voprstatВопросы статистикиVoprosy Statistiki2313-63832658-5499voprstat-801Research ArticleМАТЕМАТИКО-СТАТИСТИЧЕСКИЕ МЕТОДЫ В ЭКОНОМИЧЕСКИХ ИССЛЕДОВАНИЯХMATHEMATICAL AND STATISTICAL METHODS IN ECONOMIC RESEARCHМоделирование вероятности банкротства предприятий реального сектора экономикиPotential Bankruptcy Simulation for Real Economy Enterpriseshttps://orcid.org/0012-2701-7617-0469ПоляковКонстантин ЛьвовичPolyakovKonstantin L.

канд. техн. наук, доцент, департамент прикладной экономики факультета экономических наук НИУ ВШЭ

119049, г. Москва, ул. Шаболовка, 28/11, комн. 2111

Cand. Sci. (Tech.), Associate Professor, Department of Applied Economics, Faculty of Economic Sciences

28/11, Shabolovka Str., Moscow, 119049

polyakov.kl@hse.ruhttps://orcid.org/0012-2702-0182-4875ПоляковаМарина ВасильевнаPolyakovaMarina V.

канд. техн. наук, доцент, Школа финансов факультета экономических наук НИУ ВШЭ

119049, г. Москва, ул. Шаболовка, д. 26, корп. 4, комн. 4315

Cand. Sci. (Tech.), Associate Professor, School of Finance, Faculty of Economic Sciences

Bldg. 4, 26, Shabolovka Str., Moscow, 119049

mpolyakova@hse.ruЕремееваИрина СергеевнаEremeevaIrina S.

независимый эксперт

independent expert

iseremeeva@gmail.comНациональный исследовательский университет «Высшая школа экономики»РоссияNational Research University - Higher School of EconomicsRussian Federation20182012201825121227Copyright © Поляков К.Л., Полякова М.В., Еремеева И.С., 20182018Поляков К.Л., Полякова М.В., Еремеева И.С.Polyakov K.L., Polyakova M.V., Eremeeva I.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://voprstat.elpub.ru/jour/article/view/801

Исследование, результаты которого приводятся в данной статье, посвящено вопросам прогнозирования наступления кризисных финансовых ситуаций (с потенциальным банкротством) в предприятиях реального сектора экономики. Под потенциальным банкротством понимается такое состояние финансов, когда суммарная величина краткосрочных и долгосрочных обязательств предприятия превышает величину его активов, возникает отрицательный уровень собственного капитала, что, как правило, объясняется накоплением непокрытых убытков (отрицательной нераспределенной прибыли). Последствия возникновения такой ситуации могут быть весьма тяжелыми. Разность между величиной активов и размером заемных средств приблизительно равна стоимости чистых активов - ключевому показателю оценки финансовых результатов акционерного общества. Снижение его величины на протяжении нескольких лет до уровня, не превышающего уставный капитал, влечет либо необходимость снижения последнего, что случается крайне редко, либо ликвидацию предприятия. Кроме того, при определенных условиях предприятие обязано опубликовать уведомление о снижении стоимости чистых активов, и любой кредитор вправе потребовать досрочного исполнения обязательств, что при большой величине заемных средств может обернуться серьезной проблемой, и даже реальным банкротством.

Авторы статьи решают задачу построения модели статистической взаимосвязи значений ряда финансовых показателей с вероятностью наступления банкротства. В центре внимания - выявление значимых показателей и функциональной формы связи их значений с указанной вероятностью. Для решения этой задачи используется класс моделей, основанных на логит-регрессии для панельных данных, и алгоритм автоматической спецификации модели, который снижает влияние человеческого фактора на определение ее вида и в большей степени связывает ее со свойствами накопленных данных. Исследование основано на данных финансовой отчетности 463 российских предприятий за 2012-2016 гг. из базы данных «Информационный ресурс СПАРК». Результаты моделирования позволили получить представление о множестве показателей, которые существенно влияют на качество прогнозирования вероятности наступления банкротства, а также о характере этого влияния.

This research focuses on forecasting situations of impending financial crisis (with potential bankruptcy) in real economy enterprises. By the term potential bankruptcy is understood an enterprise’s financial situation where sum of short-term and long-term liabilities exceed its assets, which leads to a negative net equity. That, as a rule, is explained by accumulated uncovered losses (negative retained earnings). The consequences of such a situation could be very severe. The difference between asset value and borrowed funds approximately equals to net asset value - a key indicator of financial performance of a joint stock company. The decrease of net asset value below the authorized capital for several years leads either to its reduction, which happens rarely, or to a bankruptcy. Furthermore, under certain conditions, an enterprise must publish a notice concerning its net asset reduction and any creditor is entitled to demand early performance of the respective obligations, which, if the amount of debts is large, can become a serious problem and result in a real bankruptcy.

A model of the statistical relationship between a set of financial indicators and a probability of bankruptcy is constructed in the article. We are focused on identifying of significant indicators and the functional form of their values binding with the probability. To solve these problems we use a logit regression-based class of models for panel data and an algorithm for an automatic model specification. It reduces the influence of human factor on determining its type and links it with attributes of the accumulated data. This research is based on 2012-2016 financial records of 463 Russian enterprises from the SPARK-Interfax database. The results of simulation allowed us to determine a set of indicators that significantly affect forecasting quality of potential bankruptcy possibility, as well as the nature of this effect.

моделирование вероятности банкротствапанельные данныелогит-регрессияобобщенные полиномыалгоритм MFPpotential bankruptcy simulationpanel datalogit regressionfractional polynomialsMFP algorithmReferencesBellovary J.L., Giacomino D.E., Akers M.D. A Review of Bankruptcy Prediction Studies: 1930 to Present // Journal of Financial Education. 2007. Vol. 33. P. 1-42. 2007. Vol. 33. P. 1-42.Bellovary J.L., Giacomino D.E., Akers M.D. A Review of Bankruptcy Prediction Studies: 1930 to Present. Journal of Financial Education. 2007;(33):1-42. 2007;(33):1-42.Altman E.I. Financial Ratios, Discriminant Analysis Ratios, Discriminant Analysis atios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // The Journal of Finance. 1968. Vol. 23. No. 4. P. 589-609. doi: 10.1111/j.1540-6261.1968.tb00843.x.Altman E.I. Financial Ratios, Discriminant Analysis and Ratios, Discriminant Analysis and atios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance. 1968; 23(4):589-609. doi: 10.1111/j.1540-6261.1968.tb00843.x.du Jardin P. Dynamics of Firm Financial Evolution and Bankruptcy Prediction // Expert Systems With Applications. 2017. Vol. 75. P. 25-43. doi: https://doi.org/10.1016/j.eswa.2017.01.016.du Jardin P. Dynamics of Firm Financial Evolution and Bankruptcy Prediction. Expert Systems With Applications. 2017;(75):25-43. doi: https://doi.org/10.1016/j.eswa.2017.01.016.Фёдорова Е.А., Гиленко Е.В., Довженко С.Е. Модели прогнозирования банкротства: особенности российских предприятий // Проблемы прогнозирования. 2013. № 2(137). С. 85-92. https://cyberleninka.ru/article/n/modeli-prognozirovaniya-bankrotstva-osobennosti-rossiyskih-predpriyatiy (дата обращения 20.10.2018).Fedorova E.A., Gilenko E.V., Dovzhenko S.E. Trend Analysis of Russian Banks’ Qualitative Composition. Studies on Russian Economic Development. 2013;24(2):159-164. (In Russ.) Available from: https://cyberleninka.ru/article/n/modeli-prognozirovaniya-bankrotstva-osobennosti-rossiyskih-predpriyatiy (accessed 20.10.2018).Демешев Б.Б., Тихонова А.С. Прогнозирование банкротства российских предприятий: межотраслевое сравнение // Экономический журнал Высшей школы экономики. 2014. Т. 18. № 3. С. 359-386.Demeshev B.B., Tikhonova A.S. Default Prediction for Russian Companies: Intersectoral Comparison. HSE Economic Journal. 2014;18(3):359-386. (In Russ.)Berg D. Bankruptcy Prediction by Generalized Additive Models // Applied Stochastic Models in Business and Industry. 2007. Vol. 28. Iss. 2. P. 129-143. doi. https://doi.org/10.1002/asmb.658.Berg D. Bankruptcy Prediction by Generalized Additive Models. Applied Stochastic Models in Business and Industry. 2007;28(2):129-143. doi. https://doi.org/10.1002/asmb.658.Жданов В.Ю., Жданов И.Ю. Финансовый анализ предприятия с помощью коэффициентов и моделей: учеб. пособие. М: Проспект, 2018. 176 с.Zhdanov V.Yu., Zhdanov I.Yu. Financial Analysis of the Enterprise with the Help of Coefficients and Models. Textbook. Moscow: Prospekt Publ.; 2018. 176 p. (In Russ.)Шеремет А.Д., Негашев Е.В. Методика финансового анализа деятельности коммерческих организаций. 2-е изд., перераб. и доп. М: Инфра-М, 2016. 208 с.Sheremet A.D., Negashev E.V. The Methodology of the Financial Analysis of Commercial Organizations. 2 nd ed. Moscow: Infra-M Publ.; 2016. 208 p. (In Russ.)Greene W.H. Econometric Analysis. 7th ed. London: Prentice Hall, 2011. 1231 p.Greene W.H. Econometric Analysis. 7 th ed. London: Prentice Hall, 2011. 1231 p.Baltagi B.H. Econometric Analysis of Panel Data. Chichester, UK: John Wiley & Sons Ltd, 2008. 257 p.Baltagi B.H. Econometric Analysis of Panel Data. Chichester, UK: John Wiley & Sons Ltd, 2008. 257 p.Hosmer D.W., Lemeshow Jr.S., Sturdivant R.X. Applied Logistic Regression. Hoboken, New Jersey: John Wiley & Sons, 2013. 500 p.Hosmer D.W., Lemeshow Jr.S., Sturdivant R.X. Applied Logistic Regression. Hoboken, New Jersey: John Wiley & Sons, 2013. 500 p.Поляков К.Л., Полякова М.В. Моделирование устойчивости российских банков в период реформирования банковской системы // Вопросы статистики. 2017. № 12. С. 25-39.Polyakov K.L., Polyakova M.V. Modelling Sustainability of the Russian Banks Amid Banking System Reform. Voprosy statistiki. 2017;(12):25-39. (In Russ.)Polyakov K.L., Chuvakov D. Methodology of Model Structure Choice in Logistic Modelling // Actual Problems of System and Software Engineering 2017. Proc. of the 5th Int. Conf. on Actual Problems of System and Software Engineering Supported by Russian Foundation for Basic Research. Project #17-07-20565 Moscow, Russia, November 14-16, 2017, 408 р. / Ed. by A.R. Cavalli, A. Petrenko, B. Pozin. Vol. 1989. Aachen : CEUR Workshop Proc., 2017. Ch. 41. P. 327-332.Polyakov K.L., Chuvakov D. Methodology of Model Structure Choice in Logistic Modelling. In: Cavalli A.R., Petrenko A., Pozin B. (eds.) Actual Problems of System and Software Engineering 2017. Proc. of the 5th Int. Conf. on Actual Problems of System and Software Engineering Supported by Russian Foundation for Basic Research. Project #17-07-20565, Moscow, Russia, November 14-16, 2017. Aachen: CEUR Workshop Proceedings, 2017. Ch. 41. P. 327-332.Royston P., Altman D.G. Regression Using Fractional Polynomials of Continuous Covariates: Parsimonious Parametric Modelling // Journal of the Royal Statistical Society. Series C (Applied Statistics). 1994. Vol. 43. No. 3. P. 429-467.Royston P., Altman D.G. Regression Using Fractional Polynomials of Continuous Covariates: Parsimonious Parametric Modelling. Journal of the Royal Statistical Society. Series C (Applied Statistics). 1994;43(3):429-467.Royston P., Sauerbrei W. Multivariable ModelBuilding: a Pragmatic Approach to Regression Analysis Based on Fractional Polynomials for Continuous Variables. Chichester, UK: John Wiley & Sons Ltd, 2008. 324 p.Royston P., Sauerbrei W. Multivariable Model-Building: a Pragmatic Approach to Regression Analysis Based on Fractional Polynomials for Continuous Variables. Chichester, UK: John Wiley & Sons Ltd; 2008. 324 p.Tian S., Yu Y., Zhou M. Data Sample Selection Issues for Bankruptcy Prediction // Risk, Hazards & Crisis in Public Policy. 2015. Vol. 6. No. 1. P. 91-116.Tian S., Yu Y., Zhou M. Data Sample Selection Issues for Bankruptcy Prediction. Risk, Hazards & Crisis in Public Policy. 2015;6(1):91-116.

The authors declare that there are no conflicts of interest present.