CC BY
93ПРОГНОЗИРОВАНИЕ БАНКРОТСТВА СЕЛЬСКОХОЗЯЙСТВЕННЫХ ТОВАРОПРОИЗВОДИТЕЛЕЙ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ДИСКРИМИНАНТНОГО АНАЛИЗА
СЛ. КУЧЕРЕНКО
ФГОУВПО «Кубанский государственный аграрный университет»
Проблема оценки финансового состояния с точки зрения экономических взаимоотношений сегодня в большей степени актуальна в сфере диагностики неплатежеспособности потенциального партнера. Способность клиента обслуживать свою текущую задолженность вызывает интерес кредитных и страховых организаций. Государственными структурами прослеживается степень погашения хозяйствующими субъектами обязательных платежей в бюджет. Возможность снижения финансовой устойчивости и платежеспособности организации в перспективе принимается во внимание руководством организации при принятии управленческих решений.
Обобщая результаты анализа прогнозных методик, необходимо отметить разнообразие методов и моделей, применяемых в целях оценки и прогнозирования несостоятельности либо восстановления платежеспособности экономического субъекта. На взгляд автора, наиболее приемлемыми и точными прогнозными моделями на сегодняшний день остаются модели, разработанные на основе многомерного дискриминантного анализа. При этом существует возможность не только оценки вероятности банкротства на текущий момент, но и расчет такой вероятности на перспективу. Подтверждением этому служат разработки Эдварда Альтмана, представляющие актуальность в экономической среде США и на сегодняшний день.
При разработке модели прогноза банкротства с использованием дискриминантного анализа необходимо учитывать определенные особенности. Так, в целях проводимого анализа уровень финансового состояния организации играет второстепенную роль, в данном случае результативным фактором является наличие процедуры банкротства. С этой
целью существует объективная необходимость исследования двух соразмерных групп предприятий, одна из которых представлена организациями-банкротами, другая — предприятиями, не подверженными данной процедуре. Дискриминантный анализ в этом случае позволяет установить наличие уровня зависимости между совокупностью выбранных переменных и состоянием организации (банкрот — не банкрот) и выявить переменные, наиболее сильно характеризующие исследуемые позиции. Дальнейший прогноз осуществляется исходя из анализа данных за ряд лет, предшествующих процедуре банкротства.
При исследовании была использована выборка сельскохозяйственных организаций Краснодарского края, специализацией которых является выращивание озимой пшеницы, производство молока и мяса крупного рогатого скота и свиней.
В процессе формирования выборки особое значение придавалось периоду банкротства. Для исследования были отобраны 56 сельскохозяйственных организаций: в 28 из них на период исследования введена процедура конкурсного производства, остальные 28 являются организациями с различной степенью финансового состояния, где процедура банкротства не осуществлялась.
В целях избежания влияния временного фактора были отобраны организации, в которых процедура банкротства была инициирована в 2004 — 2005 гг. Отбор информации для анализа предприятий-банкротов проводился на основании последних годовых отчетов, предшествующих процедуре банкротства. Таким образом, информация по предприятиям, обанкротившимся в 2004 г. и инициировавшим данную процедуру, в 2005 г. в целях проводимого анализа была приведена в
соответствие с критериями аналитичности и сопоставимости. Согласно методологии анализа, результаты исследования должны изначально определить вероятность наступления процедуры в течение года, следующего за отчетным.
Следует отметить, что для прогнозирования банкротства в России характерны определенные трудности. Это объясняется тем, что наступление процедуры банкротства в отличие от формирования обстоятельств экономического кризиса в значительной степени подвержено влиянию факторов, не имеющих математического выражения. И если состояние экономического кризиса наступает постепенно, сопровождаясь ухудшением финансовой устойчивости и платежеспособности, то банкротство организации, как показывает практика, может быть инициировано практически на любой стадии ее финансового состояния. Данный аспект усложняет выявление основополагающих факторов, определяющих классификацию.
При подобном стечении обстоятельств для увеличения разделительной способности функции целесообразным является включение в модель большего числа переменных, определяющих классовую принадлежность субъекта исследования. Однако не имеет смысла перенасыщать функцию переменными с достаточно низким уровнем значимости.
Для анализа данных была использована совокупность из 23 переменных, характеризующих платежеспособность, финансовую устойчивость, деловую активность, рентабельность и другие аспекты деятельности организаций.
Последующий пошаговый дискриминантный анализ с исключением позволил выявить шесть наиболее значимых с точки зрения разделения групп переменных:
Х1 — коэффициент абсолютной ликвидности;
Х2 — коэффициент рентабельности оборотных активов;
Х3 — коэффициент рентабельности продаж;
Х4 — коэффициент рентабельности производства;
Х5 — коэффициент деловой активности оборотных активов;
Х6 — коэффициент фондоотдачи.
На основании выявленных переменных была составлена модель:
Z = — 0,748Х1 + 15,288Х2 + 15,435Х3 — — 17,667Х4 + 9,378Х5 — 0,375Х6.
Экономический анализ полученной функции выявил склонность к отсутствию процедуры бан-
кротства у организаций, имеющих минимальный излишек свободных денежных средств на счетах и высокий уровень обозначенных показателей рентабельности и оборачиваемости оборотных активов. При этом рост уровня фондоотдачи характеризует тенденцию возникновения банкротства. Последняя закономерность при своей явной противоречивости имеет простое объяснение. При высоком уровне изношенности основных фондов у многих сельскохозяйственных организаций в силу ряда обстоятельств отсутствует возможность их обновления. Таким образом, в Краснодарском крае в последнее время наблюдается усиление тенденции аренды сельскохозяйственной техники на период уборки урожая. В этом случае при росте количества товарной продукции на 1 руб. остаточной стоимости собственных основных фондов фактически происходит «вымывание» оборотных активов организации через арендные платежи. Это негативно сказывается на уровне финансового состояния предприятия и, как было обозначено ранее, является одной из предпосылок процедуры банкротства.
При статистическом анализе значимости переменных было выявлено, что наибольшую разделительную способность в модели имеет коэффициент деловой активности оборотных активов. Сильную разделительную функцию в модели несут показатели рентабельности (Х2, Х3, Х4). Пробное поочередное исключение данных переменных из модели повлекло за собой значительное снижение ее разделительной способности. Следует отметить, что наше решение о включении в модель сразу трех показателей рентабельности помимо исследования их частных статистик было продиктовано достаточно низким значением коэффициента множественной корреляции и детерминации каждого из них. Так, несмотря на то, что методика расчета данных показателей схожа, влияние каждой отдельной переменной дублируется влиянием других в самом худшем случае не более чем на 15,7 %. Это говорит о значительной факторной роли каждой из рассматриваемых переменных.
Расчет значений модели по исследуемой выборке позволил выявить следующую градацию значений: при Z< 10,3 организация подвержена банкротству в течение ближайшего года. Значения Z, находящиеся в промежутке от 10,3 до 11,6, являются зоной неопределенности. В этом случае имеется одинаковая вероятность обоих результатов исхода. При Z > 11,6 можно говорить о том, что в организации в течение ближайшего года не будет инициирована процедура банкротства.
Для определения степени достоверности модели нами была составлена классификационная
матрица (табл. 1).
Таблица 1
Результаты прогноза (однолетний период)
Фактическое состояние организаций Предсказанные значения Процент совпадения, %
Банкрот Не банкрот
Банкрот 25 (24) 3 (4) 89,29 (85,71)
Не банкрот 2 (2) 26 (26) 92,86 (92,86)
ИТОГО... 27 (26) 29 (30) 91,07 (89,29)
Как видно из данных табл. 1, при применении разработанной модели возможны два типа ошибок прогноза:
— при прогнозировании сохранения платежеспособности организации в действительности происходит банкротство;
— прогнозируется банкротство, а предприятие сохраняет платежеспособность.
В качестве критериального показателя при составлении матрицы использовалось значение /-счета, равное 11,6. В скобках указаны результаты классификации при разделяющем значении — 10,3. Исходя из данных классификационной матрицы, следует отметить возникновение ошибки первого рода в 10,7 % случаев. Следовательно, с достаточно высокой вероятностью (89,3 %) можно утверждать, что при попадании значения Zв обозначенный нами интервал организация в ближайший год станет банкротом. При этом необходимо отметить очень высокую вероятность правильного предсказания избежания банкротства (92,9 %). Соответственно модель имеет высокий общий предуктив-ный уровень (91,1 %).
Из табл. 2 следует, что при прогнозе состояния организации на двухлетний период наблюдается очень высокая предсказательная способность модели относительно предприятий-банкротов, так как уровень совпадения исследуемых значений составил 92,7 %. Также с достаточно высокой вероятностью (60,7 %) можно утверждать, что при
Литература
попадании Zв интервал (11,6; +<») банкротства в двухлетний промежуток времени не произойдет.
Таблица 2
Результаты прогноза, двухлетний период
Фактическое состояние организаций Предсказанные значения Процент совпадения, %
Банкрот Не банкрот
Банкрот 26 (23) 2 (5) 92,86 (82,14)
Не банкрот 11 (8) 17 (20) 60,71 (71,43)
ИТОГО... 37 (31) 19 (25) 76,79 (76,79)
Таким образом, общая предуктивная способность функции на период до двух лет составила 76,8 %. Результаты оценки точности прогноза при помощи разрабатываемой модели обобщены в табл. 3.
Таблица 3
Точность прогнозирования, %
Год, предшествующий банкротству Общая предсказательная способность модели Вероятность банкротства Вероятность отсутствия банкротства
1 91,07 (89,29) 89,29 (85,71) 92,86 (92,86)
2 76,79 (76,79) 92,86 (82,14) 60,71 (71,43)
Отличительной особенностью созданной модели является ее разработка в российских условиях с учетом отраслевой принадлежности и уровня специализации организаций. Полученная модель способна с точностью до 89,3 % информировать о наступлении процедуры банкротства сельскохозяйственного товаропроизводителя в течение ближайшего года и с точностью до 92,7 % в течение двухлетнего периода. При этом представленная модель характеризуется высокой общей прогнозной точностью, составляющей 91,1 % при прогнозе состояния предприятия на ближайший год, и 76,8 % — в течение двух ближайших лет. Тестирование функции на различных выборках организаций позволит говорить о степени достоверности осуществления прогноза несостоятельности не только для сельскохозяйственных товаропроизводителей Краснодарского края, но и в целом по России.
1. Ефимова М. Р., Петрова Е. В., Румянцев В. Н. Общая теория статистики: Учебник. — М.:ИНФРА-М, 1996. - 416с.
2. Каримов Р. Н. Основы дискриминантного анализа: Учебно-методическое пособие. — Саратов: СГТУ, 2002. — 108 с.
3. Факторный, дискриминантный и кластерный анализ: Пер. с англ. /Джон Ким, Ч. У. Мьюллер и др. 215 с. — М.: Финансы и статистика, 1989.
4. Халафян А. А. Статистический анализ данных. STATISTICA 6.0. — 2-е изд., испр. и доп.: Учеб. пособие. — Краснодар: КубГУ, 2005. — 307 с.
