Воскресенье, 27.05.2018, 02:21
В помощь студентам

Главная | Регистрация | Вход Приветствую Вас Гость | RSS
Меню сайта
Категории раздела
Мои статьи [72]
Статистика

Онлайн всего: 1
Гостей: 1
Пользователей: 0
Block title
Block content
Форма входа

Главная » Статьи » Мои статьи

Методы оценки вероятности банкротства

В решении более общих проблем прогноз финансовой несостоятельности компании может быть всего лишь промежуточным шагом, например, в процессе оптимизации корпоративной структуры капитала. Общепризнан то факт, что риск банкротства приводит к уменьшению потенциальных источников заемных и привлеченных средств.

Анализируя работы как зарубежные, так и отечественные работы в области диагностики банкротства предприятий можно составить подробную схему классификации использованных методов (Рисунок 2):

Рисунок 2. Методы прогнозирования банкротства

Все методы прогнозирования банкротства можно разделить на две большие категории: количественные и качественные. Количественные методы представляют собой больший интерес в рамках данного исследования, однако до того, как начать рассматривать основополагающие (количественные) теории диагностики банкротства предприятий, необходимо отметить, что количественный подход предполагает использование финансовых данных (т.е. информация для последующего изучения берется непосредственно из данных компании) и ряд коэффициентов. Количественными  моделями, как инструментом диагностики финансового состоянии предприятий, пользовались такие ученые, как Э.Альтман[1], Бивер[2], Фулмер[3], Р. Таффлер и Г. Тишоу[4], О.П. Зайцева[5], М.А. Федотова[6], Р.С. Сайфуллин и Г.Г. Кадыков[7] и многие другие.   Особенность количественных методик в том, что они акцентируют внимание на возможных экономико-математических проявлениях банкротства и могут включать в себя как несколько факторов анализа одновременно, так и один единственный.

1.Однофакторный анализ. Самым простым и одновременно грубым методом, относящимся к статистическим моделям, является однофакторный анализ. За основу берется один фактор, который значительно меняется при переходе из состояния здоровой компании в состояние банкрота. Естественно, использование единственного показателя не может предусмотреть все возможные причины банкротства, однако именно данный тип анализа дает понять, как переменные должны быть использованы в более углубленных и комплексных исследованиях.

2.Многофакторный анализ. Суть многофакторного и однофакторного  анализа совпадают: используются переменные, значения которых существенно меняются при переходе компании из устойчивого состояния в состояние несостоятельности. По отрасли рассчитываются критические значения взятых переменных, достигая которые, потенциальный банкрот становится фактическим. Впоследствии, фактические результаты деятельности предприятия сравниваются с критическими значениями, и формулируется вывод, на основе которого принимают решения. Многофакторным анализом воспользовались Э.Альтман и Бивер в конце 70ых годов прошлого века., Р.С. Сайфуллин и Г.Г.Кадыков, О.П. Зайцева, В.Л. Шемякин и др.

3.Модели анализа условной вероятности. Такие модели  базируются на дихотомической зависимой переменной. Для такой модели необходимо определить границы между компаниями «банкротами» и «не банкротами».

4.Анализ выживаемости. Данный метод решает проблемы: относительно точно предсказывает время ожидания до определенного события (в нашем случае до банкротства) и допускает  незавершенные наблюдения (то есть исследуемый объект может покинуть выборку до окончания эксперимента). Описания моделей анализа выживаемости были изложены в работах Дж. Уалена, Р.А. Коула, Т. Шумвейя. Отдельно стоит упомянуть работы отечественных ученных, таких как А.М. Карминского, А.А. Пересецкого и С.В. Голованя[8], изучавшие дефолт российских банков.

5.Logit-модели. Указанный способ имеет схожие моменты с моделью анализа условной вероятностью и подходит для анализа бинарных характеристик: в нашем случае это будут значения 1 – для обанкротившихся компаний и 0 – для здоровых предприятий и потенциальных банкротов (при значении 0,5). Практическое применение logit-моделей нашло свое отражение в исследованиях Дж. Ольсона[9], Дж. Бигли, С. Леннокса и других. Также при изучении логистических моделей важно заострить внимание на работах ученых Foglia, Iannotti, and Marullo-Reedtz (2001)[10].

6.Probit-модели. Интерпретация и расчеты идентичны  Logit-моделям, однако единственным и фундаментальным различием является применение нормальной функции распределения вместо логистической. Исследования probit-моделей можно найти в работах Zmijevski (1984)[11].

Вторая большая подгруппа количественных методик представлена в виде моделей искусственного интеллекта. К сожалению, к представленным подходам обращаются нечасто, несмотря на то, что зачастую результаты бывают точнее тех, которые были получены статистическим путем. Объясняется это тем, что модели искусственного интеллекта были разработаны не так давно.

  1. Дерево решений (CART - Classification and Regression Tree). Подразумевает под собой программу с определенным алгоритмом. Система сама способна распределять компанию в группу «банкротов» или «не банкротов» в соответствии с заданными вопросами. Для детального изучения данного метода можно обратиться к работам Breiman, Friedman, Olshen, & Stone  «Classification and regression trees. Belmmont: Wadsworth International Group» (1984)[12], Hastie, T., Tibshirani, R., & Friedman, J. H. (2003). «The elements of statistical learning. New York: Springer-Verlag.»[13].

8.Генетический алгоритм. Основная идея построена на теории естественного отбора Дарвина. Как и в природе, происходит процесс скрещивания (комбинирования) ряда параметров результате чего получается новая мутация (решение), которая в частности воплощается в виде банкротства компании. Для здоровых же компаний производится селекция (отбор) лучших «генов» для последующих поколений. Вопрос генетического алгоритма детально рассматривал российский ученый А.А. Шеметев в 2010 году, из зарубежных ученых – Varetto (1998)[14].

9.Нейронная сеть. Модель основана на принципах работы упрощенной нервной системы человека. Архитектура сети построена таким образом, что, оказываясь на каждом последующем узле, объект (компаний) распознается и распределяется соответственно заданной классификации. Процесс происходит в несколько этапов до тех пор, пока на выходе не будет найдено решение, удовлетворяющее требуемым критериям. Первоначально идея нейронной сети зародилась в Калифорнийском университете, и была изучена профессором П. Хартом в конце 1960х годов. Позже корейские ученые Ahn, Cho, and Kim (2000)[15] для изучения вопроса о банкротстве скрестили методы нейронной сети и теории неточных множеств, Pendharkar, P. C. (2005)[16] строил нейронные сети по генетическому алгоритму. Chuang and Lin (2009) так же изучали диагностику банкротства, главным образом основываясь на данном методе.

10.Модели на основе предыдущих. Достаточно обобщенная группа моделей, важной характеристикой которых является анализ недостатков предыдущих моделей и нахождение решений им. Вследствие чего новые функции обладают более высокой результативностью. Гибридными моделями  на основе нейронных сетей и дискриминантного анализа занимались Lee, Chiu, Lu, and Chen (2002)[17], позже методы CART и MARS ( Adaptive - многомерные адаптивные регрессионные сплайны) пытались совместить ученые Chen, Ma, and Ma (2009)[18].

11.Теория нечетких множеств. Представляет собой систематизирование нечеткой информации, обычно в виде таблице. Существенное отличие данного подхода в том, что важен не вопрос «к какому множеству относится рассматриваемый объект», а «с какой степенью» конкретный элемент удовлетворяет свойствам данного множества. Теория нечетких множеств была рассмотрена в работах Кофмана А., Хил Алуха Х., а так же Недосекина А.О. и Максимова О.Б.

Качественные методы прогнозирования кризисного состояния компаний достаточно привлекательны с точки зрения количества анализируемых критериев: в большинстве случаев составляются целые системы критериев, основанных на изучении отдельных характеристик, присущих бизнесу, развивающемуся по направлению к банкротству. Если для исследуемого предприятия характерно наличие таких характеристик, можно дать экспертное заключение о неблагоприятных тенденциях развития. Разработкой  рассматриваемого подхода занимались такие ученые, как Аргенти и В.В. Ковалев[19]. Многие крупные аудиторские и консалтинговые фирмы применяют данный инструмент для аналитических оценок. Безусловно, есть явный недостаток качественного подхода – в результате многокритериальности методики требуется всесторонний анализ заданных параметров, что осложняет и замедляет процесс принятия решения. Помимо этого, качественные методы всегда носят субъективный характер, что делает их результаты скорее справочными, нежели данными, базируясь на которых можно незамедлительно принимать решения.

В большинстве случаев анализа данных для дальнейшего сравнения результатов между собой применяется статистический подход Z-оценки. Z-оценка по сути напоминает некое поле, где можно собрать в единую систему ряд показателей. Каждый Z-счет соответствует определенной точке в нормальном распределении и порой называется отклонением, так как он описывает, насколько точка отклоняется от среднего (или другого рассчитанного) значения. С финансовой точки зрения, Z-счет – результат анализа кредитоспособности компании, которая и измеряет вероятность наступления банкротства. Данная формула может быть использована для прогнозирования банкротства в течение двух лет, несмотря на то, что показывает состояние предприятия на определенный момент. Z-анализ оказался успешным в реальном мире: в 72% случаев он правильно предсказывает банкротство за два года до наступления неплатежеспособности.

В 2006 году исследователи Азиз и Дар (O.Aziz, O.Dar)[20]  на основе 89 работ по методикам прогнозирования банкротства компании 1968-2003 годов выяснили, что статистическими моделями пользуются в 64% случаев, в частности многофакторный анализ (34,1%) и модели искусственного интеллекта (25%). Таким образом, можно с уверенностью сказать, что для диагностики финансового состояния предприятий, количественные подходы представляют для нас больший интерес, нежели качественные (Рисунок 3).

Рисунок 3. Статистика использования количественных методик

 

Вторым менее часто применяемым методом является logit-модель: используется в 24% случаев. Данная модель подходит для анализа бинарных характеристик: в нашем случае это будут значения 1 – для обанкротившихся компаний и 0 – для здоровых предприятий и потенциальных банкротов (при значении 0,5). Именно этот момент и делает logit-модель подходящей для нашего построения собственной функции оценки вероятности банкротства. Помимо всего немаловажным аргументом является высокая точность результатов, достигаемая благодаря тому, что во внимание взяты показатели с нелинейной зависимостью, в то время как MDA (Multiple-discriminant analysis) оценивает лишь факторы  с линейной зависимостью.

Второй метод создания прогнозной модели, используемый в данной работе, - дерево решений, который подразумевает под собой программу с определенным алгоритмом. Система сама способна распределять компанию в группу «банкротов» или «не банкротов» в соответствии с заданными вопросами. Явным достоинством данного похода выступает «дерево классификации», которое упорядочивает четкие критерии распределения компаний. В силу этого и многих других причин, дерево решений считается важным инструментом в процессе анализа данных.

Основной проблемой в построении моделей прогнозирования банкротства всегда является выбор независимых переменных и определение функциональной связи между этими переменными. Впервые интерес к прогнозированию банкротства возник в Соединенных Штатах в 1960-х годах. Два независимых исследования одновременно проводили Альтман (1968)[21] и Бивер (1967)[22], оба автора выбрали основным критерием анализа финансовые коэффициенты деятельности компании. Помимо перечисленных моделей в российской практике также широко известны модели Таффлера и Тишоу, ИГЭА, Фулмера и Зайцевой (Таблица 2).

Таблица 2. Сравнительная характеристика моделей оценки вероятности банкротства

Модель

Альтмана

Таффлера

ИГЭА

Фулмер

О.П. Зайцева

Год

 

1968

 

1977

 

1997

1984

2002

Количество факторов

 

2, 5, 7

 

4

 

4

9

6

Основано на статистике

66 Американских компаний

80 Британских компаний

2040 Российских компаний

60 американских компаний

Российские компании

 

Альтман (1968) использовал метод мультипликативного дискриминантного анализа (MDA) для построения прогностического алгоритма. Для расчета Z-оценки применяется комбинация финансовых факторов (соотношений), характеризующих экономическое положение и результаты деятельности предприятия.  В своей простейшей модели прогнозирования банкротства Альтман использовал два ключевых фактора коэффициент текущей ликвидности и соотношение  обязательств к активам.

  Необходимо принять во внимание, что данная модель разработана для американских предприятий и не учитывает особенностей российских компаний. В отечественной экономике данная модель была взята за базу исследования В.В. Ковалевым[23], В.М. Родиновой и другими. Недостатки двухфакторной модели Альтмана заключаются в невысокой точности результатов, поскольку анализ таких важных показателей, как рентабельность продаж  и деловая активность компании, не приняты во внимание.

Позже, изучая отчетности 66 американских коммерческих предприятий, Э. Альтманом была разработана пятифакторная модель оценки вероятности наступления банкротства, которая обеспечивала вероятность прогноза для потенциальных банкротов в 92,4% случаев. Однако для здоровых компаний точность составляла всего лишь 62,4%, что в целом снизило общую точность модели до 66,8%. В пятифакторной модели использовались такие коэффициенты, как:

  • отношение оборотного капитала к валюте баланса (определяет объем чистых ликвидных активов)
  • отношение нераспределенной прибыли (или непокрытого убытка) к валюте баланса (отражает финансовый рычаг компании)
  • отношение валовой прибыли к валюте баланса (определяет эффективность деятельности компании)
  • отношение стоимости собственного капитала к стоимости всех обязательств.
  • отношение объема продаж к валюте баланса (определяет фондоотдачу).

В 1984г. Фулмером[24] была построена модель, которая изначально включала в себя 40 показателей. Позже данная модель преобразовалась и в настоящее время состоит из девяти коэффициентов:

  • нераспределенная прибыль прошлых лет/баланс;
  • выручка от реализации/баланс;
  • прибыль до уплаты налогов/собственный капитал;
  • денежный поток/долгосрочные и краткосрочные обязательства;
  • долгосрочные обязательства/баланс;
  • краткосрочные обязательства/совокупные активы;
  • log (материальные активы);
  • оборотный капитал/долгосрочные и краткосрочные обязательства;
  • log (прибыль до налогообложения + проценты к уплате/выплаченные проценты).

Несмотря на достаточно высокую точность результатов (84,4%), методика Фулмера осталась малоизвестной.

Сравнительный анализ таких факторов, как финансовые коэффициенты, переменные денежных потоков и прибыльность компании, осуществили Моссман, Белл, Шварци Тортл (1998). Исследователи обнаружили, что, в общем случае, ни один из факторов не превосходит другие  в прогностической способности, однако за 2 года до предполагаемого банкротства анализ на основе финансовых коэффициентов и переменных денежного потока дают более точные результаты.

В конце 70х годов английские исследователи Р. Таффлер и Г. Тишоу, основываясь на работах Альтмана, построили модель прогноза банкротства, содержащую 4 фактора:

  • отношение прибыли до уплаты налогов к текущим обязательствам
  • отношение текущих активов к общей сумме обязательств
  • отношение текущих обязательств к валюте баланса
  • отношение выручки к валюте баланса.

Однако судьба модели Таффлера и Тишоу схожа с судьбой модели Альтамана: высокая вероятность прогноза для компаний-потенциальных банкротов (95,3%) и низкая для здоровых (49,9%)  в результате дают общую вероятность предсказаний 56,6%.

К сожалению, методики Альтмана, Бивера и Таффлера базируются на эмпирических наблюдениях определенной выборки компаний и не имеют самостоятельного теоретического аспекта. Данные модели могут применены к американским или английским предприятиям, однако существуют экономические национальные параметры (к примеру, ставка налогов), которые препятствуют их использованию  в отличных странах.

Первая модель предсказания банкротства российских предприятий была построена Иркутской Государственной Экономической Академией (ИГЭА) в 1997 году. Были исследованы отчетности 2040 российских негосударственных торговых компаний для выявления показателей оценки деятельности предприятий. Базируясь на модели Э. Альтмана, ИГЭА предложила собственную четырехфакторную модель R-счета, которая учитывала особенности ведения российского бизнеса:

  • коэффициент эффективности использования активов предприятия, рассчитываемый как отношение собственного оборотного капитала к сумме активов;
  • коэффициент рентабельности – отношение чистой прибыли к собственному капиталу;
  • коэффициент оборачиваемости активов – выручка от реализации отнесенная к средней величине активов;
  • норма прибыли – доля чистой прибыли на единицу затрат.

Модель ИГЭА показывает вероятность прогноза в 71,8% (70,6% для здоровых компаний и 78,9%  для потенциальных банкротов), что выше результатов и модели Альтмана, и модели Таффлера и Тишоу.

Еще одна попытка разработки методики диагностики банкротства российских компаний была предпринята О.П. Зайцевой. Зайцева предлагает рассчитать два комплексных показателя: фактический и нормативный, затем, на основе сравнения двух перечисленных принять решение о дальнейших действиях по поводу судьбы предприятия. Если фактический комплексный коэффициент больше нормативного, то вероятность банкротства велика, а если меньше – то вероятность банкротства мала:

  • коэффициент убыточности предприятия, характеризующийся отношением чистого убытка к собственному капиталу;
  • соотношение кредиторской и дебиторской задолженности;
  • показатель соотношения краткосрочных обязательств и наиболее ликвидных активов, этот коэффициент является обратной величиной показателя абсолютной ликвидности;
  • убыточность реализации продукции, характеризующаяся отношением чистого убытка к объему реализации этой продукции;
  • соотношение заемного и собственного капитала;
  • коэффициент загрузки активов как величина, обратная коэффициенту оборачиваемости активов.

Слабой стороной модели О.П. Зайцевой является необходимость наличия данных за предыдущий год (в частности, речь идет о коэффициенте загрузки), что затрудняет проведение внешнего анализа деятельности компании. Невысокая адекватность результатов (40% общей вероятности, несмотря на точность прогнозирования для потенциальных банкротов в 85%) так же делает ее малоиспользуемой в анализе финансового положения компаний.

Несмотря на то, что вышеупомянутые исследования имеют заметные различия в подходах, они имеют общий недостаток.  Основным недостатком является то, что сама проблема недостаточно четко сформулирована. Ни одна из известных формулировок  (помимо метода Фулмера[25]) не содержит никаких указаний об интервале времени, в течение которого необходимо предсказать банкротство. Банкротство компании происходит постепенно, и отсутствие должного внимания к этому факт приводит к некоторым неясностям. Другой важный аспект, не принятый во внимание, - интересы лиц, по чьей инициативе или с выгодой для которых осуществляется процедура банкротства определенного предприятия. Зачастую результаты анализа финансового состояния компании подгоняют под нужды заинтересованных субъектов. Такой анализ не может нести объективный характер и даже, напротив, в силах ввести в заблуждение.

Для  оценки состоятельности рассмотренные модели были апробированы на базе собранных отчетностей российских предприятий строительной отрасли с использованием «СПАРК-Интерфакс»[26] и «Bureau van Dijk: Ruslana» (185 компаний банкротов и 856 небанкротов)  (Таблица 3).

Таблица 3. Сравнительная характеристика прогностических способностей моделей

Вероятность предсказаний

Альтмана

Таффлера

И ГЭА

Фулмер

О.П. Зайцева

Вероятность прогноза для здоровых компаний, %

62,4

49,9

70,6

85,7

32,3

Вероятность прогноза компаний -потенциальных банкротов , %

92,4

95,3

78,9

76,7

85

Общая вероятность, %

66,8

56,6

71,8

84,4

40

 

В результате было выявлено, что самой высокой точностью предсказания наступления несостоятельности компании обладает модель Фулмера (84,4%), далее по точности результатов идет модель Иркутской Государственной Экономической Академии (71,8%). Самая высокая вероятность прогнозирования потенциальных компаний  принадлежит модели Таффлера и Тишоу ( 95,3%), однако общая вероятность составляет лишь 56,6 % (за счет низких результатов диагностики финансово устойчивых компаний). Наиболее известная и распространенная модель прогнозирования банкротства – модель Альтмана верно предсказывает в среднем в 66,8% случаев. Российская модель О.П. Зайцевой обладает прогностической способностью всего в 40%, несмотря на хорошие результаты предсказания банкротов (85%).

 

[1] Altman, E., 1968. Financial ratios, discriminant analysis, and the prediction of corporate bankruptcy. Journal of Finance 23

[2] Beaver, W. (1966). Financial ratios as predictors of failure. Empirical research in accounting. Selected Studies Journal of Accounting Research 5 (suppl).

[3] Fulmer, J. G. Jr., Moon, J. E., Gavin, T. A., Erwin, M. J. (1984, July). "A bankruptcy classification model for small firms." Journal of Commercial Bank Iandirg, 25-37.

[4] Taffler R.J., Tisshaw H. Going, going, gone – four factors which predict // Accountancy, March 1977.

[5] Зайцева О.П. Антикризисный менеджмент в российской фирме.//Аваль. (Сибирская финансовая школа). — 1998. — № 11-12.

[6] Федотова М.А. Как оценить финансовую устойчивость предприятия.//Финансы. — 1995. — № 6.

[7] Шеремет А.Д., Сайфуллин P.C. Методика финансового анализа. Москва ИНФРА-М, 1996 176 с.

[8] Головань С. В., Карминский А. М., Пересецкий А. А. Сопоставление рейтинговых шкал агентств на основе эконометрического анализа рейтингов российских банков // В кн.: XII Международная научная конференция по проблемам развития экономики и общества. В четырех книгах. Книга 1. / Отв. ред.: Е. Г. Ясин. Кн. 1. М. : Издательский дом НИУ ВШЭ, 2012. С. 600-613.

[9] Ohlson, J. a. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research, 18(1), 109–132.

[10] Foglia, A., Iannotti, S., & Marullo-Reedtz, P. (2001). The definition of the grading scales in banks’ internal rating systems. Economic Notes, 30(3), 421–456

[11] Zmijevski, M. E. (1984). Methodological issues related to the estimation of financial distress prediction model. Journal of Accounting Research, 22, 59–82.

[12] Breiman, L., Friedman, J. H., Olshen, R., & Stone, C. J. (1984). Classification and regression trees. Belmmont: Wadsworth International Group.

[13] Hastie, T., Tibshirani, R., & Friedman, J. H. (2003). The elements of statistical learning. New York: Springer-Verlag.

[14] Varetto, F. (1998). Genetic algorithms applications in the analysis of insolvency risk. Journal of Banking and Finance, 22, 1421–1439.

[15] Ahn, B. S., Cho, S., & Kim, C. (2000). The integrated methodology of rough set theory and artificial neural network for business failure prediction. Expert Systems with Applications, 18, 65–74.

[16] Pendharkar, P. C. (2005). A threshold-varying artificial neural network approach for classification and its application to bankruptcy prediction problem. Computers & Operations Research, 32(10), 2561–2582.

[17] Lee, T. S., Chiu, Ch. Ch., Lu, Ch. J., & Chen, I. F. (2002). Credit scoring using the hybrid neural discriminant technique. Expert Systems with Applications, 23(3), 245–254

[18] Chen, W., Ma, Ch., & Ma, L. (2009). Mining the customer credit using hybrid support vector machine technique. Expert Systems with Applications, 36(4), 7611–7616.

[19] Ковалев В.В. Финансовый анализ: Управление капиталом. Выбор инвестиций. — Анализ отчетности. — М.: Финансы и статистика, 1996.

[20] M. Adnan Aziz, Humayon A. Dar, (2006) "Predicting corporate bankruptcy: where we stand?", Corporate Governance, Vol. 6 Iss: 1, pp.18 - 33

[21] Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of the corporate bankruptcy. Journal of Finance, 23(4), 589–609.

[22] Beaver, W. (1966). Financial ratios as predictors of failure. Empirical research in accounting. Selected Studies Journal of Accounting Research 5 (suppl), 71±111.

[23] Ковалев В.В. Финансовый анализ: Управление капиталом. Выбор инвестиций. Анализ отчетности. - М.: Финансы и статистика, 1996. - 432 с.: ил

[24] Fulmer, J. G. Jr., Moon, J. E., Gavin, T. A., Erwin, M. J. (1984, July). "A bankruptcy classification model for small firms." Journal of Commercial Bank Iandirg, 25-37.

[25] Fulmer, J. G. Jr., Moon, J. E., Gavin, T. A., Erwin, M. J. (1984, July). "A bankruptcy classification model for small firms." Journal of Commercial Bank Iandirg, 25-37.

[26] 20.   СПАРК-Интерфакс / Система профессионального анализа рынка и компаний [Эл. ресурс]. Режим доступа: http://spark-interfax.ru

Категория: Мои статьи | Добавил: kemerovo3000 (01.10.2014)
Просмотров: 636 | Рейтинг: 0.0/0
Всего комментариев: 0
Поиск
Copyright MyCorp © 2018