ПРОГНОЗИРОВАНИЕ БАНКРОТСТВА МЕЛКИХ ПРЕДПРИЯТИИ РОССИЙСКОГО
АГРОПРОМЫШЛЕННОГО КОМПЛЕКСА
Д.В. Спицина, студентка Научный руководитель: профессор Орлова И.В.
Финансовый университет при Правительстве Российской Федерации, г. Москва, Россия
Аннотация. Агропромышленный комплекс традиционно является сферой с низкой доходностью, требующей серьезной государственной поддержки. Кроме того, сельскохозяйственные предприятия зачастую ориентированы на экспорт, и поэтому наиболее уязвимы к негативным изменениям в макроэкономической среде, а также к воздействию сезонности. Целью этой работы является создание модели для прогнозирования банкротства малых отечественных предприятий агропромышленного комплекса на основе финансовых показателей компаний, функционирующих в области смешанного сельского хозяйства. В результате оценки факторов в среде программирования R-studio была построена модель логистической регрессии на основе наиболее значимых показателей деловой активности и финансовой независимости, существенное ухудшение которых может стать сигналом тревоги для финансовой устойчивости.
Ключевые слова: логит-регрессия, логистическая регрессия, прогнозирование банкротства, сельскохозяйственные предприятия, российский агропромышленный комплекс, мелкие предприятия, R-studio, ROC-анализ, ROC-кривая
BANKRUPTCY FORECAST OF SMALL COMPANIES IN RUSSIAN AGRICULTURAL
SECTOR
D. V. Spitsina, student Scientific advisor: professor Orlova I.V.
Financial University under the Government of the Russian Federation, Moscow, Russia
Abstract. The agro-industrial complex is traditionally a sphere with low profitability, requiring strong state support. In addition, agricultural enterprises are often export oriented, and therefore they are most vulnerable to negative changes in the macroeconomic environment, as well as the impact of seasonality. The purpose of this work is to build a model for predicting the bankruptcy of small domestic enterprises in the agro-industrial complex on the basis of financial coefficients of Russian companies, operating in the field of mixed agriculture. As a result of selection of factors in the software complex R-studio, the model of logit-regression was built on the basis of 10 most important business activity and financial independence indicators, the significant deterioration of which may become an alarm signal for the company's financial stability.
Keywords: logit regression, logistic regression, forecasting of bankruptcy, agricultural enterprises, Russian agro-industrial complex, small companies, R-studio, ROC-analysis, ROC-curve
От процветания до несостоятельности непосредственно зависит то, какова будет
компанию порой отделяет один шаг...Выбор длительность ее бизнес-цикла. Проблема
неэффективной маркетинговой политики, банкротства компаний революционно новой.
поверхностная оценка контрагентов, Вплоть до настоящего времени в научной среде
игнорирование изменения спроса, чрезмерная рассматривалась как законодательная база
уверенность в собственных силах и принятие регулирования процедуры банкротства на уровне
большого числа долговых обязательств - вот межстранового сопоставления, так и факторы
лишь малый перечень факторов риска, с несостоятельности в контексте прогнозного
которыми компания сталкивается на различных анализа.
этапах своего развития. От своевременной На первый взгляд, кажется, что данная тема
реакции руководящего состава компании исчерпана. Однако, как в российской, так и в
международной практике интерес к ней только возрастает. Несмотря на наличие широкого круга подходов к прогнозированию банкротства, универсального прогностического
инструментария в сфере оценки вероятности несостоятельности компаний не выработано.
Цель данной работы состоит в возможности идентификации предприятий-банкротов в сфере агропромышленного комплекса (далее - АПК) на основе финансовых коэффициентов,
рассчитанных по данным бухгалтерской отчетности. Объектом исследования стали российские малые предприятия по виду деятельности ОКВЭД-1 «Сельское хозяйство, охота и лесное хозяйство».
Важно отметить, что структура отечественного АПК в настоящее время претерпевает существенные изменения. По результатам сельскохозяйственной переписи 2016 года, доля крупных и средних предприятий за 10 лет снизилась на 5%, в то время как число малых предприятий возросло на 13% [12, С. 8-9]. Несмотря на активный выход на рынок малых и средних предприятий, длительность их жизненного цикла зачастую гораздо меньше вследствие низкой финансовой устойчивости и высокой подверженности сезонным колебаниям спроса. Именно на предприятия малого бизнеса, чья выручка составляет до 400 млн. руб., приходится ежегодно до 90% случаев банкротств
[7].
В целях построения модели с помощью «Единого федерального реестра сведений о банкротстве» [13] и системы проверки контрагентов «СПАРК Интерфакс» [14] были отобраны 119 малых предприятий АПК, среди которых 34 компании стали банкротами в 2016 году. Первоначально ключевым аспектом включения объекта в выборку являлось наличие финансовых показателей за четыре смежных года (2012 - 2016гг.). Однако отсутствие информации по ряду лет привело к необходимости расширения спектра анализа, а также очистки данных от пропущенных значений, искажающих результаты
прогнозирования, путем их замены на медианные.
Впоследствии размер выборки был увеличен за счет включения компаний, попавших в число несостоятельных в 2014 - 2015гг. [13]. На основании итогового списка предприятий в системе «СПАРК Интерфакс» было отобрано 44 переменных, характеризующих деятельность экономического субъекта, с точки зрения ликвидности и платежеспособности, деловой активности, финансовой независимости и рентабельности [14]. Итоговая выборка содержала 212 наблюдений, из которых 160 относились к финансово-устойчивым
компаниям, и 52 - к предприятиям-банкротам. Под «банкротами» в данном случае понимались не только экономические субъекты, официально заявившие о несостоятельности, как по собственной инициативе, так и по требованию кредитора, как те, что находятся на стадии ликвидации, так и на данный момент ликвидированные.
Следующим этапом исследования стал выбор прогнозного инструментария. Среди линейных моделей широкую известность получил дискриминантный анализ. Нередко структура отечественных работ строится на сравнении качества применимости ряда популярных зарубежных моделей дискриминантного анализа к группе компаний или сравнения качества ряда моделей для выделенных отраслей [8].
Помимо вышеупомянутых моделей, существует также широкий спектр альтернативных подходов, таких, как логит- и пробит-модели, кредитный скоринг, нейронные сети и рейтинговая оценка. Однако нельзя не отметить тенденцию постепенного перехода в отечественной литературе к использованию нечетко-множественного аппарата [5], логит-регрессии и алгоритма «случайного леса» [4], позволяющих анализировать большие массивы данных по целым отраслям экономики.
Алгоритмом машинного обучения,
набирающим все большую популярность, становится «случайный лес» (random forest). «Случайный лес», будучи нелинейной моделью, обладает большей прогностической точностью, по сравнению с логит- и пробит-регрессией [10]. Еще одним важным преимуществом данного алгоритма является возможность использования
широкого круга признаков (номинальных, числовых и порядковых), что для других методов зачастую является нереализуемым.
Однако данная выборка компаний вследствие малой численности является нерепрезентативной для построения классификационных деревьев, потому выбор был сделан в пользу логистической регрессии. Логистическая регрессия, будучи одной из разновидностей регрессионных моделей, является популярной в области медицины, социологии, маркетинге, экономике и смежных областях. Данный инструмент широко применяется также в целях количественной интерпретации качественных
Financial condition
переменных, например, при проведении анализа результатов опросов, связанных с необходимостью количественной интерпретации качественных данных, а также при решении задачи кредитного скоринга [1].
Р(х) =
1+е-
где
Z = ЬоХ0 + b1x1 h-----h
bnx п (уравнение регрессии)
Результативный показатель P(x),
определяющий вероятность принадлежности изучаемого объекта, в логистической регрессии принимает значение от 0 до 1, в данном случае он был условно обозначен как «Financial condition» (Финансовое состояние):
В среде Я^Шёю была построена первоначальная модель, на основании которой из 44 факторов было отобрано 10 наиболее значимых переменных для проведения повторного анализа (Таблица 1). При попытке
предприятие — банкрот, здоровое" предприятие
сокращения числа факторов путем исключения переменных, обладающих меньшей
значимостью, значение критерия Акаике увеличивается, что говорит о снижении качества модели.
Таблица 1 - Модель со значимыми факторами (составлено автором самостоятельно в среде К-ъЫ&о)
Deviance Residuals:
Min 1Q Median 3Q Max
1.5087 -0.6627 - 0.5211 0.0000 2.2302
Coefficients Estimate Std. Error z value Pr(>|z|)
(Intercept) -1.2493663 0.2545562 -4.908 9.20e-07 ***
Cash ratio 0.0774341 0.0627464 1.234 0.2170550
Debt to EBIT 0.0017805 0.0008294 2.147 0.03180 *
Debt to sales revenue 0.0407793 0.0093313 4.370 1.24e-05 ***
Inventory turnover 0.2170550 0.0828656 2.619 0.00881 **
Inventory turnover_sales 0.1783940 0.0718313 2.484 0.01301 *
revenue
DSI_sales turnover -0.0005516 0.0002979 -1.851 0.06411
Total debt to total equity -0.0585554 0.0213754 -2.739 0.00616 **
Long_term debt 0.0716123 0.0247234 2.897 0.00377 **
Equity capital_balance -0.2589564 0.1150605 -2.251 0.02441 *
value_to total liabilities
Working capital to current -0.0742713 0.0303763 -2.445 0.01448 *
assets ratio
Signif. codes: 0 '***' 0.001 '** ' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 236.21 on 211 degrees of freedom
Residual deviance: 181.45 on 201 degrees of freedom
AIC : 203.45
На основании спектра факторов, включенных в модель, можно сделать вывод о важности
1
показателей финансовой независимости и деловой активности для предприятий АПК (Таблица 2).
Таблица 2 - Экономический смысл значимых показателей
(составлено по данным «СПАР К-Интерфакс)
Название показателя Условное обозначение Экономический смысл
Анализ ликвидности Коэффициент абсолютной ликвидности Cash ratio Показывает, какая часть краткосрочных обязательств может быть погашена в кратчайшие сроки
Анализ деловой активности Оборачиваемость запасов (в разах) Inventory turnover Отражает оборачиваемость запасов (по себестоимости)
Оборачиваемость запасов (в разах) - по выручке Inventory turnover_sales revenue Отражает оборачиваемость запасов (по выручке)
Период оборота запасов (в днях) - по выручке DSI_sales turnover Характеризует эффективность использования запасов (по выручке)
Анализ финансовой независимости Совокупный долг к собственному капиталу (по балансовой стоимости) Total debt to total equity Показывает сколько долга привлечено на 1 единицу собственного капитала по балансовой стоимости
Долгосрочный долг к собственному капиталу (по балансовой стоимости) Long_term debt Показывает сколько долгосрочного долга привлечено на 1 единицу собственного капитала по балансовой стоимости
Собственный капитал (балансовая стоимость) к совокупным обязательствам Equity capital_balance value_to total liabilities Показывает сколько собственного капитала (по балансовой стоимости) приходится на 1 единицу совокупных обязательств
Коэффициент обеспеченности собственными оборотными средствами Working capital to current assets ratio Отражает наличие собственных оборотных средств у предприятия необходимых для его финансовой устойчивости
Соотношение долга к Выручке Debt to sales revenue Показывает сколько привлечено долга на 1 единицу выручки
Соотношение долга к EBIT Debt to EBIT Показывает сколько привлечено долга на 1 единицу EBIT
Анализ рентабельности Доходность собственного капитала, ROE (в %) ROE Характеризует эффективность использования собственного капитала
Так, показатель оборачиваемости запасов, оценки эффективности собственных средств. является одним из количественных критериев Именно по оборачиваемости запасов можно
судить о скорости увеличения выручки от продаж, что обеспечивает большую финансовую независимость предприятия от заемных средств. Связанным с показателем оборачиваемости запасов, является и период оборачиваемости запасов, увеличение которого сигнализирует о снижении деловой активности компании.
Помимо показателей оборачиваемости запасов и периода оборачиваемости запасов, образующих одну из «ветвей» показателей деловой активности, не менее важными являются и индикаторы финансовой устойчивости. Одним из системно значимых коэффициентов становится коэффициент заемного капитала, характеризующий долю заемных средств в валюте баланса. Чем ниже значение данного показателя, тем ниже зависимость экономического субъекта от сторонних источников финансирования. В условиях развития деятельности компания не может находиться в состоянии автаркии, довольствуясь исключительно внутренними источниками финансирования [2]. Однако для отечественных предприятий мелкого и среднего бизнеса,
В целях увеличения прогностической точности модели был выбран максимальный порог отсечения, так как при применении произвольно заданных пороговых значений (0.5 и 0.7) происходил рост ошибок классификации.
уровень долговой нагрузки не является весомым, что обуславливает возможность использования заемных источников финансирования [6]. Таким образом, включение в модель показателей оборачиваемости запасов и платежеспособности является экономически оправданным.
Наиболее чувствительным к изменениям финансового состояния предприятия является коэффициент абсолютной ликвидности. При рассмотрении выборки предприятий-банкротов было замечено, что его значение резко снижается в период, предшествующий наступлению неплатежеспособности.
Одним из недостатков логистической регрессии является изменение точности прогнозирования при применении разных порогов отсечения (Cut off) [3], что отображает значение «ошибки классификации» [1], показывающих процент неверно предсказанных случаев (Таблица 3). Порог отсечения показывает, с какой вероятностью указанная компания попадает в ту или иную группу. Так, если Cut off < 0.6425, то с этой вероятностью финансовое положение данной компании можно считать близким к банкротству.
Значение максимального порога отсечения (Cutoff_max=0.642) по оси Cutoff совпадает с максимально возможным для данной модели значением точности (Accuracy_max=0.8208) по оси Accuracy (Рис.1).
Таблица 3 - Выбор оптимального порога отсечения (составлено автором самостоятельно в среде К-ъЫ&о)
Матрицы неточностей
По 10 значимым факторам с порогом отсечения 0.5
Predicted= 0 Predicted= 1 Ошибка классификации
Actual = 0 Actual = 1 153 35 7 17 19.8113
Г о 10 значимым факторам с максимальным порогом отсечения 0.6425
Predicted= 0 Predicted= 1 Ошибка классификации
Actual = 0 Actual = 1 159 37 17.9245
1 15
По 10 значимым факторам с порогом отсечения 0.7
Predicted= 0 Predicted= 1 Ошибка классификации
Actual = 0 Actual = 1 160 0 40 12 18.8679
Cutoff_max 0.6425
0.0 0.2 0.4 0.6 0.8 1.0
Cutoff
Рисунок 1 - Максимальный порог отсечения (составлено автором самостоятельно в среде R-studio)
Для визуализации результатов
прогнозирования модели с 10 значимыми факторами, отобранными в среде программирования R, была построена ROC-кривая (Рис.2). «AUC» - площадь под ROC-кривой, определяющая процент верно идентифицируемых случаев [3]. Благоприятным является приближение ROC-кривой к верхнему левому углу, что свидетельствует об увеличении корректно предсказанных положительных исходов (True positive rate) [3]. Качество модели, согласно классификации значений площади под ROC-кривой, приводимой в экономической литературе, определяется как хорошее [9].
ROC Curve
0.0 0.2 0.4 0.6 O.S 1.0
False positive rate
Рисунок 2 - ЯОС-кривая с максимальным порогом отсечения (составлено автором самостоятельно в среде R-studio) В качестве направления дальнейшего исследования необходимо расширить выборку компаний, увеличив число предприятий-банкротов, и включить в модель фиктивные переменные, что подразумевает
дифференциацию компаний по: организационно -правовым формам, регионам деятельности, срокам рыночного присутствия, количеству судебных разбирательств за предшествующие
периоды, периодичности сменяемости генеральных директоров, структуре
распределения уставного капитала и наличию взаимосвязей с компаниями-банкротами. Результаты исследования являются практически применимыми для определения финансовой устойчивости как агропромышленных предприятий, функционирующих в сфере смешанного сельского хозяйства, так и в смежных с ним отраслях.
Список используемых источников
1. Орлова И.В., Турундаевский В.Б. Многомерный статистический анализ при исследовании экономических процессов. Монография. — М.: МЭСИ, 2014. — С. 190.
2. Бухгалтерский учёт в условиях антикризисного управления: Учебное пособие / Под ред. проф. В.Э. Керимова. - М.: Издательско-торговая корпорация «Дашиков и К», 2012. - С. 324.
3. Многомерный статистический анализ в экономических задачах: компьютерное моделирование в SPSS: Учебное пособие / Под ред. И.В. Орловой. - М.: Вузовский учебник, 2009. - С. 309.
4. Демешев Б.Б. Прогнозирование банкротства российских компаний: межотраслевое сравнение / Б. Б. Демешев, А. С. Тихонова // Экономический журнал ВШЭ. -2014. - С.1 - 28.
5. Киселева, Е.Г. О моделях прогнозирования банкротства малого бизнеса: дискриминантный и нечетко-множественный анализ / Е.Г. Киселева, Н.С. Лукашевич, Д.А. Гаранин // Неделя науки СПбПУ Материалы научной конференции с международным участием. Лучшие доклады. -2016. - С. 237 - 241.
6. Орешко И.И. Прогнозирования банкротства российских компаний / Орешко И.И., Абдыкадырова А.А, Эркинбекова Ж.Э. // Вопросы экономических наук. - 2016. - С. 97 -102.
7. Рыбалка, А. И. Банкротства юридических лиц в России: основные тенденции. I квартал 2016 / А.И. Рыбалка, В. О. Сальников // Центр макроэкономического анализа и краткосрочного прогнозирования. - 20.05.2016. - URL: file :///C:/Users/%D0%/Downioads/Bnkrpc-1 - 16.pdf (дата обращения 24.02.2018)
8. Федорова Е.А. Прогнозирование банкротства предприятий на примере отраслей строительства, промышленности, транспорта, сельского хозяйства и торговли / Е.А. Федорова, Ю.Ф. Федоров, Л.Е. Хрустова // Финансы и кредит.- 2016. - № 43. - С. 14 - 27.
9. Kliestika, T. Logit and Probit Model used For Prediction of Financial Health of Company /, K. Kocisovaa, M. Misankovaa // 2nd Global conference on business, economics, management and tourism, 30-31 October 2014, Prague, Czech Republic.
10. Shaikhina T. Decision tree and random forest models for outcome prediction in antibody incompatible kidney transplantation / Shaikhina Torgyn, Dave Lowe, Sunil Daga, David Briggs, Robert Higgins, Natasha Khovanova. // Biomedical Signal Processing and Control. - 2017. - P. 1 - 7.
11. Serener B. Statistical analysis in Internet banking usage of logistic regression. / Serener B // 12th International Conference of Fuzzy Systems and Soft Computing, ICAFS 2016, 29-30 August 2016, Vienna, Austria. - Procedia Computer Science -2016. - № 102. - P. 648 - 653.
12. Всероссийская сельскохозяйственная перепись 2016 года. Федеральная служба государственной статистики. - Москва. 2016. -С.1-72.
13. Единый федеральный реестр сведений о банкротстве. - URL: https://www.fedresurs.ru/ (дата обращения 26.02.2018)
14. Система проверки контрагентов «СПАРК». URL.: http://www.spark-interfax.ru/ (дата обращения 12.02.2018)
15. Невежин, В.П. Практическая эконометрика в кейсах: учебн. пособие / В.П. Невежин, Ю.В. Невежин. - М.: ИД «ФОРУМ»:ИНФРА-М, 2017. -317 с.
========================================== V V =======================================
УДК 330.43
ЭКОНОМЕТРИЧЕСКОЕ ИССЛЕДОВАНИЕ ФАКТОРОВ, ВЛИЯЮЩИХ НА
КОЭФФИЦИЕНТ МОНЕТИЗАЦИИ
О.С. Ханенкова, студентка, А.И. Богомолов, к.т.н., доцент Финансовый университет при Правительстве Российской Федерации, Москва, Россия
Аннотация: В условиях замедления экономического развития страны необходимо определить показатели, которых необходимо достигнуть для того, чтобы ускорить темпы его роста. В статье рассматривается значимость коэффициента монетизации экономики как одного из основных элементов, свидетельствующих о наличии экономического роста, рассматривается эконометрическая модель факторов, оказывающих влияние на значение данного коэффициента, оценивается адекватность и качество составленной модели, выявляются наиболее существенные факторы. Данные представлены за 2005 - 2016 года.
Ключевые слова: коэффициент монетизации, эконометрический анализ, инфляция, доходы, ВВП, тест Фишера, тест Рамсея
ECONOMETRIC STUDY FACTORS AFFECTING THE RATE OF MONETIZATION
Khanenkova O.S., student, Bogomolov A.I., kand.tech.sciences Financial University under the Government of the Russian Federation (Financial University),
Moscow
Abstract: In the context of slowing the country's economic development, it is necessary to determine the indicators that need to be achieved in order to accelerate its growth rates. The article examines the importance of the monetization coefficient of the economy as one of the main elements that testify to the presence of economic growth, considers the econometric model of factors that influence the value of this coefficient, assesses the adequacy and quality of the model, most significant factors are revealed. Data are presented for 2005 - 2016.
Keywords: the factor of monetization, econometric analysis, inflation, incomes, business activity index, Fisher test, Ramsey test.