При построении бинарных моделей имеет значение проведение анализакачества прогнозирования модели, в которой наблюдаемые показатели принадлежности к группе противопоставляются предсказанным на основе рассчитанной модели. Результаты проверки моделей на точность представлены в Приложении. Таблица 2.
7.Качество классификации логит-модели
Наблюдаемые значения
Предсказанные значения
Процент правильных10 244 697,6%1 642 427,3%Общий процент79,3%Данная модель имеет высокое качество распознавания финансово устойчивых предприятий (97,6%), однако признаки банкротства может выявить лишь в 27,3% случаев. Таблица 2.
8.Качество классификации пробит-модели
Наблюдаемые значения
Предсказанные значения
Процент правильных102 341 693,6%1 414 753,3%Общий процент83,1%Пробит модель также демонстрирует высокое качество распознавания финансово устойчивых предприятий (93,6%), и при этом устанавливает признаки банкротства в более половины случаев. Общая точность второй модели заметно выше. Далее сравним бинарные модели с моделью линейной регрессии:
Таблица 2.
9.Качество классификации регрессионной линейной модели
Наблюдаемые значения
Предсказанные значения
Процент правильных102 282 291,2%1 325 663,6%Общий процент84,0%Таким образом, можно сделать вывод, что наиболее точной моделью прогнозирования банкротства из построенных в рамках данной работы является линейная регрессионная модель. Качество распознавания финансово устойчивых компаний в данной модели несколько ниже, чем в предыдущих двух (91,2%), однако все равно достаточно высокое. Более ценным в данной модели является существенно более высокая точность выявления финансово нездоровых компаний. В целом, общая точность модели также выше, чем в бинарных, и составляет 84,0%Также для окончательного выбора модели следует сравнить варианты по статистическим критериям — Акаике (АИК), байесовскому информационному критерию Шварца (БИК). Модели с более низкими значениями критерия АИК или БИК, как правило, более предпочтительны. Заметим, что оба критерия включают налагаемый на модель штраф, который увеличивается с числом регрессоров. Поскольку налагаемый штраф больше для критерия БИК, то этот критерий имеет тенденцию поддерживать более лаконичные модели, чем критерий АИК. Таблица 2.
10.Критерии
Линейная регрессия
Логит-регрессия
Пробит-регрессия
Критерий Акаике0,75 860,73690,7739
Критерий Шварца0,87 170,81600,8078
Критерий Ханана-Квина0,80 370,76840,78 742.
4. Оценка нормативов финансовой устойчивости
Последний этап исследования включал оценку достоверности нормативов ликвидности и финансовой устойчивости. Анализ проводился посредством включения в логит-модель дамми-переменных (фиктивных переменных, значения которых определяются 1 или 0), соответствующих нормативам по ликвидности и финансовой устойчивости приказа Минэкономики РФ от 01.
10.97 N 118. После появления приказа прошло около 15 лет и, возможно, на данный момент они не соответствуют реальным нормативам перехода состояния из здорового в кризисное. Для построения модели будут использованы следующие показатели:
Таблица 2.11Наименование показателя
Что показывает
Как рассчитывается
КомментарийПоказатели ликвидности
Общий коэффициент покрытия
Достаточность оборотных средств у предприятия, которые могут быть использованы ей для погашения своих краткосрочных обязательств
Отношение текущих активов (оборотных средств) к текущим пассивам (краткосрочным обязательствам) От 1 до 2. Нижняя граница обусловлена тем, что оборотных средств должно быть достаточно, чтобы покрыть свои краткосрочные обязательства. Коэффициент срочной ликвидности
Прогнозируемые платежные возможности предприятия при условии своевременного проведения расчетов с дебиторами
Отношение денежных средств и краткосрочных ценных бумаг плюс суммы мобилизованных средств в расчетах с дебиторами к краткосрочным обязательствам1 и выше. Низкие значения указывают на необходимость постоянной работы с дебиторами, чтобы обеспечить возможность обращения наиболее ликвидной части оборотных средств в денежную форму для расчетов со своими поставщиками
Показатели финансовой устойчивости
Соотношение заемных и собственных средств
Сколько заемных средств привлекло предприятие на 1 рубль вложенных в активы собственных средств
Отношение всех обязательств предприятия к собственным средствам
Значение соотношения должно быть меньше 0,7. Превышение указанной границы означает зависимость предприятия от внешних источников средств, потерю финансовой устойчивости
Коэффициент обеспеченности собственными средствами
Наличие собственных оборотных средств у предприятия, необходимых для его финансовой устойчивости
Отношение собственных оборотных средств к общей величине оборотных средств предприятия
Нижняя граница — 0,1. Чем выше показатель (около 0,5), тем лучше финансовое состояние предприятия, тем больше у него возможностей в проведении независимой финансовой политики
Коэффициент маневренности собственных оборотных средств
Способность предприятия поддерживать уровень собственного оборотного капитала и пополнять оборотные средства в случае необходимости за счет собственных источников
Отношение собственных оборотных средств к общей величине собственных средств (собственного капитала) предприятия0,2 — 0,5. Чем ближе значение показателя к верхней рекомендуемой границе, тем больше возможностей финансового маневра у предприятия
Соотношение заемных и собственных средств в модели имеет обозначение A, Общий коэффициент покрытия (коэффициент текущей ликвидности) имеет обозначение В, коэффициент срочной (быстрой) ликвидности обозначается как С, коэффициент ссс имеет обозначение D, коэффициент маневренности собственных оборотных средств — Е. Результирующий показатель, обозначающий принадлежность предприятия к группе «банкрот / не банкрот» имеет в модели обозначение F. A — фиктивная переменная соответствия нормативу отношения заемных и собственных средств (равна 1 при соответствии нормативу, равна 0 в ином случае; норматив — меньше 0,7);В — фиктивная переменная соответствия нормативуобщего коэффициент покрытия (равна 1 при соответствии нормативу, равна 0 в ином случае; норматив — от 1 до 2);С — фиктивная переменная соответствия нормативукоэффициента срочной ликвидности (равна 1 при соответствии нормативу, равна 0 в ином случае; норматив — больше 1,0);D — фиктивная переменная соответствия нормативукоэффициента обеспеченности собственными средствами (равна 1 при соответствии нормативу, равна 0 в ином случае; норматив — больше -0,1);Е — фиктивная переменная соответствия нормативукоэффициента маневренности собственных оборотных средств (равна 1 при соответствии нормативу, равна 0 в ином случае; норматив — больше 0,2);F — результирующий показатель (0 — не банкрот, 1 — банкрот).Для оценки матрицы парных коэффициентов корреляции воспользуемся командой View/Cоrrelations. Оценка корреляции позволит выявить переменные, между которыми существует сильная связь, чтобы исключить их из конечной модели. Результаты анализа корреляции представлены в таблице 2.
12.Таблица 2.
12.Результат корреляционного анализа в программе Eviews7 ABC01D01EFA1,0000,280−0,135−0,3050,4630,388B0,2801,000−0,815−0,770−0,1190,435C01−0,135−0,8151,0000,6130,129−0,375D01−0,305−0,7700,6131,0000,100−0,458E0,463−0,1190,1290,1001,0000,323F0,3880,435−0,375−0,4580,3231,000Как следует из таблицы 2.12, коэффициенты зависимости между показателями менее 0,9, что говорит о высокой независимости показателей друг от друга. Следовательно, в модели можно использовать все показатели. Таблица 2.
13.Оценка модели с нормативами в программе Eviews7VariableCoefficientStd, Errorz-StatisticProb, A-0,280,63−0,450,66B-1,770,39−4,500,00C01−2,420,63−3,820,00D01−3,870,67−5,810,00E2,740,644,310,00Согласно данным z-статистики (критерий Фишера), значимыми являются все переменными, за исключением первой. Тогда модель с применением нормативов будет иметь вил, Данная функция означает, что при результате У>0 компания имеет высокую вероятность стать банкротом в течений последующего года, Y<0 говорит о том, что на данный момент времени рассматриваемое предприятие можно отнести к финансово устойчивым. По составу значимых факторов, разработанная модель оказалась наиболее схожей с Иркутской государственной экономической академии. По результатам анализа таблицы 2.11 можно отметить, что значимыми оказались следующие показатели: коэффициент обеспеченности собственными оборотными средствами, оборачиваемость оборотных активов в разах. Оценка точности модели представлена в таблице 2.
14.Таблица 2.14Качество классификации логистической модели с включением нормативов
Наблюдаемые значения
Предсказанные значения
Процент правильных102 113 984,4%1 137 585,2%Общий процент84,6%Таким образом, из полученных в результате работы моделей, последняя модель с включением нормативов финансовой устойчивости является наиболее точной. В целом данную модель также можно использовать для экспресс-диагностики банкротства предприятия, прогностическая способность составила 84,6%: из них 84,4% здоровых компаний и 85,2% потенциальных банкротов соответствовали ожидаемым результатам. Далее сравним полученную модель с прогностическими возможностями зарубежных методик:
Вероятность предсказаний
Логит — модель
Логит-модель с нормативами
АльтманаТаффлера
ФулмерВероятность прогноза для здоровых компаний, %91,284,462,449,985,7Вероятность прогноза компанийпотенциальных банкротов, %63,685,292,495,376,7Общая вероятность, %84,084,666,856,684,4 В целом, можно сделать вывод о том, что зарубежные методики не достаточно точны — они склонны занижать значения финансовой устойчивости благополучных компаний, в результате чего вероятность банкротства, определяемая по данным методикам, сильно завышена. Полученная логит-модель напротив, положительно оценивает благополучные компании, однако не всегда способна выявить действительно кризисное предприятие. Заключение
В настоящее время существует множество как зарубежных, так и отечественных методик, разработанных для оценки и прогнозирования финансового состояния. Однако зачастую они дают противоречивые результаты. Причины не достаточной актуальности и точности существующих методик состоят в том, что зарубежные модели базируются на иностранной статистике, причем устаревшей; отечественные же методики основаны на данных по предприятиям розничной торговли со всей присущей данной отрасли специфике. Таким образом, применение данных моделей для прогнозирования вероятности банкротства российских предприятий в сфере электроэнергетики не совсем оправданно. На основе изученных в ходе работы моделях оценки вероятности банкротства, с учетом всех их достоинств и недостатков, а также финансовой специфики предприятий сферы электроэнергетики была разработана современная модель анализа вероятности банкротства.
Данная модель была рассмотрена на конкретной базе отчетностей предприятий отрасли электроэнергетики (388 компаний), рассчитаны новые нормативные показатели для повышения эффективности методик анализа вероятности банкротства предприятия. Выбор параметров для исследования их влияния на вероятность банкротства компании был продиктован анализом внешних и внутренних факторов, влияющих на стабильность организации. Проблемы оценки качественных показателей деятельности предприятия привели к тому, что в исследовании анализировались лишь количественные финансовые параметры компаний. В процессе исследования были разработаны следующие модели прогнозирования банкротства: линейная регрессионная модель, логити пробит-модели, а также модели, включающие в себя фиктивные переменные соответствия нормативу отношения заемных и собственных средств. Полученная логит-модель имеет высокое качество распознавания финансово устойчивых предприятий (97,6%), однако признаки банкротства может выявить лишь в 27,3% случаев.
Пробит-модель также демонстрирует высокое качество распознавания финансово устойчивых предприятий (93,6%), и при этом устанавливает признаки банкротства в более половины случаев. Общая точность второй модели заметно выше. Наиболее точной моделью прогнозирования банкротства из построенных в рамках данной работы является линейная регрессионная модель. Качество распознавания финансово устойчивых компаний в данной модели несколько ниже, чем в предыдущих двух (91,2%), однако все равно достаточно высокое. Более ценным в данной модели является существенно более высокая точность выявления финансово нездоровых компаний. В целом, общая точность модели также выше, чем в бинарных, и составляет 84,0%.Модель, включающую фиктивные переменные нормативов ликвидности и финансовой устойчивости также можно использовать для экспресс-диагностики банкротства предприятия, прогностическая способность составила 83,57%: из них 93,6% здоровых компаний и 55,73% потенциальных банкротов соответствовали ожидаемым результатам. Разработанная модель характеризуется рядом преимуществ, таким как: использование актуальных данных; легкость в интерпретации значения; учет российских экономических условий; простота расчетов. Эти достоинства выгодно отличают модель от используемых на практике методик прогнозирования банкротства компании. На основании полученных результатов, можно рекомендовать компаниям использовать разработанную модель для текущего финансового анализа, прогнозирования риска банкротства и принятия эффективных управленческих решений. Но так как модель не учитывает качественные данные внешней и внутренней среды компании, следует применять ее вместе с использованием метода экспертных оценок для проведения всестороннего анализа.
Кроме того, модель может быть использована банками и кредитными организациями при проведении анализа кредитоспособности заемщика. Стоит отметить, что при таком применении модель не оценивает риск невозвратности заемных средств, но может быть использована для общего анализа финансового состояния заемщика. Сравнение полученной логит-модели с зарубежными методиками позволяет сделать вывод о том, что последние не достаточно точны — они склонны занижать значения финансовой устойчивости благополучных компаний, в результате чего вероятность банкротства, определяемая по данным методикам, сильно завышена. Полученная логит-модель напротив, положительно оценивает благополучные компании, однако не всегда способна выявить действительно кризисное предприятие.
Список литературы
Федеральный закон от 26 октября 2002 г. № 127-ФЗ «О несостоятельности (банкротстве)"Высший арбитражный суд Российской Федерации. О рассмотрении арбитражными судами Российской Федерации дел о несостоятельности (банкротстве) в 2008 — 2012 гг. Справка. (
http://www.arbitr.ru/_upimg/CB8A592FB7F601A714D0C3D5E1C3F00A8.pdf). 23.
05.2013
Правила проведения арбитражным управляющим финансового анализа, утвержденные Постановлением Правительства РФ от 25.
06.2003 № 367Методические положения по оценке финансового состояния предприятий и установлению неудовлетворительной структуры баланса, утвержденные Распоряжением ФСФО России от 12.
08.1994 № 31-р. «Методические рекомендации по реформе предприятий (организаций), Приложение к приказу Минэкономики России от 1 октября 1997 г. N 118» Методика оценки абсолютной и относительной финансовой устойчивости коммерческой организации, желающей участвовать в реализации проектов, имеющих общегосударственное, региональное и межрегиональное значение, с использованием бюджетных ассигнований Инвестиционного фонда Российской Федерации
Айвазян С. А. Прикладная статистика. Основы эконометрики: учебник для вузов: в 2 т. / С. А. Айвазян, B.
C. Мхитарян. — 2-е изд., испр. — М.
: ЮНИТИ, 2011. — 1008 с. Бланк И. А. Финансовый менеджмент: Учебный курс. -
2-е изд., перераб. и доп. — К.: Эльга, Ника-Центр, 2005. -с. 84Волков А., Гурова Т., Титов В. Санитары и мародеры // Эксперт. -
2009. — № 8. — С. 18−24.Графов Г. В., Соломенникова Е.
А. Бизнес-диагностка на промышленном предприятии. // ЭКО. ― 2005. ― №
12. ― С. 38−52Донцова Л. В. Анализ финансовой отчетности: учебник. /
Л. В. Донцова, Н. А. Никифорова.
― М.: Дело и Сервис, 2004. ― 336 с. Зайцева О. П. Антикризисный менеджмент в российской фирме // Аваль (Сибирская финансовая школа). ―
1998. ― № 11−12. ― С. 586Зайцева О.
П. Комплексный экономический анализ в условиях антикризисного управления: учебное пособие / О. П. Зайцева, А. И. Савина. — Новосибирск: Сиб
УПК, 2004. — 108 с. Кукунина И. Г. Управление финансами: учебное пособие. ―
М.: Юристъ, 2001. ― 267 с. Лапуста М. Г., Скамай Л. Г. Финансы фирмы: Учеб. пособие. — М.: ИНФРА-М, 2012. -
383 с. Маркарьян Э. А., Герасименко Г. П., Маркарьян С. Э. Финансовый анализ: Учебное пособие. — 3-е изд., перераб. и доп. — М.: ИД ФБК-ПРЕСС, 2002.
-с. 109Мизиковский Е. А., Соколов И. М., Соколов И. И.
Экономический анализ и прогнозирование несостоятельности предприятий // Современный бухгалтерский учет. ― 2011. ― № 5. ― С. 10−19Минаев Е.
С., Панагушин В. П. Антикризисное управление. Учебное пособие для технических вузов. ― М.: Приор, 1998. ―
432 с. Моисеев А. В., Поправко Е. А., Федотов Н. Г. Сравнительный анализ моделей распознавания риска // Известия высших учебных заведений. — № 4 (28). — 2013. — с. 19−31Рыгин В. Е. Модель оценки риска банкротства предприятий металлургической отрасли // Вестник ЮРГТУ (НПИ).
— № 5. — 2013. — С.86 — 91Савицкая Г. В. Анализ хозяйственной деятельности предприятия: Учебник. — М.: ИНФРА-М, 2012. — 596 с. Селевич О. С. Банкротство как экономическая категория // Известия ТПУ.
— № 6 (т.312) — 2008. — с. 51 — 54. Федорова Е. А., Гиленко Е. В., Довженко С. Е. Модели прогнозирования банкротства: особенности российских предприятий // Проблемы прогнозирования — № 2. — 2013. ;
С. 85 — 92 Челышев А. Н. Разработка инструментальных методов прогнозирования банкротства предприятий: Дисс. канд. экон. наук: 08.
00.13. ― Москва, 2006. ― 116 с. Чонаева Г. В.
Основные факторы и признаки кризисных явлений в экономике предприятия. // экономический анализ: теория и практика. ― 2003. ― № 7. ― С.
49−58.Шеремет А. Д., Негашев Е. В. Методика финансового анализа деятельности коммерческих организаций. ― М.: ИНФРА-М, 2003.
― 237 с. Эйтингон В. Н., Анохин С. А. Прогнозирование банкротства: основные методики и проблемы [Электронный ресурс] / Технологии корпоративного управления. ― Режим доступа:
http://www.iteam.ru/publications/strategy/section16/article141, свободный (02.
09.2013). ― Загл. с экрана. Приложение
Глоссарий терминов в моделях Eviews7Термин в Eviews7Определение
Формула расчетаMean dependent varСреднее зависимой переменной, где t- номер наблюдения, T — количество наблюденийS.E. of regressionСтандартная ошибка регрессии, где k — количество влияющих факторов (независимых переменных);
Sum squared residСумма квадратов остатковLog likelihoodФункция максимального правдоподобияDevianceФункция максимального правдоподобия с ограничениямиAvg. log likelihoodСреднее функции макс. правдоподобияS, D, dependent varСтандартное отклонение зависимой переменнойAkaike info criterionКритерий Акаикегде l — функция максимального правдоподобияSchwarz criterionКритерий ШварцаHannan-Quinn criter, Критерий Ханана-КвинаVariableПеременнаяуCoefficientКоэффициент регрессии при переменной в уравненииStd. ErrorСтандартная ошибкаz-StatisticZ-статистикагде R2 — индекс детерминацииProb. Вероятность
Вероятность, с которой рассчитывается модель
Результат проверки на точность логит — модели с включением нормативов финансовой устойчивостиABCDEБанкрот/не банкрот
Вероятность по модели1 000 000,00010000−1,77 010 100−5,64 110 100−5,64 100 110−1,131 100 100,97001000−2,42 001 110−3,55 001 110−3,55 101 100−6,29 110 000−1,77 110 000−1,77 101 110−3,55 010 000−1,77 000 100−3,871 100 100,97101110−3,55 101 110−3,55 101 110−3,55 101 110−3,55 010 000−1,77 100 100−3,87 000 110−1,131 100 100,971100100,97 101 110−3,55 010 000−1,77 001 110−3,55 001 110−3,55 001 110−3,55 010 000−1,77 010 000−1,77 110 000−1,771 100 100,97001110−3,55 110 000−1,77 001 110−3,55 010 100−5,64 001 110−3,551 100 100,97001000−2,42 010 100−5,641 100 100,97001110−3,551 100 100,971100100,97 001 110−3,55 010 000−1,77 101 110−3,55 010 000−1,77 001 110−3,55 100 100−3,87 101 110−3,55 001 110−3,55 101 110−3,55 010 000−1,77 101 100−6,29 101 110−3,55 001 100−6,29 001 110−3,55 010 000−1,77 100 110−1,13 101 110−3,55 010 000−1,771 100 100,97110000−1,77 000 110−1,131 100 100,97110110−2,90 101 110−3,55 001 100−6,29 110 000−1,77 001 110−3,55 101 110−3,55 000 100−3,87 001 110−3,55 010 000−1,77 001 000−2,42 110 000−1,771 100 100,97101110−3,55 010 000−1,771 100 100,97001100−6,29 001 100−6,29 001 110−3,55 000 110−1,131 100 100,97010100−5,64 010 000−1,77 101 110−3,55 101 100−6,291 100 100,971100100,971 100 100,97010000−1,77 001 110−3,55 010 100−5,641 100 100,97000110−1,131 100 100,97110000−1,77 101 000−2,42 101 100−6,29 101 110−3,551 100 100,97101110−3,55 001 110−3,55 101 110−3,55 101 100−6,29 010 000−1,77 001 110−3,55 101 110−3,55 001 100−6,29 010 100−5,64 010 000−1,771 100 100,97010000−1,771 100 100,97010100−5,64 010 000−1,77 010 000−1,771 100 100,97001110−3,55 010 000−1,77 101 110−3,55 001 110−3,55 101 110−3,55 001 100−6,29 001 100−6,29 101 100−6,29 000 110−1,13 101 110−3,55 001 000−2,42 001 110−3,55 000 110−1,131 100 100,97010000−1,77 010 000−1,77 000 110−1,131 100 100,97001110−3,551 100 100,97001110−3,55 001 110−3,55 001 000−2,42 000 110−1,13 101 110−3,55 101 110−3,55 001 110−3,55 010 000−1,77 001 110−3,55 101 100−6,29 010 000−1,77 101 110−3,55 010 000−1,77 001 000−2,42 101 110−3,55 101 110−3,551 010 100,32001110−3,55 101 110−3,55 110 110−2,90 110 000−1,77 001 110−3,55 001 110−3,55 000 100−3,87 101 110−3,55 010 000−1,77 101 110−3,55 101 110−3,55 001 110−3,55 010 000−1,77 001 110−3,55 001 000−2,42 010 100−5,64 101 110−3,55 010 000−1,77 110 000−1,77 001 100−6,291 100 100,97001110−3,55 001 110−3,551 100 100,97010100−5,64 001 110−3,55 110 110−2,901 100 100,97010100−5,641 100 100,97000100−3,87 001 110−3,55 001 110−3,551 100 100,97010100−5,641 100 100,97110110−2,90 010 100−5,641 100 100,97001110−3,55 101 110−3,55 010 100−5,64 000 110−1,13 001 110−3,551 100 100,97000100−3,87 010 000−1,77 001 110−3,55 000 110−1,13 001 110−3,55 101 110−3,55 101 100−6,29 010 000−1,77 001 000−2,42 010 000−1,77 001 000−2,42 000 110−1,13 000 110−1,131 000 000,00010000−1,77 000 100−3,87 010 100−5,64 001 110−3,55 000 110−1,13 010 000−1,77 101 110−3,55 000 100−3,87 101 110−3,55 101 110−3,55 101 100−6,29 101 110−3,55 010 000−1,77 010 100−5,64 000 110−1,13 000 110−1,13 010 000−1,77 000 110−1,13 101 110−3,55 001 110−3,55 000 110−1,13 010 000−1,77 110 110−2,90 010 000−1,77 010 100−5,641 100 100,971100100,97 101 110−3,55 110 110−2,90 101 110−3,55 101 110−3,551 100 110,971100110,971 100 110,971100110,971 100 110,97110111−2,901 100 110,971100110,971 100 110,971100110,971 100 110,97000111−1,131 100 110,97010001−1,771 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 010 110,32000111−1,131 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,97010001−1,771 100 110,97010001−1,771 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,97001111−3,551 100 110,971100110,971 100 110,971100110,97 010 001−1,771 100 110,971100110,971 100 110,971100110,97 000 111−1,131 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,971100110,971 100 110,97010001−1,771 100 110,97001101−6,291 100 110,971100110,97 101 111−3,55 110 111−2,90
