Разработка моделей прогнозирования банкротства российских предприятий для отраслей строительства и сельского хозяйства

Федорова Е.А.,
доктор экономических наук,
профессор кафедры финансового менеджмента,
Финансовый университет
при Правительстве Российской Федерации,
Москва, Российская Федерация
Тимофеев Я.В.,
студент магистратуры
факультета менеджмента,
Финансовый университет
при Правительстве Российской Федерации,
Москва, Российская Федерация
Финансы и Кредит,
32(2015) 2-10

Можно выделить два подхода к прогнозированию банкротства предприятий: первый основан на прогнозировании банкротства на основе законодательных актов, второй - на использовании моделей прогнозирования банкротства предприятий. Выбор отраслей в качестве объектов исследования не случаен: на долю строительства и сельского хозяйства приходится около 9% валового внутреннего продукта Российской Федерации. Все это обеспечивает высокую потребность данных отраслей экономики в обеспечении устойчивого состояния предприятий их финансовым менеджментом. Возможно, эта потребность даже больше, чем по многим другим видам экономической деятельности. В работе на основе реальной выборки отечественных предприятий разработаны модели, обладающие высокой точностью прогнозирования банкротства предприятий отраслей строительства и сельского хозяйства. Для проведения исследований был осуществлен сбор бухгалтерской отчетности по 1 378 предприятиям строительства (378 из них - банкроты) и по 1 412 предприятиям сельского хозяйства (412 из них - банкроты) с использованием информационных систем «СПАРК» и Ruslana.

В исследовании использовались группировки следующих показателей: показатели ликвидности; показатели, характеризующие деловую активность (оборачиваемость); показатели платежеспособности предприятия; показатели, характеризующие эффективность (рентабельность) деятельности предприятия; показатели, помимо прочих, упомянутые в законодательных и нормативных актах.

На основе логит-регрессии были разработаны две модели, которые обладают более высокой прогностической способностью, чем модели Альтамана, Фулмера, Тафлера, ИГЭА и Зайцевой. Максимальная прогнозная сила построенной модели для сельскохозяйственной отрасли равна 78,3% в общем случае, 88,59%-для «здоровых» компаний и 77,18%-для потенциальных банкротов. Общая прогностическая способность для отрасли строительства построенной модели составляет 81,33%.

Проблема прогнозирования банкротства занимает особое место среди теоретических и практических проблем управления предприятиями. Россия - страна с развивающейся экономикой, характеризующейся нестабильностью многих факторов внешней среды предпринимательства. В результате для обеспечения эффективного управления необходимо не только осуществлять финансовый анализ предприятия в целях определения его состояния на заданном этапе развития, но и проводить диагностику на предмет возможного банкротства в будущем. Таким образом, определение нежелательных тенденций развития предприятия, прогнозирование кризисной ситуации и банкротства приобретают первостепенное значение.

Можно выделить два подхода к прогнозированию банкротства предприятий:

  1. первый подход основан на прогнозировании банкротства на основе законодательных актов;
  2. второй подход основан на использовании моделей прогнозирования банкротства предприятий.

В российской практике используются модели прогнозирования банкротства предприятий зарубежных [1-3] и отечественных ученых [4-7]. Также вопросами, связанными с проблемами банкротства предприятий и их прогнозирования, занимались отечественные авторы [8-17]. В своей работе на основе реальной выборки отечественных предприятий авторы разработали модели, обладающие высокой точностью прогнозирования банкротств предприятий отраслей строительства и сельского хозяйства.

Выбор отраслей в качестве объектов исследования не случаен: на долю строительства и сельского хозяйства приходится около 9% валового внутреннего продукта Российской Федерации. Например, для строительных организаций характерны следующие черты:

  • продукция строительства, как правило, неподвижна и закреплена на определенной территории;
  • производственный цикл часто превышает 1 год;
  • незавершенное производство имеет большой удельный вес в структуре оборотных средств;
  • строительство осуществляется в различных климатических и территориальных зонах.

В свою очередь сельскому хозяйству свойственны:

  • ярко выраженная сезонность;
  • длительный производственный цикл;
  • временной лаг между этапами проведения сельскохозяйственных работ, расходования денежных средств и выпуска продукции;
  • неравномерность поступления выручки от реализации продукции.

Все это обеспечивает высокую потребность данных отраслей экономики в обеспечении устойчивого состояния предприятий за счет финансового менеджмента. Эта потребность выражена более отчетливо, чем во многих других видах экономической деятельности. Косвенно это подтверждается тем фактом, что за последние несколько лет растет доля просроченной задолженности по кредитам, выданным кредитными организациями юридическим лицам и индивидуальным предпринимателям по виду деятельности «сельское хозяйство, охота и лесное хозяйство», в общей сумме ссудной задолженности. По виду деятельности «строительство» такая доля стабильно находится выше среднего уровня по отраслям (табл. 1).

Таблица 1. Среднее за период значение доли просроченной задолженности в совокупной задолженности юридических и физических лиц по кредитам по основным видам экономической деятельности в 2011-2014 гг., %

Вид экономической деятельности 2011 2012 2013 2014*
Добыча полезных ископаемых 2,35 1,52 1,32 1,25
Обрабатывающие производства 7,41 6,81 6,48 6,04
Производство и распределение электроэнергии, газа и воды 3,74 2,75 2,04 3,34
Сельское хозяйство, охота и лесное хозяйство 4,47 6,16 7,03 7,49
Строительство 7,65 6,58 5,59 6,07
Транспорт и связь 4,72 2,90 2,16 2,28
Оптовая и розничная торговля 10,78 9,24 7,75 6,00
Всего... 6,89 5,88 5,51 4,90

* Данные за первое полугодие

При этом, если общий уровень просроченной задолженности постоянно падал (с 7,3 до 5,1%, начиная с середины 2010 г.), то по сельскому хозяйству этот показатель вырос за тот же период с 4,9 до 7,5%. Для строительства в период с середины 2010 г. до начала октября 2013 г. была характерна такая же динамика просроченной задолженности, как и для средней по отраслям. Однако начиная с ноября 2013 г. наблюдается резкий скачок уровня просроченной задолженности по кредитам банков. Такая динамика может указывать на возможное наличие каких-либо конъюнктурных или структурных изменений в отрасли. Поэтому задача построения состоятельной модели прогнозирования банкротства приобретает большое значение для современной отечественной экономики.

Для проведения исследований был осуществлен сбор бухгалтерской отчетности:

  • по 1 378 предприятиям строительства (378 из них - банкроты);
  • по 1 412 предприятиям сельского хозяйства (412 из них - банкроты);

В исследовательских целях использовались возможности информационных систем «СПАРК» и Ruslana.

На этапе предварительной обработки 2 790 комплектов бухгалтерской отчетности были подготовлены для сведения показателей бухгалтерского баланса и отчета о финансовых результатах в единую базу данных (для каждого вида экономической деятельности отдельно) с помощью программного кода с использованием языка программирования высокого уровня Microsoft Visual Basic for Applications в среде Microsoft Excel. При этом для компаний-банкротов финансовые показатели брались для расчета за 1 год до их фактического банкротства, а для «здоровых» предприятий - на последнюю отчетную дату. В базу данных вводилась дополнительная условная переменная, определяющая наличие события банкротства («1»-для компаний-банкротов и «0» - для «здоровых» предприятий). При обработке также учитывались простейшие балансовые соотношения для отсева некорректной бухгалтерской отчетности, что в результате привело к отсеву более чем двух сотен экономических субъектов.

Предложены следующие группировки показателей.

1. Показатели ликвидности:

  • коэффициент текущей ликвидности;
  • коэффициент быстрой ликвидности;
  • коэффициент абсолютной ликвидности.

2. Показатели, характеризующие деловую активность (оборачиваемость):

Программа Финансовый анализ - ФинЭкАнализ 2024 для расчета коэффициента абсолютной ликвидности и других финансово-экономических коэффициентов.
  • оборачиваемость дебиторской задолженности;
  • оборачиваемость запасов;
  • оборачиваемость кредиторской задолженности (в разах);
  • финансовый цикл (в днях);
  • операционный цикл (в днях).

3. Показатели платежеспособности предприятия:

  • долговая нагрузка;
  • совокупные обязательства к инвестированному капиталу;
  • коэффициент напряженности платежей;
  • коэффициент концентрации заемного капитала;
  • коэффициент обеспеченности собственными оборотными средствами.

4. Показатели, характеризующие эффективность (рентабельность) деятельности предприятия:

  • рентабельность продаж;
  • валовая рентабельность затрат;
  • рентабельность затрат;
  • доходность собственного капитала, ROE;
  • доходность активов, ROA.

5. Показатели, помимо прочих, упомянутые в законодательных и нормативных актах:

Программа Финансовый анализ - ФинЭкАнализ 2024 для расчета рентабельности продаж и большого количества финансово-экономических коэффициентов.
  • показатель обеспеченности обязательств должника его активами;
  • степень платежеспособности по текущим обязательствам;
  • коэффициент автономии.

Для оценки состоятельности рассмотренные модели были апробированы на базе собранных отчетностей российских предприятий строительной и сельскохозяйственной отраслей с использованием информационных систем «СПАРК» и Ruslana (табл. 2).

Таблица 2. Сравнительная характеристика прогностических способностей существующих моделей, %

Модель Прогностические способности Строительство Сельское хозяйство
Э. Альтмана [1] Для «здоровых» компаний 82,30 95,40
Для потенциальных банкротов 55,10 52,12
Общая вероятность 64,10 62,70
Д. Фулмера [2] Для «здоровых» компаний 63,50 74,50
Для потенциальных банкротов 73,10 65,30
Общая вероятность 70,50 68,00
Р. Таффлера [3] Для «здоровых» компаний 91,30 88,10
Для потенциальных банкротов 38,80 61,80
Общая вероятность 53,20 69,50
Коллектива ИГЭА [5] Для «здоровых» компаний 58,20 67,00
Для потенциальных банкротов 33,40 76,70
Общая вероятность 40,20 76,90
О.П. Зайцевой [4] Для «здоровых» компаний 79,60 50,10
Для потенциальных банкротов 30,80 20,10
Общая вероятность 24,60 24,90

Примечание. ИГЭА - Иркутская государственная экономическая академия.

Как и в работе Е.А. Федоровой, С.Е. Довженко, Я.В. Тимофеева1 , в которой оценена прогностическая способность известных моделей, наиболее высокой степенью прогнозирования из зарубежных моделей характеризуется модель Фулмера, из отечественных - модель коллектива ИГЭА.

1 Федорова Е.Л., Довженко С.Е., Тимофеев Я.В. Какая модель лучше прогнозирует банкротство предприятий? // Экономический анализ: теория и практика. 2014. № 41. С. 28-35.

Проанализируем подробно результаты моделирования. Модель Альтмана обеспечивает общую точность прогноза в 64,1% случаев для предприятий строительства и 62,7% - для предприятий сельского хозяйства. Данную особенность можно объяснить тем фактом, что модель была разработана на основе финансовой отчетности предприятий США и априори не учитывает особенностей деятельности российских компаний.

Методика Фулмера не получила широкого признания экономистов, несмотря на относительно высокую точность результатов на уровне 63-74%.

Общая точность прогноза модели Таффлера находится между 69,5% для сельского хозяйства, 53,2%-для строительства. Более низкая точность во втором случае объясняется тем, что способность предсказания банкротства предприятий строительства оказалась на уровне 38,8%, в отличие от 61,8% в первом случае. Модель Давыдовой и Беликова (модель ИГЭА) показывает вероятность верного прогноза в 76,9% случаев для отрасли сельского хозяйства, что выше результатов и модели Альтмана, и модели Таффлера и Тишоу. Однако для строительной отрасли этот показатель находится на уровне всего 40,2%. Невысокая точность прогноза модели О.П. Зайцевой ограничивает использование данной модели при управлении финансовой устойчивостью компаний. В результате анализа было показано, что различные популярные модели прогнозирования банкротства могут по-разному себя вести в случае применения к различным отраслям отечественного хозяйства. Самой высокой точностью прогноза банкротства компаний вида экономической деятельности «строительство» обладает модель Фулмера (70,5%), следующей по точности идет наиболее известная и распространенная модель Альтмана (64,1 %), которая, тем не менее, показывает относительно невысокий процент верных предсказаний банкротства для компаний - потенциальных банкротов. Банкротство сельскохозяйственных компаний с наивысшей степенью вероятности может быть предсказано с помощью модели ИГЭА (76,90%) Точность предсказания банкротства у модели О.П. Зайцевой для обеих исследуемых отраслей оставляет желать лучшего.

С сожалением отметим, что от отечественных моделей прогнозирования банкротства ожидались более высокие показатели точности, поскольку они разрабатывались на основании отчетности именно российских компаний. Поэтому возникает необходимость разработки собственных моделей прогнозирования банкротства в целях повышения прогностической способности.

Для построения статистических моделей прогнозирования банкротства наряду с другими встает проблема уменьшения размерности выборки или дальнейшего отбора (редукции) числа факторов, на основе которых будут строиться такие модели. Авторами были использованы два подхода к уменьшению размерности первоначальной выборки из 56 показателей - дисперсионный и корреляционный анализ.

Семифакторная модель логистической регрессии для сельскохозяйственной отрасли отражена в табл. 3. Здесь и далее данные представлены в экспоненциальном формате.

Таблица 3. Семифакторная модель логистической регрессии для сельскохозяйственной отрасли

Фактор Множитель Стандартная ошибка Z-статистика Вероятность
Константа (свободный член) С -2,25Е+00 2,91Е—01 -7,73Е+00 1,04Е-14
Краткосрочный долг к совокупным обязательствам X1 1,50Е+00 3,71Е—01 4,05Е+00 5,03Е-05
Чистый оборотный капитал к совокупным активам X2 —2,11E—01 1,35Е—01 -1,56Е+00 1,19Е—01
Коэффициент обеспеченности собственными оборотными средствами X3 -1,16Е-01 3,88Е-02 -2,98Е+00 2,86Е-03
Рентабельность активов, ROA X4 -1,71Е+01 2,88Е+00 -5,94Е+00 2,88Е-09
Рентабельность активов по EBIT, ROTA X5 -4,ЗЗЕ+00 2,92Е+00 -1,48Е+00 1,39Е—01
Эффективная ставка налога на прибыль X6 -4,48Е-01 2,74Е-01 -1,63Е+00 1,02Е-01
Показатель отношения дебиторской задолженности к совокупным активам X7 3,32Е+00 5,30Е-01 6,26Е+00 3,94Е-10

Небольшое число факторов позволяет записать формулы (1) и (2) для определения вероятности банкротства предприятия по логистической модели для предприятий сельского хозяйства:

f(z)= 1/ (1 + е-zcx); (1)

zcx = -2,25 + 1,5х1 - 0,21х2 - 0,12x3 - 17,1x4 - 4,33х5 - 0,45х6 + 3,32х7. (2)

При значениях выше 0 можно считать вероятность наступления события банкротства в течение последующего отчетного года высокой, а при значениях ниже 0 - низкой.

Отметим, что результирующая модель включает в себя показатели рентабельности и платежеспособности предприятия. Если посмотреть на знаки множителей, то можно убедиться в адекватности полученных результатов, учитывая тот факт, что чем больше результирующее значение линейной комбинации факторов, тем выше вероятность банкротства предприятия. Так, отрицательный знак множителя при показателе рентабельности активов показывает, что чем выше рентабельность активов (при прочих равных условиях), тем ниже вероятность банкротства предприятия. Аналогично для прочих показателей.

Прогностическая способность построенной модели логистической регрессии приведена в табл. 4.

Таблица 4. Прогностическая способность модели логистической регрессии для сельскохозяйственной отрасли, %

Прогностическая способность Прогнозная сила
Для «здоровых» 88,59
Для потенциальных банкротов 77,18
Общая 78,33

Максимальная прогнозная сила построенной модели равна 78,3% в общем случае, 88,59% - для «здоровых» компаний и 77,18% - для потенциальных банкротов, что превосходит прогностическую способность классических моделей (см. табл. 4). Пятифакторная logit-модель для строительной отрасли представлена в табл. 5.

Таблица 5. Пятифакторная togit-модель для строительной отрасли

Фактор Множитель Стандартная ошибка Z-статистика Вероятность
Константа (свободный член) С -1,75Е+00 6,05Е-01 -2,90Е+00 3,80Е-03
Коэффициент быстрой ликвидности Х8 2,78Е-01 1,38Е—01 2,02Е+00 4,38Е-02
Рентабельность затрат Х9 -2,ЗЗЕ+00 5,64Е-01 -4,14Е+00 3,49Е-05
Рентабельность активов, ROA X10 -1,50Е+01 2,55Е+00 -5,89Е+00 3,81Е-09
Краткосрочный долг к совокупным обязательствам X11 1,38Е+00 6,04Е-01 2,29Е+00 2,21Е-02
Собственный капитал (балансовая стоимость) к совокупным обязательствам X12 -3,43Е-01 1,22Е—01 -2,82Е+00 4,79Е-03

Аналогично формуле (2) для сельского хозяйства возможно записать краткую формулу для определения вероятности наступления несостоятельности (банкротства) для предприятий, занятых в строительной отрасли:

Программа Финансовый анализ - ФинЭкАнализ 2024 для расчета рентабельности затрат и большого количества финансово-экономических коэффициентов.

zcтр = -1,75 - 0,28х8 – 2,33х9 - 15x10 + 1,38x11 - 0,34х12.

При значениях выше 0 можно считать вероятность наступления события банкротства в течение последующего отчетного года высокой, а при значениях ниже 0 - низкой.

В пятифакторной модели для строительной отрасли задействованы показатели рентабельности и широко используемый коэффициент быстрой ликвидности как характеристика способности организации погасить свои краткосрочные обязательства за счет продажи ликвидных активов.

Прогностическая способность построенной модели логистической регрессии для отрасли строительства приведена в табл. 6.

Таблица 6. Прогностическая способность модели логистической регрессии для отрасли строительства,%»

Прогностическая способность Прогнозная сила
Для «здоровых» компаний 91,40
Для потенциальных банкротов 60,05
Общая 81,33

Общая прогностическая способность для отрасли строительства построенной модели составляет 81,33%, при этом она на 91,4% лучше определяет «здоровые» предприятия, чем банкротов. Ее общая прогностическая способность выше, чем в моделях Альтамана, Фулмера, Таффлера, ИГЭА и Зайцевой.

Однако предприятия-банкроты лучше определяет модель Фулмера (на 13,05%), чем построенная модель.

На основе проведенного исследования в статье можно сделать определенные выводы.

1. В результате анализа было доказано, что различные популярные модели прогнозирования банкротства могут по-разному себя вести в случае применения к различным отраслям отечественного хозяйства. Самой высокой точностью прогноза банкротства компаний строительной отрасли обладает модель Фулмера (70,5%), следующая поточности - наиболее известная и распространенная модель Альтмана (64,10%), которая, тем не менее, показывает относительно невысокий процент верных предсказаний банкротства для компаний - потенциальных банкротов. Банкротство сельскохозяйственных компаний с наивысшей степенью вероятности может быть предсказано с помощью модели ИГЭА (76,90%). Точность предсказания банкротства у модели О.П. Зайцевой для обеих исследуемых отраслей оставляет желать лучшего.

2. На основе логит-регрессии были разработаны две модели, которые обладают более высокой прогностической способностью, чем модели Альтамана, Фулмера, Таффлера, ИГЭА и Зайцевой. Максимальная прогнозная сила модели, построенной для сельскохозяйственной отрасли, равна 78,3% в общем случае, 88,59% - для «здоровых» компаний и 77,18% - для потенциальных банкротов. Общая прогностическая способность модели, построенной для строительной отрасли, составляет 81,33% (при этом модель лучше на 91,4% определяет «здоровые» предприятия, чем банкротов). Однако предприятия-банкроты лучше определяет модель Фулмера (на 13,05% по сравнению с построенной моделью).

Литература

1. Altman E.I. Financial ratios, discriminant analysis, and the prediction of corporate bankruptcy // The Journal of Finance. 1968. № 4. P. 589-609.

2. Fulmer J.G. Jr., Moon J. E., Gavin T.A., Erwin M.J. A Bankruptcy Classification Model for small firms // Journal of Commercial Bank Lending. 1984. № 7. P. 25-37.

3. Taffler R.J., Tisshaw H. Going, Going, Gone-Four Factors which Predict // Accountancy. 1977. № 3. P. 50-54.

4. Зайцева О.П. Антикризисный менеджмент в российской фирме // Аваль (Сибирская финансовая школа). 1998. № 11-12. С. 23.

5. Давыдова Г.В., Беликов А.Ю. Методика количественной оценки риска банкротства предприятий // Управление риском. 1999. № 3. С. 13-20.

6. Федорова Е.А., Довженко С.Е. Модели прогнозирования банкротства предприятий строительной отрасли и отрасли сельского хозяйства // Эффективное антикризисное управление. 2014. № 6. С.94-99.

7. Федорова Е.А., Гиленко Е.В., Довженко С.Е. Модели прогнозирования банкротства: особенности российских предприятий // Проблемы прогнозирования. 2013. № 2. С. 85-92.

8. Богданова Т.К., Алексеева Ю.А. Прогнозирование вероятности банкротства с учетом изменения финансовых показателей в динамике // Бизнес-информатика. 2011. № 1. С. 50-60.

9. Богданова Т.К., Шевгунов Т.Я., Уварова О.М. Применение нейронных сетей для прогнозирования платежеспособности российских предприятий обрабатывающих отраслей // Бизнес-информатика. 2013. №2. С. 40-49.

10. Данилова Ю.А. Проблемы прогнозирования банкротства // Проблемы теории и практики управления. 2009. № 9. С. 65-70.

11. Егоров В.Н., Чернова М.В. Концепция антикризисного управления промышленным предприятием в процедурах банкротства // Вопросы экономики. 2013. № 24. С. 58-67.

12. Космыкова Т. Методы оценки риска банкротства предприятий // Наука и инновации. 2015. № 2. С. 42-46.

13. Криони А.Е. Риск банкротства российских малых предприятий и методы его предотвращения // Менеджмент в России и за рубежом. 2009. № 1. С. 94-100.

14. Рухтин С. А. Правовые аспекты экономической свободы личности: юридический смысл конструкций «предприятие» и «банкротство» // Современная научная мысль. 2013. № 2. С. 95-107.

15. Сластя Е.Н. Особенности прогнозирования банкротства российских малых предприятий // Экономика. Инновации. Управление качеством. 2014. № 3. С. 28-31.

16. Смирнов А.А., Медведева О.В. Механизмы регулирования занятости на сельскохозяйственных предприятиях в условиях банкротства // Известия Уральского государственного экономического университета. 2008. № 1. С. 82-84.

17. Федотова М.А. Как оценить финансовую устойчивость предприятия // Финансы. 1995. №3. С.14.

Скачать ФинЭкАнализ
Программа для проведения финансового анализа по данным бухгалтеской отчетности
Скачать ФинЭкАнализ
Провести Финансовый анализ Онлайн
Онлайн сервис для проведения финансового анализа по данным бухгалтеской отчетности
Попробовать ФинЭкАнализ