CC BY
125УДК 33 ББК 65
DOI 10.24411/2073-3305-2021-3-206-211
ТЕОРЕТИЧЕСКИЙ ОБЗОР КЛАССИЧЕСКИХ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА ПРЕДПРИЯТИЙ
Гульнара Абдулловна САЛАХЕТДИНОВА,
адвокат, соискатель степени доктора юридического администрирования, Национальный исследовательский университет «Высшая школа экономики»
E-mail: Gsalakhetdinova83@gmail.com
Научный руководитель: Д.Ю. Шестаков, доктор юридических наук, профессор, DBA,
научный руководитель Института юридического менеджмента ВШЮА НИУ «Высшая школа экономики»
Аннотация. Прогнозирование банкротства является индикативным методом определения кризисных периодов существования коммерческих компаний. Такие модели могут быть полезны для инвесторов, кредиторов, аудиторов и лиц, определяющих государственную политику. Для банков эти модели могут снизить стоимость анализа и повышения собираемости долгов. Статистика увеличения числа предприятий-банкротов в последние годы ставит перед современным экономическим сообществом задачу сокращения числа финансово неустойчивых предприятий за счет своевременного и точного осуществления прогнозирования вероятности наступления банкротства. В связи с этим в данной работе рассматриваются теоретические аспекты прогнозирования банкротства предприятий.
Ключевые слова: банкротство; модель определения банкротства; Альтман; прогнозирование банкротства.
THEORETICAL REVIEW OF CLASSICAL MODELS FOR FORECASTING BANKRUPTCY OF ENTERPRISES
Gulnara Abdullovna SALAKHETDINOVA,
lawyer, candidate for doctor
of legal administration degree, HSE University
E-mail: Gsalakhetdinova83@gmail.com
Scientific adviser: D.Yu. Shestakov, doctor of law, professor, DBA, academic supervisor of the Institute of Legal Management of the Higher School of Law, National Research University "Higher School of Economics"
Abstract. Bankruptcy forecasting is an indicative method for determining the crisis periods of commercial companies. Such models can be useful for investors, creditors, auditors, and public policy makers. For banks, these models can reduce the cost of analysis and increase debt collection. The statistics of the increasing number of bankruptcy enterprises in recent years have challenged the modern economic community to reduce the number of financially unstable businesses by making timely and accurate predictions of the likelihood of bankruptcy. In this regard, this paper considers the theoretical aspects of enterprise bankruptcy forecasting.
Key words: bankruptcy; bankruptcy determination model; Altman; bankruptcy prediction.
Проблема прогнозирования банкротства предприятия занимает особое место среди практических и теоретических вопросов управления компанией. Оценка текущего финансового состояния и определение вероятности возможного банкротства представляют интерес не только для акционеров, поставщиков, кредиторов и других лиц с целью выбора перспективных и надежных деловых партнеров по бизнесу. Это является актуальным вопросом и для менеджеров компании, что позволяет им заблаговременно распознать признаки ухудшения финансового положения, оперативно отреагировать и, таким образом, уменьшить риск банкротства посредством своевременного проведения соответствующих мероприятий по борьбе с неплатежеспособностью предприятия.
В связи с этим целью данной статьи является обзор ключевых моделей прогнозирования банкротства, наиболее широко применяемых на сегодняшний день.
Вопросы исследования банкротства предприятий — крайне важная сфера исследований ученых, что обусловлено важностью выявления предбанкротных компаний для взаимодействия с ними. Особняком стоят исследования, направленные на создание новых моделей выявления таких случаев.
В табл. 1 представлены данные о проводимых исследованиях относительно формирования прогностических моделей в части выявления банкротства, а также те цели, которые преследовали авторы рассматриваемых статей.
Таблица 1. Основные цели исследований среди некоторых зарубежных работ на тему прогнозирования банкротства
Автор Цель исследования
Min and Jeong (2009) [1] Предложить новый метод прогнозирования банкротства на основе генетических алгоритмов
Chen et al. (2009) [2] Предложить альтернативный нейро-нечеткий подход, который объединяет функциональность нечеткой логики и способность к обучению нейронных сетей
Boyacioglou et al. (2009) [3] Применить и сравнить различные методы нейронных сетей с применением векторных машин и многомерных статистических методов для прогнозирования банкротств банков
Chauhan et al. (2009) [4] Предложить новый метод прогнозирования банкротства, который объединяет нейронные сети и эволюционные алгоритмы
Cho et al. (2009) [5] Разработать метод, который объединяет два статистических и два А1 метода во взвешенной схеме. Метод дифференцирует веса исходных методов для каждого объекта в выборке
Etemadi et al. (2009) [6] Разработать модель генетического программирования для прогнозирования банкротства
Hung and Chen (2009) [7] Использовать совокупность трех классификаторов: деревья решений, обратное распространение ошибки обучения нейронной сети и SVM. На основе ожидаемых вероятностей наступления банкротства и небанкротства метод использует преимущества и нивелирует недостатки отдельных классификаторов
Yoon and Kwon (2010) [8] Рассмотреть вопрос прогнозирования банкротства для малого бизнеса. Так как финансовые данные для малого бизнеса недоступны, для анализа использовали данные о продажах посредством банковских карт
Du Jardin (2010) [9] Проанализировать влияние различных методов выбора переменных на точность модели, в том числе для нейронных сетей. Изучить связь между структурой модели и ее способностью классифицировать фирмы-банкроты
Cecchini et al. (2010) [10] Использовать для прогнозирования банкротства текстовый анализ пояснений к финансовым результатам и анализ годового отчета по Форме 10-К (Годовой отчет, представляемый в Комиссию по ценным бумагам и биржам США). Для улучшения прогностической силы модель объединяла в себе текстовые и финансовые количественные данные
Из представленного списка исследований можно сделать вывод, что исследования в части выявления банкротства носят крайне широкий характер — исследователи анализируют большой объем информации, а также используют новейшие достижения в сфере технологического прогресса для создания специализированных предиктивных моделей.
Тем не менее, несмотря на широкое исследование новых моделей определения банкротства, большая часть из них строится на основании классических моделей банкротства, которым и посвящена данная статья.
К настоящему моменту было разработано значительное количество зарубежных и отечественных моделей, предсказывающих вероятность наступления банкротства, основанных на различных факторах. Выбор оптимального набора переменных с учетом совокупности значимых факторов, отражающих политические, экономические, социальные особенности макросреды и отраслевые особенности предпри-
С помощью двухфакторной модели нельзя провести комплексную оценку финансового положения предприятия, поэтому экономисты в большинстве случаев используют пятифак-торную модель Альтмана. В основе модели
ятия, способны значительно увеличить прогнозную силу модели.
1. Модель Альтмана — это формула, предложенная американским экономистом Эдвардом Альтманом, которая прогнозирует вероятность банкротства предприятия.
Модель Альтмана, показывающая вероятность банкротства, построена на выборе из 66 компаний. В нее входит 33 успешные компании и 33 компании-банкроты. Точность модели составляет 95%.
Существуют двухфакторная и пятифактор-ная модели Альтмана. Самой простой является двухфакторная модель. Для нее используются два ключевых показателя: коэффициент текущей ликвидности и коэффициент удельного веса заемных средств в активах. Эти коэффициенты перемножаются на весовые коэффициенты (а, Ь, у), определенные практическими расчетами.
Формула двухфакторной модели Альтмана выглядит следующим образом [12]:
(1)
лежит линейная дискриминантная функция, коэффициенты которой рассчитываются по данным исследования совокупности компаний.
Формула пятифакторной модели Альтмана выглядит следующим образом:
22 = а + Ь • (Коэффициент текущей ликвидности) + у х х (Удельный вес заемных средств в активах).
25 = 1,2 • Х1 + 1,4 • Х2 + 3,3Х3 + 0,6 • Х4 + 0,999 • Х5, (2)
где Х1 = Оборотный капитал / Сумма активов предприятия;
Х2 = Нераспределенная прибыль / Сумма активов предприятия; Х3 = Прибыль до налогообложения / Общая стоимость активов;
Х4 = Рыночная стоимость собственного капитала / Бухгалтерская (балансовая) стоимость всех обязательств;
Х5 = Объем продаж / Общая величина активов предприятия.
В результате подсчета показателя 2 делается соответствующее заключение:
■ при 2 < 1,81 вероятность банкротства составляет от 80 до 100%;
■ при 2,77 <= 2 < 1,81 средняя вероятность краха компании от 35 до 50%;
■ при 2,99 < 2 < 2,77 — вероятность неплатежеспособности не велика (от 15 до 20%);
■ 2 <= 2,99 — ситуация на предприятии стабильна, риск банкротства в течение ближайших двух лет крайне мал.
2. Модель Таффлера. В 1977 г. британские ученые Р. Таффлер и Г. Тишоу [13] применили модель Альтмана на выборке из 80 британских компаний и по результатам исследования построили четырехфакторную прогнозную модель с отличающимся набором факторов [14].
Р. Таффлер разработал линейную регрессионную модель с четырьмя финансовыми коэффициентами для оценки финансового здоровья фирм Великобритании на основе исследования 46 компаний, которые потерпели крах, и 46 финансово устойчивых компаний в период с 1969 по 1975 г. Формула модели Таффлера имеет вид:
Щ^еогё) = 0,53 • Х1 + 0,13 • Х2 + 0,18Х3 + 0,16 • Х4, (3)
где Х] = Прибыль от продаж / Краткосрочные обязательства;
Х2 = Оборотные активы / (Краткосрочные обязательства + Долгосрочные обязательства);
Х3 = Долгосрочные обязательства / Общая сумма активов;
Х4 = Общая сумма активов / Выручка от продаж.
Если показатель 2^соге принимает значение больше 0,3, то предприятие имеет небольшой риск банкротства в течение года, если значение меньше 0,2, то у предприятия присутствует большой риск банкротства.
Удельный вес финансовых показателей в модели Таффлера по степени влияния на результирующий показатель 2 распределяется следующим образом: X] —53%, Х2 — 13%, Х3 — 18%, Х4 — 16%.
Данная модель рекомендуется для анализа, в случае если нужно учитывать современные тенденции бизнеса и влияние перспективных технологий на структуру финансовых показателей.
3. Модель Лиса — это модель оценки вероятности банкротства, в которой факторы-признаки учитывают такие результаты деятельности, как ликвидность, рентабельность и финансовая независимость организации.
Формула модели Лиса [15]:
2 = 0,063 • X! + 0,092 • Х2 + 0,057Х3 + 0,001 • Х4, (4)
где Х1 = Оборотный капитал / Сумма активов; Х2 = Прибыль от реализации / Сумма активов; Х3 = Нераспределенная прибыль / Сумма активов; Х4 = Собственный капитал / Заемный капитал.
Интерпретация результатов:
■ при 2 < 0,037 вероятность банкротства высокая;
■ при 2 > 0,037 вероятность банкротства малая.
4. Модель Чессера. Банковская модель оценки вероятности невыполнения заемщиком условий кредитного договора представляет собой шестифакторную логистическую модель (logit-модуль) банкротства предприятия, которая была разработана Д. Чессером на основе анализа данных банков по 37 удовлетворительным займам и 37 неудовлетворительным. Точность модели равна около 66%. Чессер использует следующие финансовые показатели.
Х1 = (Наличность + Легко реализуемые ценные бумаги) / Совокупные активы.
Х2 = (Нетто - продажи) / (Наличность + Легко реализуемые ценные бумаги).
Х3 = (Брутто - доходы) / (Совокупные активы).
Х4 = Совокупная задолженность / Совокупные активы.
Х5 = Основной капитал / Чистые активы.
Х6 = Оборотный капитал / (Нетто - продажи).
На основе этих финансовых показателей разрабатывается логистическая модель диагностики риска банкротства, где в качестве зависимой переменной будет дихотомическая переменная, отражающая статус исследуемого предприятия. Она будет равна 1, если предприятие — банкрот по решению арбитражного суда. Будет принимать значение 0, если предприятие — не банкрот. Среднее значение переменной обозначает вероятность банкротства за 1 год. С учетом найденных коэффициентов уравнение логистической регрессии для вероятности банкротства можно записать следующим образом:
2 = - 2,0434 - 5,24 • Х1 + 0,0053 • Х2 - 6,6507 • Х3 +
+ 4,4009• Х4 -0,0791 Х5 -0,102• Х6, (5)
Р = 1/(1 + е -г),
где Р — вероятность банкротства предприятия.
Если вероятность банкротства (Р) находится в пределах от 0,8 до 1, то финансовое состояние предприятия хуже предельного и кредитоспособность ниже предельного; если предел от 0,6 до 0,8, то финансовое состояние и кредитоспособность предельные; если от 0,4 до 0,6, то финансовое состояние и кредитоспособность предприятия удовлетворительные; если от 0,2 до 0,4, то финансовое состояние и кредитоспособность хорошие; если от 0 до 0,2, то финансовая устойчивость и кредитоспособность отличные.
Иначе говоря, если полученная вероятность банкротства предприятия < 0,5, то такое предприятие можно отнести к группе устойчивых заемщиков с удовлетворительной финансовой устойчивостью.
5. Одной из наиболее известных рейтинговых моделей является модель Р. С. Сайфулина и Г.Г. Кадыкова. Российские ученые разработали среднесрочную рейтинговую модель прогнозирования риска банкротства, которая может применяться для любой отрасли и предприятий различного масштаба.
Рейтинговая модель оценки возможности банкротства Сайфулина—Кадыкова, принимающая во внимание пять влияющих факторов, имеет вид:
Я = 2 ■ К0 + 0,1 ■ К1+ 0,08 ■ К2 + 0,45 ■ К3 + К4, (6)
где К0 — коэффициент обеспеченности собственными средствами; К] — коэффициент текущей ликвидности (К1 > 2); К2 — интенсивность оборота авансируемого капитала, которая характеризует объем реализованной продукции, приходящейся на один рубль средств, вложенных в деятельность предприятия (К2 > 3); К3 — коэффициент менеджмента, характеризуется отношением прибыли от реализации к величине выручки от реализации; К4 — рентабельность собственного капитала — отношение балансовой прибыли к собственному капиталу (К5 > 0,2).
При полном соответствии значений финансовых коэффициентов минимальным нормативным уровням рейтинговое число будет равно 1. Финансовое состояние предприятий с рейтинговым числом меньше 1 характеризуется как неудовлетворительное [16].
В целом необходимо отметить, что зарубежные модели прогнозирования банкротства не в полной мере могут применяться для оценки деятельности отечественных компаний, поскольку не учитывают специфику финансовой отчетности российских организаций и отраслевые особенности сферы деятельности. При этом очевидно, что значения финансовых коэффициентов для предприятий различных отраслей могут интерпретироваться по-разному.
В заключение необходимо сказать, что рассматриваемые модели прогнозирования банкротства широко применяются в современной практике прогнозирования банкротства компаний. Как известно, наиболее распространенной является модель Альтмана, которая смогла зарекомендовать себя как высокоточная модель, позволяющая сделать определенные выводы о текущем финансовом состоянии, контрагентах и определить возможность наступления его неплатежеспособности.
Список литературы
1. Min J.H., Jeong C. (2009) A binary classification method for bankruptcy prediction // Expert Syst Appl 36: 5256-5263.
2. Chen, M.Y., & Du, Y.K. (2009). Using neural networks and data mining techniques for the financial distress prediction model // Expert Systems with Applications, 36(2), 4075-4086.
3. Boyacioglou M.A., Kara Y., Baykan O. (2009) Predicting bank financial failures using neural networks, support vector machines and multivariate statistical methods: A comparative analysis in the sample of savings deposit insurance fund (SDIF) transferred banks in Turkey // Expert Syst Appl 36: 3355-3366.
4. Chauhan N., Ravi V., Chandra D.K. (2009) Differential evolution trained wavelet neural networks: application to bankruptcy prediction in banks // Expert Syst Appl 36: 7659-7665.
5. Cho S, Kim J., Bae J.K. (2009) An integrative model with subject weight based on neural network for bankruptcy prediction // Expert Syst Appl 36: 403-410.
6. Etemadi H., Rostamy A.A., Dehkordi H.F. (2009) A genetic programming model for bankruptcy prediction: empirical evidence from Iran // Expert Syst Appl 36: 3199-3207.
7. Hung C., Chen J.H. (2009) A selective ensemble based on expected probabilities for bankruptcy prediction // Expert Syst Appl 36: 5297-5303.
8. Yoon J.S., Kwon Y.S. (2010) A practical approach to bankruptcy prediction for small business: substituting the unavailable financial data for credit card sales information // Expert Syst Appl 37: 3624-3629.
9. Du Jardin P. (2010) Predicting bankruptcy using neural networks and other classification methods: the influence of variable selection
techniques on model accuracy // Neurocomputing 73:2047-2060.
10. Cecchini M., Aytug H., Koehler G., Pathak P. (2010) Making words work: Using financial text as a predictor of financial events // Decis Support Syst 50: 164-175.
11. Kruppa J., Schwarz A., Arminger G., Ziegler A. Consumer credit risk: Individual probability estimates using machine learning // Expert Systems with Applications, Т. 40 (13), 2013, рр. 5125—5131.
12. Cleofas-Sánchez L., García V., Marqués A., Sánchez J.S. Financial distress prediction using the hybrid associative memory with translation // Applied Soft Computing. Т. 44, 2016, pp. 144—152.
13. Heo J., Yong Yang J., AdaBoost based bankruptcy forecasting of Korean construction companie // Applied Soft Computing, Т. 24, 2014, рр. 494—499.
14. Kim M., Kang J., Kim J. Reliable fault diagnosis for incipient low-speed bearings using fault feature analysis based on a binary bat algorithm // Information Sciences, Т. 294, 2015, рр. 423—438.
15. Gerlein E.A., McGinnity M., Belatre-che A., Coleman S. Evaluating machine learning classification for financial trading: An empirical approach // Expert Systems with Applications, Т. 54, 2016, рр. 193—207.
16. Kim M.J., Kang D.K. (2010) Ensemble with neural networks for bankruptcy prediction // Expert Syst Appl 37: 3373—3379.
17. Косое М.Е. О критериях равновесия-неравновесия экономической системы // Вестник Московского университета МВД России. 2011. № 2.
18. Косое М.Е. Экономическая система с позиции концепции равновесия // Вестник Московского университета МВД России. 2011. № 3.
19. Косов М.Е. Три фазы экономического исследования // Вестник Московского университета МВД России. 2011. № 8.
20. Косов М.Е. Роль дисфункции государства в формировании негативной динамики экономических отношений // ЦИТИСЭ. 2015. № 1 (1). С. 7.
21. Косов М.Е. Инновационный подход к развитию экономической системы // Вестник Московского университета МВД России. 2016. № 7. С. 206—211.
