. В ходе применения методики иерархического дискриминанта по отраслям шесть предприятий не были распознаны. К ним применялась дополнительно методика по доле займа в собственном капитале, что позволило идентифицировать две компании. Точность прогноза при использовании новой методики в комплексном подходе составила 92 %, что превышает прогностическую способность известных методик [2].
2.2. Модификация методики иерархического дискриминанта. Для повышения эффективности разработанной методики в качестве характеристики объектов были рассмотрены попарные линейные комбинации финансовых показателей следующего вида:
ар > 0 ,
iip I | iig | ~~ 1 , i
(шаг изменения коэффициентов h = 0,1),
(9)
(10) (11) (12)
e
где K,K - финансовые показатели, характерные для каждой отдельной отрасли и/или
1 j
группы, полученные в результате исследования, проведенного в работе [5]: торговля K,K.:={K3, K9, K13, K17, K19}; производство K,K.:={-K5}; сфера услуг K,Kj:={K2, -K5}; транспорт и связь K,,K:={K1, K3, -K14}; предприятия группы small K,,K:={-K5, K7, K2, -K16}; middle K,K.:={K/7, -K6}; large K,K.:={K17, K9, K3, K12, K14}.
Отбор линейных комбинаций финансовых показателей формировался в соответствии с авторской методикой иерархического дискриминанта, коэффициенты ap и aq изменялись с шагом h. Линейная комбинация считалась наиболее характерной для отрасли или группы, сформированной по относительному показателю, если результат
суммы финансовых показателей с соответствующими параметрами при ранжировании по возрастанию давал минимальную мощность множества, в которое входили бы как кредитоспособные, так и некредитоспособные предприятия (при этом определялись границы значений для обоих классов).
Опишем алгоритм применения модификации методики к оценке кредитоспособности компаний на примере предприятий отрасли торговли: К,К:={К3, К9, К13, К17, К19} - отобранные ранее финансовые показатели оценки кредитоспособности торговой отрасли с помощью иерархического дискриминантного анализа.
Согласно (11), комбинации аргументов принимают следующие значения: {а =0; а=1}; Ц=0,1; а?=±0,9}; {а,=0,2; а?=±0,8}; {а,=0,3; а?=±0,7}; {а,=0,4; а?=±0,6}; {а^=0,5; а?=±0,5}; {а,=0,6; а?=±0,4}; {а,=0,7; а?=±0,3}; {а,=0,8; а?=±0,2}; {а^0,9; а =±0,1}; {а =1; а =0}, всего 20 пар комбинаций. Количество сочетаний из т по п равно С™ =-1— = 10. Число попарных линейных комбинаций составит в итоге 200 вы-
т п !(т— п)!
ражений - произведение числа сочетаний на число комбинаций аргументов.
1-я итерация. Линейная комбинация показателей 0,2К9 +0,8К17 наилучшим образом описала предприятия торговли с минимальной мощностью третьего множества - 18 не идентифицированных предприятий. Точность верификации5 - 70 %.
2-я итерация. Линейная комбинация показателей 0,2К17+0,8К9 установила финансовое состояние четырех из 18 не идентифицированных фирм. Финансовое положение 14 организаций не определено. Точность верификации - 77 %.
3-я итерация. Линейная комбинация показателей 0,2К3 +0,8К19 определила финансовое состояние еще трех не идентифицированных компаний. Финансовое положение 11 организаций не установлено. Точность верификации - 82 %.
4-я итерация. Линейная комбинация показателей 0,1К13+0,9К3 установила финансовое состояние еще одного предприятия из числа не идентифицированных. Финансовое положение 10 предприятий не установлено. Точность верификации - 83 %.
5-я итерация. Линейная комбинация показателей 0,1К17+0,9К9 определила финансовое состояние еще одной не идентифицированной компании. Финансовое положение 9 организаций не определено. Точность верификации - 85 %.
6-я итерация. Линейная комбинация показателей 0,2К9+0,8К3 установила финансовое состояние еще одной не идентифицированной компании. Финансовое положение 8 организаций не определено. Точность верификации данных - 87 %. По остальным отраслям - аналогично, в соответствии с результатами, приведенными в табл. 1.
По итогам иерархического дискриминантного анализа, примененного на выборке предприятий различных отраслей с линейными комбинациями, не были идентифицированы 9 компаний из 112 в сравнении с 14 предприятиями по результатам этой же методики, где в качестве характеристик выступали показатели финансовой деятельности. Таким образом, точность верификации данных составила 92 % против 87 %.
Изложенная методика была применена также к группам предприятий, сформированным в зависимости от доли займа в собственном капитале, как указано в п. 2.1. По результатам иерархического дискриминантного анализа финансовое положение 9 предприятий не идентифицировано, точность верификации - 92 % (табл. 2).
5 Точность верификации - проверка на соответствие результатов опытным данным.
Таблица 1
Результаты применения методики к предприятиям различных отраслей
Отрасль Линейная комбинация показателей d e Точность верификации, %
0,2К9 +0,8К17 0,87 1,20 70
0,8К9+0,2К17 0,24 0,4 77
Торговля 0,2К3 +0,8К19 0,15 0,45 82 87
0,9К3+0,1К13 1,35 4,17 83
0,9^+0,1^17 0,14 0,27 85
0,8К3+0,2К9 0,82 1,90 87
Производство -5,3 -3,3 100 100 92
0,1 0,15 86
Сфера услуг -11,87 -1,18 91
0,9К2-0,1К5 -0,95 -0,06 95 95
0,9К1+0,1К14 0,16 0,27 75
Транспорт и связь 0,4К3-0,6К14 -0,08 0,51 88 100
0,8К1-0,2К3 -0,01 0,14 94
0,8К +0,2К,„ 3 14 0,49 1,15 100
Таблица 2
Результаты применения методики к классам, определяемым долей займа в собственном капитале предприятия
Наименование группы Показатель d e Точность верификации, %
Small 0,9K2+0,1K7 0,56 0,6 100
0,1^6-0,9^17 -1,31 -0,99 78 84
Middle -K6 -0,15 -0,008 82
0,9K6-0,1K17 -0,13 -0,097 84 92
0,9K+0,1KM 0,05 0,2 66
Large 0,2Kf0,8K17 -1,16 -0,84 88 85
0,1K3-0,9K12 -288 0,15 93
0,9K+0,1K1? 0,14 0,27 95
Прокомментируем результаты исследования. Для каждой отрасли существует своя комбинация показателей, описывающая большинство предприятий и являющаяся для нее характерной.
Для предприятий торговли характерными показателями выступают К - отношение оборотных и внеоборотных активов к обязательствам и К9 - рентабельность активов. Показатель общей платежеспособности помогает выявить предприятия, находящиеся в зоне риска для кредитора, которые имеют небольшие или нулевые внеоборотные активы. Это связано с разнообразием предприятий розничной торговли, использующих внемагазинные виды торгового обслуживания: торговля по каталогам, интернет-магазины, торговля на рынках и др. Коэффициент рентабельности активов показывает, сколько прибыли приходится на каждый рубль, вложенный в активы организации. С помощью данного показателя можно выявить предприятия с затовариванием - излишком запасов на складе, что говорит об отсутствии спроса на данную продукцию.
Разделяющим показателем предприятий производства является К5 - степень платежеспособности относительно выручки, характеризующая общую ситуацию с платежеспособностью организации и объемы ее заемных средств перед кредиторами. С учетом капиталоемкости отраслей производства, масштаба деятельности и спроса на отечественные товары для российских производственных предприятий характерны наличие задолженности по кредитам, займам, налогам и внутренний долг. Рассматриваемый коэффициент К5 помогает определить финансовое состояние предприятий.
Для сферы услуг наиболее значим коэффициент автономии собственных средств К2, который показывает долю собственных средств в общей стоимости активов. Предприятия, работающие на рынке услуг, имеют небольшой объем заемного капитала, поскольку им не требуются периодические капитальные вложения на пополнение оборотных средств; невысокое значение коэффициента К2 говорит о зависимости от внешних кредиторов, финансовой неустойчивости и нестабильности компании.
Для предприятий транспорта и связи характерны показатели К1 - коэффициент финансовой независимости и К - коэффициент изменения стоимости чистых активов. Отрасль имеет большой объем заимствований, обусловленный ее фондоемкостью, что отличает ее от остальных отраслей экономики. Поэтому верхняя граница интервала неопределенности данного показателя для предприятий транспорта и связи почти в два раза меньше нормативного значения, что подтверждает существенность коэффициента финансовой независимости для данной отрасли. Коэффициент изменения чистых активов показывает, насколько стоимость имущества, сформированная за счет собственных средств предприятия, изменилась за прошедший год и какова степень защищенности интересов кредиторов.
2.3. Проверка значимости модификации методики. Осуществлена проверка эффективности модификации методики иерархического дискриминантного анализа, в которой в качестве характеристик объектов выступают попарные линейные выражения показателей финансовой устойчивости предприятий, на контрольной выборке из 50 фирм различных по отрасли и масштабу, не входивших в обучающую выборку. В ходе проверки четыре предприятия не были распознаны, и к ним применялась дополнительно методика по доле займа в собственном капитале предприятия, которая позволила идентифицировать две организации. При валидации «оШ;-о^атр1е» мы получили точность прогноза 96 % в сравнении с 92 %, когда в качестве характеристик выступали финансовые показатели без линейных комбинаций. Использование парных линейных комбинаций финансовых показателей позволило увеличить точность методики, что дает возможность применить данный метод для разработки внутренних методик оценки финансового состояния заемщика в деятельности коммерческих банков (в том числе при подсчете баллов в рейтинговой оценке).
Заключение
Разработана модифицированная методика иерархического дискриминантного анализа оценки кредитоспособности предприятий - методика отбора наименьшего числа существенных относительных показателей, позволяющих оценить финансовое положение фирм путем построения иерархии по данным кредитной истории организаций-заемщиков Республики Башкортостан с использованием линейных комбинаций отобранных финансовых показателей. Данная методика, во-первых, более чувствительна к изменениям финансового состояния организации, чем большинство известных моделей, поскольку разработана на данных кредитных историй предприятий, в выборке которых нет обанкротившихся фирм; во-вторых, были проанализированы финансовые показатели каждого контрагента на основе данных отчетности за год до наступления кредитного события; в-третьих, разработана новая методика выделения наименьшего числа существенных относительных показателей, оценивающих финансовое положение фирм, путем построения иерархии; в-четвертых, новая методика учитывает влияние суммы выданного кредита на финансовое положение экономического субъекта в будущем.
На основе предложенного методического подхода каждый банк может произвести отбор характеристик устойчивости финансового субъекта и разработать свою внутреннюю методику для оценки кредитоспособности потенциальных заемщиков или применить уже полученные линейные комбинации для включения в расчет баллов рейтинговой оценки, что позволит снизить уровень проблемных активов и повысить обоснованность принятия решений.
Список литературы
1. Баканов, М. И. Теория экономического анализа: учебник / М. И. Баканов, М. В. Мельник, А. Д. Шеремет; под ред. М. И. Баканова - 5-е изд., перераб. и доп. - М.: Финансы и статистика, 2007. - 536 с.
2. Бычкова, А. В. Оценка кредитоспособности отечественных предприятий на основе иерархического дискриминантного анализа / А. В. Бычкова, Е. М. Бронштейн // Управление риском. - 2013. - № 2(66). - С. 18-29.
3. Деревягин, С. В. Оценка платежеспособности компании: российский и зарубежный опыт / С. В. Деревягин // Справочник экономиста. - 2011. - №8. - С. 4-18.
4. Джурабаева, Г. К. Методика построения рейтинговых скоринг-моделей оценки кредитоспособности предприятий-заемщиков / Г. К. Джурабаева, Е. И. Музыко // Сборник научных трудов НГТУ. - 2008. - №1(51). - С. 119-124.
5. Кабушкин, С. Н. Управление банковским кредитным риском: учеб. пособие / С. Н. Ка-бушкин. - М.: Новое знание, 2004. - 235 с.
6. Ковалев, П. Методы банковского риск-менеджмента на этапе идентификации и оценки последствий от наступления рисков / П. Ковалев // Управление рисками. - 2006. - №3 (31).
7. Кошенков, Д. Ю. Методы прогнозирования финансового состояния предприятий АПК для целей оценки кредитоспособности при привлечении внешних источников финансирования / Д. Ю. Кошенков // Вестник АПК Верхневолжья. - 2010. - Июнь. - №2(10).
8. Матовников, М. Ю. Новации в регулировании: зло или благо? / М. Ю. Матовников // Деньги и кредит. - 2012. - №5. - С. 30-34.
9. Мельников, Г. И. Финансовое моделирование как способ оценки финансового состояния компании / Г. И. Мельников // Известия ИГЭА. - 2013. - №1(87). - С. 32-35.
10. Об утверждении методики проведения Федеральной налоговой службой учета и анализа финансового состояния платежеспособности стратегических предприятий и организаций: приказ Минэкономразвития РФ от 21.04.2006 г. № 104 (ред. Приказ Минэкономразвития от 13.12.2011 г. № 730) / Доступ из справочно-правовой системы «КонсультантПлюс».
11. О порядке и критериях оценки финансового положения юридических лиц - учредителей (участников) кредитной организации и юридических лиц, совершающих сделки, направленные на приобретение акций (долей) кредитной организации и (или) на установление контроля в отношении акционеров (участников) кредитной организации: Положение Банка России от 18 февраля 2014 г. № 415-П (с изменениями и дополнениями) / Доступ из справочно-правовой системы «КонсультантПлюс».
12. Плаус, С. Психология оценки и принятия решений / С. Плаус; пер. с англ. - М.: Ин-форм.-издат. дом «Филинъ», 1998. - 368 с.
13. Положение о методике определения величины собственных средств (капитала) кредитных организаций («Базель III»): Положение Банка России от 28.12.2012 № 395-П (ред. от 25.10.2013) / Доступ из справочно-правовой системы «КонсультантПлюс».
14. Рахимкулова, Г. З. Аналитические модели оценки неплатежеспособности предприятия / Г. З. Рахимкулова, Е. М. Бронштейн // Аудит и финансовый анализ. - 2007. - №3. -С.196-198.
15. Рогатенюк, Э. В. Сущность рейтинговой оценки кредитоспособности заемщика / Э. В. Рогатенюк // Экономика и управление. - 2011. - № 6. - С. 34-39.
16. Сайфуллин, Р. С. Рейтинговая экспресс-оценка финансового состояния предприятия / Р. С. Сайфуллин, Г. Г. Кадыков // Финансовые и бухгалтерские консультации. - 1996. - № 4. -С. 24-29.
17. Синки мл., Дж. Ф. Управление финансами в коммерческих банках / Дж. Ф. Син-ки мл.; пер. с англ. - М.: ИНФРА-М, 1996. - 820 с.
18. Тотьмянина, К. М. Обзор моделей вероятности дефолта / К. М. Тотьмянина // Управление финансовыми рисками. - 2011. - № 01(25). - С. 12-24.
19. Турбанов, А. В. Финансовое оздоровление банковской системы Российской Федерации: первые итоги и перспективы / А. В. Турбанов // Деньги и кредит. - 2009. - №12. - С. 3-6.
20. Уродовских, В. Н. Об адекватности моделей оценки риска банкротства отечественных предприятий / В. Н. Уродовских, А. А. Бахаева // Социально-экономические явления
и процессы. - 2010. - № 6 (022). - С. 178-182.
21. Шеремет, А. Д. Методика финансового анализа / А. Д. Шеремет, Р. С. Сайфуллин, Е. В. Негашев. - 3-е изд., перераб. и доп. - М.: Инфра-М, 2000. - 208 с.
22. Kiyak, D. Assessment of the practical application of corporate bankruptcy predictionmod-els / D. Kiyak, D. Labanauskaité // Economics and management. - 2012. - Vol. 17 (3). - Р. 895-905.
23. Eidleman, G. J. Z-Scores - A Guide to Failure Prediction / G. J. Eidleman // The CPA Journal Online. 1995-02-01. URL: http://www.nysscpa.org/cpajournal/ old/16641866.htm (дата обращения: 04.03.2015).
24. Kalapodas, E. Credit risk assessment: a challenge for financial institutions / E. Kalapodas, M. E. Thomson // IMA Journal of Management Mathematics. - 2006. - Vol. 17. - Р. 25-46.
25. Duan, J.-Ch. Statistical Credit Rating Methods / J.-Ch. Duan, K. Shrestha // Global Credit Review. - 2011. - Vol. 1. - Р. 43-64.
26. Taffler, R. J. Going, Going, Gone - Four Factors Which Predict / R. J. Taffler, H. Tisshaw // Accountancy. - 1977. - Vol. 88. - P. 50-54.
