Моделирование вероятности банкротства предприятий реального сектора экономики

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.

1. Bellovary 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.

2. 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.

3. 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.

4. 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).

5. Демешев Б.Б., Тихонова А.С. Прогнозирование банкротства российских предприятий: межотраслевое сравнение // Экономический журнал Высшей школы экономики. 2014. Т. 18. № 3. С. 359-386.

6. 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.

7. Жданов В.Ю., Жданов И.Ю. Финансовый анализ предприятия с помощью коэффициентов и моделей: учеб. пособие. М: Проспект, 2018. 176 с.

8. Шеремет А.Д., Негашев Е.В. Методика финансового анализа деятельности коммерческих организаций. 2-е изд., перераб. и доп. М: Инфра-М, 2016. 208 с.

9. Greene W.H. Econometric Analysis. 7th ed. London: Prentice Hall, 2011. 1231 p.

10. Baltagi B.H. Econometric Analysis of Panel Data. Chichester, UK: John Wiley & Sons Ltd, 2008. 257 p.

11. Hosmer D.W., Lemeshow Jr.S., Sturdivant R.X. Applied Logistic Regression. Hoboken, New Jersey: John Wiley & Sons, 2013. 500 p.

12. Поляков К.Л., Полякова М.В. Моделирование устойчивости российских банков в период реформирования банковской системы // Вопросы статистики. 2017. № 12. С. 25-39.

13. 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.

14. 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.

15. 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.

16. 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.