Методическое обеспечение диагностики финансовой несостоятельности предприятий

Швецов Ю.Г.,
профессор кафедры финансов и кредита,
доктор экономических наук,
Сабельфельд Т.В.,
профессор старший преподаватель
кафедры финансов и кредита,
Алтайская академия экономики и права
Финансовый вестник
№3, 2014

В статье рассматривается методическое обеспечение диагностики финансовой несостоятельности предприятий.

Финансово-экономические процессы и явления зависит от множества разнообразных параметров и факторов. Исследование зависимости взаимосвязи между объективно существующими явлениями и процессами играет существенную роль в экономике, и позволяет глубже понять сложный механизм причинно-следственных связей. Определение структуры взаимосвязей между факторами, степени влияния друг на друга, характера этих взаимосвязей довольно часто вызывает определенные трудности, обусловленные, прежде всего, неполнотой информации, невозможностью получения ряда статистических данных, а также многообразием моделей и методов, применяемых в настоящее время.

Анализ существующего механизма диагностики финансовой несостоятельности предприятий, показал наличие многочисленного, но слабо разработанного финансового инструментария, отличающегося противоречивостью и неоднозначностью выводов, наличием существенных недостатков. Так, использование интегральных (регрессионных) моделей ограничивается рядом объективных предпосылок. Во-первых, на данный момент практически отсутствуют модели, сформированные на базе российской финансовой отчетности. Во-вторых, существующие зарубежные методики создавались на базе показателей, описываемых специфической национальной методологией учетных процедур, а адаптация «импортных» моделей к российским условиям, не принесла существенных результатов, только расширила круг этих недостатков.

Для исследования вида, формы и интенсивности причинных влияний применяется корреляционно-регрессионный анализ. Методы множественного корреляционно-регрессионного анализа позволяют обоснованно выбрать такую модель, которая наилучшим образом будет соответствовать исходным данным, характеризующим реальное поведение исследуемой совокупности объектов, оценивать надежность и точность выводов, сделанных на основании ограниченного статистического материала. Способы и приемы множественного корреляционно-регрессионного анализа получили широкое распространение, поскольку их применение на практике возможно при использовании типовых вычислительных программ по статистике (например «Пакет анализа — анализ данных» в Microsoft Excel). Данные методы широко используются при планировании, прогнозировании, анализе и оценке, в общем, и диагностики финансовой несостоятельности в частности [1].

Противоречивость финансового инструментария и его многочисленные недостатки, объективно обуславливают необходимость совершенствования механизма диагностики финансовой несостоятельности предприятий посредством многофакторной модели

Процесс построения многофакторной модели с использованием методов корреляционно-регрессионного анализа состоит из определенной последовательности действий:

1 этап. Для построения многофакторной модели необходимо, прежде всего, сделать обоснованный выбор результативного показателя, поскольку выбор факторов зависит от того, что должна характеризовать и описывать данная модель.

Авторы предлагают использовать в качестве результирующего показателя коэффициент платежеспособности (формула 1), используемый для диагностики финансовой несостоятельности субъектов хозяйствования¹.

¹ Обоснование необходимости использования данного коэффициента см.: Швецов Ю.Г., Сабельфельд ТВ. К вопросу о соотношении понятий «ликвидность» и «платежеспособность» предприятия // Финансы. 2009. №7. С. 59-61.

К_плат = Чистые активы/"Срочный" заемный капитал   (1)

После выбора в качестве результативного показателя определяется круг наиболее значимых показателей в качестве факторов регрессионной модели. Выбор показателей зависит от поставленных целей и глубины проводимых исследований, доступности и достоверности финансовой информации, а также возможности привлечения и использования статистического материала.

Сравнительная характеристика, проведенная автором, современных методических и процессуальных подходов проведения диагностики финансовой несостоятельности предприятий [3] позволила выявить большое многообразие финансовых показателей, используемых в процессе диагностики. Поэтому отбор факторов для корреляционного анализа является очень важным моментом, и от того, насколько правильно он сделан, зависит точность выводов по итогам анализа. Однако включить все эти показатели в уравнение регрессии невозможно, поскольку предельным считается включение 16 факторов [1].

Минимизировать их количество можно только путем устранения функциональной и корреляционной зависимости. С этой целью при наличии необходимого объема статистической информации составляется корреляционная матрица² .

² Объем выборки составил 130 объектов (данные по 41 предприятию пищевой промышленности Алтайского края за период 2001 - 2008 гг.)

Таблица 1. Основные факторные коэффициенты

При этом в модель включаются только те факторные признаки, степень тесноты связи которых с результативным показателем выше 0,5, а уровень зависимости между факторами не выше 0,75.

Расчет корреляционной зависимости позволил выявить восемь коэффициентов, имеющих необходимую степень тесноты связи с результативным показателем — более 0,5. Поэтому данные коэффициенты могут составить набор факторных показателей необходимых для разработки  уравнения регрес­сии. В табл. 1 представлены показатели, прошедшие отбор, с указанием степени тесноты связи, и которые будут использоваться на следующих этапах корреляционно-регрессионного анализа.

При моделировании связей между результативным показателем и его факторами, необходимо учитывать не только степень их тесноты, но уровень взаимосвязи между факторами. с целью установления зависимости факторов между собой, строится еще одна корреляционная матрица, которая формируется для выбранных восьми коэффициентов

2 этап. После отбора факторов важной задачей в корреляционно-регрессионном анализе является моделирование связи между факторными и результативными показателями, т.е. подбор соответствующего уравнения, которое наилучшим образом описывает изучаемые зависимости.

Если связь всех факторных показателей с результативным носит прямолинейный характер (в нашем случае изучение уравнения регрес­сии. В табл. 1 представлены показатели, прошедшие отбор, взаимосвязей между исследуемыми факторами и уровнем платежеспособности показало, что все зависимости имеют прямолинейный характер), то для записи этих зависимостей можно использовать линейную функцию.

При моделировании связей между результативным показателем и его факторами, необходимо учитывать не только степень их тесноты, но уровень взаимосвязи между факторами.

С целью установления зависимости факторов между собой, строится еще одна корреляционная матрица, которая формируется для выбранных восьми коэффициентов.

Исследуя корреляцию факторов на основе данных матрицы, следует отметить, что между факторами, в большинстве случаев, существует слабая и средняя степень взаимосвязи. Однако в трех случаях между факторами выявлена тесная корреляционная зависимость — более 0,75.

Так, коэффициент текущей ликвидности (К₁) одновременно коррелирует с коэффициентами быстрой ликвидности (К₂) и покрытия заемного капитала (К₈ ), поэтому существует необходимость отклонения одного или двух показателей.

В связи с этим не целесообразно включать в состав факторов коэффициент текущей ликвидности, поскольку он обладает зависимостью сразу с двумя факторами. При этом между вторым и восьмым коэффициентами корреляционная зависимость ниже относительно тесноты связи с первым коэффициентом и находится в пределах допустимой нормы (менее 0,75).

Нами отмечена высокая степень корреляционной зависимости между коэффициентом автономии (К₄) и долей краткосрочных обязательств в структуре капитала (К₅ ). Поэтому логично исключить четвертый фактор, поскольку он имеет высокую функциональную зависимость с коэффициентом соотношения собственного и заемного капитала (К7).

Таким образом, для дальнейших расчетов регрессионной модели будет использоваться уже шесть, а не восемь коэффициентов (т.е. К₁, К₃, К₅, К₆, К₇ и К ₈ ).

При изучении тесноты связи надо иметь в виду, что величина коэффициентов корреляции является случайной, зависящей от объема выборки.

Значимость коэффициентов корреляции проверяется по критерию Стьюдента (t). Если расчетное значение (tфакт) выше табличного (tтабл), то величина коэффициента корреляции является значимой (значения учитываются по модулю).

Факторы, которые имеют критерий надежности по Стьюденту меньше табличного, не рекомендуется принимать в расчет. Табличные значения / находят по таблице значений критериев Стьюдента.

При этом учитываются количество степеней свободы и уровень доверительной вероятности (в экономических расчетах обычно а

Следующий этап корреляционного анализа — расчет уравнения связи (регрессии). Классическим методом оценивания коэффициентов уравнения регрессии является метод наименьших квадратов (МНК). В случае множественной регрессии выбор «наилучшей регрессии» осуществляется с помощью пошаговой регрессии, последовательно включающей входные переменные факторного анализа. На каждом шаге рассчитываются уравнение связи, множественный коэффициент корреляции (R) и детерминации (D), стандартная ошибка (е) и другие показатели, с помощью которых оценивается надежность уравнения связи. Величина их на каждом шаге сравнивается с предыдущей.

Таблица 2. Корреляционная матрица

Чем выше величина коэффициентов множественной корреляции, детерминации и чем ниже величина стандартной ошибки, тем точнее уравнение связи описывает зависимости, сложившиеся между исследуемыми показателями. Если добавление следующих факторов не улучшает оценочных показателей связи, то надо их отбросить, т.е. остановиться на том уравнении, где эти показатели наиболее оптимальны.

Сравнивая результаты на каждом шаге, было выявлено, что добавление в уравнение регрессии показателя уровня доходности капитала (К6) привело к росту значения стандартной ошибки (е), поэтому данных фактор в уравнение не должен включаться.

Следовательно, игнорируя К6, на четвертом шаге (шаг 4.1 в таблице 4) вводится фактор К7, а далее на пятом шаге — К3. По завершении пошагового расчета уравнения регрессии можно сделать вывод о том, что наиболее полно описывает зависимости между изучаемыми показателями пятифакторная модель, полученная на последнем шаге (соблюдаются все необходимые условия).

Таблица 4. Результаты расчета уравнения связи

Таким образом, уравнение связи для оценки уровня платежеспособности при диагностике финансовой несостоятельности имеет вид:

S = 1,898 + 1,608*К₁ + 0,249*К₂ - 3,446*К₃ - 0,304*К₄ - 1,275*К₅

где: S — результативный показатель (расчетное значение коэффициента платежеспособности);
К₁ - коэффициент покрытия заемного капитала;
К₂ - коэффициент соотношения собственного и заемного капитала;
К₃ - доля краткосрочных обязательств в структуре капитала;
К₄ - коэффициент быстрой ликвидности;
К₅ - доля собственных оборотных средств в активах.

3 этап. Для того чтобы убедиться в надежности уравнения связи и правомерности его использования в практических целях, необходимо дать статистическую оценку надежности показателей связи.

Для этого используются критерий Фишера (F - отношение), коэффициенты множественной корреляции (R) и детерминации (D).

Фактическая величина F - отношения сопоставляется с табличной и делается заключение о надежности связи.

В предложенной модели величина F — отношения на последнем шаге равна 152,07. F — табличное рассчитывается по таблице значений F [1]. При уровне вероятности аS ≤ 0 — критическое финансовое состояние — платежеспособность не определяется;

0 ≤ Б ≤ 1 — неустойчивое финансовое положение — низкий уровень платежеспособности;

S ≥ 1 — устойчивое финансовое положение — достаточный уровень платежеспособности.

Одним из основных критериев надежности уравнения связи и правомерности его использования является практическое применение. С этой целью рассмотренная выше методика диагностики финансовой несостоятельности была апробирована в реальных условиях для практической оценки финансового состояния ряда предприятий пищевой промышленности.

Характер полученных практических результатов апробации позволяет утверждать, что предложенная многофакторная модель позволяет получить вполне достоверные результаты и может быть эффективно использована для диагностики финансовой несостоятельности предприятий пищевой промышленности.