Оценка вероятности банкротства предприятий


Оглавление

Введение

Теоретическое обоснование

Постановка исследовательской проблемы

Методология исследования

Описание результатов

Заключение

Список литературы

Приложение 1

Приложение 2

Приложение 3

Введение

Банкротство является одной из проблем, с которой может столкнуться каждая компания, независимо от ее конкретных характеристик. Принято считать, что наступление банкротства возможно преимущественно в кризисный период, однако многочисленные исследования подтвердили тот факт, что банкротство компании может произойти в любой момент времени и зависит от многих факторов. Поэтому компании заинтересованы в оценке своей финансово-хозяйственной деятельности. С помощью нее они смогут не только проанализировать свое состояние, но и предпринять необходимые меры, если оно близко к банкротству.

Компании не могут функционировать без участия иных экономических агентов, которые так же заинтересованы в информации о положении компании. Так, акционерам необходимо знать, каковы их доходы от ценных бумаг компании в определенный момент времени, наемные работники смогут быстрее перейти в другие, более успешные компании, если состояние текущей близко к краху, банки и другие кредиторы смогут определить, стоит ли финансировать бизнес. Следует отметить, что контрагенты так же могут взаимодействовать и с другими компаниями из других отраслей. Особенно часто с этим сталкиваются банки и кредиторы, которые предлагают свои средства компаниям из различных секторов.

Тема предсказания вероятности банкротства стала активно развиваться с середины XX века. Уже начиная с 1960-х годов, исследователи экономисты создают различные модели для определения вероятности банкротства. Самыми распространенными из них принято считать множественный дискриминантный анализ и logit-модели. Они широко используются в силу простоты вычисления и точности расчетов. Большинство исследований проводилось на основе данных по иностранным компаниям в различные периоды времени.

По российским показателям так же были проведены исследования и построены модели, наиболее точно определяющие вероятность банкротства российских компаний. Тема стала актуальной в российской экономике, когда стали существовать легальные рыночные отношения. В отличие от западных предпринимателей, у собственников российских компаний на тот момент не было опыта ведения бизнеса, что приводило к многочисленным убыткам и просчетам. На сегодняшний день тема остается актуальной для российских компаний. В добавление к этому, закономерно предположить, что в кризисный период большее количество компаний станет банкротами. Однако вероятность банкротства существует и в другие периоды. Согласно Единому Федеральному Реестру Сведений о Банкротстве, количество компаний банкротов в России увеличилось на 20% в 2014 году по сравнению с 2013 годом, и продолжает возрастать в 2015. Тем не менее, вопрос о кризисном состоянии российской экономики в этот период остается спорным.

Большинство исследований по этой теме основывалось на моделях с финансовыми показателями. Существуют работы, которые рассматривают вероятность банкротства компаний в разных отраслях, в том числе и по России, однако показатели по отраслям не сопоставляются между собой. Таким образом, возникает вопрос: значимо ли разделение на отрасли при оценке вероятности банкротства нефинансовых компаний? Соответственно, цель данной работы – найти ответ на исследовательский вопрос. Соответственно, целью работы является определение значимых показателей  при оценке вероятности банкротства отдельно по отраслям. Для достижения цели следует решить следующие задачи:

  1. Проанализировать предыдущие исследования данной темы.
  2. Выделить в предыдущих работах наиболее значимые факторы, оказывающие влияние на вероятность банкротства компаний.
  3. Собрать данные по показателям российских компаний.
  4. Обосновать выбранные факторы для построения модели вероятности банкротства нефинансовых компаний.
  5. Построить модель, определяющую вероятность банкротства нефинансовых организаций.
  6. На основе полученных результатов выявить наиболее значимые факторы в разных отраслях.

Как указывалось выше, в части теоретического обоснования будет проведен обзор литературы по данной теме. В этом разделе будут выделены цели и задачи, которые ставили перед собой исследователи предыдущих работ, а так же факторы, которые влияют на вероятность стать банкротом с их точки зрения. На основе этого обзора будет выделена основная исследовательская проблема. Далее, в практической части, будет описана методология исследования, где будет подробно описана используемая модель и данные для построения переменных. В этом разделе будут выдвинуты гипотезы и обоснование выбранных показателей. В заключении работы будут описаны результаты работы и подтверждение или опровержение гипотез.

Сбор данных определяет некоторые предпосылки и ограничения текущего исследования. Среди них можно выделить следующие:

  • Информация взята только по компаниям из России.
  • Рассматриваемый период: 2012- 2013 гг.
  • Статус выбранных компаний: активные (действующие) и банкроты. Иные варианты не рассматриваются в исследовании.
  • Не учитывается воздействие некоторых внешних факторов. Например, количество конкурентов, зависимость от природных условий.
  • Фирмы, дающие ложные сообщения о банкротстве, привлекаются к уголовной ответственности. В основном, это происходит потому, что компании заинтересованы в уклонении от дополнительных выплат кредиторам. Однако существует возможность, что и они будут включены в базу данных. Это может привести к смещению результатов.
  • Большую часть данных будут составлять количественные показатели, а не качественные.

Результаты данного исследования покажут, какие факторы наиболее значимы при оценке вероятности банкротства в нефинансовых компаниях для разных отраслей. Предполагается, что для разных отраслей будут значимы разные финансовые показатели.

Теоретическое обоснование исследования

Необходимо дать определения понятиям, которые будут использованы в данной работе. Согласно Федеральному закону "О несостоятельности (банкротстве)", «банкротство – признанная арбитражным судом неспособность должника в полном объеме удовлетворить требования кредиторов по денежным обязательствам и (или) исполнить обязанность по уплате обязательных платежей. Юридическое лицо считается неспособным удовлетворить требования кредиторов по денежным обязательствам и (или) исполнить обязанность по уплате обязательных платежей, если соответствующие обязательства и (или) обязанность не исполнены им в течение трех месяцев с даты, когда они должны были быть исполнены». [1, Статья 2]

Следует отличать понятия банкротства и дефолта. Банкротство представляет собой неспособность должника погасить обязательства, в то время как дефолт – это отказ должника исполнить требования кредиторов, не обязательный к признанию арбитражным судом. Основываясь на этих определениях, можно сделать вывод, что дефолт предшествует банкротству. Наиболее вероятные причины возникновения дефолта, а впоследствии и возможного банкротства, следующие:

  • Низкий спрос на производимую продукцию в связи с ее перепроизводством или моральным устареванием;
  • Низкое качество товаров или услуг;
  • Высокие цены на продукцию по отношению к средним рыночным ценам, что так же приводит к падению спроса;
  • Большая доля дебиторской задолженности.

В работе вероятность банкротства рассматривается только для нефинансовых компаний. К ним относятся все компании, которые не являются финансовыми институтами, оказывающими банковские услуги. Таким образом, из рассмотрения можно исключить следующие типы организаций:

  • Банки
  • Небанковские кредитные организации
  • Инвестиционные фонды
  • Компании по управлению собственностью

Основополагающим исследованием по этой теме является работа Эдварда Альтмана «Financial ratios, discriminant analysis and the prediction of corporate bankruptcy» (Altman, 1968). Основной целью данной работы была оценка качества финансовых показателей на практике. В частности, Альтман рассматривает, как они влияют на вероятность банкротства компании и влияют ли в целом. Для достижения цели исследования был применен множественный дискриминантный анализ (MDA model), который впоследствии стал называться моделью Альтмана. Основу исследования составляли данные по 66 компаниям, из которых 33 обанкротились к определенному моменту, в то время как другие 33 продолжали свою деятельность. Его метод заключался в нахождении коэффициентов при зависимых переменных для разных групп компаний (банкроты/небанкроты), и на основе их вычислить коэффициент Z. В качестве зависимых переменных Альтман использовал следующие показатели:

  • Оборотный капитал/ Общие активы (X1)
  • Нераспределенная прибыль/ Общие активы (X2)
  • Прибыль до уплаты налогов и процентов/ Общие активы (X3)
  • Рыночная стоимость компании/ Балансовая стоимость общего долга (X4)
  • Объем продаж/ Общие активы (X5)

В результате исследования наиболее значимые показатели, согласно модели Альтмана, «Прибыль до уплаты налогов и процентов/ Общие активы» (X3) и «Рыночная стоимость компании/ Балансовая стоимость общего долга» (X4). Уравнение, которое было получено в результате, выглядит следующим образом:

Z = 1.2 X1 + 1.4 X2 + 3.3 X3 + 0.6 X4 + 0.999 X5 (1)

Следует отметить, что Z-фактор стал индикатором, показывающим, к какой группе относится компания в зависимости от его значения: к банкротам и или продолжающим свою деятельность.

  • Z< 1,81 — предприятия являются безусловно-несостоятельными (банкротство наступит с вероятностью 80 до 100%);
  • 1,81 ≤ Z < 2,77 — вероятность банкротства в пределах от 35 до 50%;
  • 2,77 ≤ Z < 2,99 — предприятие обанкротится с вероятностью от 15 до 20%;
  • Z > 2,99 — компания продолжит свою деятельность (вероятность банкротства не превышает 10%).

Следует отметить, что категории 2) и 3) принято считать «серой зоной», или «зоной неопределенности», где возможны ошибки I и II рода. Таким образом, с применением данной модели по Z-фактору стало возможным определить, насколько близко состояние фирмы к банкротству.  Так, модель Альтмана стала первой наиболее точной моделью, которая позволяет определить с 95% вероятностью, насколько близко положение компании к несостоятельности. Она широко используется компаниями и исследователями не только в силу высокой точности, но и простоты и понятности расчетов. Однако эта модель имеет так же недостатки. Так, она не учитывает особенности экономики страны и структуры рынка. Как следствие, данная модель неоднородна, что может привести к неверной оценке Z-фактора. Кроме того, модель рассматривает состояние компаний только в конкретный момент времени, не учитывая ее состояние в предыдущие периоды до банкротства. Некоторые исследователи так же считают главным упущением модели Альтмана отсутствие показателей рентабельности. Прибыльность компании также свидетельствует о ее успешности на рынке, поэтому целесообразно учитывать ее и при оценке несостоятельности.

Позже была построена двухфакторная модель Альтмана, которая так же позволяет определить, влияют ли определенные факторы на вероятность банкротства. Для данной модели такими факторами были выбраны коэффициент текущей ликвидности и отношения заемных средств к собственному капиталу. В результате модели представлено следующее уравнение:

Где

X1 – коэффициент текущей ликвидности,

X1 – заемный капитал/собственный капитал.

Соответственно, компании делятся на группы банкроты и действующие по другим значениям Z. Если Z > 0, то состояние компании близко к несостоятельности, в противном случае она продолжит свою деятельность. Для компании предпочтительнее, чтобы коэффициент Z был отрицательным, что помогает объяснить полученные коэффициенты при переменных. Коэффициент при значении текущей ликвидности меньше 0, поскольку слишком высокий показатель текущей ликвидности является индикатором того, что у компании достаточно активов для покрытия краткосрочных обязательств. Чем выше ликвидность, тем компания более успешна. В противовес этому, чем больше доля заемных средств в собственном капитале, тем у компании больше рисков обанкротиться из-за недостатка средств. Так, положительное значение Z может указывать, что активы низко ликвидны и заемные средства играют важную роль в компании, что повышает вероятность стать банкротом.

Описанная выше пятифакторная модель Альтмана характеризуется высокой точностью, однако она применима только при анализе состояния крупных фирм, акции которых торгуются на открытом рынке. Для непубличных компаний пятифакторная модель Альтмана была опубликована в 1983 году. Такой вариант модели описывается уравнением:

Z=0,717*X1+0,847*X2+3,107*X3+0,42*X4+0,995*X5, (3)

Все показатели совпадают с показателями модели для открытых компаний, за исключением X4, который в данной модели представляет собой отношение балансовой стоимости собственного капитала к величине заемного капитала. Ранжирование коэффициента Z для этого типа компаний выглядит иначе:

            < 1,23 — предприятия являются безусловно-несостоятельными

            1,23-2,90 — зона неопределенности (возможность ошибки І или ІІ рода)

            2,90 — финансово устойчивые предприятия

Такие модели тоже применялись к российским компаниям, однако по ним они не давали точности 95% в определении вероятности банкротства. Это объясняется тем, что изначально модель Альтмана была построена на данных по американским компаниям, финансовая и операционная деятельность которых отличаются от российских. В 1977 году была разработана семифакторная модель Альтмана. С помощью нее представилось возможным предсказать вероятность банкротства в течение 5 лет с точностью 70%. Однако эта модификация модели Альтмана не стала широко применяться исследователями по причине сложности вычислений. Для определения вероятности банкротства с помощью этой модели необходимы аналитические данные и закрытая информация по компаниям, что затрудняет получение достоверных результатов.

Модель платежеспособности Таффлера и Тишоу была построена по тому же принципу, что и модель Альтмана, но при ее создании использовались иные финансовые показатели. Показатели для этой модели так же рассчитаны на основе общих активов. Среди значимых коэффициентов можно выделить отношение прибыли до уплаты налогов и процентов к текущим обязательствам, долю текущих активов в общих активах и отношение текущих обязательств к текущим активам, которое представляет собой коэффициент финансовых рисков. В модели Бивера используются коэффициенты рентабельности, ликвидности, доля чистого оборотного капитала в активах, а так же коэффициент Бивера, который равен отношению суммы чистой прибыли и амортизации к заемному капиталу. Таким образом, при оценке вероятности банкротства важно учитывать такие абсолютные показатели из финансовой отчетности предприятия, как общие активы, текущие активы, текущие обязательства, оборотный капитал и коэффициенты, рассчитанные на основе этих показателей (Попов В.Б., Кадыров Э.Ш., 2014).

Еще одной значимой работой признано исследование Джеймса Олсона «Financial ratios and the probabilistic prediction of bankruptcy» (1980), поскольку это была одна из первых работ, где для оценки вероятности банкротства использовался метод логистической регрессии. Выборка, используемая в данной работе, включала в себя 2163 компании. В его исследовании зависимой переменной так же является Z-фактор, однако он рассчитан по иной формуле, в отличии от исследования Альтмана:

Z = –1.3 – 0.4 X1 + 0.6 X2–1.4 X3+0.1 X4 –2.4 X5– 1.8 X6+ 0.3X7– 1.7X8 –0.5 X9, (4)

где X1 - натуральный логарифм отношения совокупных активов к индексу-дефлятору валового национального продукта

X2 - отношение совокупных обязательств к совокупным активам

X3 - отношение рабочего капитала к совокупным активам

X4 - отношение текущих обязательств к текущим активам

X5 – бинарная переменная:

     1 – совокупные обязательства больше совокупных активов

      0 – совокупные обязательства меньше совокупных активов

X6 – отношение чистой прибыли к совокупным активам

X7 – отношение выручки (от основной деятельности) к совокупным обязательствам

X8 - бинарная переменная:

     1 – чистая прибыль меньше нуля последние два года

      0 – в обратном случае

X9 - отношение разницы между чистой прибылью в последнем отчетном периоде и чистой прибылью в предшествующем отчетном периоде к сумме чистой прибыли в последнем отчетном периоде, взятой по модулю, и чистой прибыли в предшествующем отчетном периоде, взятом по модулю (Ohlson, 1980).

Коэффициент Z затем используется для нахождения вероятности банкротства компании по следующей формуле:

Считается, что при значении P>0,5 состояние компании рассматривается как близкое к банкротству, в противном случае – стабильное положение. Эта модель не делит фирмы на группы, а позволяет определить точное значение вероятности банкротства.

Недостатки модели Альтмана были частично исправлены в другой исследовательской работе Тайлера Шамвея Forecasting Bankruptcy More Accurately: A Simple Hazard Model (2001). В этой статье поднят следующий вопрос: можно ли точнее предсказать вероятность на тех же данных с помощью модели риска по сравнению с предыдущими статистическими моделями? В своей работе он заметил, что показатели в исследованиях Альтмана и Змиевского принадлежат к одному моменту времени, а значит, и не учитывают некоторых рисков и особенностей рынка. Исходя из этого, он составил динамическую модель рисков, в которой он учел финансовые показатели из 5-факторной модели Альтмана, описанной выше, и 3 показателя probit-модели Змиевского:

  • отношение чистой прибыли к сумме активов (X1)
  • отношение общих обязательств к общим активам (X2)
  • отношение текущих активов к текущим обязательствам (X3)

Переменная X3 из модели Змиевского оказалась незначимой. Возраст компании на рынке был использован как зависимая переменная, поскольку это единственный показатель, по мнению Шамвея, который характеризует успешность компании. По его мнению, чем старше компания, тем меньше вероятность того, что она обанкротится.

В результате исследования появилась модель, которая дает не только точные результаты, но и учитывает состояние фирмы в различные периоды времени. Однако полностью устранить проблему неоднородных данных не удалось, так как не было введено корректировок по странам, отраслям и другим критериям (Shumway, 2001).

Более современной работой, созданной в 2010 году, является статья исследователей Цин Он, Теренс Тай Люн-Чонг, Ли Ли и Юн Жанг «A Competing Risks Analysis of Corporate Survival». Она представляет собой одно из тех исследований, где учитывается структура местной экономики. В своей работе авторы рассматривают состояние только открытых акционерных компаний, которые котируются на рынке ценных бумаг в Гонконге. Основной целью данного исследования является определение вероятности исключения фирмы с фондовой биржи (делистинга). Делистинг предполагает так же и вероятность реорганизации (слияния и поглощения), а так же приватизации, однако статья рассматривалась только по критериям вероятности банкротства. Для исследования были применены такие модели, как модель анализа выживаемости (регрессия Кокса) и оценки Каплана—Мейера. Данные по компаниям взяты с 1981 по 2001 гг. Так, объясняющими переменными модели были выбраны:

  • денежный поток (cash flow)
  • финансовый рычаг (financial leverage)
  • налоги (tax)
  • инвестиции в иные организации (investment expenditures)
  • q-ratio (рыночная стоимость/восстановительная стоимость)
  • размер компании (size)
  • оборот ценных бумаг (stock performance)
  • перечень продаваемого имущества (доходность акции – рыночная доходность)

Зависимые переменные: рост стоимости компании и прибыльность. Так, оценка проводилась по системе линейных уравнений. Результаты этой оценки показали, что

  1. чем выше прибыльность фирмы, тем менее вероятно она обанкротится;
  2. большая фирма имеет большую вероятность несостоятельности;
  3. чем больше разница между доходностью акции компании и рыночной доходностью, тем меньше шансов стать несостоятельной.

Эти выводы свидетельствуют о том, что большинство гипотез, которые выдвигались авторами, были подтверждены. Остальные факторы оказались не значимыми для прогноза банкротства. Среди них такие, как инвестиции в иные организации, налоги и денежный поток.

Во многих зарубежных исследованиях и расчетах используются статистические модели и модели искусственного интеллекта. Наиболее часто используются такие модели, как множественный дискриминантный анализ, logit-модели, probit-модели, модель ZETA, а так же модели Фулмера, Хиллгейтса, нейронные сети. При оценке вероятности банкротства исследователи считают показатели общих активов, общих обязательств, рентабельности и стоимости компаний наиболее важными.

Интерес к оценке вероятности банкротства возник после перехода к рыночной экономической системе, поскольку риски производства перешли от государства к компаниям. Поэтому уже в конце 1990-х годов проблема оценки вероятности банкротства  и финансового состояния в целом стало актуальным в России. В 1997 году в Иркутске был проведен опрос руководителей частных предприятий торговой отрасли о том, как они оценивают эффективность работы своего бизнеса. Были выбраны именно торговые предприятия по следующим причинам:

  • Они являлись наиболее работоспособными на тот момент времени;
  • Торговые предприятия постоянно расширялись, чем обеспечивали рабочие места разным категориям населения;
  • Рыночная структура таких предприятий не является монополией, что свидетельствует о репрезентативности выборки для исследования.

Большая часть респондентов (96%) оценивали состояние своих фирм по следующим показателям:

  • Сумма чистой прибыли;
  • Доходы от продаж;
  • Стоимость производства и продаж;
  • Количество собственного капитала и общего Таффлкапитала предприятия.

На основе обобщения данных были выбраны тринадцать показателей. По ним была получена следующая модель:

где

К1 – отношение собственного оборотного капитала к сумме активов;

К2 –  отношение чистой прибыли к собственному капиталу;

К3 – коэффициент оборачиваемости активов;

К4  –  норма прибыли – доля чистой прибыли на единицу затрат.

Вероятность банкротства компаний оценивается с помощью значения коэффициента R, ранжирование по которому представлено в таблице 1.

Таблица 1.

Ранжирование коэффициента R модели Иркутской Государственной Экономической Академии

Вероятность банкротства

Максимально высокая

Высокая

 

 

Средняя

Низкая

Минимальная

Значение вероятности

90-100%

60-80%

35-50%

15-20%

Менее 10%

Значение R

<0

0≤R<0,18

0,18≤R<0,32

0,32≤R<0,42

R>0,42

Важной особенность данной модели является ее высокая точность - 81%. Таким образом, на основе российских данных была построена модель, определяющая вероятность банкротства компаний торговой отрасли в течение трех кварталов. Она позволила проводить и последующие исследования по российским данным, однако из-за некоторых недостатков она используется нечасто.

В современных российских исследованиях, однако, чаще всего применяются модели, построенные зарубежными авторами. Так, Т.К. Богданова и Ю.А.Алекеева в своей работе «Прогнозирование вероятности банкротства предприятий с учетом изменения финансовых показателей в динамике» (2011) оценивают точность прогноза вероятности банкротства с помощью модели Чессера, статистической модели, созданной автором Т.К. Богдановой и динамических моделей. Модель включает в себя показатели по 1357 предприятиям обрабатывающей промышленности, которые разделены на две группы: контрольную и группу воздействия. Показатели контрольной группы приведены для компаний как банкротов, так и действующих, все они проверены с помощью моделей Альтмана, Фулмера, Ольсона, Гилбрейта, Тафлера и Тишоу, чтобы избежать ошибок исследования. Целью данной работы являлось сравнение статических и динамических моделей. Авторы показали, что с помощью динамических моделей можно точнее прогнозировать вероятность банкротства, поскольку предпосылки к ее возникновению заметны уже за определенное количество времени.

В работе «Инструментальные средства прогнозирования вероятности банкротства авиапредприятий» используется logit-модель Чессера (Богданова Т.К., Баклакова А.В., 2008). Выбор показателей, использующихся в этой работе, обоснован поведением заинтересованных лиц компании и их интересами. Так, менеджеры заинтересованы в том, насколько качественно организовано производство, собственникам нужно знать, насколько прибыльным является предприятие в определенный момент времени, а кредиторам важно оценить, насколько надежным является заемщик, чтобы эффективнее распорядиться своими средствами. Таким образом, основными показателями были выбраны показатели рентабельности, ликвидности и финансовой устойчивости.

В России  logit-модель впервые использовали при оценке риска банкротства в 2008 году экономистами  М.В. Евстроповым и Г.А. Хайдаршиной. В работе М.В. Евстропова были построены две logit-модели, основанные на 61 и 63 наблюдениях по российским компаниям соответственно. Переменные для исследования были схожими с переменными, использованными в зарубежных исследованиях. Первая модель была построена по переменным, обозначающим отношение кредиторской задолженности к дебиторской задолженности, натуральный логарифм отношения активов к индексу-дефлятору ВВП, а так же относительные показатели, рассчитанные на основе заемного капитала. Во второй модели для построения переменных использовались другие индикаторы, в частности, отношение прибыли до уплаты налогов и процентов к совокупным активам, коэффициент прироста выручки и коэффициент абсолютной ликвидности. Согласно результатам его исследования, первая модель прогнозирует вероятность банкротства за год до его наступления или отсутствия, по второй модели определяется вероятность банкротства за 2 года до наступления события. Необходимо отметить, что эффективный порог отсечения в моделях М.В. Евстропова отличается от порога отсечения в модели Олсона, и составляет 0,44 вместо 0,5. При использовании такого порога отсечения точность модели составила 84,2%. В отличие от данной работы, исследование Г.А. Хайдаршиной содержит logit-модель, разработанную на основе данных по 350 компаниям, различным по ряду признаков. Среди них была отраслевая принадлежность, а так же масштабы деятельности. Так, в исследовании Г.А. Хайдаршиной впервые в российской практике учитывался тот факт, что значения финансовых показателей различаются в компаниях разных секторов экономики. Выборка включила в себя 100 компаний оптовой и розничной торговли, 100 фирм сельскохозяйственной отрасли и 150 промышленных предприятий, в том числе предприятия энергетической промышленности. В своей работе автор учитывает такие показатели, как возраст компании, темп прироста активов и обязательств, ставку рефинансирования. В результате исследования компаний делились на пять групп с шагом 20% по вероятности банкротства. По ним можно ранжировать компании от успешных до близких к несостоятельности. Таким образом, российские экономисты попытались определить значимые факторы для оценки вероятности банкротства российских компаний. Однако значимость использованных переменных не была установлена.

В целом, можно отметить, что в работах, основанных на российских данных, в качестве независимых переменных чаще всего использовались такие показатели, как:

  • Оборачиваемость активов
  • Текущая ликвидность
  • Рентабельность собственного капитала
  • Доля активов, финансируемых за счет краткосрочных обязательств

На практике чаще всего используются модификации модели Альтмана, а так же EGAR Z-Score для оценки вероятности банкротства в финансовом секторе. Оценка вероятности банкроства проводится с помощью нейросетей. В частности, работа Макеевой Е.Ю. и Бакуровой А.О. «Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей» (2012) демонстрирует, что с помощью этого метода так же можно получить достаточно точные результаты, однако такая модель редко используется на практике.

Банки чаще всего используют рейтинговые модели, поскольку они позволяют четко ранжировать компании по способности исполнять свои обязательства. Для удобства некоторые банки создают собственные рейтинговые модели для классификации и распределения заемщиков. В качестве примера можно привести модель Сбербанка, которая позволяет классифицировать заемщиков по пяти финансовым показателям, которые взяты из годовой финансовой отчетности заемщика (см. Таблицу 2).

Затем находится коэффициент S, по которому определяется класс кредитоспособности заемщика:

  1. 1< S < 1,05 – первый класс кредитоспособности.
  2. 1,05 < S < 2,42 – второй класс кредитоспособности.
  3. 2,42 < S – третий класс кредитоспособности

Так же учитываются и качественные характеристики заемщика. Состояние заемщиков оценивается с помощью этой модели каждый год.

Таблица 2

Ранжирование коэффициентов по категориям в зависимости от их значений  (модель Сбербанка)

Коэффициенты

1 категория

2 категория

3 категория

K1

0,2 и выше

0,15–0,2

менее 0,15

K2

0,8 и выше

0,5–0,8

менее 0,5

K3

2,0 и выше

1,0–2,0

менее 1,0

K4

0,6 и выше

0,4–0,6

менее 0,4

K5

0,15 и выше

менее 0,15

Нерентаб.

На практике рейтинговые модели чаще всего применяются внутри финансовых организаций. Эти модели позволяют наилучшим образом ранжировать заемщиков по категориям. Однако они прогнозируют скорее вероятность дефолта, а не банкротства.

Постановка исследовательской проблемы

Данное исследование проводится на основе информации по российским компаниям. Как указывалось выше, на практике оценка вероятности банкротства российских компаний чаще всего осуществляется по модели Альтмана и ее модификаций. Помимо основной пятифакторной модели Альтмана для данных по компаниям России применялась двухфакторная модель Альтмана. Она позволяет определить, влияют ли коэффициент текущей ликвидности и отношения заемных средств к собственному капиталу на вероятность банкротства. Данная модель была выбрана для исследования «Как оценить финансовую устойчивость предприятия» М.А.Федотовой (Федотова, 1995). В своей работе автором был добавлен к переменным показатель рентабельности активов, который, по мнению М.А.Федотовой, повысит точность вычислений. Однако, по мнению некоторых экономистов, предложенная в работе новая формула не имеет практической значимости. Причиной этому стало то, что весовой фактор не был предложен в работе, что затрудняет применение модели к реальным данным.

Модель Альтмана стала впоследствии прототипом многих последующих моделей, предсказывающих вероятность банкротства компаний. В результате анализа используемой литературы было выявлено, что большинство моделей оценки вероятности банкротства строится на основе финансовых показателей. Практически все описанные выше модели содержат такие показатели в качестве независимых переменных. Они получили широкое распространение при оценке вероятности банкротства, поскольку к ним можно получить быстрый доступ. Более того, их удобно применять при расчетах, по ним легко интерпретировать результаты.

Во многих статистических и динамических моделях для оценки вероятности банкротства переменные строятся на основе финансовых показателей. Однако они не всегда оказывались значимы при практическом применении по разным странам. Соответственно, исследователи пришли к выводу, что на вероятность банкротства могут влиять не только финансовые показатели. Качественной функционирование компании на рынке зависит так же от внутреннего управления. Переменные, описывающие качество управления, трудно подобрать на практике, чтобы оценить их потенциальное воздействие на риск банкротства. Впервые показатели качества управления были использованы в модели Аргенти (1998). Переменные в модели разделены на три группы: недостатки и ошибки управления и симптомы, приводящие к спаду производства. К показателю из каждой группы сначала присваивается точное значение – «да» или «нет», промежуточные варианты недопустимы. Затем по каждому показателю при утвердительном ответе присваивается определенное количество баллов, которое различается для каждого показателя. При сумме баллов образуется показатель А-счет, по которому определяется состояние компании. Если в целом по показателям из всех трех групп компания набирает не более 25 баллов, то ее финансовое положение устойчиво, в противном случае  риск банкротства наиболее вероятен. Соответственно, чем больше значение А-счета, тем хуже состояние. Так, стало возможным оценить качество управления компанией и применить его при прогнозе возможного банкротства. Однако ее применение не распространено по причине необоснованности присвоенных баллов и, следовательно, невозможности точного определения вероятности банкротства.

По своей структуре модель Аргенти похожа на рейтинговые модели. Современные рейтинговые и скоринговые модели так же учитывают нефинансовые показатели компании, например, вид маркетинговой политики, доля рынка, отрасль, количество конкурентов.  Эти модели учитывают особенности внешней среды, в которой функционирует компания: ситуацию на местном рынке сбыта, положение компании в отрасли. Однако качественные показатели так же, как и в модели Аргенти, применяюстя с целью ранжирования компаний по группам, а не для оценки вероятности банкротства.

В данной работе оценка вероятности банкротства компаний будет производиться с помощью logit-модели, схожей с моделью Олсона. Logit-модель относится к классу моделей бинарного выбора, которые используются для предсказания значений непрерывной зависимой переменной, принимающей значения от 0 до 1.  Она имеет ряд преимуществ перед другими моделями. Например, с помощью моделей множественного дискриминантного анализа можно разделить компании на группы успешных и неуспешных и определить, к какой из них относится конкретная компания. Однако они не дают точного значения вероятности банкротства, что позволяют сделать logit-модели. Также в моделях дискриминантного анализа, в частности, возможно наличие «зон неопределённости», при попадании в которые нельзя сделать определенный вывод по состоянию фирмы. В logit-моделях такие зоны отсутствуют, поскольку по полученным результатам можно определить точное значение вероятности банкротства. При оценке вероятности банкротства с помощью MDA моделей требуется нормальное распределение данных. Однако чаще всего данные, особенно по несостоятельным компаниям, не соответствуют закону нормального стандартного распределения. Этот факт был выявлен в докладе исследователей Центра вычислительной техники г. Турку, Финляндия (Back В., Laitinen Т., Sere К., van Wezel M., 1996). Использование logit-модели позволяет избежать этой проблемы, что так же дает ей огромное преимущество. По этой причине она получила распространение среди ученых из разных стран. В исследовании Ginoglou, Agorastos (2002) logit-модель применяется для оценки вероятности банкротства 40 греческих компаний за период с 1980 по 1985 гг. В своей работе авторы включают в модель только четыре показателя, обозначающие отношение  общих пассивов к собственному капиталу, долю чистой прибыли, валовой прибыли и чистого оборотного капитала в общих активах. Logit-модель так же использовалась при исследовании показателей бразильских компаний. Minussi, Soopramanien, Worthington (2007) считают наиболее важными при оценке риска банкротства такие индикаторы, как финансовый рычаг, коэффициент покрытия процентов, отношение рабочего капитала к выручке. В отличие от исследования по компаниям Греции, данная работа рассматривала информацию по 6059 компаниям, что потенциально снижает вероятность ошибки.

По рассмотренным работам можно сделать вывод, что авторы выбирают от четырех до пяти потенциально значимых переменных. В модели Олсона использовалось только 9 переменных, однако сам исследователь отмечает, что "для более значимых моделей нужно использование большего количества факторов". (Ohlson, 1980) Logit-модель позволяет использовать любое количество независимых переменных, что является еще одним ее преимуществом перед иными моделями. Это преимущество использования logit регрессии так же способствовало ее широкому распространению. Различия используемых данных в указанных выше работах можно разделить на две группы:

  • Временные различия;
  • Страновые различия.

В соответствии с этим, для корректного построения модели необходимо точно определить временной горизонт, по которому будут оценены показатели. Поэтому необходимо рассмотреть процесс процедуры банкротства. Согласно законодательству РФ, юридическое лицо признается банкротом только после того, как арбитражный суд констатировал наличие признаков неплатежеспособности. В случае признания компании-должника банкротом суд постановляет закрыть все счета должника, кроме основного расчетного счета, и назначает одну из следующих процедур банкротства:

  • Наблюдение
  • Финансовое оздоровление
  • Внешнее управление
  • Конкурсное производство
  • Мировое соглашение.

Из данного перечня процедур обязательной является только наблюдение. Она проводится непосредственно перед ликвидацией юридического лица или восстановлением его деятельности. При наблюдении назначается временный управляющий, который регулирует деятельность компании и занимается сбором необходимой документации о финансовом состоянии на протяжении семи месяцев. За это время он оценивает финансовое состояние компании, контролирует ее сделки с другими агентами. Информацию о финансовом состоянии компании он предоставляет затем в арбитражный суд и на первое собрание кредиторов. Первое собрание кредиторов проходит не позднее, чем через 10 дней после окончания процедуры наблюдения, и через 5 дней выносится окончательное решение по делу о банкротстве. Таким образом, период с момента, когда компания отказывается покрывать свои обязательства в полном размере, а именно с момента дефолта, до признания ее банкротом составляет примерно год.

Наиболее часто применяется процедура конкурсного производства. Если арбитражный суд назначил введение данной процедуры, то так же назначается внешний управляющий для компании, при этом должник устраняется от управления своим имуществом. Конкурсный управляющий оплачивает судебные расходы, задолженность по заработной плате и иные расходы, связанные с банкротством, за счет средств должника. На следующем этапе конкурсного производства управляющий формирует конкурсную массу, которая состоит из следующих элементов:

  • Основные, оборотные и прочие материальные активы;
  • Нематериальные активы;
  • Дебиторская задолженность.

После формирования, имущество, составляющее конкурсную массу, продается на торгах. За счет вырученных средств конкурсный управляющий удовлетворяет требования кредиторов в соответствии с реестром требований кредиторов. В первую очередь выплачиваются средства лицам, перед которыми должник несет ответственность за причинение любого вреда жизни или здоровью. Во второй очереди проводятся расчеты с лицами, заключавшими трудовой договор с должником, а так же выплаты по авторским договорам. Кредиторами третьей очереди являются иные лица, перед которыми у должника существуют невыполненные обязательства. По завершении процедуры так же проводится собрание кредиторов, в результате которого принимается решение о ликвидации, реструктуризации либо восстановления должника. Решение принимается на основании анализа финансовой отчетности должника. В совокупности длительность конкурсного производства составляет один год, но этот срок может быть продлен арбитражным судом.

Исходя из описанных процедур, окончательное признание компании банкротом и ее ликвидация устанавливаются в течение года. Соответственно, данные будут взяты с интервалом в год. Для построения зависимой переменной, обозначающей статус компании, будут взяты данные за 2013 год. Для создания независимых переменных будут использованы данные на конец 2012 года по финансовым и нефинансовым показателям компании.

Описанные в предыдущей части исследования Хайдаршиной Г.А. и            Евстропова М.В. (2008) включали logit-модели, в которых переменные построены на показателях, более значимых в российской практике. По мнению авторов, при оценке вероятности банкротства необходимо учитывать размер валюты баланса (общих активов), обязательств и дебиторской задолженности. Именно показатели, включенные в состав конкурсной массы при применении процедуры конкурсного производства, использовались в logit-моделях российскими исследователями. Исключением стали нематериальные активы в силу некоторых причин. Во-первых, информация о нематериальных активах в большинстве случаев закрыта и не публикуется в консолидированных базах данных по компаниям. Во-вторых, их величину не всегда легко вычислить, поскольку разные фирмы могут включать в этот показатель разное количество активов.

Авторы предыдущих исследований вероятности банкротства по данным российских компаний сталкивались с проблемой мультиколлинеарности. Поэтому перед этапом построения они проверяли наличие прямой линейной зависимости между независимыми переменными. Таким образом, с помощью анализа мультиколлинеарности исследователи исключали некоторые показатели из рассмотрения, чтобы избежать искажения конечных результатов.

На основе всего вышесказанного, для logit-модели будут выбраны и обоснованы различные типы переменных. Для данного исследования был расширен круг факторов, хотя и не учитываются макроэкономические индикаторы, как в предыдущих работах. В данном исследовании используются показатели, характеризующие масштаб производства компании и отчасти ее структуру. Среди них такие показатели, как численность персонала, количество компаний в группе, выпуск продукции и другие. Для построения модели данные взяты по некоторым отраслям российских компаний, среди которых представлены следующие:

  1. Сельское хозяйство, лесоводство и рыболовство;
  2. Добыча полезных ископаемых
  3. Производство;
  4. Снабжение электричеством;
  5. Строительство;
  6. Оптовая и розничная торговля;
  7. Транспорт и связь;
  8. Операции с недвижимым имуществом;
  9. Профессиональная, научная и техническая деятельность;

Показатели по остальным отраслям российской экономики представлены в малом количестве. Соответственно, такие наблюдения не показательны, в связи с чем они были исключены из выборки. Разные отрасли характеризуются различными объемами производства, поэтому и показатели отраслей отличаются друг от друга. В частности, показатель основных фондов существенно различается по отраслям. Это свидетельствует о том, что функционирование компаний в разных отраслях и различно и иногда несопоставимо между собой. На основании этого выдвигаем первую гипотезу о значимости разделения компаний на отрасли при оценке вероятности банкротства. Компании разных отраслей представляют собой цепочку производства. Так, компании отраслей сельского хозяйства и добычи полезных ископаемых передают изготовленную ими продукцию в сектор производства и строительства. Затем, уже из этих секторов, продукция переходит в сферы торговли, операции с недвижимостью, транспорта и связи. Таким образом, компании можно условно разделить на две группы по отраслям: те, которые в большей степени взаимодействуют с другими компаниями из разных отраслей (Business to business взаимодействие), и те, кто состоит в экономических отношениях с конечными потребителями продукции (Business to consumer взаимодействие). Для текущего исследования вводится предпосылка, что для второй группы компаний наиболее важными показателями являются текущие показатели такие, как оборачиваемость, ликвидность. Например, в сфере торговли обращается большее количество наличных средств, чем в некоторых других отраслях. По данным Центрального Банка РФ, количество наличных денег в обращении имело тенденцию к увеличению в рассматриваемом периоде. На основании этого, автор выдвигает вторую гипотезу  о том, что при оценке вероятности банкротства компаний из отраслей сельского хозяйства, добычи полезных ископаемых, производства, снабжения и строительства наиболее значимыми будут мало изменяемые и долгосрочные показатели, а для других отраслей значимыми окажутся показатели, характеризующие скорость совершения сделок и оборот.

Методология исследования

Основным источником данных является база данных Bureau van Dijk. В этой базе данных содержится важная информация о компаниях со всего мира. Основным достоинством этой базы данных является широкий спектр информации. Она включает в себя финансовую отчетность, бизнес-аналитику, информацию о менеджменте, реструктуризации, слияниях и поглощениях.

Для данной работы информация была взята из системы Ruslana. На этом ресурсе представлены финансовая отчетность, бизнес-аналитика и структура собственности компаний России, Украины и Казахстана. Базы включают в себя 50 показателей, основанных на финансовой отчетности, а так же информацию о банкротстве с указанием на источник. Согласно законодательству РФ, сообщения о банкротстве публикуются в газете «Коммерсант». Однако за период с 2010 по 2013 год информация по некоторым элементов финансовой отчетности не была доступна. По этой причине из рассмотрения сразу были исключены следующие показатели:

  • Задолженность перед персоналом
  • Прибыль до уплаты налогов, процентов, амортизации
  • Амортизационные расходы
  • Рыночная стоимость компании

В результате из Bureau van Dijk были получены данные по 8132 компаниям из разных отраслей. Изначально в источнике компании разделены по отраслям. Отрасли будут разделены в соответствии с классификатором ОКВЭД без учета изменений 2014 года в классификаторе, поскольку анализ проводится по состоянию компаний на 2013 год.

Основываясь на этой информации, опишем и обоснуем, какие показатели будут использованы в регрессионной модели. Объектом исследования являются российские нефинансовые компании закрытого типа (ООО, ЗАО). Для исследования были отобраны средние и крупные компании с численностью работников от 50 до 100 человек и свыше 100 человек соответственно. По классификации ОКВЭД, рассматриваются все виды отраслей, за исключением отрасли раздела H. «Гостиницы и рестораны», J. «Финансовая деятельность», L. «Государственное управление и обеспечение военной безопасности; социальное страхование». Модели будут построены с помощью пакета программ EViews и Stata13.

Непосредственно перед построением модели данные будут проверены на наличие мультиколлинеарности. Посредством анализа на мультиколлинеарность будет исключен из рассмотрения ряд показателей, чтобы получить корректные результаты.

В logit-модели будет использовано три группы показателей, которые были выбраны на основе анализа предыдущих работ. Часть показателей рассматривалась в предыдущих работах, однако большинство показателей не были включены в рассмотрение российскими исследователями. Отличительным показателям по отраслям будет выпуск продукции для каждой отрасли, обозначенный переменой output1. Единицы измерения представлены в Таблице 3.

Таблица 3

Единицы измерения продукции компаний по отраслям

Отрасль

Единицы измерения

Сельское хозяйство, лесоводство и рыболовство;

Тонна

Добыча полезных ископаемых

Тонна

Производство;

Тонна; м2; штука

Снабжение электричеством

кВт/ч

Строительство;

М2

Оптовая и розничная торговля;

Единица

Транспорт и связь

Пассажирооборот/грузооборот за год; разговорочасы/количество корреспонденции

Операции с недвижимым имуществом

Тыс. м2

Профессиональная, научная и техническая деятельность

Денежное выражение

Первая группа включает в себя абсолютные показатели по финансовой отчетности. Изначально по полученным данным были доступны практически все показатели финансовой отчетности фирм. Однако с помощью анализа мультиколлинеарности спектр абсолютных показателей сократился, и включает в себя следующие показатели (см. Приложение 1):

  • Количество компаний в группе (nc). Как отмечалось выше, компании разных отраслей формируют цепочку производства. Чтобы избежать дополнительных расходов на услуги посредников, компания формирует группу других компаний, которые выполняют функции посредников. Однако нельзя однозначно спрогнозировать влияние количества компаний в группе на вероятность банкротства. С одной стороны, это позволяет избежать дополнительных затрат. С другой стороны, между компаниями в группе так же могут возникнуть обязательства, которые не всегда возможно своевременно погасить.
  • Численность персонала (empl1). Этот показатель косвенно характеризует размер компании и, следовательно, степень ее влияния на рынке. Кроме того, он компенсирует отсутствие информации о фонде заработной плате и позволяет примерно определить затраты на персонал.
  • Изменение нераспределенной прибыли за год (upr). Нераспределенная прибыль, или непокрытый убыток, характеризует успешность деятельности компании. Для рассмотрения было взято изменение этого показателя за год. В отличие от балансового показателя за год, изменение прибыли показывает, как изменилось состояние компании. Если оно ухудшилось, то можно прогнозировать большую вероятность банкротства.
  • Основные фонды (fa1). Этот показатель различается в компаниях разных отраслей и так же является условным разделителем компаний по видам деятельности. Компании производственной сферы имеют большее количество основных фондов, чем компании, занимающиеся предоставлением услуг.
  • Долгосрочные инвестиции (ltinv). Инвесторы, как правило, заинтересованы в том, чтобы получать доход от бизнеса, в который они вкладываются. Предполагается, что инвесторы ведут себя рационально. Таким образом, если они вкладываются в определенный бизнес, значит, потенциально он способен приносить доходы. Исходя из этого допущения, чем выше уровень долгосрочных инвестиций, тем меньше вероятности, что компания станет банкротом.

Вторая группа состоит из относительных показателей, рассчитанных на основе абсолютных. С юридической точки зрения, неудовлетворительная структура баланса наиболее важна при оценке вероятности банкротства. Согласно Постановлению Правительства РФ от 20 мая 1994 года №498 «О некоторых мерах по реализации законодательства о несостоятельности (банкротстве) предприятий», неудовлетворительную структуру баланса можно подтвердить, ориентируясь на следующие показатели:

  • Коэффициент текущей ликвидности (cr1). При значении меньше 2 можно предположить наибольшую вероятность банкротства;
  • Финансовый рычаг, или коэффициент обеспеченности собственных средств. Если показатель меньше 0,1, это означает, что доля собственных средств в общем объеме капитала не превышает 10%. Соответственно, большинство средств организации – заемные, и с этим может быть связан риск невозврата и невозможности погашения долгов из-за неустойчивой финансовой ситуации. Поэтому, чем ниже данный показатель, тем более вероятно банкротство.
  • Коэффициент платежеспособности (s1). [3]

Анализ мультиколлинеарности выявил высокий уровень взаимосвязи между коэффициентом платежеспособности, финансовым рычагом и коэффициентом финансовой независимости (см. Приложение 2). По содержательному значению данные показатели близки и основываются на показателе собственных средств предприятия. Для включения в модель был выбран показатель финансового рычага, поскольку он считается основным показателем устойчивости фирмы.  Вследствие этого, индикатор платежеспособности и финансовой независимости были исключены из рассмотрения.

Кроме того, были включены такие показатели, как:

  • Коэффициент покрытия (int1). Он показывает, сколько раз в году компания заработала такую сумму средств, которая способна покрыть проценты по кредитам за год. Тот факт, что компания в состоянии покрыть процентные выплаты, свидетельствует о том, что риск дефолта для нее крайне мал.
  • Отношение долгосрочных обязательств к общим активам (ltdta1) Этот индикатор показывает, какое количество активов фирмы финансируется за счет долгосрочных заемных средств. Чем выше этот показатель, тем больше заемных средств в структуре капитала. Это свидетельствует о том, что у компании
  • Отношение текущих обязательств к текущим активам (clca1). Этот показатель демонстрирует, какую долю текущих обязательств компания способна покрыть за счет текущих активов.
  • Рентабельность активов (rta1) показывает, какой доход приносит использование активов фирмой. Так же с помощью этого показателя можно определить, насколько эффективно используется активы в компании.

В совокупности они характеризуют, насколько возможно покрыть те или иные затраты компании за счет общих или текущих активов. Если компания грамотно управляет и распоряжается своими активами, то ее состояние на рынке будет более устойчиво по сравнению с теми, кто некачественно использует собственные активы. Из этого предположения можно сделать вывод, что по данным коэффициентам можно более точно предсказать риск банкротства.

В третью группу фиктивных переменных были включены следующие:

  • Al .
  • Prl
  • Pe
  • Отрасль включена в модель как категориальная переменная. Каждой отрасли соответсвтует ее порядковый номер, представленный в Таблице 4.

Таблица 4

Номер отрасли как категориальной переменной в модели

Номер

Отрасль

1

Сельское хозяйство, лесоводство и рыболовство

2

Добыча полезных ископаемых

3

Производство

4

Снабжение электричеством

5

Строительство

6

Оптовая и розничная торговля

7

Транспорт и связь

8

Операции с недвижимым имуществом

9

Профессиональная, научная и техническая деятельность

Как отмечалось в части постановки исследования, компании можно условно разделить на две группы. Те, которые в большей степени взаимодействуют с другими компаниями из разных отраслей, к которым в данном исследовании отнесены отрасли сельского хозяйства, добычи полезных ископаемых, производства и строительства (1-5). Вторая группа, соответственно, включает в себя отрасль торговли, операции с недвижимым имуществом, транспорта и связи (6-8).  Профессиональная, научная и техническая деятельность выделена отдельно в силу собственной специфики. В этой отрасли большую долю активов составляют нематериальные активы, по которым отсутствует информация в источнике данных. Поэтому состояние компаний этой отрасли будет оцениваться по объему обязательств и скорости расчетов с контрагентами. При этом фиктивные переменные так же одинаково применяются при рассмотрении всех отраслей. Так, переменные, построенные на различных показателях и используемые при оценке отдельных отраслей, представлены в Таблице 5.

Таблица 5

Показатели для построения независимых переменных в моделях для разных отраслей

Отрасли 1-5

Отрасли 6-8

Отрасль 9

Долгосрочные обязательства (ltd1)

Коэффициент текущей ликвидности (cr1)

Отношение основных фондов к общим обязательствам (fatl1)

Основные фонды (fa1)

Отношение текущих обязательств к текущим активам (clca1)

Доля текущих активов в общей сумме активов (cata1)

Отношение основных фондов к общим обязательствам (fatl1)

Доля текущих активов в общей сумме активов (cata1)

Отношение текущих обязательств к текущим активам (clca1)

Суммарные обязательства (tl1)

Оборачиваемость запасов (st1)

Дебиторская задолженность (d1)

Кредиторская задолженность (c1)

Наличные денежные средства (cash1)

Коэффициент текущей ликвидности (cr1)

 

Дебиторская задолженность (d1)

 

 

Оборачиваемость дебиторской задолженности (dt1)

 

Финансовый рычаг (g1)

Рентабельность активов (rta1)

Оборачиваемость собственного капитала (nct1)

Выпуск продукции (output1)

Численность персонала (empl1)

Количество компаний в группе (nc)

 

Оборачиваемость собственного капитала (nct1) будет учтена при анализе всех отраслей. Этот показатель так же показывает успешность компании. В частности, он показывает влияние инвестиций в оборотный капитал на увеличение продаже. Чем ниже коэффициент показателя, тем компания использует оборотный капитал менее эффективно.

Общая сумма обязательств, долгосрочные обязательства и кредиторская задолженность (обозначены переменными tl1, ltd1 и c1 соответственно). Показатели используются при анализе состояния компаний из первых пяти отраслей. Они были выбраны для рассмотрения ситуации в этих отраслях, поскольку данные отрасли достаточно капиталоемкие, и для поддержания основных фондов в удовлетворительном состоянии, а так же внедрение новых технологий требует дополнительного инвестирования. Поэтому компании склонны прибегать к заимствованию денежных средств, что делает обязательства важным фактором при учете финансового состояния. Коэффициент отношения основных фондов к общим обязательствам (fatl1) показывает, какая доля основных фондов финансируется за счет заемных средств. Этот показатель так же включается в модель, описывающую вероятность банкротства для  компаний, осуществляющих профессиональную, научную и техническую деятельность.

Для успешного ведения деятельности таким компаниям необходимо иметь достаточное количество оборудования и недвижимости, что на балансе характеризуется как основные фонды. Общие обязательства косвенно показывают, что в получении качественных результатов деятельности таких компаний заинтересованы и другие лица. Так, переменная  fatl1 аналогично показывает уровень заинтересованности других лиц в получении продуктов научно-технической деятельности. Для этой отрасли так же использовалась переменная, построенная по индикатору доли текущих активов в общей сумме активов (cata1). Поскольку большинство активов компаний этой отрасли – нематериальные, то предполагается, что доля текущих материальных активов относительно невелика, а ее увеличение может привести к ухудшению деятельности. Сумма дебиторской задолженности (d1) так же относится к взаимосвязи с контрагентами. Она так же используется в отраслях торговли и оказания услуг транспорта, связи и операций с недвижимостью, где сделки с контрагентами заключаются чаще, чем в отраслях производства. По этой же причине в модели для данных отраслей были включены показатели оборачиваемости запасов (st1),  дебиторской задолженности (dt1) и количества наличных денежных средств (cash1).

В совокупности будет построено десять logit-моделей: по общей выборке и отдельно по каждой отрасли. Качество построенных  logit-моделей можно оценить с помощью одного или нескольких инструментов, представленных ниже:

  • Площадь под ROC-кривой, которая показывает взаимозависимость между долей верных положительных классификаций и долей ложных положительных классификаций. Преимуществом этого метода оценки является инвариантность кривой относительно цены ошибки I и II рода. Чем больше площадь, тем качественнее модель.
  • Логарифм функции максимального правдоподобия (Log likelihood). Оценка модели методом максимального правдоподобия, который используется для моделей бинарного выбора, предполагает максимизацию функции правдоподобия. Таким образом, чем больше значения логарифма функции максимального правдоподобия, тем качественнее модель.
  • AIC, BIC – значения информационных критериев, Акаике и Шварца. Чем меньше значение критерия, тем качественнее модель.
  • Хи-квадрат тест Пирсона. При использовании этого теста выдвигается гипотеза H0 о том, что модель согласована с используемыми данными (Goodness-of-Fit test). Гипотеза H1 принимается, если модель с данными не согласуется.

Итоговые уравнения для оценки вероятности банкротства компаний представлены общим уравнением и различаются по отраслям с применением вышеописанных показателей. Зависимая переменная показывает статус компании в отчетном периоде:

Имена независимых переменных одинаково оканчиваются на «1», что означает, что эти переменные построены по показателям, актуальным за год до отчетного периода.

Описание результатов

На начальном этапе эмпирического анализа было проведено построение уравнений, по которым оценивается риск банкротства фирмы. Следует отметить, что анализ на мультиколлинеарность был проведен отдельно для данных по отраслям. Поэтому для построения моделей были допущены переменные, которые отсутствовали в общей выборке. Для каждой отрасли было построено отдельное уравнение. Знак перед коэффициентом независимой переменной определяет воздействие на вероятность банкротства. Если перед коэффициентом стоит знак «минус», то при увеличении переменной вероятность банкротства снижается, а противном случае – она увеличивается. Полученные результаты показали, что для каждой отрасли при оценке вероятности банкротства значимы не только финансовые показатели, но и абсолютные показатели, характеризующие размер компании, степень ее влияния и структуру. Практически для всех отраслей значимыми оказались  dummy-переменные. Как и в модели Хайдаршиной, в разных отраслях для каждого показателя получились разные предельные эффекты, качество моделей при этом тоже различается. Это свидетельствует о том, что при оценке вероятности банкротства следует учитывать отраслевую специфику компаний.

По общей выборке получены результаты, представленные в Таблице 6. Модель построена по основной выборке, которая состоит из показателей по 8132 компаниям. Количество наблюдений определяет уровень значимости. Чаще всего в исследованиях считаются значимыми показатели на уровне значимости 5% (Вербик, 2008). Однако при количестве наблюдении, превышающем 1000, допустимо использовать и уровень значимости 1%. Поэтому результаты построения модели по общей выборке учитывали значимость переменных на уровне 1%, 5% и 10%.

Таблица 6.

Результаты исследования по общей выборке.

Переменная

Предельный эффект/Значение

C

-2.261948***

SECTOR

-0.059132***

UPR

-7.26E-08

EMPL1

0.000184***

FA1

1.10E-08

OC1

8.37E-09

FAT1

-0.000339*

NC

-0.000520*

RTA1

-0.011542***

G1

0.000161

CR1

0.000331

LTDTA1

0.147491

LTINV1

-1.51E-12

CLCA1

-0.074741

OUTPUT1

4.45E-12***

PRL

-0.363512**

AL

-0.265541*

McFadden R-squared

0.031271

Log likelihood

-1471.847

Наиболее значимыми переменными для определения вероятности банкротства оказались численность персонала, рентабельность активов, выпуск продукции. В добавление к этому, на основе полученных результатов можно сделать вывод, что первая гипотеза подтвердилась. Разделение компаний по отраслям значимо при оценке риска банкротства, соответственно, необходимо учитывать особенности отрасли. Dummy-переменная PRL, обозначающая соотношение чистой прибыли и обязательств, оказалось значимой на уровне 5%, в то время как другая фиктивная переменная AL значима только на уровне 10%. Показатели фондоотдачи и количества компаний в группе так же важны при оценке вероятности банкротства. Постоянный коэффициент значим, что свидетельствует о том, что в модель необходимо дополнительно включить переменные, которые помогут точнее определить вероятность банкротства. Это подтверждается тем, что качество полученной модели невысокое: используемые переменные влияют на вероятность банкротства только на 3,1%. Тем не менее, первая гипотеза о значимости разделения на отрасли подтвердилась. Поэтому при оценке риска банкротства необходимо учесть отраслевую специфику компании, а так же ее внутреннюю структуру.

Сельское хозяйство, лесоводство и рыболовство

Результаты по данной отрасли представлены в Таблице 7. Они отличаются от результатов модели, построенной по общей выборке. Это вызвано не только влиянием отраслевой специфики, но и сокращением выборки с 8132 наблюдений до 1176 – такое количество компаний было представлено в данной отрасли. Количество наблюдений позволяет использовать уровень значимости 1%.

Таблица 7

Результаты для отрасли сельское хозяйство, лесоводство и рыболовство

Переменная

Предельный эффект/Значение

С

-3.9***

AL

1.208206**

PRL

0.243841

CR1

-0.131945

G1

0.000490

INT1

-0.000414

LTDTA1

-0.571389

RTA1

-0.067924***

DT1

0.002024*

NCT1

-0.103503

FAT1

-0.236028

EMPL1

-0.000842

UPR

1.47E-06

CLCA1

0.303526

D1

-4.63E-06

NC

-0.003638

LTINV1

-1.13E-06

OUTPUT1

2.17E-09**

PE1

-0.164784

C1

6.43E-06***

FA1

-8.91E-07

McFadden R-squared

0.142536

Log likelihood

-173.0877

Основываясь на результатах, можно сделать вывод, что для данной отрасли вторая гипотеза не подтвердилась. Наиболее сильное влияние на вероятность банкротства оказывают переменные, основанные на показателях, быстро изменяющихся во времени. К ним относятся рентабельность активов, оборачиваемость дебиторской задолженности, выпуск продукции, кредиторская задолженность и индикатор превышения текущих активов над текущими обязательствами. Качество полученной модели выше, чем по общей выборке, и для его повышения необходимо включать в модель ряд дополнительных переменных.

Добыча полезных ископаемых

Количество наблюдений по данной отрасли не превышает 300, поэтому переменные на уровне значимости 1% отсутствуют.

Таблица 8

Результаты для отрасли добычи полезных ископаемых

Переменная

Предельный эффект/Значение

C

-3.414256**

OUTPUT1

9.57E-10

AL

1.141424

PRL

-0.977750

PE1

0.457542

EMPL1

-0.005521**

NC

-0.005874

RTA1

-0.000665

NCT1

-0.307360

FA1

-2.37E-06**

TL1

2.30E-06**

FATL1

1.318954

C1

-3.19E-06

D1

2.08E-07

LTDTA1

0.073658

UPR

-2.86E-06**

CLCA1

0.116008

LTINV1

-7.78E-07

McFadden R-squared

0.338482

    Log likelihood

-30.23066

Ориентируясь на результаты по этой отрасли, представленные в Таблице 8, можно сделать вывод, что вторая гипотеза в отношении нее частично подтвердилась. На вероятность банкротства компаний влияют такие мало изменяемые и долгосрочные показатели, как сумма общих обязательств и размер основных фондов. Так же для этой отрасли необходимо учитывать изменение нераспределенной прибыли/непокрытого убытка и численности персонала. В добавление к этому, качество модели гораздо выше, чем в предыдущей, что свидетельствует о правильности выбранных показателей. Однако допускается наличие и других влияющих факторов, не включенных в данную модель, поскольку постоянный член значим.

Производство

Результаты, полученные с помощью logit-модели для отрасли производства, показали, что вторая гипотеза для нее частично подтверждается. Важную роль при оценке вероятности банкротства компаний в этой отрасли играют абсолютные показатели.

Таблица 9

Результаты для отрасли производства

Переменная

Предельный эффект/Значение

C

-2.214614***

AL

-0.590772**

PRL

-0.279244

CR1

0.006962

G1

0.000722

INT1

1.99E-05

LTDTA1

0.181454

RTA1

0.002064

DT1

2.76E-05

NCT1

0.001129**

EMPL1

0.000567***

UPR

4.63E-07

CLCA1

-0.208335

NC

-0.004270*

LTINV1

-2.60E-07**

OUTPUT1

-2.13E-07

PE1

-0.480241

C1

-1.83E-08

FA1

1.53E-07**

McFadden R-squared

0.042604

    Log likelihood

-392.1065

Следует отметить значимость переменных, обозначающих оборачиваемость собственного капитала и долгосрочные инвестиции, которые не стали значимыми для общей выборки. Это еще раз подтверждает тот факт, что необходимо учитывать отраслевые особенности при установлении вероятности несостоятельности. Количество наблюдений в данной отрасли равно 2369.

Снабжение электричеством и строительство

По этим отраслям были построены наиболее качественные модели, где верно определено большинство показателей, характеризующих вероятность банкротства. Это свидетельствует о том, что вторая гипотеза в отношении этих отраслей так же частично подтверждается. 

Таблица 10

Результаты для отрасли снабжения электричеством

Переменная

Предельный эффект/Значение

C

6.072869

OUTPUT1

5.04E-10

AL

-4.573812*

PRL

-1.759630

PE1

-2.400961

EMPL1

0.001062

NC

-0.118816

RTA1

0.154006

NCT1

-0.783209*

FA1

-5.51E-07

TL1

-1.59E-06

FATL1

-8.721432**

LTDTA1

4.826419

UPR

8.84E-08

LTINV1

8.13E-06*

McFadden R-squared

0.581231

    Log likelihood

-9.843548

При этом в отрасли снабжения достаточно показателей для определения вероятности несостоятельности, в то время как в строительстве необходимо рассмотрение дополнительных показателей, оказывающих потенциально значимое влияние на вероятность банкротства.

Таблица 11

Результаты для строительной отрасли

Переменная

Предельный эффект/Значение

C

-1.698625***

OUTPUT1

2.50E-11*

AL

-0.608798**

PRL

-0.381298

EMPL1

-0.000696

NC

-0.003324

RTA1

-0.020936

NCT1

-0.000190

FA1

-2.76E-07

TL1

4.13E-07***

FATL1

0.043680

LTDTA1

-0.452888

UPR

-1.81E-06*

LTINV1

-9.94E-08

C1

-8.91E-07***

McFadden R-squared

0.581231

    Log likelihood

-9.843548

Размер обязательств наиболее важен при оценке вероятности банкротства в отрасли строительства. Чем выше сумма обязательств, тем больше вероятность стать банкротом.  В отрасли снабжения важными являются оборачиваемость рабочего капитала, при увеличении которой вероятность обанкротиться снижается, а так же показатель долгосрочных инвестиций.

Оптовая и розничная торговля

Таблица 12

Результаты для отрасли оптовой и розничной торговли

Переменная

Предельный эффект/Значение

C

-1.059307

AL

0.655208*

PRL

-0.231662

PE1

0.065386

EMPL1

0.000218*

NC

-0.000135

RTA1

-0.018675*

G1

-0.892201

CASH1

1.93E-07

NCT1

4.33E-05

CLCA1

-0.445031

CATA1

-2.538662***

D1

1.51E-07***

CR1

0.005291

ST1

-4.23E-05

DT1

-9.80E-07

LTDTA1

-0.599631

McFadden R-squared

0.075632

    Log likelihood

-438.7435

Наиболее значимыми переменными, построенными на основе текущих показателей, для определения вероятности банкротства в торговой отрасли оказались доля текущих активов в общей сумме активов  и размер дебиторской задолженности. Их значимость подтверждает верность второй гипотезы относительно данной отрасли. Чем больше доля текущих активов в валюте баланса, тем меньше вероятности стать банкротом. Это также подтверждает значимость текущих показателей для отрасли, в частности, текущих активов. Обратную зависимость с вероятностью банкротства имеет также рентабельность активов, что вполне закономерно, исходя из определения данного показателя. Значимой оказалось прямая зависимость вероятности банкротства от численности персонала и величины дебиторской задолженности. В отношении dummy-переменной  AL был получен противоречивый результат. Логично предположить, что если текущие активы превышают текущие обязательства, то у компании уменьшается риск стать банкротом. Однако исследование показало, что для отрасли торговли  зависимость между переменными прямая, и величина предельного эффекта относительно велика.

Транспорт и связь

Наиболее значимыми переменными при оценке вероятности банкротства в отрасли транспорта и связи оказались размер кредиторской задолженности, численность персонала, долгосрочные инвестиции и фиктивная переменная PRL. При этом в отношении показателя долгосрочных инвестиций так же, как и для отрасли снабжения, наблюдается положительная взаимосвязь с риском банкротства (см. Таблицу 13).  

Таблица 13

Результаты для отрасли транспорта и связи

Переменная

Предельный эффект/Значение

C

-3.394148*

AL

-0.288643

PRL

-1.735737**

EMPL1

0.000609*

RTA1

0.015429

G1

0.556513

CASH1

-1.77E-06

NCT1

-0.010973

D1

-6.67E-07

CR1

-0.001794

ST1

-5.43E-05

DT1

0.000493

LTINV1

2.08E-07**

CATA1

0.605306

LTDTA1

-0.091764

CLCA1

-0.236862

OUTPUT1

-1.04E-11

PE1

0.559272

C1

7.57E-07*

McFadden R-squared

0.109312

Log likelihood

-89.69038

Выборка по этой отрасли включала данные по 473 компаниям. По этой причине показатели значимы только на уровне 5% и 10%. Вторая гипотеза для этой отрасли не подтвердилась, поскольку предполагаемые значимые переменные не оказались таковыми.

Операции с недвижимым имуществом

Результаты исследования для этой отрасли показали, что при оценке вероятности банкротства значимыми оказались те переменные, которые не были значимы ни в одной из рассмотренных выше отраслей. Выборка состояла из 250 наблюдений, что так же исключает возможность получения переменных значимых на уровне 1%.

Таблица 14

Результаты для отрасли по осуществлению операций с недвижимым имуществом

Переменная

Предельный эффект/Значение

C

-5.303546

OUTPUT1

1.24E-05

UPR

-1.28E-05**

AL

-0.560357

G1

8.174325*

RTA1

0.002498

EMPL1

-0.001620

NC

-0.052521

NCT1

-0.453613

LTDTA1

3.637079

CLCA1

-0.728682

CATA1

0.722449

CR1

-0.564159

DT1

-0.000417

ST1

-0.000129

PRL

1.530998

CASH1

-8.82E-05*

LTD1

9.02E-07*

McFadden R-squared

0.419466

Log likelihood

-22.28078

Согласно полученным результатам, при оценке риска банкротства компаний сектора предоставления услуг c недвижимым имуществом наиболее значимым оказалось изменение нераспределенной прибыли. На большем уровне значимости была подтверждена обратная взаимосвязь между вероятностью банкротства и суммой наличных денежных средств. Была установлена прямая взаимосвязь зависимой переменной с переменными, обозначающими долгосрочные текущие обязательства и размер финансового рычага.

Профессиональная, научная и техническая деятельность

С помощью используемых переменных была построена logit-модель для научно-технической отрасли, качество которой составляет 31%. 

Таблица 15

Результаты для отрасли профессиональной, научной и технической деятельности

Переменная

Предельный эффект/Значение

C

32.76037*

OUTPUT1

6.20E-12

UPR

3.19E-08

AL

-0.233254

G1

-20.16716**

RTA1

-0.023058

EMPL1

0.000802

NC

-0.001642

NCT1

-0.076583

LTDTA1

-17.26530**

CLCA1

-15.58348

CATA1

-12.91990*

CR1

-5.169098

McFadden R-squared

0.310885

Log likelihood

-19.02716

Важную роль при оценке риска банкротства являются относительные показатели, обозначающие долю активов и обязательств в валюте баланса. Значимой оказалась и переменная, обозначающая финансовый рычаг. Все значимые переменные обратно пропорциональны зависимой переменной. Соответственно, при их увеличении вероятность банкротства снижается.

 В целом для всех рассмотренных моделей для каждой отрасли можно сделать общие выводы.

В частности, результаты исследования подтвердили, что в большинстве моделей значимы переменные третьей группы – фиктивные переменные. Это свидетельствует о том, что при определении риска банкротства важно учитывать не абсолютные значения таких показателей, как нераспределенная прибыль, текущие активы и текущие обязательства, а их соотношение между собой.

Значимыми оказались так же переменные первой группы – абсолютные показатели. В большинстве отраслей важную роль при определении риска банкротства играет показатель численности персонала. Так же следует учитывать размер долгосрочных инвестиций, дебиторской и кредиторской задолженности. При этом коэффициент оборачиваемости дебиторской задолженности оказался незначимым во всех отраслях. Из относительных показателей большее влияние на вероятность банкротства оказывает рентабельность активов. Воздействие других коэффициентов рентабельности не было оценено, поскольку они были исключены по причине мультиколлинеарности.

Помимо эффекта мультиколлинеарности, в текущем исследовании была выявлена еще одна проблема, с которой сталкивались и предыдущие российские исследователи. Подробный анализ оценки вероятности банкротства российских компаний, полученный с помощью logit-регрессии, не позволял сделать конкретные выводы относительно некоторых компаний. При расчете вероятности банкротства на основе моделей бинарного выбора исследователи получали результаты, обратные ожидаемым, или не соответствующие здравому смыслу. В данной работе обратные результаты были получены для торговой отрасли по фиктивной переменной AL. Наиболее противоречивые результаты получились по показателям долгосрочных инвестиций и выпуска продукции. Как правило, чем выше эти показатели, тем меньше вероятность банкротства. Однако анализ риска банкротства, проведенный по logit-модели, выявил, что вероятность банкротства изменяется в аналогичном направлении с этими показателями. Подобные эффекты наблюдались и при анализе ситуации в отраслях производства, строительства, профессиональной, научной и технической деятельности.

Заключение

Данное исследование рассмотрело влияние различных факторов на вероятность банкротства компаний разных отраслей посредством logit-модель бинарного выбора. В ходе исследования были выявлены все достоинства и недостатки модели, описанные в предыдущих исследованиях. В частности, было подтверждено, что данная модель действительно дает точные результаты и проста в использовании. Кроме того, она удобна при интерпретации результатов. Однако недостатки использования данной модели так же повлияли на конечный результат.

При анализе вероятности банкротства с помощью модели бинарного выбора использовались фиктивные переменные, которые в большинстве случаев оказались значимыми. На практике их удобнее использовать с помощью рейтинговых моделей. В этом случае при анализе вероятности банкротства они относятся к группе качественных показателей. В группу количественных показателей обычно включают абсолютные показатели финансовой отчетности и относительные показатели, характеризующие состояние финансово-хозяйственной деятельности фирмы. Иначе говоря, к количественным показателям относят показатели первой и второй группы текущего исследования. На практике удобнее рассчитывать вероятность банкротства с помощью рейтинговых и скоринговых моделей, поскольку они позволяют избежать некоторых проблем, с которыми исследователи сталкиваются, используя модели бинарного выбора. Так, при данном анализе нет необходимости учитывать наличие мультиколлинеарности. Помимо этого, нет сложностей в определении меры рисков. При использовании logit-регрессии риски деятельности предприятия можно оценить только по относительным показателям, в то время как при использовании рейтинговых моделей учитывается конкретная фиксированная мера риска, предварительно рассчитанная по финансовым показателям. Однако, несмотря на то, что logit-модель уступает рейтинговым моделям по некоторым параметрам, она остается одной из самых распространенных инструментов исследования риска банкротства. Данная модель показывает степень влияния рассматриваемых показателей на вероятность несостоятельности. Кроме того, с помощью нее можно определить точный процент, отражающий вероятность банкротства. Такие результаты нельзя получить с помощью других моделей, что делает logit-регрессию уникальным и удобным в использовании инструментом.

В данном исследовании вероятность банкротства компаний разных отраслей оценивалась на временном промежутке с 2012 по 2013 год. В этот период времени в экономике России происходили процессы и изменения, которые не учитывались в исследовании, но оказывали влияние на деятельность некоторых компаний. В 2012 году Россия стала членом ВТО, соответственно, произошли внешнеэкономические изменения, которые так же затронули внутренний рынок. Наиболее сильное влияние вступления России в ВТО ощутили компании сельскохозяйственной отрасли, а так же отраслей добычи полезных ископаемых (в частности, нефти) и металлургического производства. Под влиянием внешней политики изменились цены на продукцию этих отраслей, а так же допустимое количество произведенной продукции. Все эти факторы могли быть учтены в исследовании, однако, макроэкономических показателей не было включено. Предыдущие российские исследования, где использовались те же инструменты для оценки вероятности банкротства, содержали макроэкономические показатели. Среди них учитывалась ставка рефинансирования и отношение общих активов каждой компании к индексу-дефлятору ВВП. Вероятно, такие показатели рассматривались в исследованиях по причине кризисной ситуации в стране в целом. Авторам удалось оценить влияние этих факторов, которое оказалось значимым. Таким образом, при оценке степени влияния внешних экономических факторов на вероятность банкротства необходимо обозначать временной период, за который оцениваются риск банкротства. Экономическая ситуация в России в 2014-2015 гг., например, ощутимо отличается от ситуации в 2012-2013 гг., за которые оценивались показатели в текущем исследовании. Данная работа была более сфокусирована на отраслевых особенностях и различиях в финансовых показателях компаний. Иначе говоря, большее внимание в работе уделялось рассмотрению внутренних факторов, оказывающих влияние на вероятность банкротства.

В дальнейшем данная тема может быть развита в нескольких направлениях. Возможно рассмотрение влияния внешних экономических факторов на вероятность банкротства компаний. При этом целесообразно будет разделить компании по размеру и посмотреть, какие компании больше всего подвержены влиянию внешних изменений в экономике. Возможно дальнейшее изучение отраслевых различий при оценке вероятности банкротства компаний. Результаты текущего исследования показали, что на вероятность банкротства компаний влияют не только финансовые показатели. Некоторые значимые факторы не были учтены в данном исследовании по разным причинам, в том числе и по отсутствию информации в открытом доступе. Так, в качестве независимых переменных, оказывающих потенциальное воздействие на вероятность банкротства, можно исследовать переменные, построенные на основе показателей качества управления компании, как в модели Аргенти. Так же возможно включить в рассмотрение большее количество показателей, специфичных по отраслям.

Исходя из описанной ситуации, можно заключить, что по данной теме возможно провести более обширные исследования, учитывающее многие факторы, относящиеся как к внешней экономической среде, так и к внутренней отраслевой структуре компаний.

Список литературы

Нормативные правовые акты:

  1. Федеральный закон "О несостоятельности (банкротстве)" N 127-ФЗ от 26.10.2002
  2. Арбитражный процессуальный кодекс Российской Федерации. (АПК РФ) от 24.07.2002 N 95-ФЗ.
  3. Постановление Правительства РФ от 29.05.2004 N 257 (ред. от 24.03.2015) "Об обеспечении интересов Российской Федерации как кредитора в деле о банкротстве и в процедурах, применяемых в деле о банкротстве".

Специальная литература:

  1. Altman E., 1968. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // Journal of Finance, 23, PP. 589-609.
  2. Altman, Edward I., Corporate financial distress and bankruptcy: predict and avoid bankruptcy, analyze and invest in distressed debt / 3rd ed. 2006.
  3. Aziz M., Dar H. Predicting corporate bankruptcy – where we stand? // Corporate Governance Journal. 2006. Vol. 6. No 1. PP. 18–33.
  4. Jonathan B. Berk, R. Stanton and J. Zecher. Human Capital, Bankruptcy, and Capital Structure (2010)
  5. Qing He, Terence Tai-Leung Chong, Li Li, Jun Zhang. A Competing Risks Analysis of Corporate Survival // Financial Management, Vol. 39, No. 4 (Winter 2010), pp. 1697-1718.
  6. Ohlson, J., 1980, Financial ratios and the probabilistic prediction of bankruptcy, Journal of Accounting Research, №18, PP. 109-131.
  7. Boris Podobnik, Davor Horvatic, Alexander M. Petersen, Branko Urošević, H. Eugene Stanley. Bankruptcy risk model and empirical tests. // Proceedings of the National Academy of Sciences of the United States of America, Vol. 107, No. 43 (October 26, 2010), pp. 18325-18330
  8. Ilia D. Dichev. Is the Risk of Bankruptcy a Systematic Risk? // The Journal of Finance, Vol. 53, No. 3 (Jun., 1998), pp. 1131-1147
  9. Zmijewski M. E. Methodological issues related to the estimation of fi nancial distress prediction models / M. E. Zmijewski // Journal of accounting research, Supplement to Vol. 22, Studies on current econometric issues in accounting research. – 1984. – P. 59–82.
  10. Minussi J, Soopramanien DGR and Worthington DJ, 'Statistical modelling to predict corporate default for Brazilian companies in the context of Basel II using a new set of financial ratios', Lancaster University Management School Working Paper, 2007.
  11. Begley J., Ming, J., and Watts S. Bankruptcy Classification Errors in the 1980s:An Empirical Analysis of Altman’s and Ohlson’s Models, Review of Accounting Studies, 1996. − № 1.
  12. Korol T., Multi-Criteria Early Warning System Against Enterprise Bankruptcy Risk, EuroJournals Publishing, 2011.
  13. Shumway. Forecasting Bankruptcy More Accurately: A Simple Hazard Model. // The Journal of Business, Vol. 74, No. 1 (January 2001), pp. 101-124
  14. B. Berk, R.Stantons and J. Zecher . Human Capital, Bankruptcy, and Capital Structure (2010)
  15. F. Weston. Some Economic Fundamentals for an Analysis of Bankruptcy (1977)
  16. B. Johnson. "Representativeness" in Judgmental Predictions of Corporate Bankruptcy // The Accounting Review, Vol. 58, No. 1 (Jan., 1983), pp. 78-97
  17. Kim-Choy Chung. Insolvency Prediction Model Using Multivariate Discriminant Analysis and Artificial Neural Network for the Finance Industry in New Zealand // International Journal of Business and Management (January, 2008)
  18. Allayannis, G.W. Brown, L. F. Klapper. Capital Structure and Financial Risk: Evidence from Foreign Debt Use in East Asia // The Journal of Finance, Vol. 58, No. 6 (Dec., 2003), pp. 2667-2709
  19. Petrovits, C. Shakespeare, A. Shih. The Causes and Consequences of Internal Control Problems in Nonprofit Organizations // The Accounting Review, Vol. 86, No. 1 (JANUARY 2011), pp. 325-357
  20. Beaver William H. Financial Ratios as Predictors of Failure, Empirical Research in Accounting Selected Studies / William H. Beaver, 1966. – Supplement to Journal of Accounting Research. – 4. pp. 71-111.
  21. Back В., Laitinen Т., Sere К., van Wezel M. Choosing Bankruptcy Predictors Using Discriminant Analysis, Logit Analysis, and Genetic Algorithms II Technical Report № 40. Turku Centre of Computer Science, September, 1996.
  22. Hosmer, D. W., Jr., Lemeshow, S.A. and Klar, J. (1988), “Goodness-of-fit testing for the logistic regression model when the estimated probabilities are small”, Biometrical Journal, 30, pp. 911–924.
  23. Балдин К.В. Банкротство предприятия: анализ, учет и прогнозирование. М., «Дашков и К», 2010.
  24. Лукашов А.В. Риск-менеджмент и количественное измерение финансовых рисков в нефинансовых корпорациях. // Управление рисками, №5(11)-2005 г., с.43-60
  25. Т.К. Богданова, Ю.А. Алексеева. Прогнозирование вероятности банкротства предприятий с учетом изменения финансовых показателей в динамике. // Бизнес-информатика №1(15)-2011 г., с.50-60
  26. Т.К. Богданова, Баклакова А.В. Инструментальные средства прогнозирования вероятности банкротства авиапредприятий. // Бизнес-информатика №1-2008 г., с.45-61
  27. Захарова А.А., Телипенко Е.В. Отбор факторов риска банкротства предприятия на основе метода главных компонент. // Электронный журнал Корпоративные Финансы №1(29)-2014 г., с.66-74
  28. А.М. Карминский, А.А. Пересецкий. Рейтинги как мера финансовых рисков. Эволюция, назначение, применение. // Проблемы экономической теории (2008), с.86-102.
  29. Федотова М.А. Как оценить финансовую устойчивость предприятия.//Финансы. — 1995. — № 6.
  30. Макеева Е.Ю., Бакурова А.О. Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей. // Журнал «Корпоративные финансы» №3(23) 2012 г.
  31. Попов В.Б., Кадыров Э.Ш. Анализ моделей прогнозирования вероятности банкротства предприятий. // Ученые записки Таврического национального университета имени В.И. Вернадского. Серия «Экономика и управление». Том 27 (66), 2014 г., №1, с.118 – 128.
  32. Мурадов Д.А. «Logit-регрессионные модели прогнозирования банкротства предприятий». // Труды нефти и газа имени И.М. Губкина №3 (264), 2011 г.
  33. Хайдаршина Г.А. Эффективность современных методов оценки риска банкротства предприятий в российской практике финансового менеджмента: logit- и SVM-модели//Экономические науки, 2008. − № 44.
  34. Евстропов М.В. Оценка возможностей прогнозирования банкротства предприятий в России // Вестник Оренбургского государственного университета, 2008. − № 4.

Электронные ресурсы:

  1. Год в ВТО: первые выводы для России. [Электронный ресурс]: http://www.bbc.co.uk/russian/business/2013/08/130822_russia_wto_year_later.shtml

Приложение 1

Корреляционная матрица группы абсолютных показателей

CA1

C1

CASH1

CC1

CL1

D1

EBIT1

EMPL1

FA1

FINP1

LTD1

NC

NWC1

OC1

OUTPUT1

STOCK1

TA1

TL1

UPR

CA1

1,00

C1

0,91

1,00

CASH1

0,43

0,42

1,00

CC1

0,70

0,77

0,47

1,00

CL1

0,92

0,96

0,42

0,78

1,00

D1

0,91

0,84

0,21

0,55

0,84

1,00

EBIT1

0,54

0,44

0,32

0,50

0,47

0,48

1,00

EMPL1

0,34

0,36

0,33

0,57

0,40

0,20

0,19

1,00

FA1

0,45

0,28

0,38

0,35

0,32

0,25

0,58

0,29

1,00

FINP1

-0,39

-0,26

-0,39

-0,30

-0,32

-0,23

-0,35

-0,35

-0,67

1,00

LTD1

0,41

0,25

0,51

0,31

0,28

0,22

0,46

0,34

0,90

-0,80

1,00

NC

0,09

0,07

0,06

0,10

0,09

0,05

0,13

0,04

0,17

-0,09

0,13

1,00

NWC1

0,73

0,45

0,26

0,27

0,41

0,66

0,46

0,08

0,51

-0,35

0,49

0,06

1,00

OC1

0,44

0,25

0,25

0,36

0,27

0,25

0,64

0,18

0,91

-0,44

0,69

0,17

0,56

1,00

OUTPUT1

0,64

0,71

0,38

0,80

0,71

0,60

0,44

0,46

0,25

-0,27

0,25

0,04

0,25

0,23

1,00

STOCK1

0,76

0,76

0,46

0,71

0,77

0,51

0,33

0,48

0,27

-0,29

0,27

0,07

0,42

0,26

0,48

1,00

TA1

0,78

0,62

0,47

0,57

0,65

0,60

0,66

0,36

0,91

-0,65

0,82

0,16

0,69

0,84

0,47

0,54

1,00

TL1

0,90

0,86

0,57

0,74

0,88

0,75

0,57

0,46

0,67

-0,61

0,69

0,12

0,57

0,54

0,66

0,71

0,89

1,00

UPR

0,39

0,31

0,34

0,41

0,31

0,29

0,82

0,25

0,56

-0,23

0,41

0,10

0,37

0,64

0,30

0,27

0,57

0,44

1,00

Приложение 2

Корреляционная матрица группы относительных показателей

CATA1

CLCA1

CR1

DT1

EBITTA

ETA1

FAT1

G1

INT1

LTDTA1

LTINV1

NCT1

NWCTA

RTA1

S1

UPRTA

CATA1

1,00

CLCA1

-0,26

1,00

CR1

-0,01

-0,14

1,00

DT1

0,01

-0,01

0,00

1,00

EBITTA

0,03

-0,09

0,02

-0,01

1,00

ETA1

-0,32

-0,21

0,25

0,01

0,23

1,00

FAT1

0,05

0,00

-0,01

0,00

0,00

-0,04

1,00

G1

0,07

0,11

-0,08

-0,01

-0,17

-0,63

0,04

1,00

INT1

0,02

-0,01

0,01

0,00

0,03

0,02

0,00

-0,03

1,00

LTDTA1

-0,35

-0,09

0,07

-0,01

-0,05

-0,23

-0,02

0,40

-0,03

1,00

LTINV1

-0,12

0,03

0,00

0,00

-0,01

0,03

0,00

-0,01

0,00

0,06

1,00

NCT1

0,16

0,02

-0,03

0,00

-0,01

-0,18

0,07

0,11

0,00

-0,10

-0,02

1,00

NWCTA

0,43

-0,53

0,29

0,02

0,21

0,46

0,00

-0,21

0,02

0,17

-0,05

-0,09

1,00

RTA1

0,05

-0,09

0,04

-0,01

0,98

0,27

0,00

-0,24

0,04

-0,12

0,00

0,00

0,21

1,00

S1

-0,32

-0,21

0,25

0,01

0,23

1,00

-0,04

-0,63

0,02

-0,23

0,03

-0,18

0,46

0,27

1,00

UPRTA

-0,04

-0,20

0,19

0,02

0,34

0,71

-0,02

-0,48

0,03

-0,24

0,00

-0,11

0,46

0,38

0,71

1,00

 Приложение 3

ROC кривая, построенная на основе модели по общей выборке