Logit-регрессионные модели прогнозирования банкротства предприятий

     Для дифференциации предприятий по результатам расчета полученных моделей Г.А. Хайдаршина  приводит следующие  5 категорий (табл. 3). Данное деление имеет «шаг» 20% и позволяет отнести предприятие в ту или иную категорию риска. При этом автор подчеркивает, что расчет итогового показателя в соответствии с предложенной моделью целесообразно проводить с определенной периодичностью и анализировать его динамику, что позволит финансовому менеджеру определить, в какую сторону движется развитие предприятия и своевременно принять меры по предотвращению банкротства. 

           Таблица 3.

Диапазоны принятия решений  в соответствии с  комплексной logit-моделью оценки риска банкротства предприятия

     Как показала проведенная автором апробация, точность оценки риска банкротства на основе предложенной модели составила 85,6%. Г.А. Хадаршина отмечает, что полученный результат является удовлетворительным с практической точки зрения, так как на сегодняшний день большинство применяемых подходов позволяет правильно спрогнозировать вероятность банкротства в 70—75% случаев, и ни одна модель оценки риска банкротства не может обеспечить точность 100%.

     Оценивая  положительные стороны данной logit-модели, во-первых стоит отметить то, что данная модель является действительно комплексной, так как содержит ряд ключевых факторов характеризующих деятельность предприятия с множества различных сторон, в т.ч. и макроэкономической ситуации в стране, отраслевой специфики предприятия, динамики масштабов его деятельности. Кроме того, она была изначально разработана для отечественных предприятий и позволяет учесть их качественные показатели и специфику деятельности, а также вышеназванную макроэкономическую ситуацию в стране. Более того, автор отдельно отмечает, что в данной модели впервые принят во внимание фактор, характеризующий кредитную историю предприятия, который ранее не был учтен ни в российских, ни в зарубежных моделях. По мнению автора, включение данного фактора в модель позволит оценить риск банкротства не только с точки зрения прогноза деятельности анализируемого предприятия в обозримом будущем, но и, что очень важно, учесть его кредитоспособность в прошлом. При этом, однако, стоит отметить некоторую сложность в получении данных подобного рода относительно того или иного предприятия в бюро кредитных историй.

     При всем при этом следует выделить и  ряд спорных моментов, сопутствующих модели. Вопросы возникают к количеству параметров для расчета показателей Y. Их число в количестве 11-ти делает модель довольно громоздкой. В мировой практике оптимальным числом используемых показателей считается 5-7. Помимо этого в работе мало уделено внимания алгоритму выбора именно этих конечных параметров. Возникают вопросы именно их происхождения и целесообразности  именно их использования для всеобъемлющей характеристики. Фактор использования возраста предприятия и его порога отсечения, равного лишь бинарному значению  > или < 10 лет также не в значительной степени   обоснован. Кроме того, оба показатели рентабельности, как и оба показателя темпов роста, одновременно присутствующие в модели сходны между собой.  

     Тем не менее, не смотря на недостатки, присущие отдельным logit-моделям, в целом можно заключить следующее:

1. применение дискриминантного анализа к изучению факторов, влияющих на вероятность банкротства не всегда допустимо. Следует обращать внимание на достаточно жесткие предпосылки, лежащие в основе его применения. Дискриминантный анализ предполагает отсутствие значимых различий между ковариационными матрицами для исследуемых групп. Во многих случаях, эти предпосылки не выполняются и эта ситуация не уникальна. Если анализировать даже только дисперсию того же самого денежного потока, то финансово благополучное предприятие скорее будет обладать более стабильными показателями, чем находящееся в предбанкротном состоянии;
2. подход на основе использования logit-моделей в этом плане более универсален и обладает тем преимуществом, что по сравнению с дискриминантым анализом, ему присущи гораздо менее жесткими ограничениями, и поэтому он имеет более широкую область применения;
3. выбирая между использованием линейных и нелинейных моделей в целях прогнозирования банкротств, все же рекомендуется отдавать предпочтение последним. При анализе ошибок первого и второго рода и при кросс-проверке они зарекомендовали себя наилучшим образом.

     Итогом  вышесказанному, может служить ряд исследований (в частности [12] ) которые показали, что на практике логистические модели позволяют получить значительно более эффективные оценки риска банкротства, чем теоретически может обеспечить статистический дискриминантный анализ. Более того, использование logit-регрессии предполагает широкие возможности для проведения разнообразных эконометрических тестов, которые позволяют оценить статистическую значимость как модели в целом, так и отдельных переменных, которые ее формируют. При этом в отличие от MDA, logit-регрессия позволяет не только сделать вывод относительно принадлежности предприятия к группе потенциальных банкротов (чем ограничивается интерпретация результатов расчетов с использованием моделей, построенных на основе MDA), но и оценить риск банкротства предприятия по количественной шкале.

    При этом, следует подчеркнуть, что в  российской практике данные модели пока еще не нашли особого применения, несмотря на тот факт, что их использование позволяет дать ответы на вопросы, которые были неразрешимы с помощью методов дискриминантного анализа.  

 Литература:

1. Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // Journal of Finance 22. 1968.
2. Beaver W. Financial Ratios as Predictors of Failure. Empirical Research in Accounting: Selected Studies. Vol. 5 // Journal of Accounting Research. 1966.
3. Back В., Laitinen Т., Sere К., van Wezel M. Choosing Bankruptcy Predictors Using Discriminant Analysis, Logit Analysis, and Genetic Algorithms II Technical Report No 40. Turku Centre of Computer Science, September, 1996.
4. Chesser, D.L. Predicting Loan Noncompliance // The Journal of Commercial 
   Bank Lending, 56(12), 1974.
5. Ohlson, J. "Financial Ratios and the Probabilistic Prediction of Bankruptcy" // Journal of Accounting Research. 1980 – Vol.19.
6. Begley, J., Ming, J., and Watts, S.. “Bankruptcy Classification Errors in the 1980s:An Empiricl Analysis of Altman’s and Ohlson’s Models,” Review of Accounting Studies N 1, 1996.
7. Korol T., Multi-Criteria Early Warning System Against Enterprise Bankruptcy Risk, EuroJournals Publishing, 2011.
8. Minussi J, Soopramanien DGR and Worthington DJ, 'Statistical modelling to predict corporate default for Brazilian companies in the context of Basel II using a new set of financial ratios', Lancaster University Management School Working Pape, 2007.
9. Хайдаршина Г. А. Эффективность современных методов оценки риска банкротства предприятий в российской практике финансового менеджмента: logit- и SVM-модели" / Журнал "Экономические науки" - N44 – 2008
10. Евстропов М.В. Оценка возможностей прогнозирования банкротства предприятий в России // Вестник Оренбургского государственного университета – 2008. - №4
11. Евстропов М.В. Прогнозирование наступления банкротства предприятий на основе бухгалтерской отчетности // Бухгалтерский учет. – 2008. – №3
12. Lennox C. Identifying Failing Companies: A Re-evaluation of the Logit-, Probit- and DA Approaches // Elsevier Science Inc, 1999.