Прогнозирование банкротства компании Текст научной статьи по специальности «Экономика и бизнес»

УДК 336.61

ПРОГНОЗИРОВАНИЕ БАНКРОТСТВА КОМПАНИИ

Аннотация. В статье приведены результаты построения модели прогнозирования банкротства, учитывающей влияние внешних факторов финансовой среды предпринимательства. Описана методология учета влияния внешних факторов на прогнозную вероятность банкротства компании, приведены результаты апробации. Расчетный горизонт прогнозирования составляет два года. Базой при построении модели выступили компании авиационно-промышленного комплекса Российской Федерации. Ключевые слова: прогнозирование банкротства, внешние факторы, моделирование, авиационная промышленность.

FORECASTING OF BANKRUPTCY

Annotation. The article contains results of the compilation of bankruptcy prediction model, which takes into account the influence of external environmental factors. The methodology of the influence of external factors on the predictive probability of company's failure and results of testing are described. Estimated time horizon is a two-year period. Model bases on the aviation industry of the Russian Federation.

Keywords: bankruptcy forecasting, external factors, modeling, aircraft industry.

Интегрированность отечественной экономики в мировую экономическую систему предопределяет ее зависимость от глобальных экономических процессов. Отечественные компании ведут хозяйственную деятельность в условиях изменчивой внешней среды, характеризующейся высоким уровнем неопределенности, требующей от руководства компаний принятия решений, адекватных текущей ситуации. Также в отсутствие централизованного планирования и распределения ресурсов акцент в определении факторов, оказывающих наиболее сильное влияние на финансовое состояние компаний, смещается от внутренних аспектов деятельности к внешним условиям хозяйствования. Иными словами, в обеспечении эффективной деятельности компании возрастает роль внешней финансовой среды предпринимательства. Это позволяет говорить о значительной подверженности деятельности компаний внешним факторам. Сложность ситуации заключается в невозможности диверсификации такого воздействия, в то время как управление внутренними аспектами деятельности компании является естественным операционным процессом. Особо следует подчеркнуть, что внутренние факторы деятельности компании являются управляемыми и планируемыми. Внешние факторы финансовой среды, представляющие собой изменчивое окружение, оказывая значительное влияние на финансовое состояние компаний, не поддаются управлению и требуют учета при планировании и прогнозировании производственной и финансовой деятельности.

В этой связи представляется важной разработка подходов и методов учета и прогнозирования влияния внешних факторов финансовой среды на финансовое состояние компаний и риск банкротства. Точность прогнозирования изменений финансового состояния компаний и вероятности банкротства в значительной степени зависит от качества оценки характера влияния внешних факторов финансовой среды на деятельность компаний. В этой связи важным этапом расширения практики прогнозирования банкротства компаний является разработка подходов и методов учета влияния внешних факторов на финансовое состояние компаний, отражающих отраслевые особенности их деятельности.

Проблеме прогнозирования банкротства компании посвящено значительное количество трудов как отечественных, так и зарубежных экономистов. Среди российских авторов следует выделить А.Ю. Беликова, Я.Д. Вишнякова, Г.В. Давыдову [2], О.В. Зайцеву [3], А.В. Колосова, Е.В. Негашева [9], А.В. Постюшкова [4; 5; 6], Л.Ю. Филобокову [7], Г.А. Хайдаршину [8],

© Копелев И.Б., 2014

И.Б. Копелев

Igor Kopelev

В. Л. Шемякина [1], А. Д. Шеремета. Разработанные отечественными авторами модели прогнозирования риска банкротства компании в качестве параметров учитывают как количественные, так и качественные внутренние факторы деятельности компаний. При этом проблема количественного учета влияния внешних факторов на риск банкротства компании в работах отечественных экономистов в полной мере не освещена. В порядке исключения можно выделить модель, разработанную Г.А. Хайдаршиной, учитывающую такие факторы деятельности, как территориальная принадлежность компании и величина ставки рефинансирования Банка России, по своей сущности являющиеся внешними. Также можно отметить отсутствие единого системного подхода или единого метода, позволяющего учитывать факторы финансовой среды предпринимательства в рамках прогнозирования банкротства. В этой связи можно говорить, что проблема количественного учета влияния внешних факторов финансовой среды предпринимательства на риск банкротства компании требует дополнительного изучения.

Среди зарубежных экономистов, имеющих труды, посвященные прогнозированию банкротства компании, можно отметить W.H. Beaver [13], J. Begley, J. Ming, S. Watts [10], J. Ohlson [12]. Модели зарубежных авторов также основываются на учете влияния внутренних факторов деятельности компаний на риск банкротства. При этом в качестве отдельного направления исследования таких зарубежных экономистов, как N. Dewaelheyns, C. Van Hulle [11], является изучение влияния макроэкономических факторов на риск банкротства компаний различных секторов экономики. Однако эти исследования направлены на разработку моделей прогнозирования усредненной величины вероятности банкротства применительно к определенной отрасли, что делает их применение в рамках отдельной компании неэффективным. Кроме того, применимость западных моделей, в сущности, являющихся методологическими первоисточниками, в российской практике не приносит желаемых результатов. Параметры западных моделей рассчитаны с учетом особенностей ведения хозяйственной деятельности, не свойственных отечественным компаниям, а адаптация таких моделей к российским условиям фактически предполагает их повторное построение. Таким образом, анализ известных отечественных и зарубежных источников показывает, что в настоящее время не разработаны единые подходы, позволяющие количественно учитывать влияние внешних факторов при прогнозировании банкротства компании, что определяет важность данного направления исследования.

В контексте указанной проблематики было проведено исследование, направленное на построение модели прогнозирования банкротства компании, учитывающей влияние внешних факторов финансовой среды. В качестве объекта исследования при построении модели были выбраны компании авиационно-промышленного комплекса Российской Федерации. Авиационно-промышленный комплекс является одной из ключевых составляющих экономики Российской Федерации. Деятельность входящих в состав авиационно-промышленного комплекса компаний направлена на обеспечение суверенитета и экономической безопасности государства, а значительная часть самих компаний относится к числу стратегических. Данные обстоятельства определяют важность разработки превентивных методов прогнозирования негативных изменений в финансовом состоянии компаний авиационной промышленности.

В качестве базы исследования выступили данные бухгалтерской отчетности компаний авиационной промышленности за период 2002-2013 гг., предоставленные Информационным агентством ТС «ВПК». В состав исходных данных вошли формы обязательной бухгалтерской отчетности 124 компаний авиационной промышленности. Выборка из 124 компаний включила 46 действующих компаний, 25 компаний, признанных банкротами по решению суда, и 53 компании, ликвидированные по решению собственников. Далее под банкротами понимаются компании, ликвидированные как по решению собственников, так и по решению суда. В результате исключения компаний с неполными данными бухгалтерской отчетности или данными, достоверность которых является сомнительной,

для анализа были отобраны 32 компании-банкрота. Каждому из 32 банкротов в соответствие была поставлена одна действующая компания. Отбор действующих компаний осуществлялся исходя из максимального соответствия стоимостей их чистых активов чистым активам компаний-банкротов за пять лет до прекращения деятельности. Применение парного метода группировки по критерию стоимости чистых активов позволило обеспечить сопоставимость данных бухгалтерского учета для действующих компаний и компаний-банкротов.

В перечень параметров модели прогнозирования банкротства вошли

внутренние факторы (показатели финансово-хозяйственной деятельности):

— отношение чистого денежного потока к суммарным обязательствам (К1);

— рентабельность активов (К2);

— коэффициент концентрации заемного капитала (КЗ);

— коэффициент покрытия активов собственными оборотными средствами (К4);

внешние факторы:

— коэффициент монетизации;

— курс доллара США;

— индекс ММВБ.

Сформированный перечень факторов финансовой среды включил в себя факторы как внешней, так и внутренней среды предпринимательства, что обеспечивает всестороннюю характеристику деятельности компаний.

Анализ методов, используемых для моделирования зависимости между рядом параметров (предикторных переменных) и откликом (в рамках рассматриваемой проблематики - вероятностью банкротства), показал, что наиболее распространенными являются множественная линейная регрессия, дискриминантный анализ и Logit-регрессия. Одним из основных отличий указанных методов являются физическое содержание и формат представления зависимой переменной (отклика). Множественная линейная регрессия применима в случаях, когда отклик является непрерывной величиной и имеет размерность, совпадающую с размерностями предикторных переменных. При этом важным условием эффективности использования множественной линейной регрессии является теоретически близкая к линейной связь между откликом и предикторами.

Дискриминантный анализ служит эффективным инструментом в решении задач по отнесению исследуемого субъекта к тому или иному классу. Возможность применения дискриминантного анализа ограничена рядом жестких требований, предъявляемых к исходным данным, наиболее важным из которых является подчинение распределений предикторных переменных нормальному закону.

Logit-регрессия используется в ситуациях, когда отклик является дихотомической величиной, то есть принимающей два возможных значения: 1 (истина) и 0 (ложь). При этом предикторные переменные могут быть как дискретными, так и непрерывными. Состав, качество исходных данных, а также требуемый формат представления отклика позволили выбрать Logit-регрессию в качестве инструментария при построении модели.

В общем случае уравнение Logit-регрессии имеет следующий вид:

а+Х Ь ■Х1 е '

П =-О+Х^Х-' (1)

1 + е '

где П - вероятность наступления события У (в рамках исследуемой проблематики - вероятность бан-

П

кротства компании); - - коэффициент несогласия; X - предикторные переменные; а - свобод-

1 — П

ный член; Ь — весовые коэффициенты.

При построении уравнения Logit-регрессии было принято решение об исключении из состава параметров свободного члена а, в результате чего уравнение имеет следующий вид:

е'

п =-йь . (2)

1 + е'

Такое решение обусловлено следующим обстоятельством. В случае равенства нулю всех пре-дикторных переменных Х вероятность банкротства п определяется величиной свободного члена а. Поскольку с практической точки зрения равенство нулю вcех предикторных переменных означает отсутствие каких-либо хозяйственных операций компании, вероятность того, что она прекратила деятельность, должна быть равна 1.

Включение внешних факторов в модель прогнозирования банкротства в качестве самостоятельных предикторных переменных является неэффективным, а сам набор предикторов оказывается избыточным. Это связано с тем, что значения внешних факторов едины как для действующих компаний, так и для компаний-банкротов, в результате чего включение их в модель не даст дополнительной информации, необходимой для отнесения компании к той или иной группе. В целях решения данной проблемы были проведены аналитические преобразования, основанные на следующих положениях.

Выбранные внешние факторы оказывают влияние на компании авиационной промышленности следующим образом:

— увеличение коэффициента монетизации положительно влияет на деятельность компаний и способствует улучшению их финансового состояния. Снижение коэффициента монетизации свидетельствует о нарастающем дефиците ликвидности в экономике и снижении уровня обеспеченности обязательств денежными средствами;

— рост курса доллара США оказывает кратковременное положительное влияние на деятельность компаний, обусловленное получением дополнительных доходов в результате положительных курсовых разниц. В долгосрочной перспективе ослабление национальной валюты ведет к инфляции и трудностям, связанным с дефицитом ликвидности компаний. Укрепление национальной валюты оказывает на компании авиационной промышленности обратное влияние;

— динамика индекса ММВБ, являющегося конъюнктурным индикатором, и уровень финансового состояния компаний авиационной промышленности находятся в прямой зависимости.

Таблица 1

Преобразованные коэффициенты

Аналитические преобразования предикторных переменных Расчет

Отношение денежного потока к суммарным обязательствам (К1) К1 = К1 • йКт/й иББ • йМ1СЕХ

Отношение чистой прибыли к суммарным активам (К2) К2 = К2 • йКт/й иББ • йМ1СЕХ

Отношение суммарных обязательств к суммарным активам (К3) КЗ = КЗ/йКт • й иББ/йМ1СЕХ

Отношение рабочего капитала к суммарным активам (К4) К4 = К4 • йКт/й иББ • йМ1СЕХ

С учетом характера указанных взаимосвязей были проведены аналитические преобразования, результат которых приведен в таблице 1, где йКш - относительный прирост коэффициента монетизации; йиБВ - относительный прирост курса доллара США; йМ!СЕХ - относительный прирост индекса ММВБ.

Относительные приросты рассчитываются за год, следующий за годом расчета. Например, если прогнозирование банкротства компании проводится в 2015 г., то коэффициенты К1-К4 корректируются на прогнозные темпы изменений внешних факторов в 2016 г. к базе 2015 г.

Приведенные в табл. 1 преобразованные коэффициенты не имеют экономической интерпретации и являются аналитическими построениями, однако, весьма удобными для использования в рамках Logit-регрессии. При этом проведенные преобразования не нарушают исходной логики коэффициентов как характеристик финансово-хозяйственной деятельности компаний. Так, увеличение значений коэффициентов К1 К2, К4 свидетельствует о положительных тенденциях в финансовом состоянии компаний, коэффициента КЗ - о негативных. Поскольку влияние изменений коэффициента монетизации и индекса ММВБ прямо пропорционально уровню финансового состояния компаний, а курса доллара США - обратно пропорционально, проведенные аналитические преобразования усиливают собственную тенденцию коэффициентов К1-К4.

Для выполнения требования Logit-регрессии о сопоставимости величин предикторных переменных рентабельность активов и коэффициент покрытия активов собственными оборотными средствами были включены в модель с дополнительными корректировочными коэффициентами, равными 3,4 и 1,6 соответственно. Учитывая, что в норме значения рентабельности активов (К2) и коэффициента покрытия (К4) ниже отношения чистого денежного потока к суммарным обязательствам (К1) и коэффициента концентрации заемного капитала (КЗ), значения весовых коэффициентов при К2 и К4 будут больше, чем при К1 и КЗ. Такие значения весовых коэффициентов будут давать неверные представления о вкладе каждого предиктора в результирующее значение отклика. Корректирующие множители были определены эмпирическим путем, при этом критерием выбора значений было обеспечение наилучшей предсказательной способности модели.

Итоговые аналитические корректировки коэффициентов К1-К4 приведены в таблице 2.

Таблица 2

Аналитические корректировки предикторных переменных

Параметр регрессии Корректировка

Отношение чистого денежного потока к суммарным обязательствам (К1) К1 = К1 •йКт/йиББ^йМ1СЕХ

Рентабельность активов (К2) К2 = К2-йКт/йЦБВ-йМ1СЕХ-3,4

Коэффициент концентрации заемного капитала (КЗ) КЗ = К3МКт-йиБВММ1СЕХ

Покрытие активов собственными оборотными средствами (К4) К4 = К4 • йКт/й иББ • йМ1СЕХ-1,6

Для построения модели прогнозирования банкротства был сформирован набор значений предикторных переменных. Для компаний-банкротов значения коэффициентов К1-К4 были рассчитаны на основании данных бухгалтерской отчетности на первое января года, соответствующего двухлет-

нему периоду до прекращения деятельности. Для действующих компаний значения коэффициентов K1-K4 рассчитывались на первое января года, соответствующего двухлетнему периоду до прекращения деятельности компаний-банкротов. На наш взгляд, выбор двухлетнего периода прогнозирования с практической точки зрения является оптимальным, поскольку при выявлении негативных тенденций в финансовом состоянии компании позволяет руководству предпринять меры, необходимые для предотвращения банкротства. Более короткие сроки, в сущности, являются констатацией факта неизбежного банкротства. Прогнозирование банкротства на сроках три года и более является наиболее предпочтительным, однако точность такого прогнозирования существенно снижается.

Темпы изменений внешних факторов были рассчитаны как отношение значений внешних факторов на первое января года, соответствующего однолетнему периоду до прекращения деятельности компаний-банкротов, к значениям на первое января года, соответствующего двухлетнему периоду до прекращения деятельности каждой из компаний-банкротов.

В результате расчетов, проведенных в IBM SPSS Statistics, было получено следующее уравнение Logit-регрессии:

„-4,366■ K1-2,700■ K 2+0,604-K 3-2,479■ K 4

e

1~e~

П ч . -4,366■ K1-2,700■ K2+0,604-K3-2,479-K4 ' (3)

где К1 - отношение чистого денежного потока к суммарным обязательствам, скорректированное на прогнозные изменения внешних факторов; К2 - рентабельность активов, скорректированная на прогнозные изменения внешних факторов; КЗ - коэффициент концентрации заемного капитала, скорректированный на прогнозные изменения внешних факторов; К4 - коэффициент покрытия активов собственными оборотными средствами, скорректированный на прогнозные изменения внешних факторов.

Результаты оценки построенной модели приведены в таблице 3 в форме выдержки из результатов расчетов IBM SPSS Statistics.

Таблица 3

Результаты оценки модели

Variables in the Equation

B S.E. Wald df Sig. Exp(B)

Step 1a kl -4,366 2,376 3,376 1 0,066 0,013

k2 -2,700 1,396 3,740 1 0,053 0,067

k3 0,604 0,364 2,753 1 0,097 1,830

k4 -2,479 ,956 6,718 1 0,010 0,084

Уравнение (3), в отличие от дискриминантных моделей, позволяет не определить принадлежность анализируемой компании к той или иной группе (банкроты/действующие), а количественно рассчитать вероятность ее банкротства. Из уравнения (3) также можно получить коэффициент несогласия:

П _ е"4,366-К1—2,700-К2+0,604К3—2,479-К4 (4)

1—П

Расчет коэффициента несогласия (4) позволяет определить каково соотношение вероятностей того, что компания через два года окажется банкротом, и того, что она продолжит свою деятельность при текущих значениях предикторных переменных и прогнозных изменениях внешних факторов. Значения и знаки весовых коэффициентов при предикторных переменных характеризуют направление и силу связей между ними и коэффициентом несогласия вероятности банкротства.

Исходя из (4), наибольший вклад в изменение коэффициента несогласия вносит преобразованный коэффициент концентрации заемного капитала КЗ. Согласно (4) с ростом долговой нагрузки коэффициент несогласия увеличивается с весом ехр(0,604) = 1,83. Очевидно, в данном случае определяющими являются качество долга и возможность компании его обслуживать. Увеличение объема долговых обязательств увеличивает финансовые риски и свидетельствует потенциальной угрозе негативных изменений в финансовом состоянии компании. Одновременно, реализуемые меры государственной поддержки компаниям авиационной промышленности повышают индекс кредитоспособности компаний, несмотря на высокую долю обязательств в структуре пассивов.

Изменение преобразованного коэффициента покрытия активов собственными оборотными средствами (К4) оказывает влияние на коэффициент несогласия с весом в ехр(-2,479) = 0,08. Изменение коэффициента покрытия обусловлено опережающим изменением величины собственных оборотных средств по отношению к суммарным активам. Значимость коэффициента покрытия может быть объяснена тем фактом, что в условиях низкой финансовой устойчивости высока вероятность невозврата компанией краткосрочных ссуд, привлекаемых для пополнения оборотных средств. Относительно высокая доля оборотных активов, финансируемых из собственных источников, позволяет компании снизить потенциальную долговую нагрузку при осуществлении текущих операций.

Коэффициент К2 - преобразованная рентабельность активов - оказывает влияние на значение коэффициента несогласия с весом ехр(-2,700) = 0,07. Очевидно, что рост рентабельности активов компании снижает риск банкротства, о чем свидетельствует отрицательное значение весового коэффициента. Значимость коэффициента рентабельности активов, являющегося одним из показателей эффективности деятельности компании, подтверждается структурой ликвидированных компаний. Почти 50 % компаний, входящих в выборку, прекратили деятельность не в результате процедуры банкротства, а по решению собственников. Последнее свидетельствует о значимости для собственников эффективности произведенных инвестиций.

Коэффициент К1 оказывает наиболее слабое влияние на риск банкротства компании. Учитывая, что величина весового коэффициента при К1 составляет -4,366, увеличение чистого денежного потока или уменьшение долговой нагрузки снижают риск банкротства. Удельный вклад коэффициента К1 в изменение вероятности банкротства определяется как ехр(-4,366) и составляет 0,01.

Заявленная точность модели в 81,3 % характеризует ее предсказательную способность применительно к выборке данных, использованных при построении. Для определения действительной предсказательной способности модели был сформирован массив, содержащий данные бухгалтерской отчетности 39 компаний авиационной промышленности, не вошедших в выборку, использованную для построения модели. В число 39 компаний вошли 25 действующих компаний и 14 компаний, прекративших деятельность в период 2005-2011 гг. Отчетные даты для прогнозирования банкротства действующих компаний выбирались произвольно, для компаний-банкротов в анализ были включены данные на отчетные даты, соответствующие двухлетнему периоду до прекращения деятельности либо до начала процедуры конкурсного производства. Для каждой из компаний была рассчитана вероятность банкротства в течение двух лет с выбранной отчетной даты.

В процессе апробирования модели в отношении компаний-банкротов правильный результат был получен в 12 из 14 случаев, что соответствует точности 85,7 %. В отношении действующих компаний правильный результат получен в 20 из 25 случаев, что соответствует точности 80,0 %. Таким образом, общая точность прогнозирования применительно к использованной выборке данных составила 82,1 %.

В качестве перспективных направлений исследования, ориентированных на повышение предсказательной точности модели, можно отметить следующие. Для обеспечения корректности учета влияния внешних факторов необходим расчет математических зависимостей значений коэффициен-

тов К1-К4 от выбранных внешних факторов финансовой среды. Описание зависимостей математически позволит использовать в модели в качестве корректирующих коэффициентов не темпы изменения внешних факторов, а веса, отражающие влияние каждого фактора на предикторные переменные. Основная сложность, связанная с решением этой задачи, заключается в отсутствии качественных и достоверных данных бухгалтерской отчетности компаний авиационной промышленности в объеме, достаточном для применения методов статистического анализа.

Дополнительным фактором, способным повысить точность прогнозирования, является доля государственного оборонного заказа в портфеле контрактов компании. Прогнозное увеличение такого показателя должно свидетельствовать о повышении финансовой устойчивости компании и укреплении ее позиций как надежного контрагента. Однако доступ к подобной информации закрыт для внешнего пользования, ввиду чего включение в модель указанного параметра на этапе ее разработки не представлялось возможным. Естественным способом повышения точности модели являются аккумулирование дополнительных статистических данных и периодическая актуализация весовых коэффициентов.

Предложенная модель может быть использована в качестве дополнительного инструмента при планировании и прогнозировании финансового состояния компаний авиационно-промышленного комплекса. Принцип, заложенный при построении модели, может быть применен к другим отраслям народного хозяйства при условии актуализации набора предикторных переменных и значений весовых коэффициентов.

Библиографический список

1. Вишняков Я.Д., Колосов А.В., Шемякин В.Л. Оценка и анализ финансовых рисков предприятия в условиях враждебной окружающей среды бизнеса // Менеджмент в России и за рубежом. - 2000. - № 3.

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

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

4. Постюшков А.В. Об оценке финансового риска // Бухгалтерский учет. - 1999. - № 1.

5. Постюшков А.В. Прогнозирование банкротства // Арбитражный управляющий. - 2007. - № 6.

6. Постюшков А.В. Рейтинг конкурентоспособности // Ресурсы. Информация. Снабжение. Конкуренция. -2001. - № 4.

7. Филобокова Л.Ю. Экономический потенциал малого предприятия и методика его оценки // Аудит и финансовый анализ. - 2008. - № 3.

8. Хайдаршина Г.А. Методы оценки риска банкротства предприятия: дис. ... канд. экон. наук. - М., 2009. -253 с.

9. Шеремет А.Д. Методика финансового анализа деятельности коммерческих организаций / А.Д. Шеремет, Е.В. Негашев. - М: Инфра-М, 2008. - 208 с.

10. Begley J., Ming J., Watts S. Bankruptcy Classification Errors in the 1980s: An Empirical Analysis of Altman's and Ohlson's Models // Review of Accounting Studies. - 1996.

11. Dewaelheyns N., Van Hulle C. Aggregate Bankruptcy Rates and the Macroeconomic Environment: Forecasting Systematic Probabilities of Default. // Tijdschrift voor Economie en Management. - 2007. - Vol. LII, 4.

12. Ohlson J. Financial Ratios and the Probabilistic Prediction of Bankruptcy // Journal of Accounting Research. -1980. - Vol. 6.

13. Beaver W.H. Financial Rations and Predictions of Failure // Journal of Accounting Research. - 1966. - Vol. 4., Supplement: Empirical Research in Accounting: Selected Studies . - P. 71-111.