CC BY
269
ISSN 2311-8768 (Online) ISSN 2073-4484 (Print)
Математический анализ и моделирование в экономике
ПРОГНОЗИРОВАНИЕ БАНКРОТСТВА ПРЕДПРИЯТИЯ С УЧЕТОМ ФАКТОРОВ ВНЕШНЕЙ СРЕДЫ Елена Анатольевна ФЕДОРОВА3^, Михаил Петрович ЛАЗАРЕВЬ, Александр Владимирович ФЕДИНС
а доктор экономических наук, профессор департамента корпоративных финансов и корпоративного управления, Финансовый университет при Правительстве Российской Федерации, Москва, Российская Федерация ecolena@mail.ru
ь кандидат физико-математических наук, доцент департамента корпоративных финансов и корпоративного управления, Финансовый университет при Правительстве Российской Федерации, Москва, Российская Федерация mp_laz@mail.ru
с студент департамента корпоративных финансов и корпоративного управления, Финансовый университет при Правительстве Российской Федерации, Москва, Российская Федерация businesman95@mail.ru
• Ответственный автор
История статьи:
Принята 21.09.2016 Принята в доработанном виде 06.10.2016 Одобрена 24.10.2016
УДК 338.12 JEL: D24
Ключевые слова:
банкротство, предприятие, несостоятельность, прогнозирование, логистическая регрессия
Аннотация
Предмет. Финансовая устойчивость компании - одно из требований, позволяющих удовлетворить ее собственников, инвесторов, акционеров и прочих стейкхолдеров. Если финансовое состояние предприятия ухудшается, зачастую это может привести к его банкротству. Проанализировав ухудшающиеся факторы микро- и макросреды, можно заранее спрогнозировать банкротство и провести эффективные мероприятия по его предотвращению. В статье рассматриваются факторы, влияющие на риск банкротства, а также представлена модель его прогнозирования.
Цели. Выявить внешние и внутренние факторы, в наибольшей степени влияющие на риск банкротства, а также построить модель прогнозирования банкротства предприятий строительной отрасли.
Методология. В работе применялся метод логистической регрессии, с помощью которого были выявлены факторы, в наибольшей степени влияющие на банкротство компаний; также построена модель прогнозирования банкротства. Полученная модель сформирована на основании данных средних и малых предприятий строительной отрасли. Результаты. Выявлены внутренние и внешние факторы, оказывающие существенное влияние на банкротство предприятий. К внутренним факторам относятся: коэффициент абсолютной ликвидности, рентабельность продаж, доходность инвестированного капитала, отношение совокупных обязательств к совокупным активам, отношение оборотных активов к совокупным активам, оборачиваемость кредиторской задолженности. Внешним фактором, оказывающим наибольшее влияние на банкротство, является прирост объема кредитования. Построена модель прогнозирования банкротства средних и малых предприятий. Таким образом, подтвердилось предполагаемое влияние показателей финансового состояния предприятия на его банкротство, а также влияние факторов внешней среды. Выводы. Полученная модель прогнозирования банкротства позволит менеджерам, акционерам, потенциальным инвесторам и другим стейкхолдерам производить мониторинг текущего положения компании и прогнозировать вероятность ее банкротства.
© Издательский дом ФИНАНСЫ и КРЕДИТ, 2016
В настоящее время существует немало работ, посвященных проблеме прогнозирования вероятности банкротства. Все исследования данной сферы можно разделить на три группы. В первую группу входят работы, сфокусированные на изучении конкретной модели и сравнении ее эффективности с альтернативными подходами [1]. Вторая группа включает в себя исследования выбора оптимального набора финансовых переменных, способного повысить прогнозную силу исследуемой модели. Примерами таких исследований могут служить работы У. Бивера [2],
Е. Альтмана [3], Р. Таффлера [4]. Именно выбор переменных является важной частью процесса прогнозирования банкротства [5]. Третья группа состоит из работ, посвященных исследованию прогнозирования несостоятельности с учетом различных внешних факторов. Так, многие российские ученые в своих трудах пытаются адаптировать зарубежные методики к современным реалиям нашей страны, учитывая ее политические, экономические и социальные особенности [6]. Также с недавнего времени большую популярность обрели работы,
изучающие отраслевую специфику предприятий в вопросе прогнозирования вероятности банкротства, среди которых исследования Е.А. Федоровой, Е.В. Гиленко, С.Е. Довженко [7], Б.Б. Демешева, А.С. Тихоновой [8]. Специалисты отмечают, что чем больше уточняющей информации о предприятии включено в модель, тем выше ее прогнозная сила. Данное исследование рассматривает прогнозирование вероятности банкротства компаний с учетом внешних факторов, соответственно, оно будет относиться к третьей группе.
В работе авторы исследовали влияние внутренних и внешних факторов на банкротство предприятий. Были выдвинуты следующие гипотезы.
Гипотеза 1. Показатели финансового состояния предприятия влияют на банкротство компании. Влияние коэффициента оборачиваемости активов на банкротство изучали М. Карас и М. Резнакова [9]. Они пришли к выводу: чем больше значение коэффициента, тем меньше вероятность банкротства. Это подтверждается и в работе Ю.А. Даниловой [10], которая с помощью логистической регрессии построила прогнозную модель.
В исследовании М.Н. Алифа [11] было отмечено, что компании с высоким значением коэффициента оборачиваемости активов имеют большую вероятность стать банкротами. Влияние коэффициента срочной ликвидности изучили М. Карас и М. Резнакова, которые пришли к выводу: чем больше коэффициент, тем меньше вероятность банкротства. Без ликвидности компания не сможет выполнить свои краткосрочные обязательства при наступлении срока платежа, утверждают К. Петерсен и Т. Пленборг [12], и что риск ликвидности зависит от способности компании генерировать положительные чистые денежные потоки в краткосрочной и долгосрочной перспективе. Они считают, что риск платежеспособности относится к способности компании выполнять свои долгосрочные финансовые обязательства, а также все будущие обязательства. Краткосрочные проблемы с финансированием легче преодолеть, чем долгосрочные, поскольку краткосрочные проблемы часто решаются путем создания убедительного плана действий, позволяющего финансово нестабильной фирме получить необходимое финансирование от акционеров и кредиторов, в то время как долгосрочные проблемы требуют более тщательного долгосрочного планирования и реструктуризации.
Таким образом, К. Петерсен и Т. Пленборг пришли к выводу, что компании, имеющие проблемы с ликвидностью и платежеспособностью, являются вероятными кандидатами банкротства.
Увеличение показателя текущей ликвидности уменьшает риск банкротства, утверждает М.Е. Змиевский [13]. Обзор его позволяет сделать вывод, что банкротство предприятия зависит от показателя рентабельности активов. С ростом данного показателя вероятность банкротства снижается.
В своем исследовании М. Миронюк и А. Таран [14] выявили, что в эффективных компаниях снижение значения коэффициента операционной рентабельности дает значительные положительные результаты. Чистая рентабельность активов, как ни странно, у неплатежеспособных компаний находится на более высоком уровне.
В работе [15] М.Н. Кочугуева, Н.Н. Киселева и С.М. Анпилов провели анализ внешних и внутрифирменных факторов банкротства на примере российских компаний. Они выявили внутренние и внешние факторы банкротства компаний и построили собственную методику прогнозирования его наступления с помощью логит-анализа. В качестве объекта исследования выступают крупные российские компании с годовой выручкой более 500 млн руб. Авторы пришли к выводу, что с ростом рентабельности активов вероятность банкротства снижается. Они установили и проранжировали факторы, которые могут предсказать банкротство, и предположили, что существует значительная связь между финансовыми коэффициентами и риском банкротства. Были проранжированы финансовые показатели в зависимости от их способности прогнозировать риск банкротства и выявлены основные параметры, описывающие банкротство предприятий:
— рентабельность активов (она существенно отличает компании с финансовыми затруднениями и без);
— информация о текущей деятельности;
— операционный результат;
— характер и размер расходов.
За 2009-2013 гг. были выбраны 20 предприятий небанкротов. Исследование проводилось с помощью трех методов: множественный дискриминантный анализ, непараметрический анализ, метод искусственных нейронных сетей.
Авторы пришли к выводу, что финансовые расходы по процентам намного меньше в компаниях, близких к банкротству, так как они не могут получить доступ к внешним средствам из-за их сомнительной репутации.
Финансовую деятельность компаний проанализировали А.Т. Аль-Кассар и Д.С. Солю [16], которые пришли к выводу, что из 25 финансовых коэффициентов, рассмотренных ими, 7 напрямую влияют на банкротство предприятий. К ним относятся:
1) коэффициент оборачиваемости чистого оборотного капитала;
2) отношение оборота к дебиторской задолженности;
3) отношение текущих активов к обязательствам;
4) коэффициент текущей ликвидности;
5) отношение текущих обязательств к активам;
6) коэффициент абсолютной ликвидности;
7) отношение прибыли до налогообложения к текущим обязательствам.
Гипотеза 2. Внешние факторы влияют на банкротство предприятия.
В своей работе М.Н. Алифа пишет, что ученый И.Х. Мохмад изучил влияние макроэкономических факторов на банкротство предприятий. По мнению И.Х. Мохмада, валовый внутренний продукт (ВВП) - самый значительный фактор, влияющий на банкротство. Влияние ВВП на банкротство предприятий признано огромным и в работе П. Банна и В. Редвуда [17]. Также М.Н. Алифа отмечает, что М.М. Аль-Дарази и К.Е. Митчем полагают, что на банкротство оказывает огромное влияние фондовый индекс. В то же время С. Хол [18] выделяет денежную массу в качестве основного макроэкономического фактора банкротства. Свое исследование М.Н. Алифа проводил среди предприятий торговли в Малайзии и пришел к выводу, что высокая кредитная ставка может привести компании к банкротству. Такие факторы, как экономический рост, доля компании на рынке выделяют М.Н. Кочугуева, Н.Н. Киселева и С.М. Анпилов. С ростом экономики вероятность банкротства снижается. Также она снижается и с ростом доли компании на рынке.
Ученые Б.Т. Клостер и Х.Д. Якобсон [19] рассматривают следующие факторы, влияющие на банкротство:
— внутренний спрос (измеряется с помощью ВВП или уровня безработицы);
— внешний спрос;
— конкурентоспособность (измеряется с помощью действующего валютного курса);
— процентная ставка без влияния инфляции;
— число всех предприятий в отрасли и число новых предприятий в ней;
— инфляция.
В результате исследования они выявили, что в большей степени на банкротство влияют процентная ставка без влияния инфляции, а также цикличные колебания экономики.
Общие факторы, приводящие предприятия к банкротству, изучал С.Б. Уидуани [20], и пришел к выводу, что более высокий уровень инфляции повышает вероятность банкротства предприятия, если предприятие больше не имеет возможности взять кредит. Чаще всего с такой проблемой сталкиваются недавно открывшиеся предприятия.
Мы будем строить модель на примере строительных компаний. Первым ученым, который провел комплексное исследование банкротства предприятий именно в строительной отрасли, можно считать Р. Кангари [21]. Он объясняет чувствительность строительной отрасли к банкротствам по ее фрагментированной и конкурентной среде. Конкуренция в строительной отрасли выше, чем во многих других отраслях, особенно из-за легкости входа для новых игроков. Целью его исследования является изучение механизма финансовой несостоятельности строительных компаний. Для этого он использовал десятилетние данные компаний - банкротов в строительной отрасли. Его исследование доказывает, что процент банкротств в строительной отрасли будет увеличиваться с увеличением числа активных строительных компаний в относительно стабильной среде. Поэтому, по его мнению, чтобы оценивать вероятность банкротства для строительных компаний, годовые данные, полученные при рассмотрении общего количества активных строительных компаний, должны быть связаны с числом возможных банкротств. В результате в качестве наилучшего показателя банкротства предприятий в строительной отрасли он определил процент банкротств. По его исследованиям, к факторам, влияющим на процент банкротств строительных компаний, относятся:
— количество предприятий в отрасли;
— процентные ставки;
— инфляция;
— новая деловая активность.
Для каждого из указанных факторов Р. Кангари использовал различные индексы США, чтобы моделировать свои данные для прогнозирования общей перспективы банкротств:
— федеральную промежуточную ставку по кредиту как меру процентной ставки;
— индекс оценки контракта на F.W. Dodge (подразделение американского медиахолдинга McGraw-Hill) как меру строительной деятельности;
— обычные фиксированные долгосрочные ипотечные ставки в качестве меры процентной ставки в строительстве жилых объектов;
— индекс стоимости строительства в качестве меры инфляции;
— количество новых предприятий в отрасли, появившихся в течение каждого года, в качестве меры новой деловой активности.
Таким образом, в работах ученых были выделены следующие внешние факторы:
• ВВП;
• денежная масса;
• фондовый индекс;
• количество предприятий в отрасли;
• процентные ставки;
• инфляция;
• уровень безработицы;
• новая деловая активность;
• кредитная ставка;
• экономический рост;
• доля компании на рынке.
Все они в той или иной мере влияют на вероятность банкротства.
Обзор литературы позволяет выделить зависимые переменные к каждой из гипотез. К показателям финансового состояния предприятия относятся показатели оборачиваемости (16 показателей), показатели ликвидности (3 показателя), показатели
финансовой устойчивости (21 показатель), показатели рентабельности (15 показателей). Внешние факторы авторы разделили на две группы: микроокружение организации (11 факторов) и макроокружение организации (48 факторов).
Методология
Алгоритм создания logit-модели для диагностики риска банкротства предприятий строительной отрасли предполагает последовательную реализацию следующих этапов:
1) формирование массива предприятий банкротов и небанкротов;
2) формирование системы финансовых показателей, влияющих на риск банкротства;
3) создание logit-модели диагностики риска банкротства предприятий строительной отрасли.
Эмпирическая база исследования
Формирование выборочной совокупности осуществлялось с использованием нескольких информационных систем: базы данных RUSLANA, базы данных «СКРИН» и базы данных «СПАРК».
На первом шаге была собрана выборка по предприятиям-банкротам. В исследовании под ними понимались компании, по которым хотя бы раз было опубликовано сообщение о судебном акте, в результате которого было принято решение о признании должника банкротом и открытии конкурсного производства.
Стратегия поиска предприятий-банкротов с использованием информационной системы RUSLANA представлена в табл. 1.
Далее, сформированный таким образом набор предприятий-банкротов был объединен со списком, полученным посредством использования баз данных «СКРИН» и «СПАРК». На этапе предварительной обработки информация по выбранным предприятиям была сведена в единую базу с использованием языка программирования Microsoft Visual Basic for Applications в программе Microsoft Excel. При этом для несостоятельных компаний данные брались за один год до их фактического банкротства, а для финансово-здоровых организаций - за последнюю доступную дату. После завершения этапа предварительной обработки данных перед авторами встала задача очистки выборочной совокупности от статистических выбросов. Отметим, что первоначальный набор панельных данных
содержал большое количество пропущенных значений. Поэтому важным шагом в исследовании была проверка переменных, принимающих участие в анализе, на наличие пустых значений и их дальнейшее удаление из последующих этапов работы.
В результате был получен массив данных, состоящий из 220 российских малых и средних компаний строительной отрасли, среди которых было 77 банкротов.
На основе этих показателей разрабатывается 1о§й-модель диагностики риска банкротства, где в качестве зависимой переменной будет бинарная переменная, отражающая статус предприятия. Она будет принимать значение 1, если предприятие -банкрот по решению арбитражного суда, и значение 0, если предприятие не банкрот. Значение в интервале от 0 до 1 будет свидетельствовать о вероятности банкротства предприятия за 1 год.
Часть массива данных (80%) была использована для построения моделей. На остальных 20% тестировались модели, проверялась их эффективность.
Результаты регрессионного анализа
В исследовании разработана модель прогнозирования банкротства для средних и малых предприятий строительной отрасли с различными наборами финансовых коэффициентов посредством построения логистической регрессии.
Авторы выбрали показатели из различных групп (рентабельности, финансовой устойчивости, деловой активности, ликвидности), имеющих наименьшую корреляцию между собой.
Оставшиеся показатели были проверены на значимость методом р-уа1ие и отобраны те, чей уровень значимости меньше 0,15.
Матрица парных коэффициентов корреляции данных показателей представлена на рис. 1, а результаты анализа показателей компаний, оставшихся после всех процедур отсеивания - в табл. 2, 3.
Вероятность нулевой гипотезы (< 0,15) позволяет сделать вывод о сильном влиянии показателей на зависимую переменную г, то есть все семь коэффициентов являются важными и не могут быть исключены из модели.
Стандартная ошибка регрессии измеряет величину (квадрата) ошибки, приходящейся на одну степень
свободы модели. Она используется в качестве основной величины для измерения качества оценивания модели. Значение ошибки 0,194895 позволяет сделать вывод, что разработанная модель является качественной.
Значение коэффициента детерминации Я2 Макфаддена, равного 0,705232, говорит о том, что построенная модель объясняет почти всю изменчивость зависимой переменной изменчивостью предикторов (независимых переменных).
Также качество модели позволяет проверить тест отношения правдоподобия. Поскольку уровни значимости LR-статистики оказались равными нулю, следовательно, все коэффициенты модели являются значимыми и модель качественная.
На 20% массива модель показала точность прогноза, равного 86,75%.
Уравнение имеет вид: А(2 = 1/(1+е"2).
Используя рассчитанные коэффициенты, получим уравнение:
2 = 1 160,008331X1 - 7,990865408X2 -
- 9,013161758X3 + 0,001942978816X4 -
- 2,809532299X5 + 3,773190336X6 -
- 0,1343224635X7 - 172,1930777,
где X! - прирост объема кредитования; X2 - коэффициент абсолютной ликвидности;
Xз - рентабельность продаж;
Xл, - доходность инвестированного капитала;
X5 - совокупные обязательства к совокупным активам;
X6 - оборотные активы к совокупным активам;
XI - оборачиваемость кредиторской задолженности.
Если 2 > 0, то предприятие считается банкротом.
Прирост объема кредитования рассчитывается следующим образом:
П ок ="
OKJ-OK1
OKt_!
где ОК - объем кредитования за текущий год; ОК - 1 - объем кредитования за предыдущий год.
Малые и средние предприятия в большей мере зависят от объема кредитования. Многие фирмы, недавно вошедшие в отрасль, получают небольшую прибыль. Вследствие этого возникают ситуации, когда предприятие из-за отсутствия свободных денежных средств не может произвести продукцию и реализовать ее. В этом случае одну из ключевых ролей играет объем кредитования. Таким образом, анализ влияния внешних факторов на банкротство малых и средних предприятий выявил, что наибольшее влияние на банкротство имеет объем кредитования. Кредитование жизненно необходимо почти всем малым и средним предприятиям, причем малым в большей степени.
Коэффициент абсолютной ликвидности - это доля краткосрочных обязательств, которая может быть незамедлительно погашена имеющимися денежными средствами и эквивалентами и краткосрочными финансовыми вложениями. Рассчитывается как
K„ л—
ДС+фвк
O к
показатель чистой прибыли, поэтому ROS будет исчисляться по формуле
ROS = Чистая прибыль /Выручка.
Нормальное значение рентабельности продаж определяется отраслевыми и прочими особенностями работы организации. В изучаемом массиве большинство предприятий-банкротов имеет отрицательную рентабельность продаж. С ростом данного показателя уменьшается риск банкротства, таким образом, наблюдается обратная взаимосвязь между рентабельностью продаж и риском банкротства.
Доходность инвестированного капитала. Этот показатель дает информацию о том, насколько эффективно менеджмент компании инвестирует средства в ее основную деятельность. Доходность инвестированного капитала - это отдача на сумму вложенных в проект денежных средств. Она рассчитывается по формуле
Д и
EBIT - Р н ИК
где Ка.л - коэффициент абсолютной ликвидности;
ДС - денежные средства;
ФВк - краткосрочные финансовые вложения;
Ок - краткосрочные обязательства.
Нормальным считается значение коэффициента более 0,2. Чем выше показатель, тем лучше платежеспособность предприятия. Однако слишком высокое значение показателя сигнализирует о нерациональной структуре капитала: велика доля неработающих активов в виде наличных денег и средств на счетах. По изучаемой выборке предприятий нельзя сделать однозначный вывод о влиянии одного этого показателя на банкротство предприятий. Коэффициент абсолютной ликвидности вносит большой вклад в прогнозирование банкротства именно в построенной модели.
Рентабельность продаж. Этот показатель финансовой результативности деятельности организации показывает, какую долю прибыль составляет в выручке компании. При расчете финансового результата может использоваться множество показателей прибыли, поэтому существуют различные вариации рентабельности продаж. В построенной модели используется
EBIT - прибыль до вычета процентов и налогов (Earnings Before Interest and Taxes);
Рн.п. - расходы по налогу на прибыль;
ИК - средний за период инвестиционный капитал по балансовой стоимости.
Анализ массива предприятий выявил, что с ростом этого показателя уменьшается риск банкротства. Таким образом, между ROIC и риском банкротства наблюдается обратная взаимосвязь.
Совокупные обязательства к совокупным активам. Рассчитывается как отношение совокупных обязательств и совокупных активов и показывает, сколько долга привлечено на единицу совокупных активов. Другими словами, показатель демонстрирует, какая доля активов предприятия финансируется за счет займов.
Оборотные активы к совокупным активам. Показатель рассчитывается как отношение оборотных активов к совокупным активам. Этот показатель, как и коэффициент абсолютной ликвидности, в отдельности не может определенно свидетельствовать о риске банкротства. Его также надо исследовать непосредственно в модели.
Оборачиваемость кредиторской задолженности рассчитывается как отношение себестоимости и средней за период кредиторской задолженности и
отражает оборачиваемость кредиторской задолженности (по себестоимости). Другими словами, коэффициент показывает, за какое количество оборотов происходит оплата долгов предприятия. Высокая оборачиваемость кредиторской задолженности может свидетельствовать об улучшении платежной дисциплины предприятия. Этот показатель также имеет большое влияние на прогнозирование риска банкротства в модели.
Прогностическая точность авторской модели, включающей в себя описанные показатели, имеет значения:
- для здоровых организаций - 88,89%;
- для банкротов - 84,62%;
- общая вероятность - 86,75%.
Для сравнения прогностической способности разработанной модели с некоторыми существующими, авторы проверили их на выборке компаний строительной отрасли. Результаты показали, что наивысшую среднюю точность показала авторская модель. Это объясняется тем,
что модели, построенные на данных предприятий всех отраслей, не могут быть достаточно точными в конкретной отрасли, в силу того что не учитывают ее специфику.
Разработанная модель показала высокую точность прогнозирования банкротства. Оценивая ее положительные стороны, стоит отметить, что она является действительно комплексной, так как содержит ряд ключевых факторов, характеризующих деятельность организации с различных сторон, в том числе и макроэкономической ситуации в стране, отраслевой специфики организации, динамики масштабов ее деятельности. Кроме того, модель была изначально разработана для отечественных организаций и позволяет учесть их качественные показатели и особенности деятельности. При этом авторы подчеркивают, что рекомендуется периодически рассчитывать итоговый показатель в соответствии с предложенной моделью и анализировать его динамику. Таким образом финансовый менеджер сможет определить, в какую сторону развивается компания и своевременно провести эффективные мероприятия по предотвращению банкротства.
Таблица 1
Основные критерии отбора для формирования выборки несостоятельных предприятий из базы данных RUSLANA
Table 1
Key selection criteria to form the sample of insolvent enterprises from RUSLANA database
Критерий Описание
Территория ведения операционной Российская Федерация
деятельности
Статус Три состояния: — действующее предприятие (процедура банкротства); — недействующее предприятие (банкротство); — ликвидировано (банкротство).
Правовая форма НЕ Филиал; НЕ Индивидуальный предприниматель.
Источник: база данных RUSLANA Source: RUSLANA database
Таблица 2 Коэффициенты уравнения модели Table 2
Model equation coefficients
Переменная Коэффициент Стандартное отклонение z-Statistic Вероятность нулевой гипотезы
X 1160,008 209,3445 5,541146 0
X2 -7,990865 4,999937 -1,598193 0,11
X3 -9,013162 2,337443 -3,855992 0,0001
X4 0,001943 0,000828 2,346234 0,0190
X5 -2,809532 1,917186 -1,465446 0,1428
Хб 3,773190 2,040014 1,849591 0,0644
X7 -0,134322 0,087318 -1,538320 0,124
C -172,1931 30,99802 -5,554970 0
Источник: расчеты авторов в программе EViews, версия 4.0 Source: Authoring, using the EViews software, version 4.0
Таблица 3
Описательная статистика модели Table 3
Descriptive statistics of the model
Показатель Значение
Среднее значение 0,277108
Стандартная ошибка регрессии 0,194895
Сумма квадратов остатков регрессии 6,001489
Логарифм функции правдоподобия -28,87949
Ограниченная логарифмическая функция правдоподобия -97,97346
Критическая статистика для теста отношения правдоподобия 0
Наблюдений со значением ноль 125
Стандартное отклонение переменной 0,448925
Информационный критерий Акаике 0,444331
Информационный критерий Шварца 0,594306
Информационный критерий Хеннана-Куинна 0,505207
Средняя логарифмическая функция правдоподобия -0,173973
Коэффициент детерминации К2 Макфаддена 0,705232
Всего наблюдений 176
Источник: расчеты авторов в программе EViews, версия 4.0 Source: Authoring, using the EViews software, version 4.0
Рисунок 1
Матрица парных коэффициентов корреляции показателей
Figure 1
An indicator pair coefficient correlation matrix
Переменная Xi X2 X3 X4 X5 X6 X7
Xi 1 -0,04275 -0,11943 -0,29377 0,258934 -0,02229 -0,05414
X2 -0,04275 1 0,021631 0,013061 -0,11795 -0,05234 0,242385
X3 -0,11943 0,021631 1 -0,00278 -0,3387 -0,08893 0,028052
X4 -0,29377 0,013061 -0,00278 1 -0,23599 -0,06297 0,014839
X5 0,258934 -0,11795 -0,3387 -0,23599 1 0,059349 -0,11319
X6 -0,02229 -0,05234 -0,08893 -0,06297 0,059349 1 -0,05554
X7 -0,05414 0,242385 0,028052 0,014839 -0,11319 -0,05554 1
Примечание. X\ - прирост объема кредитования; Хг - коэффициент абсолютной ликвидности; Хз - рентабельность продаж ROS; Х4 - доходность инвестированного капитала ROIC; Х5 - совокупные обязательства к совокупным активам; Х6 - оборотные активы к совокупным активам; Х7 - оборачиваемость кредиторской задолженности. Источник: расчеты авторов в программе EViews, версия 4.0
Note. Х1 - increase in crediting; Х2 - absolute liquidity ratio; Хз - return on sales of ROS; Х4 - profitability of invested capital ROIC; Х5 - total liabilities to total assets; Х6 - current assets to total assets; Х7 - payables turnover. Source: Authoring, using the EViews software, version 4.0
Список литературы
1. Churyk N.T., Yu Sh., Gross G.M., Stoettner R. Johnson Manufacturing case study-bankruptcy // Journal of Accounting Education. 2015. Vol. 33. Iss. 4. Р. 309-316. doi: http://dx.doi.org/10. 1016/j.j accedu.2015.10.001
2. Beaver W.H. Financial Ratios as Predictors of Failure // Journal of Accounting Research. 1966. Vol. 4. P. 71-111.
3. Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // Journal of Finance. 1968. Vol. 23. No. 4. P. 589-609.
4. Taffler R.J., Tisshaw H. Going, Going, Gone - Four Factors which Predict // Accountancy. 1977. Vol. 88. P. 50-54.
5. Keasey K., Watson R. Financial Distress Prediction Models: A review of their usefulness // British Journal of Management. 1991. Vol. 2. No. 2. P. 89-102. doi: 10.1111/j.1467-8551.1991.tb00019.x
6. Зайцева О.П. Антикризисный менеджмент в российской фирме // Сибирская финансовая школа. 1998. № 11-12. С. 66-73.
7. Федорова Е.А., Гиленко Е.В., Довженко С.В. Методология прогнозирования банкротства: особенности российских предприятий // Проблемы прогнозирования. 2013. № 2. С. 8-12.
8. Демешев Б.Б., Тихонова А.С. Прогнозирование банкротства российских компаний: межотраслевое сравнение // Экономический журнал ВШЭ. 2014. Т. 18. № 3. С. 359-386.
9. Karas М., Reznakova M. Predicting Bankruptcy under Alternative Conditions: The Effect of a Change in Industry and Time Period on the Accuracy of the Model // Procedia - Social and Behavioral Sciences. 2015. Vol. 213. P. 397-403. doi: 10.1016/j.sbspro.2015.11.557
10. Данилова Ю.А. Моделирование прогнозирования банкротства предприятий обрабатывающего производства // Аудит и финансовый анализ. 2011. № 1. С. 107-113.
11. Alifiah M.N. Prediction of Financial Distress Companies in the Trading and Services Sector in Malaysia Using Macroeconomic Variables. 2nd International Conference on Innovation, Management and Technology Research. Procedia - Social and Behavioral Sciences. 2014. Vol. 129. P. 90-98.
12. Petersen C., Plenborg T. Financial Statement Analysis: Valuation, Credit Analysis and Executive Compensation. England: Pearson Education Limited, 2012. 478 p.
13. Zmijewsk M.E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models // Journal of Accounting Research. 1984. Vol. 22. P. 59-82.
14. Mironiuc M., Taran A. The Significance of Financial and Non-Financial Information in Insolvency Risk Detection // Procedia - Economics and Finance. 2015. Vol. 26. P. 750-756. doi: 10.1016/S2212-5671(15)00834-5
15. Кочугуева М.Н., Киселева Н.Н., Анпилов С.М. Анализ внешних и внутрифирменных факторов банкротства на примере российских компаний // Вестник Самарского государственного университета. 2014. Т. 113. № 2. С. 25-36.
16. Al-Kassar A.T., Soileau J.S. Financial Performance Evaluation and Bankruptcy Prediction (Failure) // Arab Economics and Business Journal. 2014. Vol. 9. Iss. 2. P. 147-155. doi: 10.1016/j.aebj.2014.05.010
17. Bunn P., Redwood V. Company Accounts Based Modelling of Business Failures and the Implications for Financial Stability // Bank of England Quarterly Bulletin. 2003. Vol. 43. No. 4. P. 462-463.
18. Hol S. The Influence of the Business Cycle on Bankruptcy Probability // International Transactions in Operational Research. 2007. Vol. 14. No. 1. P. 75-90. doi: 10.1111/j.1475-3995.2006.00576.x
19. Kloster B.T., Jacobsen H.D. What Influences the Number of Bankruptcies? // Economic Bulletin. 2005. Vol. 76. No. 4. P. 191-211.
20. Wadhwani S.B. Inflation, Bankruptcy Default Premia and the Stock Market // The Economic Journal. 1986. Vol. 96. No. 381. P. 120-138.
21. Kangari R. Business Failure in Construction Industry // Journal of Construction Engineering and Management. 1988. Vol. 114. No. 2. P. 172-190. doi: http://dx.doi.org/10.1061/(ASCE)0733-9364(1988)114:2(172)
Финансовая аналитика: Financial Analytics:
проблемы и решения 42 (2016) 2-12 Science and Experience
ISSN 2311-8768 (Online) Mathematical Analysis and Modeling in Economics
ISSN 2073-4484 (Print)
FORECASTING THE ENTITY'S BANKRUPTCY
IN LINE WITH THE OPERATING ENVIRONMENT FACTORS
Elena A. FEDOROVAa% Mikhail P. LAZAREVb, Aleksandr V. FEDINc
a Financial University under Government of Russian Federation, Moscow, Russian Federation ecolena@mail.ru
b Financial University under Government of Russian Federation, Moscow, Russian Federation mp_laz@mail.ru
c Financial University under Government of Russian Federation, Moscow, Russian Federation businesman95@mail.ru
• Corresponding author
Article history:
Received 21 September 2016 Received in revised form 6 October 2016 Accepted 24 October 2016
JEL classification: D24
Keywords: bankruptcy, enterprise, insolvency, forecast, logit model
Abstract
Importance The article discusses factors that influence the bankruptcy risk, and presents a model to forecast it.
Objectives The research identifies external and internal factors that influence the bankruptcy risk most of all, and builds up a model to forecast the bankruptcy of construction enterprises. Methods The research involved a method of logistic regression, which helped to detect the above factors, and built up a model to forecast the bankruptcy. The model relies upon data of medium-sized and small construction entities.
Results We found internal and external factors that had a considerable impact on the enterprises' bankruptcy. We also build up a model to project the bankruptcy scenario of medium-sized and small enterprises. Thus, we verified the presumable impact of financial indicators on the entity's bankruptcy, and factors of the operating environment.
Conclusions and Relevance The bankruptcy forecasting model will help managers, shareholders, would-be investors and other stakeholders to monitor the current position of the company and project possible bankruptcy.
© Publishing house FINANCE and CREDIT, 2016
References
1. Churyk N.T., Yu Sh., Gross G.M., Stoettner R. Johnson Manufacturing case study-bankruptcy. Journal of Accounting Education, 2015, vol. 33, iss. 4, pp. 309-316. doi: http://dx.doi.org/10. 1016/j.j accedu.2015.10.001
2. Beaver W.H. Financial Ratios as Predictors of Failure. Journal of Accounting Research, 1966, vol. 4, pp. 71-111.
3. Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy.
The Journal of Finance, 1968, vol. 23, no. 4, pp. 589-609.
4. Taffler R.J., Tisshaw H. Going, Going, Gone - Four Factors Which Predict. Accountancy, 1977, vol. 88, pp.50-54.
5. Keasey K., Watson R. Financial Distress Prediction Models: A Review of Their Usefulness. British Journal of Management, 1991, vol. 2, no. 2, pp. 89-102. doi: 10.1111/j .1467-8551.1991.tb00019.x
6. Zaitseva O.P. [Crisis management in the Russian firm]. Sibirskaya fmansovaya shkola = Siberian Financial School, 1998, no. 11-12, pp. 66-73. (In Russ.)
7. Fedorova E.A., Gilenko E.V., Dovzhenko S.V. [Bankruptcy prediction models: specifics of the Russian entities]. Problemyprognozirovanija = Problems of Forecasting, 2013, no. 2, pp. 8-12. (In Russ.)
8. Demeshev B.B., Tikhonova A.S. [Forecasting the bankruptcy of the Russian companies: cross-sectoral comparison]. Ekonomicheskii zhurnal vysshei shkoly ekonomiki = HSE Economic Journal, 2014, vol. 18, no. 3, pp. 359-386. (In Russ.)
9. Karas M., Reznakova M. Predicting Bankruptcy under Alternative Conditions: The Effect of a Change in Industry and Time Period on the Accuracy of the Model. Procedia - Social and Behavioral Sciences, 2015, vol. 213, pp. 397-403. doi:10.1016/j.sbspro.2015.11.557
10. Danilova Yu.A. [Modeling the procedure to forecast the bankruptcy of processing enterprises]. Audit i finansovyi analiz = Audit and Financial Analysis, 2011, no. 1, pp. 107-113. (In Russ.)
11. Alifiah M.N. Prediction of Financial Distress Companies in the Trading and Services Sector in Malaysia Using Macroeconomic Variables. 2nd International Conference on Innovation, Management and Technology Research. Procedia - Social and Behavioral Sciences, 2014, vol. 129, pp. 90-98.
12. Petersen C., Plenborg T. Financial Statement Analysis: Valuation, Credit Analysis and Executive Compensation. Pearson Education Limited, 2012, 478 p.
13. Zmijewski M.E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models.
Journal of Accounting Research, 1984, vol. 22, pp. 59-82.
14. Mironiuc M., Taran A. The Significance of Financial and Non-Financial Information in Insolvency Risk Detection. Procedia - Economics and Finance, 2015, vol. 26, pp. 750-756. doi: 10.1016/S2212-5671(15)00834-5
15. Kochugueva M.N., Kiseleva N.N., Anpilov S.M. [Analyzing external and internal corporate factors of bankruptcy: evidence from the Russian companies. Part 2]. Vestnik Samarskogo gosudarstvennogo universiteta = Vestnik of Samara State University, 2014, vol. 113, no. 2, pp. 25-36. (In Russ.)
16. Al-Kassar A.T., Soileau J.S. Financial Performance Evaluation and Bankruptcy Prediction (Failure). Arab Economics and Business Journal, 2014, vol. 9, iss. 2, pp. 147-155. doi: 10.1016/j.aebj.2014.05.010
17. Bunn P., Redwood V. Company Accounts Based Modelling of Business Failures and the Implications for Financial Stability. Bank of England Quarterly Bulletin, 2003, vol. 43, no. 4, pp. 462-463.
18. Hol S. The Influence of the Business Cycle on Bankruptcy Probability. International Transactions in Operational Research, 2007, vol. 14, iss. 1, pp. 75-90. doi: 10.1111/j.1475-3995.2006.00576.x
19. Kloster B.T., Jacobsen H.D. What Influences the Number of Bankruptcies? Economic Bulletin, 2005, vol. 76, no. 4, pp. 191-211.
20. Wadhwani S.B. Inflation, Bankruptcy Default Premia and the Stock Market. The Economic Journal, 1986, vol. 96, no. 381, pp. 120-138.
21. Kangari R. Business Failure in Construction Industry. Journal of Construction Engineering and Management, 1988, vol. 114, no. 2, pp. 172-190. doi: http://dx.doi.org/10.1061/(ASCE)0733-9364(1988)114:2(172)
