Методы прогнозирования банкротства

или                                                                                                                    (1)

                                          И_Фч  = ИБ ÷{УК + (СЦБ × Л) + ПИ}. 

При этом шкала  оценки риска несостоятельности  предприятия может иметь следующий  вид:

• Если И_фч  < 0 , то вероятность банкротства велика;
• Если  И_фч  ≥ 0 , то вероятность банкротства  равна 0,5;
• Если И_фч  > 0, то  вероятность банкротства мала и уменьшается по мере возрастания.

Задача  может  быть решена лишь на основе аналитических  процедур. Такой подход предполагает  переход  от финансового анализа, который рассматривает только прошлую  деятельность организации, к анализу, нацеленному на будущее, на оценку возможных неблагоприятных последствий в организации. Этот подход соответствует требованиям концепции развития бухгалтерского отчета и отчетности на среднесрочную перспективу. 

Для построения индекса финансовой честности источниками информационного обеспечения для определения риска банкротства предлагается использовать три документа: бухгалтерский баланс и отчет о прибылях и убытках; карточка учета объекта регистра представляется Статистическим регистром хозяйствующих субъектов (Стратрегистр) как выписка из Единого государственного реестра.

Основанные  на данной модели расчеты показали, что, хотя методика и дает очень приблизительную  оценку вероятности банкротства, её практическое применение возможно.       

Существует  еще несколько довольно эффективных  методов прогнозирования, которые  хорошо подходят для отечественного ведения бизнеса, он заключается в следующем.[2] 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

         Дискриминантная модель диагностики банкротства предприятий

С целью уменьшения рисков в принятии решений финансовые учреждения экономически развитых стран  широко применяют технологии формирования, выявления и распознавания экономических  явлений. Предпосылкой применения  этого подхода является предположение  о существовании показателей, которые невозможно наблюдать непосредственно, но можно оценить по нескольким наблюдаемым факторам. Например, оборотный капитал, сумма активов, обязательств, чистая прибыль и т.п. могут определять такой результативный показатель, как риск банкротства. Для оценивания возможности банкротства произведено распределение предприятий на два класса – потенциальные банкроты (предприятия, которые стали банкротами спустя некоторое время после декларирования финансовой отчетности) и нормально функционирующие компании – с целью определения свойственных классам характеристик и специфических значений финансово-экономических показателей. 

Задача прогнозирования  банкротства, решенная Альтманом, на основе 33 пар предприятий (банкротов и  стабильных компаний) в результате чего получившего уравнение корреляционной линейной функции², описывающей положение дискриминантной границы между этими двумя классами предприятий.  

Для построения дискриминантной модели диагностики  банкротства необходимо отобрать ряд  показателей финансовой отчетности предприятия. В процессе анализа подбирается некоторая комбинация показателей и для каждого определяется вес в дискриминантной функции. Величины весов показывают различное влияние отдельных показателей на значение результативной переменной, которая в интегральном виде характеризует финансовое состояние предприятия. Проблема заключается в том, чтобы отобрать из множества показателей те, которые дадут возможность делать наиболее значимые выводы относительно потенциального финансового состояния предприятия.  

В  качестве критерия отбора показателей в дискриминантную  модель был выбран обобщенный дискриминантный  критерий лямбда Уилкса L_w, характеризующий степень колебания значений независимых переменных при их межгрупповом сравнении. Для целей дискриминантного моделирования побираются финансовые показатели, отдаление между средними значениями которых по предприятиям разных групп максимальна,  а внутригрупповая дисперсия⁴ – минимальны. Для обеспечения четкого разделения  между похожими группами предприятий в дискриминантную модель  лучше всего включать показатели с минимальным значением L_w. 

Таким образом, для построения оптимальной модели используем пошаговой метод селекции независимых переменных. Он заключается  в том, что на основе сопоставления различных комбинаций и показателей подбирается модель, которая характеризуется наименьшим значением лямбда Уилкса (наибольшим уровнем точности классификации), при условии отсутствия мультиколлинеарности в наборе входящих факторов. В результате алгоритм отбора показателей для модели диагностики банкротства состоит из таких этапов.

Сначала на основе имеющихся данных из финансовых отчетностей  финансово-устойчивых  предприятий  и потенциальных банкротов рассчитываем значения отобранных показателей, охватывающих  различные стороны хозяйственной деятельности компаний. Хотя такие важные показатели как коэффициенты рентабельности и прибыльности, не были включены в модель, так как они рассчитываются на основе показателя «чистая прибыль», который для большинства предприятий равен нулю. Что касается коэффициента абсолютной ликвидности⁴, то его использование также было ограничено из-за выставления предприятиями в их отчетности нулевого значения показания «денежные средства и их эквиваленты». Из-за неиспользования привлеченных средств на большинстве предприятий не могли быть широко применены такие коэффициенты, как: покрытия долгов собственным капиталом, концентрации привлеченных средств и соотношения привлеченных и собственных средств. 

После этого  осуществляем расчет t-критериев между каждой парой объясняющих переменных. Данные расчеты сравниваем с табличными значениями t-распределения при заданном уровне зависимости путем проверки точности классификации модели с данными показателями с помощью критерия лямбда Уилкса. По мере отсеивания лишних показателей при проведении анализа количество параметров модели будет уменьшаться, соответственно будет изменяться и значение степени свободы. После отсеивания попарно коррелированных показателей проводим проверку оставшихся входящих факторов на мультиколлинеарность с использование F-критерия. После исключения всех факторов, вносящих в модель мультиколлинеарность, осуществляем еще одну проверку набора входящих переменных с использованием критерия χ² .  

В результате проведенного анализа отобран набор входящих факторов модели, которые охватывают все основные группы показателей деятельности предприятий, имеют высокую способность к предсказанию возможного банкротства и лишены мультиколлинеарности, что обеспечит устойчивую работу разработанной модели. В результате получим модель оценки вероятности банкротства предприятия в виде дискриминантной функции на основе такого набора объясняющих переменных (табл. №2): 

  Z = 0,033•X₁+0,268•X₂+0,045•X₃ - 0,018•X₄ – 0,004•X₅ – 0,015•X₆+0,702•X₇        (2)     

Если с  использованием модели (2) для оценки финансового состояния предприятия  получается значение Z, которое больше 1,104, то это свидетельствует об удовлетворительном финансовом состоянии и низкой вероятности банкротства. И чем выше значение Z, тем более устойчиво положение компании. Если значение Z для предприятия оказалось меньше 1,104, то существует угроза возникновения финансового кризиса. С уменьшением показателя Z увеличивается вероятность банкротства анализируемого предприятия.[3]  

                                                                                                                    Таблица№2: 
 

                    Независимые показатели оценки  финансового состояния: 

              Банкротство компаний: проблемы прогнозирования 

Одна из основных проблем  прогнозирования банкротства заключается  в том, что модели, в которых  применяется перекрёстный анализ, основаны на предпосылке о стационарности во времени процесса банкротства

Подтверждением нестационарности данных, используемых в прогнозных моделях, является тот факт, что количество банкротств резко возрастает во время  экономических рецессий

Для повышения предсказательной точности моделей, особенно на ранних стадиях процесса банкротства, следует применять преобразование финансовых показателей и многомерный логит-анализ

В настоящее время  существует множество исследований, посвященных вопросам прогнозирования  банкротства компаний. Чтобы выявить  компании, являющиеся потенциальными банкротами, авторы большинства исследований, как правило, опираются на результаты перекрестного анализа их финансовых показателей. 

Одна из основных проблем  прогнозирования банкротства заключается  в том, что модели, в которых применяется перекрестный анализ⁶, основаны на предпосылке о стационарности во времени процесса банкротства. Однако данная предпосылка очень часто нарушатся, поэтому зачастую эти модели позволяют классифицировать компании уже после того, как они стали банкротами или небанкротами. В результате невозможно сделать точный прогноз относительно будущего финансового состояния компании.  

Вопрос о нестационарности данных был непосредственно исследован Р. Мойером . Он применил модель Альтмана, построенную на данных о компаниях за 1946-1965 гг., для классификации компаний по данным за 1970-1973гг. Первоначальная точность модели Альтмана, равная 95%,снизилась до 82%. Когда эта модель тестировалась на данных за 1965-1975 гг., её точность составила 75%. Повторное вычисление коэффициентов первоначальной модели Альтмана на более современных данных позволило повысить  ее точность до 90%. 

Подтверждением  нестационарности данных, используемых в прогнозных моделях, является также  тот факт, что количество банкротств резко возрастает во время экономических рецессий. Авторы исследований, посвященных прогнозированию банкротства компаний, обычно приходят к выводу о том, что банкротство компаний не возникает внезапно, обычно ему предшествует достаточно длительный период ухудшения показателей, поэтому его можно с высокой точностью предсказывать минимум за три года фактического банкротства. Но если бы на него влияли только внутренние по отношению к компании факторы, то было бы невозможно объяснить резкое увеличение числа банкротств компаний во время рецессии⁷. Одним из возможных объяснений такого непрогнозируемого резкого роста является то, что модели банкротства  корректно идентифицируют только наиболее общие внутренние характеристики, присущие слабым компаниям. Эти характеристики сигнализируют  о том, что  состояние компании приближается к банкротству. 

Фактическое банкротство и период, через который  оно проходит, зависят помимо внутренних факторов от определенных экономических  событий (внешних для компании), которые  усугубляют ситуацию. Это позволяет  сделать  вывод о том, что предсказательная способность даже самых точных прогнозных моделей будет различной на разных временных промежутках, поскольку внешняя экономическая среда, влияющая на состояние компании, изменяется со временем. Примерами таких внешних макроэкономических факторов могут быть инфляция, размер процентных ставок и доступность кредитов, фаза экономического цикла (спад, подъем). В результате этого разные показатели будут являться более или менее важными  в различные периоды в зависимости от того, какие экономические события инициируют банкротства. 

Изменение уровня инфляции может привести к росту  издержек производства, что в свою очередь приведет к росту цен  на выпускаемую продукцию и сокращению спроса. Выявить компании, чувствительные к росту уровня инфляции, помогут такие показатели, как уровень запасов, прибыльность, рентабельность активов, капиталоемкость. 

В периоды  высоких процентных ставок или недоступности  кредитов, банкротства  часто бывают вызваны  превышением затрат по выплате  долга прибыли от продажи. В данном контексте полезными для прогнозирования банкротства оказываются такие показатели, как коэффициент покрытии процентов, коэффициенты ликвидности, величина дебиторской задолженности, объём долгосрочных заемных средств. 

В периоды  рецессии становятся банкротами компании, у которых не накоплено достаточно резервов, чтобы пережить продолжительное сокращение продаж. Банкротство в этих обстоятельствах бывает вызвано недостаточными денежными потоками, нехваткой надежных отношений с кредиторами и более высокими, чем обычно, уровнями дебиторской задолженности и запасов. Наиболее полезными для прогнозирования банкротства в период рецессии являются такие показатели, как капитализация⁸, величина денежных потоков, ликвидность⁹, оборачиваемость  запасов¹⁰, оборачиваемость дебиторской задолженности¹¹. 

Таким образом, добавление в модель макроэкономических параметров может улучшить ее прогнозную способность. Помимо этого существуют другие подходы к повышению предсказательной точности, особенно на ранних стадиях  процесса банкротства. Во-первых, осуществляется преобразование финансовых показателей, например, используются средние значения, выявляются тренды¹² и волатильность¹³. Во-вторых, проводится многомерный логит-анализ, в котором данные за несколько лет до банкротства используются до того, чтобы не только предсказать сам факт банкротства, но и определить период, когда оно произойдет. В-третьих, можно повысить точность моделей, если при анализе учитывать различие стадий процесса банкротства.