CC BY
135
12(12) - 2008
Антикризисное управление
применение существующих дискриминантных моделей прогнозирования банкротства в организациях сельского хозяйства
Своевременный достоверный прогноз несостоятельности или ее отсутствия сегодня является предметом интереса огромного круга пользователей сельскохозяйственной бухгалтерской (финансовой) отчетности. При этом в большинстве случаев к методам финансового анализа пользователем предъявляется ряд существенных требований, связанных с необходимостью своевременного принятия управленческого решения:
— время, затраченное на проведение анализа в соответствии с выбранной методикой, должно быть минимальным;
— результаты проведенного анализа по возможности не должны допускать их различной интерпретации;
— результаты анализа должны быть ясны без дополнительных знаний пользователя в области экономики сельского хозяйства и методологии формирования экономических показателей. Исходя из подобных критериев, неудивительно,
что наибольшее распространение в среде пользователей отчетности получили модели, разработанные на основании множественного дискриминантного анализа, которые позволяют в кратчайший срок не только охарактеризовать текущее финансовое состояние, но и определить предпосылки его изменения на перспективу. Сегодня большинство распространенных в России моделей являются зарубежными, и результаты их применения в области оценки и прогнозирования банкротства сельскохозяйственных организаций в ряде случаев противоречивы.
Такое противоречие объясняется тем, что особенностью многомерного дискриминантного
С.А. КУЧЕРЕНКО
Кафедра аудита Кубанского государственного
аграрного университета
анализа является статистический подход к исследуемой проблеме, основанный на подробном изучении тесноты связи существующего множества переменных с множеством исследуемых групп в определенных экономических условиях. Результатом создания модели является подбор совокупности переменных и их весовых значений, обладающих способностью выявлять принадлежность организации к одной из исследуемых групп. При этом отдельное внимание уделяется внутригрупповым статистикам значимости каждой предлагаемой переменной. Применение дискриминантной модели в условиях, отличных от условий создания, требует ее тестирования. Так, для выявления прогнозной способности уже существующей дискриминант-ной модели в новых условиях необходимо иметь в наличии достаточное количество статистических наблюдений. Качественной характеристикой модели будет являться степень совпадения значений, выявленных в ходе наблюдения, со значениями, предсказанными моделью. При этом с целью выявления общей достоверности модели существенной необходимостью является оценка степени точности классификации внутри каждой из исследуемых групп.
Следует отметить, что в нашем случае при наличии двух групп исследования вероятность случайного попадания рассматриваемого значения в одну из групп равна 50 %. Это означает, что модель, прогнозный уровень которой приближается к этому значению, характеризуется отсутствием способности к классификации в условиях существующей выборки.
Тестирование существующих мультипликативных моделей по выборке сельскохозяйственных организаций при последующем сравнительном анализе результатов позволяет качественно определить степень достоверности каждой из них. На основании проведенного сравнения становится возможным рекомендовать к использованию модель, наиболее соответствующую российским особенностям экономики сельского хозяйства.
Для сравнительного анализа нами были выбраны наиболее часто используемые отечественными экономистами шесть моделей:
— модель Савицкой;
— модель Теффлера;
— модель Лиса;
— двухфакторная модель Альтмана;
— пятифакторная модель Альтмана 1968 г.;
— усовершенствованная пятифакторная модель Альтмана 1983 г. для производственных организаций.
Одновременно с вышеназванными моделями проводился анализ модели прогнозирования банкротства, разработанной на базе сельскохозяйственных организаций Краснодарского края.
В качестве аналитической среды для сравнительного анализа использовалась выборка, состоящая из 56 сельскохозяйственных организаций, 28 из которых являются финансово устойчивыми, в то время как в оставшихся 28 хозяйствах в течение ближайшего года была инициирована процедура банкротства. Специализацией организаций является выращивание озимой пшеницы, производство молока и мяса крупного рогатого скота и свиней.
При применении рассматриваемых нами моделей существует возможность двух видов ошибок прогноза:
— при прогнозировании сохранения платежеспособности организации в действительности происходит банкротство;
— прогнозируется банкротство, а предприятие сохраняет платежеспособность.
Таким образом, отсутствие первого вида ошибок характеризует точность прогноза сохранения платежеспособности организаций, отсутствие второго вида ошибок — точность прогноза наличия процедуры банкротства, уровень правильно классифицированных организаций в сумме всех организаций выборки — общую прогнозную точность модели.
Нами проводилась оценка вероятности возникновения каждой из обозначенных ошибок прогноза. Изучение совокупной степени частных ошибок позволило говорить об уровне безоши-
бочности прогноза дискриминантных моделей в целом (табл. 1).
Модель Савицкой разработана на базе 200 сельскохозяйственных предприятий Республики Беларусь в 1995—1998 гг. и имеет вид: Z = 0,111*1 + 13,239х2 + 1,676х + 0,515х4 + 3,80х5, где х1 — коэффициент, определяющий долю собственного оборотного капитала в формировании оборотных активов;
х2 — величина оборотного капитала, приходящаяся на 1 руб. основного;
х3 — коэффициент оборачиваемости совокупного капитала;
Таблица 1
Тестирование предсказательной способности дискриминантных моделей
Фактическое состояние Прогноз Точность
организаций по модели прогно-
банкрот небанкрот за, %
Модель Савицкой
Банкрот 6 22 21,4
Небанкрот 2 26 92,9
Общая точность прогноза Х Х 57,1
модели
Модель Теффлера
Банкрот 14 14 50,0
Небанкрот 6 22 78,6
Общая точность прогноза Х Х 64,3
модели
Модель Лиса
Банкрот 21 7 75,0
Небанкрот 7 21 75,0
Общая точность прогноза Х Х 75,0
модели
Двухфакторная модель Альтмана
Банкрот 0 28 0,0
Небанкрот 0 28 100,0
Общая точность прогноза Х Х 50,0
модели
Пятифакторная модель Альтмана 1968 г.
Банкрот 27 1 96,4
Небанкрот 11 17 60,7
Общая точность прогноза Х Х 78,6
модели
Пятифакторная модель Альтмана 1983 г.
Банкрот 28 0 100,0
Небанкрот 14 14 50,0
Общая точность прогноза Х Х 75,0
модели
Модель диагностики банкротства сельскохозяйственных
организаций
Банкрот 25 3 89,3
Небанкрот 2 26 92,9
Общая точность прогноза Х Х 91,1
модели
12(12) - 2008
Антикризисное управление
х4 — рентабельность активов предприятия, %; х5 — коэффициент финансовой независимости (доля собственного капитала в общей валюте баланса).
Константа сравнения равна 8. Если величина 2 больше 8, то риск банкротства малый или отсутствует. При значении 2 < 8 — риск банкротства присутствует: от 8 до 5 — небольшой, от 5 до 3 — средний, ниже 3 — большой, ниже 1 — полная несостоятельность.
Тестирование модели Савицкой на исследуемой выборке показало очень низкую предсказательную способность. В качестве разделительного значения групп нами использовалось заявленное автором значение, равное 3. При этом общая прогнозная вероятность модели по результатам исследования составила 57,1 %. Такой результат обусловлен крайне низкой способностью (21,4 %) модели распознавать организации-банкроты в течение года, предшествующего процедуре. Оценка корректности критериев градации модели показала, что предложенный автором промежуток значений (от 1 до 8) вместил только 17,2 % организаций исследуемой выборки, при этом процент организаций, оказавшихся выше порога несостоятельности, составил 77,6 %. Это говорит о некорректности использования предлагаемых критериев, что в свою очередь предполагает невозможность использования модели Савицкой при оценке и прогнозе финансового состояния сельскохозяйственных товаропроизводителей Краснодарского края. Действующие критерии модели явно занижены, согласно им в большинстве случаев фактически обанкротившаяся организация может быть признана финансово устойчивой и платежеспособной.
Модель Теффлера имеет следующий вид: 2 = 0,53х1 + 0,13х2 + 0,18х3 + 0,16х4,
где
Прибыль от реализации Краткосрочные обязательства Оборотные активы 2 Сумма обязательств' Краткосрочные обязательства Сумма активов Выручка
Сумма активов
Согласно модели, если величина 2 больше 0,3, это говорит о том, что у организации неплохие долгосрочные перспективы, если меньше 0,2, то банкротство более чем вероятно.
Проведенное исследование позволило оценить
слабый предсказательный уровень данной модели. Об этом свидетельствует фактическое отсутствие классифицирующей способности модели относительно организаций-банкротов. В то же время модель способна распознавать организации с хорошим финансовым состоянием в 78,6 % случаев. Общая прогнозная вероятность модели составила 64,3 %, что позволяет говорить о сомнительности применения данной модели при оценке прогноза несостоятельности.
Формула Лиса имеет следующий вид:
2 = 0,063х1 + 0,092х2 + 0,057х3 + 0,001х4, Оборотный капитал
где х -;
Сумма активов
Прибыль от реализации
х2 = Т, ;
Сумма активов
Нераспределенная прибыль
хз = Т, ;
Сумма активов
Собственный капитал х4 =-.
Заемный капитал
Предельное значение показателя, согласно автору, равняется 0,037. Если 2 > 0,037 — вероятность банкротства низкая, если меньше — высокая.
Согласно полученным в ходе исследования данным общий предуктивный уровень модели Лиса составил 75 %. Это — средний показатель. При изучении результатов необходимо отметить их однородность. В ходе тестирования было выявлено, что вероятность правильного прогноза банкротства и положительной оценки финансового состояния одинакова и составляет 75 %. Это свидетельствует о наличии классифицирующей способности функции. Безусловно, выявленный уровень достоверности модели является низким для проведения достаточного анализа. Тем не менее статика показателей говорит о возможности применения модели при прогнозе финансового состояния сельскохозяйственных товаропроизводителей при условии, что совместно будут использованы другие методы анализа, подтверждающие степень финансового состояния.
Двухфакторная модель Альтмана имеет вид: 2= - 0,3877 - 1,0736х1 + 0,0579х2, где х1 — коэффициент текущей ликвидности;
х2 - коэффициент финансовой зависимости.
Критериальным показателем является значение 2 = 0. При уменьшении значения 2вероятность банкротства возрастает, при положительном значении критерия - уменьшается.
Проведенная оценка предсказательной способности двухфакторной модели Альтмана по-
казала отсутствие дискриминантных признаков. Об этом свидетельствует показатель прогнозной мощности модели, равный 50 %. Такой процент совпадения соответствует случайному попаданию исследуемого значения в одну из двух обозначенных групп. Использование данной модели при анализе и прогнозе финансового состояния сельскохозяйственных организаций невозможно, так как при проведении исследования критериальное значение показателя 2 в 100 % случаев сигнализирует об отсутствии несостоятельности.
Пятифакторная модель Альтмана 1968 г. имеет
вид:
где
2 = 1,2х1 + 1,4х2 + 3,3х3 + 0,6х4 + 1,0х5, Собственный оборотный капитал 1 Сумма активов
Нераспределенная прибыль за вычетом дивидендов
х2 — ;
Сумма активов Прибыль до уплаты процентов
хз --;
Сумма активов Рыночная стоимость собственного капитала
4 ^ э
Сумма заемного капитала
Выручка х5 — .
Сумма активов
При 2< 1,81 вероятность банкротства очень высокая, если 1,81<2<2,765, вероятность банкротства средняя, значение Ъ в интервале 2,765 < Ъ < 2,99 говорит о низкой вероятности банкротства, при 2 > 2,99 — вероятность банкротства ничтожна.
Необходимо отметить, что при расчете переменных пятифакторных моделей Альтмана в связи с отсутствием отдельной экономической информации нами использовались значения показателей сельскохозяйственной отчетности, наиболее приближенные по экономической сущности к требуемым критериям:
— при расчете переменной х2 в качестве числителя дроби было использовано значение показателя отчета о прибылях и убытках по строке 190 «Чистая прибыль (убыток) отчетного периода»;
— при расчете переменной х3 в качестве числителя дроби было использовано значение показателя отчета о прибылях и убытках по строке 050 «Прибыль (убыток) от продаж»;
— при расчете переменной х4 в качестве числителя дроби было использовано значение показателя
бухгалтерского баланса по строке 490 «Итог по разделу III «Капитал и резервы». Проведенное исследование позволило оценить предсказательную способность модели на уровне «выше среднего». Об этом свидетельствует выявленная в ходе тестирования способность функции в 96,4 % случаев правильно предопределить наличие процедуры банкротства и в 60,7 % случаев достоверно предсказать отсутствие такой процедуры. Таким образом, при переносе модели в российские условия ее общая предуктивная способность снижается на 6,4 процентных пункта против 85 %, заявленных автором, и составляет 78,6 %. Такой уровень значения говорит о наличии классифицирующей способности модели. Тем не менее, подобное значение также свидетельствует и о недостаточности модели в целях оценки и прогнозирования несостоятельности сельскохозяйственных организаций без совместного применения других методов финансового анализа.
В 1983 г. Э. Альтман уточнил коэффициенты корреляции на базе выборки производственных организаций Соединенных Штатов Америки, в результате чего модель приобрела следующий вид: 2 = 0,717*1 + 0,847х2 + 3,107х3 + 0,42х4 +0,995х5 Критерием банкротства в этой модели считается значение 2< 1,23, промежуток 1,23 < Ъ < 2,9 является зоной неопределенности и при 2> 2,9 вероятность банкротства ничтожна. Прогнозная мощность модели, согласно автору, составила 88 %.
Исследование выявило завышенный уровень критериев модели. В условиях прогнозирования банкротства сельскохозяйственных организаций в 75 % случаев модель признает исследуемую организацию банкротом. При этом анализ результатов тестирования выявил отсутствие устойчивой разделительной способности функции. Об этом свидетельствует уровень показателя несовпадения прогнозных и фактических данных по организациям с хорошей перспективой финансового состояния. Проведенное исследование позволяет предположить, что приобретение узкой специализации модели относительно экономики производственных организаций США снизило ее способность к прогнозированию в других экономических системах. Необходимо отметить, что при общей прогнозной мощности функции, составившей 75 %, ее использование для оценки и прогнозирования финансового состояния сельскохозяйственных товаропроизводителей крайне сомнительно.
Разработанная модель диагностики и прогнозирования несостоятельности сельскохозяйствен-
12(12) - 2008
Антикризисное управление
ных товаропроизводителей на базе организаций Краснодарского края имеет следующий вид:
2 = — 0,748х1 + 15,288х2 + 15,435х3 — 17,667х4 + 9,378х5 — 0,375х6,
где х3 — коэффициент абсолютной ликвидности;
х16 — коэффициент рентабельности оборотных активов;
х17 — коэффициент рентабельности продаж; х18 — коэффициент рентабельности производства;
х24 — коэффициент деловой активности оборотных активов;
х26 — коэффициент фондоотдачи. Разделительным критерием является значение 2-счета, равное 11,6. Если 2>11,6, вероятность банкротства низкая, если меньше 10,3 — высокая.
Анализ модели показал ее высокую дискри-минантную способность, т. е. способность классифицировать объекты по группам в соответствии с предъявленными к ним критериями. Функция одинаково хорошо распознает как организации-банкроты (89,3 %), так и организации с хорошей перспективой финансового состояния (92,9 %). Это говорит об оптимальности подобранных критериев оценки. Общая предуктивная способность функции составляет 91,1 %, что явилось результатом разработки модели на базе сельскохозяйственных организаций. Оценка результатов тестирования позволяет рекомендовать данную модель для использования при диагностике и прогнозировании несостоятельности сельскохозяйственных организаций без совместного использования других методов финансового анализа.
Обобщение результатов тестирования изученных моделей представлено в табл. 2.
Таким образом, проведенное нами исследование с высокой степенью достоверности позволяет говорить о полной непригодности использования в целях анализа и прогнозирования несостоятельности сельскохозяйственных организаций Краснодарского края двухфакторной и пятифактор-ной усовершенствованной для производственных предприятий моделей Альтмана, а также моделей Савицкой и Теффлера. Об этом свидетельствует ряд выявленных обстоятельств: во-первых, отсутствие способности отобранных авторами переменных различать организации по уровню финансового состояния, что подтверждается низкими значениями показателя разделительной способности внутри каждой группы отмеченных моделей; во-вторых, слабый уровень достоверности разделительных критериев моделей, о чем свидетельствует
Таблица 2
Сравнительный анализ дискриминантных моделей прогнозирования банкротства на базе сельскохозяйственных организаций Краснодарского края
Показатель Общая предсказательная способность, % достоверность прогноза
вероятности банкротства, % вероятности отсутствия банкротства, %
Модель Савицкой 57,1 21,4 92,9
Модель Теффлера 64,3 50,0 78,6
Модель Лиса 75,0 75,0 75,0
Двухфакторная модель Альтмана 50,0 0,0 100,0
Пятифакторная модель Альтмана 1968 г. 78,6 96,4 60,7
Пятифакторная модель Альтмана 1983 г. 75,0 100,0 50,0
Модель диагностики банкротства сельскохозяйственных организаций 91,1 89,3 92,9
выявленный в ходе исследования низкий уровень попадания полученных значений исследуемых функций в обозначенный авторами интервал, а также смещение массива исследуемых значений в большую или меньшую сторону от имеющихся критериев. Подтверждением перечисленных доводов является выявленная в ходе исследования явная склонность данных моделей к признанию организации несостоятельной (пятифакторная модель Альтмана 1983 г.) либо к отнесению организации к числу финансово устойчивых (двухфакторная модель Альтмана, модель Савицкой).
Исследование оставшихся моделей выявило наличие разделительной способности модели Лиса и пятифакторной модели Альтмана 1968 г. Тестирование данных моделей по исследуемой выборке показало их средний предсказательный уровень. Наличие дискриминантной способности показателей этих моделей подтверждают данные, полученные в результате тестирования. Тем не менее, найденные значения свидетельствуют о высоком уровне остаточного (неучтенного в модели) уровня дискриминации, что позволяет делать выводы о рекомендательном использовании данных моделей, т. е. обязательной необходимостью при анализе с их использованием является подтверждение полученных результатов посредством применения альтернативных методов анализа финансового состояния.
Высокий предсказательный уровень в ходе исследования был отмечен у модели, разработанной на базе сельскохозяйственных организаций Краснодарского края. Сравнительный анализ показал, что подобранный набор переменных и обозначенные критерии наилучшим образом позволяют предсказывать состояние банкротства сельскохозяйственных товаропроизводителей или его отсутствие. Об этом свидетельствуют высокие внутригрупповые прогнозные значения и значение общего предсказательного уровня, составившего 91,1 %. На основании полученных результатов исследования можно рекомендовать данную модель к использованию в целях анализа и диагностики несостоятельности сельскохозяйственных товаро-
производителей Краснодарского края в качестве метода экспресс-анализа, результаты которого являются в достаточной мере достоверными.
Литература
1. Ефимова М. Р., Петрова Е. В., Румянцев В. Н. Общая теория статистики: Учеб. М.:ИНФРА-М, 1996. 416 с.
2. Каримов Р. Н. Основы дискриминантного анализа. Учебно-метод. пособие: ил. Саратов: СГТУ, 2002. 108 с.
3. Факторный, дискриминантный и кластерный анализ: Пер. с англ. / Дж. -О. Ким, Ч. У. Мьюлер, У. Р. Клекка и др. М.: Финансы и статистика, 1989. 215 с.
4. Халафян А. А. Статистический анализ данных. STATISTICA 6.0. 2-е изд., испр. и доп.: Учеб. пособие. Краснодар: КубГУ, 2005. 307 с.
К сведению авторов и читателей
Федеральное агентство по науке и инновациям Министерства образования и науки РФ и Научная электронная библиотека eLIBRARY.RU приступили к реализации проекта «Разработка системы статистического анализа российской науки на основе данных российского индекса научного цитирования (РИНЦ)» по Федеральной целевой научно-технической программе.
В Российский индекс научного цитирования включены все издания, выпускаемые нашим издательским домом: «Финансы и кредит», «Дайджест-Финансы», «Экономический анализ: теория и практика», «Финансовая аналитика: проблемы и решения», «Региональная экономика: теория и практика», «Национальные интересы: приоритеты и безопасность», «Международный бухгалтерский учет», «Всё для бухгалтера», «Бухгалтер и закон», «Бухгалтерскийучет в бюджетных и некоммерческих организациях», «Бухгалтерский учет в издательстве и полиграфии».
РИНЦ - это многофункциональная информационная система, в которой обрабатывается библиографическая информация, аннотации и пристатейные списки цитирования из российских научных журналов. Поисковые и информационные сервисы базы данных эффективно реализуют различные виды поиска информации, анализируют и рассчитывают индексы цитирования отдельных авторов, научных коллективов и организаций, тематических направлений, импакт-факторы журналов. Авторам предоставлена возможность самостоятельно вводить и корректировать информацию о том, что, где и когда они опубликовали, используя для этой цели интерфейс Единого реестра научных публикаций. Используя систему управления ссылками, возможно без труда выходить не только на полные тексты статей, которые обрабатываются в самом РИНЦ, но и на статьи, которые цитировались в этих публикациях.
Подробная информация о проекте размещена на сайте разработчика
- www.elibrary.ru.
Уважаемые авторы и читатели!
Мы также напоминаем Вам, что электронные версии всех наших журналов доступны на сайте Научной электронной библиотеки eLIBRARY.RU.
Мы прилагаем все усилия для того, чтобы доступ к необходимой информации был максимально быстрым и простым для Вас, и надеемся, что использование современных информационных технологий сделает Вашу работу с материалами наших изданий еще более удобной!
