Глава 2. Построение модели прогнозирования банкротства
advertisement
Правительство Российской Федерации федеральное государственное автономное образовательное учреждение высшего профессионального образования "Национальный исследовательский университет "Высшая школа экономики" Факультет экономики Кафедра финансового менеджмента Допускаю к защите Заведующий кафедры финансового менеджмента, к. э. н., Шакина Е. А. _________________________ подпись ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА На тему: ПОСТРОЕНИЕ МОДЕЛИ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВ РОССИЙСКИХ КОМПАНИЙ Студент группы № Э-09-3 Власов С. П. ________________________ подпись Научный руководитель Доцент кафедры финансового менеджмента, к. э. н., Емельянов А. М. _________________________ подпись Консультант Доцент кафедры финансового менеджменте, к. э. н., Емельянов А. М. _________________________ подпись Пермь, 2013 г. Оглавление Введение ...................................................................................................................... 3 Глава 1. Теоретические аспекты прогнозирования банкротства компаний реального сектора ..................................................................................................... 5 1.1 Классификация моделей диагностики вероятности банкротства компаний5 1.2 Обзор эмпирических исследований об оценке вероятности банкротства компаний ................................................................................................................. 14 Глава 2. Построение модели прогнозирования банкротства ......................... 22 2.1 Гипотезы и ожидаемые результаты ............................................................... 22 2.2 Характеристика выборочной совокупности ................................................. 24 2.3 Тестирование моделей прогнозирования банкротств .................................. 34 2.4 Результаты работы ........................................................................................... 45 Заключение ............................................................................................................... 49 Список использованной литературы .................................................................. 51 Приложение №1. Виды экономической деятельности (отрасли), рассмотренные в работе ......................................................................................... 53 Приложение №2. Расшифровка аббревиатур.................................................... 54 Приложение №3. Описание построенных моделей .......................................... 56 2 Введение Крах Lerman Brothers 15 сентября 2008 года озадачил многих инвесторов тем, что даже самые крупные компании мира могут обанкротиться в силу сложившихся обстоятельств. Спад активности населения, инвесторов и отсутствие ликвидности – лишь одни из немногих факторов, которые способствовали этому. Поэтому даже самые безопасные инвестиции имеют определенный риск и предсказание и оценка вероятности банкротства компании стали актуальными для любого рода инвестиций. Таким образом, актуальность связана с тем, что необходимо анализировать деятельность предприятия с целью определения вероятности банкротства. Для владельцев и управленцев низкая вероятность банкротства является одним из сигналов их успешной работы. Для кредиторов и инвесторов – сигналом для возможного выгодного инвестирования средств. Цель данной работы – построить модель прогнозирования банкротств российских компаний на основе различных факторов. Задачи: 1. Анализ эмпирических работ по вопросу оценки вероятности банкротства с целью выявления значимых факторов для моделей. 2. Сбор и анализ базы данных финансовой отчетности компании, определение наиболее значимых факторов для моделей. 3. Построение модели и проверка ее состоятельности. Объектом работы будут являться отрытые и закрытые акционерные общества, зарегистрированные в Российской Федерации и осуществляющие свою операционную деятельность не менее 10 лет. Все компании, которые были рассмотрены в данной работе, разделены на пять групп и представлены в приложении №1. В первой главе работы будут представлены методы прогнозирования вероятности банкротства как настоящими, так и прошлыми исследователями. Также немаловажным фактором будет являться детальное рассмотрение работ 3 исследователей, те цели и задачи, которые были поставлены в рамках исследования, а также насколько эти цели были достигнуты. В конце первой главы будет дана обобщающая характеристика используемых коэффициентов, а также значения данных коэффициентов в различных исследованиях. Во второй главе будут поставлены гипотезы и ожидаемые результаты нашего эмпирического исследования. Далее будет представлено моделирование оценки вероятности банкротства российских компаний, которые работают в пяти разных отраслях: строительство (45.21.11); добыча полезных ископаемых, нефти и руды (10, 11, 13); производство и распределении электроэнергии, газа, горячей воды, а также очистка воды (40, 41); транспорт (60.1, 60.2, 61, 62.1, 62.2); производство пищевых продуктов, включая напитки (15). Автором была самостоятельно собрана база данных, состоящая из 575 компаний. Данные для каждой компании представлены за последние 5 лет, чтобы иметь возможность понять причины банкротства или не банкротства компании. Эти данные были в целом собраны с использованием «Системы профессионального анализа рынка и компаний» (СПАРК-Интерфакс). Здесь и далее на странице в скобках указано порядок отрасли в классификаторе видов экономической деятельности 1 4 Глава 1. Теоретические аспекты прогнозирования банкротства компаний реального сектора 1.1 Классификация моделей диагностики вероятности банкротства компаний В настоящее время существует несколько групп типов моделей (представлено на рисунке №1). Ученые Азиз и Дар проводили исследование о частоте использования различных моделей для анализа банкротства компании. Выяснилось, что в большинстве случаев используются статистические модели (64%). Что же касается других типов, то модели искусственного интеллекта использовали 25% исследователей, а теоретические модели – 11% (Aziz, Dar, 2006). Типы моделей Статистические модели однофакторный анализ многофакторный дискриминантный анализ анализ условной вероятности анализ выживаемости Logit-модели Probit-модели Модели искусственного интеллекта Теоретические модели дерево решений Балансовое изменение генетический алгоритм теория разорения игрока нейронная сеть на основе предыдущих теории менеджмента исследований теория кредитного риска теория нечетких множеств Рис. 1 – Различные варианты моделей Разберем разницу каждой из возможных видов и типов анализа банкротства предприятий. 5 Как уже было сказано ранее, статистические модели являются наиболее используемым способ прогнозирования банкротства компаний. Особенности этих моделей следующие: фокусируются на возможных «симптомах» банкротства; информация берется исходя из данных компании; модели могут быть как одномерными, так и многомерными; следуют классическим процедурам моделирования Шесть различных способов анализа банкротства включаются в данный тип моделирования. 1. Однофакторный анализ. Традиционно он основан на финансовом анализе и использует один фактор. Логическое обоснование следующее: если финансовый показатель демонстрирует существенные различия между компаниями «банкрот» и компаниями «не банкрот», то он может быть использован в качестве прогнозирования банкротства. Конечно, использование лишь одного фактора не описывает все возможные причины банкротства, однако в определенной степени позволяет понять, какие переменные должны быть использованы в более углубленных и комплексных исследованиях. 2. Многофакторный анализ. Данный анализ позволяет использовать несколько переменных и суть расчета сводится к тому же, что и в случае однофакторного анализа. Изначально эмпирическим путем рассчитываются пограничные значения, то есть значение, больше которого компания является банкротом или меньше которого является не банкротом. Затем другие компании сравниваются с данными пограничными значениями, и делается определенный вывод по компании. 3. Модели анализа условной вероятности. Такие модели выражают вероятность банкротства или не банкротства компании на основании дихотомической зависимой переменной, которая в свою очередь рассчитывается как линейная функция от вектора объясняющих 6 переменных. Для такой модели необходимо определить границы между компаниями «банкротами» и «не банкротами». 4. Анализ выживаемости. Модели выживаемости обладают тремя основными характеристиками: время ожидания до наступления события, цензурированность наблюдений, а также наличие предикторов. Под цензурированностью наблюдений следует понимать их неполный характер: объекты могут покинуть выборку до завершения эксперимента (к примеру, при исследовании действия лекарственного препарата часть больных покидают лечебное заведение). 5. Logit-модели. Анализ данных с помощью данного способа в целом схож с моделью анализа условной вероятности. Разница лишь в том, что функция факторов от вектора объясняющих переменных является не линейной, а описывается логистической функцией распределения. Здесь при значении 0.5 принято считать, что у фирмы равные шансы стать «банкротом» или «не банкротом». В зависимости от данных исследователя, чем ближе значение к 1, тем выше вероятность банкротства компании и наоборот.2 6. Probit-модели. Выводы и расчеты аналогичны анализу Logit-моделей. Различие лишь в том, что используется не логистическая, а нормальная функция распределения. Вторым типом моделей являются модели искусственного интеллекта. Они используются не так часто, как статистические модели. В большей степени это связано с тем, что эти модели появились относительно не давно, хотя часто результаты по моделям искусственного интеллекта превосходят результаты статистических моделей. Особенности этих моделей следующие: фокусируются на возможных «симптомах» банкротства; информация берется исходя из данных компании; могут быть только многомерными; Возможна и ситуация, что чем ближе к 0, тем выше вероятность банкротства, если изначально 0 – компании банкроты. 2 7 появились в результате технического и информационного прогресса; зависят от компьютерных мощностей и технологий На данный момент данный тип моделей представляет 5 разных способов анализа банкротства. 1. Дерево решений. Является одной из форм обучения, в которой программа обучается на основании примеров (первоначальной базы данных). Данный способ сводится к тому, что система принимает решение об отнесении компании в группу «банкрот» или «не банкрот» в соответствии с первоначальной базой данных. 2. Генетический алгоритм. Данный способ основан на идее генетического наследования и теории естественной эволюции Дарвина. Алгоритм работает с использованием стохастического метода поиска с целью нахождения оптимального решения проблемы на основе большого набора первоначальных данных. Процесс поиска выполняется в три этапа: инициализация, выбор и операции особенностью генетического с алгоритма данными. является Отличительной акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе. В ситуации с предсказанием банкротства, устанавливаются определенные пороги отсечения, в соответствии с которым будет определяться, к какой из двух групп относится компания («банкрот» или «не банкрот»). 3. Нейронная сеть. Данный способ основан на процессах в головном мозге. Нейроны являются узлами с взаимосвязями, которые сосредоточены в различных слоях. Каждый узел принимает множество входных сигналов от исходных объектов и преобразует их в один выходной сигнал. Данный сигнал может быть конечным (то есть будет получено решение о банкротстве или не банкротстве компании) или же он может являться входным сигналом в другой узел, включая предыдущий (то есть сигнал может одновременно быть и исходящим и входящим). Такая обработка 8 будет происходить до тех пор, пока не будет найдено решение, удовлетворяющее требуемым критериям. 4. Модели на основе предыдущих моделей. Данный тип моделей является новой классификацией, где модели строятся с учетом предыдущих исследований. Методика создания модели следующая: во-первых, идентификация проблемы; во-вторых, рассмотрение предыдущих решений по поводу данной проблемы; в-третьих, приспособление модели к решению данной проблемы и, наконец, измерение полученного результата, и сохранение результатов для последующих исследований. 5. Теория нечетких множеств. Цель данной модели является классификация объектов с использованием неточной информации. В данных моделях информация по объекту представлена в виде таблицы, содержащая состояние объектов и система решений, которая используется для создания правила по принятию аналогичного решения для других объектов. Таким образом, каждый новый объект может быть определен как компания «банкрот» или «не банкрот» в соответствии с характеристиками предыдущих объектов. Теоретические модели являются последней категорией моделей, которые также используются исследователями с целью получения различных моделей, в том числе моделей вероятности банкротства компаний. Особенности этих моделей следующие: сосредотачиваются на качественных причинах «банкротства»; из базы берутся такие компании, которые могли бы удовлетворить теоретическим аспектам причин банкротства; могут быть только многомерными; обычно используются статистические методы с целью дополнительной аргументации теоретического обоснования На данный момент данный тип моделей представляет 4 разных способа анализа банкротства. 9 1. Балансовое изменение. С точки зрения теории, одним из способов выявления финансовых трудностей компании является анализ изменения структуры баланса компании. Теоретически фирмы стараются достичь равновесия в финансовой структуре. Если финансовые результаты существенно изменились по сравнению с величинами активов и обязательств компании, то это говорит о том, что компания не может достичь равновесия. Эти изменения могут стать бесконтрольными в будущем и привести к банкротству. 2. Теория разорения игрока. В данном подходе фирма рассматривается как игрок, который с некоторой долей вероятности может получить убыток. Компания будет «играть» до тех пор, пока чистая приведенная стоимость активов не станет равной 0. Поэтому постоянные отрицательные потоки в течение определенного временного периода неминуемо ведут компанию к банкротству. 3. Теория менеджмента. Теория заключается в том, что управление счетами компании является ключевой задачей фирмы. Дисбаланс между притоками и оттоками возникает из-за провала в управлении менеджерами компании и в данном случае фирма рискует стать банкротом, так могут потребоваться серьезные денежные инвестиции для покрытия данного дисбаланса. 4. Теория кредитного риска. Данные теории связаны с Базельскими соглашениями и в большей степени работают для финансовых компаний. Кредитный риск – это риск того, что заемщик (контрагент) не выполнит свои обязательства по договору. Компания становится банкротом, если общая сумма ее активов падает ниже критического уровня. Большинство данных моделей направлены на расчет данного уровня. На следующем графике представлено общее использование моделей каждого типа. 10 2,2% Кредитный риск 3,4% Менеджмента 1,1% Разорение игрока 4,5% Баланс компании 3,4% Нечеткие множества 2,2% Предыдущие исслед. 9,0% Нейронная сеть 4,5% Генетический алгоритм Способы анализа 5,6% Дерево решений 2,2% Probit-модели 21,3% Logit-модели Выживаемости 3,5% Условная вероятность 3,4% 30,3% Многофакторный анализ 3,4% Однофакторный анализ 0 0,1 0,2 0,3 0,4 Рис. 2 - Использование различных способов изучения вероятности банкротства компаний Таким образом, учитывая опыт других исследователей, для прогнозирования вероятности банкротства компаний будут использоваться logit-модели. Можно выделить несколько причин этого: 1. Logit-модели удобно использовать для прогнозирования бинарных характеристик. В нашем случае это прогнозируемая переменная «банкрот», которая будет принимать значения 1 – если предприятие обанкротилось – и 0 – если предприятие не обанкротилось. 2. Logit-модели менее восприимчивы к существенным выбросам в данных, нежели нормальное (гауссовское) распределение (рисунок №3). Также не маловажным фактором является то, что большинство предыдущих исследователей использовали logit-модель, так как в большинстве случаев она дает более точные результаты, чем другие статистические модели. 11 Рис. 3 - Вероятности распределения логистической функции и гауссовской функции Помимо Logit-моделей есть и другие способы прогнозирования данных, у которых есть свои достоинства и недостатки. Примерами таких способов прогнозирования, близких к Logit-моделированию, являются Probit-модели, модели «Множественного Дискриманнтного Анализа», логарифмические и другие. Probit-модели, как и Logit-модели, являются моделями бинарного выбора, однако в отличии от Logit-модели в Probit-моделях используется нормальное (гауссовское) распределение. Такие модели применяются в различных областях (к примеру, эконометрика) статистическая (нелинейная) модель и метод анализа зависимости качественных переменных от множества факторов. Достаточно часто Probit-модели (как и Logit-модели) используются для моделирования дефолтов компаний. Близкое к Probit и Logit-моделям находится Tobit-модель, которая названа в честь лауреата премии имени Нобеля по Экономике Джеймса Тобина. В исследовании, которое было начато им в 1958 году, он рассматривал расходы семей на автомобили. Для оценки эластичности спроса на автомобили по доходу необходимо оценить модель зависимости логарифма расходов на 12 логарифм доходов. Однако, как показал Тобин такая оценка будет смещенной и несостоятельной, так как для семей с низким доходом (ниже некоторого порога) величина расходов равна нулю независимо от конкретной величины дохода и других факторов. Тобин впервые и предложил подход к оценке таких моделей, который позволяет получить состоятельные оценки параметров модели. Не стоит обойти прогнозирования стороной банкротства и один – с из самых помощью первых способов «Множественного дискриминантного анализа». Проблема таких моделей заключалась в том, что полученные значения необходимо было определенным образом проинтерпретировать, что было сделать затруднительно. К примеру, в работе Эдварда Альтмана, которая была опубликована в 1968г. (Altman, 1968) было определено, что если значение Z (число, которое рассчитывается по формуле, которая в свою очередь была выведена эмпирическим путем) меньше 1.81, то предприятие является банкротом, если же больше 2.99 – не банкротом. Что же касается промежутка между этими числами, то исследователь назвал эту область – область пересечения (overlap area), так как и компании банкроты, и компании не банкроты попали в данную область. 13 1.2 Обзор эмпирических исследований об оценке вероятности банкротства компаний Базовой концепцией для нашего исследования является работа Эдварда Альтмана, которая была опубликована в 1968г. (Altman, 1968). Она называлась «Финансовые коэффициенты, дискриминантный анализ и прогнозирование банкротств». Именно этот исследователь считается родоначальником данной тематики. В своей работе исследователь рассказывает о традиционном и новом подходе в анализе и в конечном итоге объясняет, что на основе нового подхода можно построить модель, которая будет использована. Также автор подробно акцентирует внимание на выборке, которая будет использована в работе. Он объясняет, что для сравнения причин банкротства компании, необходимо найти такие две компании (одна из которых – банкрот, а другая – нет), общая величина активов которых примерно одинакова. К тому же, необходимо чтобы обе компании работали в одной отрасли. Альтман смог собрать данные по 33 парам компаний и выбрал 5 наиболее значимых переменных, которые существенно различаются у двух групп: отношение оборотного капитала к величине общих активов; отношение нераспределенной прибыли к величине общих активов; отношение прибыли до уплаты процентов и налогов к величине общих активов; отношение рыночной стоимости акционерного капитала к балансовой стоимости долга отношение общих продаж к величине общих активов Различие видно в средней величине каждого показателя для обеих групп (таблица №1). Таблица 1 Среднее значение показателей для обеих групп Переменная X1 X2 X3 Среднее значение (банкрот) -6,1% -62,6% -31,8% 14 Среднее значение (не банкрот) 41,4% 35,5% 15,3% Переменная X4 X5 Среднее значение (банкрот) 40,1% 150% Среднее значение (не банкрот) 247,7% 190% Используя данную выборку и метод множественного дискриминантного анализа, Альтман получил Z формулу, с помощью которой можно определить вероятность банкротства компании3. Исследователь на этом не остановился и провел множество других исследований, связанных с вычислением вероятности банкротства компании. В дальнейших исследованиях предпочтение было отдано логистическим регрессиям, а не МДА ввиду необходимости определенного ранжирования полученных показателей. К примеру, в данной работе Альтман целенаправленно искал такое значение, которое отсекает компании «банкроты» и компании «не банкроты» друг от друга. Хотя такое значение было найдено, некоторая сложность в его нахождении поспособствовало выбору альтернативных методов прогнозирования. Пожалуй, одной из самых успешных работ, описывающую вероятность банкротства компаний, является работа группы исследователей, среди которых был также Эдвард Альтман (Altman, Haldeman, Narayanan, 1977). В рамках своего исследования ученые получили формулу, которая была названа ZETAформула. Результаты оказались настолько точными, что на данный момент формула находится в закрытом доступе, и невозможно точно узнать какие показатели содержатся в данной формуле. Однако необходимо отметить, что модель ориентирована на американские компании, а не российские, поэтому результаты для российских компаний, по всей видимости, не будут настолько достоверными. Исследование Джеймса Олсона (Ohlson, 1980) отличалось от предыдущих одним, но достаточно существенным фактором – его выборка составляла 2163 компаний, а не десятки или сотни как было у предшественников. Использование большего числа компаний может косвенно говорить о более полной и более точной полученной модели, однако в заключении автор 3 Пограничные значения Z были описаны на стр. 13 данной работы 15 упоминает, что «для получения более значимой модели, необходимы дополнительные факторы»4. Также Джеймс Олсон был одним из первых, кто применил метод логистической регрессии для создания модели диагностики риска банкротства предприятий. Согласно этой модели вычисляется показатель Z по следующей формуле: Z 1.3 0.4 X1 0.6 X 2 1.4 X 3 0.1X 4 2.4 X 5 1.8 X 6 0.3X 7 1.7 X 8 0.5 X 9 , Где X 1 – натуральный логарифм отношения совокупных активов к индексудефлятору валового национального продукта; X 2 – отношение совокупных обязательств к совокупным активам; X 3 – отношение рабочего капитала к совокупным активам; X 4 – отношение текущих обязательств к текущим активам; X 5 – 1, если совокупные обязательства превышают совокупные активы, если наоборот то равен 0; X 6 – отношение чистой прибыли к совокупным активам; X 7 – отношение выручки от основной деятельности к совокупным обязательствам; X 8 – 1, если чистая прибыль была отрицательной последние два года, если наоборот то показатель равен 0; X 9 – отношение разницы между чистой прибылью в последнем отчетном периоде и чистой прибылью в предшествующем отчетном периоде к сумме чистой прибыли в последнем отчетном периоде, взятой по модулю, и чистой прибыли в предшествующем отчетном периоде, взятом по модулю. После расчета данного показателя, он подставляется в логистическую регрессию для нахождения вероятности риска банкротства. Понимание того что, не только экономические показатели, но и движение денежных потоков влияет на банкротство предприятий, вылилось в исследование группы ученых, одним из которых был Михаэль Гомбола (Gombola and others, 1987). В первую очередь, включение денежных потоков как фактора для прогнозирования вероятности банкротства компаний связано с 4 Оригинальный текст: «…significant improvement probably requires additional predictor». 16 «возросшим интересом пользователей финансовой отчетности к ней». В своем исследовании он провел анализ как предыдущих работ, так и проверку значимости 24 различных переменных на своей выборке. Выборка составлена из индустриальных и розничных компаний, которые должны иметь полную финансовую отчетность хотя бы за один из четырех периодов до банкротства. Было составлено несколько моделей, которые показали точность от 60 до 89%, однако в ходе исследования выяснилось, что показатель CFO не значим. Таким образом, хотя и использовался огромный набор факторов для прогнозирования банкротства, окончательная точность модели не высока и связана с «ошибками при вычислении денежных потоков компании». Не остались в стороне и работы российских авторов. В 2007 году была опубликована статья «Процесс разработки моделей для прогнозирования банкротства предприятий (на примере японских публичных компаний)», автором которой был Журов В.А. (Журов, 2007). В своей работе он использовал базу данных из 420 наблюдений (70 компаний банкротов и не банкротов с финансовой отчетностью 3 года). Также им были отобраны наборы различных факторов, которые могли быть значимы для прогнозирования банкротств. Всего было 82 переменные из 9 различных групп показателей: коэффициенты роста; коэффициенты эффективности капитала; коэффициенты эффективности деятельности; коэффициенты эффективности активов; коэффициенты производительности; коэффициенты ликвидности; коэффициенты устойчивости; коэффициенты денежного потока; показатели в расчете на одну акцию После этого им было применено 7 техник моделирования, с помощью которых были определены ключевые 17 переменные. После им были окончательно разработаны модели для каждой техники моделирования, и точность моделей варьировалась от 80% до 90%. Российский исследователь Жданов В.Ю. построил свою модель прогнозирования банкротства (Жданов, 2011). Его модель была направлена на диагностику риска банкротства для авиапредприятий. Его модель была построена на основе показателей финансово-хозяйственной деятельности компании. В итоге из 25 показателей, которые изначально были отобраны как наиболее точно предсказывающие банкротство, в модели присутствует только 6. Окончательный вариант модели представлен в таблице №3. Еще одна российская работа по данной тематике опубликована исследователем Алексеевой Ю.А. (Алексеева, 2011). Данная работа описывает еще один не маловажный факт в прогнозировании банкротства компании как раннее предсказание фактического наступления банкротства. Для этой цели была использована база данных из 1357 компаний обрабатывающего производства. Проанализируем общий выбор переменных, а также модели в отдельности. Наиболее используемые показатели в исследованиях являются: величина чистой прибыли от общей стоимости всех активов (4 из 9), общие обязательства компании от общей стоимости активов (4 из 9) и прибыль до уплаты процентов и налогов от общей стоимости всех активов (3 из 9). Стоит отметить тот факт, что зарубежные исследователи не используют абсолютные показатели для анализа вероятности банкротства. Это можно объяснить тем, что каждый показатель в отчетности компании должен сопоставимо сравниваться с другими показателями (к примеру, если общая сумма обязательств одной фирмы 1 миллион долларов, а другой фирмы 1 тысяча долларов, то нельзя говорить о том, что первая фирма имеет большую вероятность банкротства, чем вторая и наоборот). 18 5 6 В данную таблицу были включены только 7 параметров из 9 использовавшихся.[10, стр. 121] Использовал обратный показатель, то есть TA/TL 19 29,32 -188,87 -0,111 5,584 7 -11,69 Logit модель Logit модель Logit модель Logit модель Logit модель Probit модель Logit модель Logit модель Const MDA -1,32 -0,138 1,3508 0,2 4,28 32,633 Относительные показатели значения прибыли от суммарных активов TR/TA 0,999 -1,082 NP/TA 16,555 -0,33 0,08 -6,932 GP/TA 3,54 OP/TA 7,5153 RE/TA 0,014 EBIT/TA 0,033 0,18 Другие относительные показатели от величины суммарных активов AC/TA 0,012 -1,43 (AC-SL)/TA 0,789 -0,95 LL/TA -5,712 6 TL/TA 0,006 6,03 -6,1903 3,697 CASH/TA 0,02 Относительные показатели от общего капитала и затрат NP/EQ SL/EQ -0,01 TL/EQ 0,002 Относительные показатели от общей суммы обязательств CASH/TL -2,37 -0,17 EBIT/TL -0,0068 Другие относительные показатели EBIT/INT 0,19 INT/TR 0,1062 TR/REC -0,1139 SP/TR SL/AC 0,076 Абсолютные показатели Курс RUR/USD Ставка Log(TR) -1,573 Бинарные переменные TL>TA -1,72 NP<0 0,285 Жданов (2011) Алексеева (2011) Altman (2007) Lin (2004) Gruszczyns ki (2003) Ginoglou (2002) Joo-Ha (2000) Ohlson (1980)5 Altman (1968) Таблица 2 Российские и зарубежные исследования, предсказывающие банкротства предприятий Еще один класс практически не используемых переменных – бинарные показатели (были использованы только Олсоном в 1980 году). Суть бинарных показателей заключается в том, что они принимают только два значения: 0 (если утверждение ложно) или 1 (если утверждение истинно). В своей модели Олсон использовал данные переменные в большей степени для корректировки вероятности банкротства, нежели для объяснения определенной зависимости от данного показателя (Ohlson, 1980). Помимо этого необходимо включить для рассмотрения показатели роста прибыли по сравнению с предыдущими периодами, так как данный фактор, на мой взгляд, носит решающий характер в анализе. Однако главная проблема состоит в том, что прибыль может стать отрицательной и может возникнуть следующая ситуация, представленная в таблице №3. Таблица 3 Проблема с отрицательным значением коэффициентов на примере соотношения показателя текущего года деленного на показатель предыдущего года Текущий год К=0.5 К=2 К= -0.5 К= -2 K=1 +0.5 +2 - 0.5 -2 К= -1 - 0.5 -2 + 0.5 +2 Предыдущий год Среди всех относительных показателей, представленных в таблице, видно, что если в предыдущем году было положительное значение, то относительный показатель может быть использован и корректно интерпретирован (чем больше положительное значение показателя, тем более лучший результат показала компания и наоборот). Если же изначально в предыдущем году было отрицательное значение, то интерпретация относительного показателя происходит с точностью наоборот, то есть чем больше положительное значение относительного показателя, тем более худший результат показала компания. Тем самым при использовании показателей во времени, нужно, либо использовать только положительные абсолютные показатели (общие активы, 20 общие обязательства), либо использовать некую корректировку. Решением данной проблемы будет умножение относительного показателя на -1, если в предыдущем периоде значение абсолютного показателя было отрицательным. С аналогичной ситуацией столкнулся Олсон в своем исследовании. Им также были использованы переменные во времени, и чтобы исключить данную ситуацию, показатель предыдущего года брался по модулю. Временной промежуток, который будет использован для построения модели – с 2007 по 2011 год для предприятий не банкротов и последние пять финансовых отчетных года предприятий банкротов. Еще одним немаловажным фактором для определения дальнейшей базы данных явилась работа Луизада Франческо (Louzada Francisco, 2012). В своей работе он выдвинул гипотезу, что для построения модели прогнозирования банкротств необходимо использовать взвешенные данные, то есть равное количество компании банкротов и не банкротов. Основываясь на математическом аппарате, ученый доказывает данную гипотезу. Учитывая это, будет сформирована еще одна база на основе общей базы данных, где количество компаний банкротов и не банкротов одинаково, так как изначально планировалось выдержать отношение компаний банкротов и не банкротов на уровне 1:4. Таким образом часть моделей будет построена по одной базе данных, где имеется равное количество компаний банкротов и не банкротов, а другая часть моделей – по базе данных, где выдерживается величина 20% компаний банкротов. Поэтому, для того чтобы иметь возможность сравнивать все модели, независимо от базы данных, которая была использована, модели будут строиться симметрично, то есть две одинаковые модели, с одним и тем же набором фактором, но построенные по разным базам. 21 Глава 2. Построение модели прогнозирования банкротства 2.1 Гипотезы и ожидаемые результаты Прежде чем приступить к моделированию, необходимо поставить некоторые гипотезы, а также ожидаемые результаты зависимостей переменных от рассматриваемого фактора, то есть вероятности «банкротства». В первую очередь, исходя из работ предыдущих исследователей, можно выделить следующие наиболее «ценные» переменные для прогнозирования: 1. отношение суммы процентов по заемному капиталу к прибыли до уплаты процентов и налогов; 2. чистая прибыль к выручке (маржинальная прибыль); 3. отношение выручки к общей величине активов; 4. величина финансового рычага (отношение заемного капитала к собственному); 5. рентабельность активов и собственного капитала Предполагается, что данные показатели окажутся наиболее чувствительны к переменной «банкрот». В таблице №4 описан предполагаемый характер взаимосвязи в случае линейной или квадратичной зависимости. Таблица 4 Предполагаемый характер взаимосвязи в моделях Номер 1 2 3 4 5 Линейная7 + + - Квадратичная8 + + - Здесь знак «+» означает положительную зависимость с банкротством, то есть увеличение показателя приведет к увеличению вероятности банкротства. Знак «-» - обратный эффект 8 Здесь знак «+» означает взаимосвязь с вероятностью банкротства по параболле ветвями вверх, то есть до некоторого момента увеличение показателя снизит вероятность банкротства, а затем увеличит. Знак «-» обратный эффект 7 22 Помимо этого, в моделях, скорее всего, не будут использованы абсолютные и бинарные показатели. Как правило, последние необходимы для некоторых корректировок в моделях и из рассмотренных работ только один исследователь использовал их для прогнозирования. Что же касается абсолютных показателей, то разброс этих показателей может быть настолько большой, что при увеличении масштаба компании, модель будет работать не корректно. Необходимо сравнивать соизмеримыми значениями, то есть относительными показателями, чтобы исключить эффект масштаба предприятия9. Пожалуй, единственной дискретной (бинарной) переменной будет являться переменная «Отрасль». Предполагается, что в зависимости от отрасли, разные показатели будут иметь разное влияние на вероятность банкротства компании. К примеру, некоторые переменные будут значимы для отрасли «Транспорт», другие же будут значимы для отрасли «Строительство» и прочее. В случае дискретного использования переменной «Отрасль», значение данной переменной будут являться целые числа от 1 до 5. В случае бинарного использования, 1 будет означать, что переменная принадлежит данной отрасли, а 0 – не принадлежит. Если большая часть абсолютных показателей во много раз больше среднего значения в выборке, то такое предприятие может быть сразу классифицировано или банкрот, или не банкрот из-за своих размеров 9 23 2.2 Характеристика выборочной совокупности С целью получения наиболее точной модели в конце, необходимо изначально использовать качественные данные. Поэтому необходимо провести предварительный анализ полученных данных, очистить от существенно отличающихся данных и только после этого проводить моделирование. В рамках моделирования будет построена не одна, а несколько различных моделей, содержащие различный набор комбинаций факторов. Таким образом, будут детально проработаны всевозможные варианты, и в конечном итоге будет выбрана наиболее точная модель. Как было сказано во Введении, была собрана база данных из 575 компаний банкротов и не банкротов. Данная выборка была поделена на две части, где на основании одной ее части (500 компаний) будут построены logit-модели, а вторая часть данной выборки (75 компаний) будет использована для проверки точности данных моделей. Данные были собраны вручную с использованием базы данных «СПАРКИнтерфакс». Затем были выбраны пять наиболее обширных отраслей или секторов экономики, в которых работает по меньшей мере 5000 компаний. Для того чтобы иметь качественные показатели, были использованы данные только «Открытых Акционерных Обществ», так как их отчетность подвергается и внешнему, и внутреннему аудиту, тем самым имеется определенное доверие к правильности составлению финансового отчета. Вторым ключевым фактором в выборе компаний – компания работала более 10 лет на рынке, а также является собственностью российских резидентов или компаний. Рассматривая такой большой промежуток работы компании, можно быть уверенным, что она не является фирмой-одноневкой и создавалась с теми целями, которые указаны в уставе компании. Стоит отметить, что для целей нашей работы, нас будут интересовать только два финансовых документа в компании: отчет о прибылях и убытках и бухгалтерский баланс. 24 Для того чтобы не было существенных различий между отраслями, все отрасли будут иметь равное количество компаний, то есть по 100 компаний в каждой отрасли. Что же касается компаний банкротов, то в первую очередь они должны были обанкротиться в виду своей хозяйственной деятельности. Если же они проходят процедуру реструктуризации или слияния, то для целей нашей работы они рассматриваться не будут. Что же касается компаний не банкротов, то рассматривался кредитный и финансовый рейтинг, который рассчитывался «СПАРК-Интерфакс» автоматически. Данный рейтинг имеет значение от 1 до 99, где 1 – практически безрисковая компания, а 99 – очень высокие риски, компания на грани банкротства. Поэтому предельная величина данного показателя равнялась 15, чтобы быть уверенным в том, что компания не обанкротится в ближайшее время. Связано это с тем, что в конечном итоге такие компании, у которых высока вероятность банкротства в будущем, будут искажать результаты моделей. Исходя из этого получилась выборка из 500 компаний, которая будет использоваться для построения моделей. Она представляют собой 5 различных отраслей: строительство (45.21.110); добыча полезных ископаемых, нефти и руды (10, 11, 13); производство и распределении электроэнергии, газа, горячей воды, а также очистка воды (40, 41); транспорт (60.1, 60.2, 61, 62.1, 62.2); производство пищевых продуктов, включая напитки (15). Также имеется еще одна выборка, которая составлена из предположения Луизада Франческо о необходимости использования равного количества компаний банкротов и не банкротов (Louzada Francisco, 2012). Данная выборка состоит из 182 компаний. Рассмотрим общую величину компаний банкротов в данных выборках (таблица №5). Здесь и далее на странице в скобках указано порядок отрасли в классификаторе видов экономической деятельности 10 25 Выборка №2 Выборка №1 Таблица 5 Абсолютная величина обанкротившихся предприятий в выборках Отрасль Всего компаний Процент банкротов Всего компаний Процент банкротов 1 2 3 4 5 Всего Набл. 100 100 100 100 100 500 2500 17% 20% 20% 20% 14% 18,2% - 34 40 40 40 28 182 910 50% 50% 50% 50% 50% 50% - Стоит отметить, что в данной работе используются панельные данные, то есть данные каждой компании собраны не за один год, а за пять последних лет. На момент написания работы для компаний не банкротов пятью последними годами являлись 2007-2011г.г. Что же касается компаний банкротов, то это последние пять лет до банкротства компании. Исходя из выше сказанного, количество наблюдений в базе данных будет в пять раз больше числа компаний (2500 и 910 наблюдений для каждой из выборок соответственно). Средняя величина обанкротившихся предприятий в выборке №1 составляет 18,2%, что выдержано с теоретическим обоснованием необходимой величины для дальнейшего моделирования; в выборке №2 составляет 50%, что соответствует гипотезе о необходимости использования равного количества компаний банкротов и не банкротов. Так как в данной работе используется несколько отраслей, по которым будет построена модель, то необходимо соответствующим образом задать ранги отраслям. В случае неверного ранжирования, результаты исследования буду искажены и будут не точными. Также при неверном ранжировании можно получить ситуацию, когда коэффициенты других показателей не сопоставимы с логикой банкротства. Идеальным вариантом является составление 120 различных комбинаций (5 отраслей, то есть 5!=120 вариантов расположения фиктивной переменной), однако данный способ требует много усилий и времени. 26 В виду этого нами был разработан более простой метод для ранжирования переменной «Отрасль», основанный на значении коэффициента β (beta). Суть в том, что сам коэффициент β содержит в себе риски отрасли, тем самым если фиктивную переменную «Отрасль» расставить в соответствии с показателем β от наименьшего к наибольшему значению, то проблема будет решена. В таблице №6 представлены коэффициенты β для используемых отраслей. Таблица 6 Коэффициенты β Отрасль (Россия) 45.21.112 1013 1114 1315 16 40 4117 18 60.1 60.219 6120 62.121 62.222 23 15 Отрасль (Зарубеж.) Homebuilding Coal Petroleum Metals & Mining Среднее: Power Pipeline Среднее: Railroad Trucking - 11 βl Ранг βu Ранг 1.45 1.53 1.34 5 0.74 1.22 1.10 2,5 1.33 1.4 1.35 0.98 1.17 1.44 1.24 - Air transport 1.21 Среднее: Food proces. 1.3 0.91 5 1.18 4 2 1.17 0.57 0.71 0.64 1.21 1.03 - Ранг отрасли 4 5 1 1 3 1.02 3 1 1.09 0.74 4 2,5 2 Именно такие ранги будут использованы в нашей базе данных. Коэффициенты были взяты с электронного ресурса http://damodaran.com, а также с помощью модели Хамада была посчитана безрисковый коэффициент для каждой из отрасли. 12 Производство общестроительных работ по возведению зданий 13 Добыча каменного угля, бурого угля и торфа 14 Добыча сырой нефти и природного газа, предоставление услуг в этих областях. 15 Добыча металлических руд 16 Производство, передача и распределение электроэнергии, газа, пара и горячей воды 17 Сбор, очистка и распределение воды 18 Деятельность железнодорожного транспорта 19 Деятельность прочего сухопутного транспорта 20 Деятельность водного транспорта 21 Деятельность воздушного транспорта, подчиняющегося расписанию 22 Деятельность воздушного транспорта, не подчиняющегося расписанию 23 Производство пищевых продуктов, включая напитки 11 27 Вероятно, данная переменная не будет использована в окончательных моделях или же будет использовано несколько переменных, чтобы показатель влияние каждого отдельного факторы на конкретную отрасль. В моделировании, абсолютные показатели включены не будут, однако они необходимы для расчета относительных и бинарных показателей. В базу данных были включены следующие абсолютные показатели: выручка, прибыль до уплаты налогов и сборов, чистая прибыль, величина собственных средств, величина заемных средств, величина оборотных активов, величина внеоборотных активов. На основе абсолютных показателей можно построить различное множество относительных показателей. Для нашей выборки было сформировано около 10 переменных как в статике, так и в динамике. Рассмотрим анализ и обработку данных на примере показателя «Величина прибыли на один рубль выручки» (Маржинальная прибыль). Расчет данной величины происходит путем деления «Операционной прибыли после уплаты процентов и налогов» на «Выручку». Распределение данного показателя (до соответствующих корректировок) представлено на рисунке №4. 28 1,600 1,400 1,200 1,000 800 600 400 200 0 -2400 -2000 -1600 -1200 -800 -400 0 Рис. 4 - Гистограмма показателя "Маржинальная прибыль" После корректировок, гистограмма выглядит следующим образом (рисунок №5). 1,200 1,000 800 600 400 200 0 -4 -3 -2 -1 0 1 2 3 Рис. 5 - Гистограмма показателя "Маржинальная прибыль" после корректировок Как видно, распределение слегка приблизилось к нормальному, однако в нашем случае данный фактор не является обязательным в силу использования логистических регрессий. Такие корректировки необходимы для получения более однородной выборки, что в свою очередь увеличит точность модели. Аналогичные операции проделываем переменными. 29 и с другими относительными Для того чтобы иметь возможность сравнить точность моделей полной и «усеченной» базы данных, необходимо применить одинаковые корректировки для переменных. Так как сама по себе «усеченная» база данных является производной от полной базы данных (то есть все данные второй базы данных полностью содержатся в первой базе данных), то корректировки, которые были применены для первой базы данных, могут быть применены и использованы для второй. Немаловажным фактором в выборе переменных для нашей модели является анализ корреляции. Поэтому определим степень взаимосвязи каждого фактора с переменной «банкрот» как для всех данных в целом (таблица №7), так и относительно каждой из отрасли, представленной в работе (таблица №8). Таблица 7 Корреляция между переменной банкрот и различными факторами Банкротство (BANKROT) Внеоборотные активы (BA) Отношение внеоборотных активов к оборотным активам (BAOA) Общая сумма обязательств (D) Отношение обязательств компаний к собственным средствам компании Отношение обязательств компании к прибыли до уплаты процентов и налогов (DEBIT) Капитал и резервы (E) Прибыль до уплаты процентов и налогов (EBIT) Рост прибыли до уплаты процентов и налогов по сравнению с предыдущим годом (EBITG) Чистая прибыль (NET_INCOME) Рост чистой прибыли по сравнению с предыдущим годом (NIG) Оборотные активы компании (OA) Отрасль, к которой принадлежит компания (OTRASL) Маржинальная прибыль (PM) Общая выручка от продаж (REVENUE) Рост общей выручки по сравнению с предыдущим годом (RG) Рентабельности активов компании (ROA) Рентабельность собственных средств компании (ROE) Отношение общей выручки к общим активам компании (SA) 30 БАНКРОТ 1 -0.030 -0.037 -0.026 -0.076 -0.136 -0.033 -0.034 -0.010 -0.035 -0.008 -0.028 0.013 -0.318 -0.031 0.182 -0.222 -0.024 -0.072 Таблица 8 Корреляция между переменной банкрот и различными факторами (конкретно для каждой отрасли) БАНКРОТ BA24 BAOA D01 DE DEBIT E EBIT EBITG NET_INCOME NIG OA ОТРАСЛЬ25 PM REVENUE RG ROA ROE SA БАНКРОТ 1 -0.084 -0.102 -0.076 -0.113 -0.196 -0.078 -0.088 -0.094 -0.063 -0.030 -0.072 NA (1) -0.388 -0.073 0.231 -0.373 0.030 -0.175 БАНКРОТ 1 -0.051 0.113 -0.018 0.095 -0.024 -0.085 -0.080 0.058 -0.105 0.039 -0.048 NA (2) -0.329 -0.063 0.282 -0.338 -0.066 -0.204 БАНКРОТ 1 -0.044 -0.057 0.084 -0.185 -0.110 -0.165 -0.206 -0.008 -0.267 -0.005 0.080 NA (3) -0.272 0.057 0.162 -0.118 -0.010 -0.114 БАНКРОТ 1 -0.129 -0.072 -0.148 -0.128 -0.186 -0.140 -0.174 0.007 -0.141 -0.006 -0.137 NA (4) -0.282 -0.167 0.125 -0.248 0.024 0.096 БАНКРОТ 1 -0.057 0.037 -0.050 -0.079 -0.216 -0.062 -0.067 -0.020 -0.068 -0.087 -0.055 NA (5) -0.411 -0.057 0.192 -0.291 -0.127 -0.138 Исходя из анализа данных в представленных выше таблицах, можно сделать вывод, что объединение данных в одну базу существенно снижает взаимосвязь факторов с переменной «Банкротство». Поэтому разумно построить модели, как для всей базы данных, так и для каждой отрасли отдельно. В виду этого следует ввести переменные OTRASL1 – OTRASL5. Они будут бинарные, где 1 означает «Истина», а 0 – «Ложь»26. Стоит отметить, что имеется достаточное количество наблюдений как в основной базе данных (2500 наблюдений), так и в «усеченной» (910 наблюдений), поэтому необходимо включить максимально возможное количество факторов в выборку. Проанализируем также средние значения показателей в каждой группе (таблица №9). Расшифровка аббревиатур в приложении №1. Значение корреляции равняется NA в виду того, что все данные были собраны из одной отрасли. В скобках указан номер отрасли. 26 То есть если OTRASL4=1, значит данная компания относится к отрасли 4. Все остальные OTRASL будут равняться 0. 24 25 31 Таблица 9 Средние значения факторов для каждой группы Переменная Внеоборотные активы (BA) Отношение внеоборотных активов к оборотным активам (BAOA) Общая сумма обязательств (D) Отношение обязательств компаний к собственным средствам компании Отношение обязательств компании к прибыли до уплаты процентов и налогов (DEBIT) Капитал и резервы (E) Прибыль до уплаты процентов и налогов (EBIT) Рост прибыли до уплаты процентов и налогов по сравнению с предыдущим годом (EBITG) Чистая прибыль (NET_INCOME) Рост чистой прибыли по сравнению с предыдущим годом (NIG) Оборотные активы компании (OA) Маржинальная прибыль (PM) Общая выручка от продаж (REVENUE) Рост общей выручки по сравнению с предыдущим годом (RG) Рентабельности активов компании (ROA) Рентабельность собственных средств компании (ROE) Отношение общей выручки к общим активам компании (SA) Среднее значение для группы банкрот 109 млн. Среднее значение для группы не банкрот 4590 млн. 1,682 1,99 290 млн. 3,68 млрд. 0,648 2,73 -2,411 5,53 -52,1 млн. 4,04 млрд. -15,5 млн. 1,17 млрд. 0,169 0,27 -35,4 млн. 852 млн. 0,378 0,58 129 млн. -0,317 193 млн. 3,13 млрд. 0,027 5,50 млрд. 0,465 0,03 -0,069 0,079 0,09 0,134 1,43 1,724 Данная таблица показывает нам, что некоторые факторы (в среднем) существенно отличаются между группами. К примеру, DEBIT, PM, ROA. Помимо этого данная таблица еще раз показывает, что использование абсолютных показателей бессмысленно, так как, во-первых, значения не существенно различаются между группами, во-вторых, их значение достаточно велико и нельзя дать однозначную интерпретацию о степени банкротства компании в виду больших или меньших активов компании. Но стоит отметить, что показатель «Капитал и резервы» (E) существенно различается между 32 группами. Таким образом, его целесообразно включить в модель в виде бинарной переменной, которая будет фильтровать такие компании. Отметим, что из-за использования двух выборок, в конечном итоге будет выбрано две разные модели, которые окажутся лучшими для данных выборок. Также сделаем сравнение по поводу различий между данными моделями. 33 2.3 Тестирование моделей прогнозирования банкротств 2.3.1 Модель на основе полной базы данных27 На основании таблицы №8, разумно включить те переменные, которые наиболее сильно связаны с переменной «банкротство». Это переменные DEBIT, PM, RG, ROA. Во вторую модель28 будут дополнительно включены переменные DE и SA, так как также имеется определенная зависимость. В третью модель будут включены переменные, у которых есть взаимосвязь с переменной «банкротство» только в рамках одной или нескольких отраслей. Это BAOA, ROE. Мультиколлинеарность между всеми факторами незначительная (самое высокое значение между переменными PM и ROA равное 0.33). В стандартной ситуации используется коэффициент отсечения равный 0.5, однако полная база данных не совсем однородна (в виду того, что компаний «не банкротов» больше компаний «банкротов»), поэтому будет использован коэффициент отсечения равный 0.2, в виду того что доля компаний банкротов составляет 20%, а не 50%. Характер взаимосвязи проанализировать сложно, факторов поэтому с рассматриваемой предположим переменной квадратичный вид взаимосвязи. Точности каждой из модели представлены в Таблицах №10-12. Таблица 10 Точность модели №1 Не банкрот Банкрот Точность Не Банкрот 1424 35 97,60% Банкрот 208 67 24,36% Отсечение 0.5 Точность модели: 85,99% Не банкрот Банкрот Точность Не Банкрот 1196 263 81,97% Банкрот 103 172 62,55% Отсечение 0.2 27 28 Количество компаний: 500. Вид модели: общая. Для простоты, в приложении №3 представлен перечень всех моделей, использованных в работе. 34 Точность модели: 78,89% Таблица 11 Точность модели №2 Не банкрот Банкрот Точность Не Банкрот 1425 34 97,67% Банкрот 200 75 27,27% Отсечение 0.5 Точность модели: 86,51% Не банкрот Банкрот Точность Не Банкрот 1199 260 82,18% Банкрот 102 173 62,91% Отсечение 0.2 Точность модели: 79,12% Таблица 12 Точность модели №3 Не банкрот Банкрот Точность Не Банкрот 1426 33 97,74% Банкрот 197 78 28,36% Отсечение 0.5 Точность модели: 86,74% Отсечение 0.2 Не Банкрот Банкрот Не банкрот Банкрот Точность 1210 249 82,93% 96 179 65,09% Точность модели: 80,10% Хотя и получено, что точность моделей 86-87%, использовать их для расчета других компаний вне выборки не представляется возможным. Такая высокая точность достигается за счет того, что компаний «не банкротов» значительно больше, чем «банкротов». Видно, что ошибка в предсказывании «не банкротства» компаний, которые действительно не являются банкротами составляет чуть больше 2%, в то время как только 26-28% компаний «банкротов» были классифицированы как «банкрот». Однако если мы посмотрим в ситуации, когда берется коэффициент отсечения 0.2, а не 0.5, то результаты становятся более уравновешены (то есть 35 не наблюдается существенной разницы в точности между компаниями банкротами и не банкротами). Общая точность модели снижается, однако именно снижение коэффициента отсечения позволяет использовать такие модели в дальнейшем для прогнозировании именно при новом коэффициенте отсечения. Поэтому в дальнейшем для данной выборки будет использоваться только коэффициент 0.2. 2.3.2 Построение модели на основе «усеченной» базы данных Таблица 13 Точность полученных моделей Модель №4 Не банкрот Банкрот Точность Не Банкрот 247 74 76,95% Банкрот 98 182 65,00% Точность модели: 71,38% Модель №5 Не банкрот Банкрот Точность Не Банкрот 255 66 79,44% Банкрот 87 193 68,93% Точность модели: 74,54% Модель №6 Не банкрот Банкрот Точность Не Банкрот 257 64 80,06% Банкрот 91 189 67,50% Точность модели: 74,21% Как уже было сказано ранее, «усеченная» база данных является производной из основной базы данных, однако количество компаний «банкротов» и не «банкротов» уравновешено. Построим аналогичные модели (Модели №4-6). В таблице №13 представлена их точность. Полученные модели оказались менее точны, однако они не подвержены проблеме, связанной с большим количеством данных в одной группе. Получается, что либо использовано недостаточное количество факторов, либо необходимо рассмотреть альтернативные методы построения моделей. Первое утверждение может быть верным, однако как показывают модели №1-3 36 и модели №4-6, точность модели не существенно вырастает при добавлении новых значимых факторов в модель. Что же касается второго метода, то альтернативой может служить либо разделение выборки на 5 различных выборок (переменная, по которой пройдет разделение – отрасль), либо использовать переменные в модели так, что будет учитываться специфика каждой из отраслей. В таблицах №8 и №9 было показано, что есть существенная разница в том, какие факторы влияют на банкротство компании. 2.3.3 Построение модели с учетом специфики отраслей на основе полной и «усеченной» базы данных Единственный способ, который поможет учесть специфику отраслей для каждого из параметров прогнозирования и модели который – поможет увеличить использования точность переменных вида OTRASLХ*«Фактор». Для этого сделаем шесть различных моделей (таблица №14). Точность данных моделей представлена в таблице №15, а сами модели представлены в приложении №3. Таблица 14 Виды моделей, которые будут построены для данного случая Номер База Факторы 7 Полная база данных DEBIT, PM, RG, ROA 8 Полная база данных DEBIT, PM, RG, ROA, DE, SA 9 Полная база данных DEBIT, PM, RG, ROA, DE, SA, BAOA, ROE 10 «Усеченная» база данных DEBIT, PM, RG, ROA 11 «Усеченная» база данных DEBIT, PM, RG, ROA, DE, SA 12 «Усеченная» база данных DEBIT, PM, RG, ROA, DE, SA, BAOA, ROE Таблица 15 Точность прогнозируемых моделей Модель №7 Не банкрот Банкрот Точность Не Банкрот 1257 202 86,15% Банкрот 102 173 62,91% 37 Модель №7 Не банкрот Банкрот Точность Точность модели: 82,47% Модель №8 Не банкрот Банкрот Точность Не Банкрот 1253 206 85,88% 95 180 65,45% Банкрот Точность модели: 82,64% Модель №9 Не банкрот Банкрот Точность Не Банкрот 1263 196 86,57% 94 181 65,82% Банкрот Точность модели: 83,28% Не банкрот Банкрот Точность Не Банкрот 276 45 85,98% Банкрот 88 192 68,57% Модель №10 Точность модели: 77,87% Не банкрот Банкрот Точность Не Банкрот 273 48 85,05% Банкрот 87 193 68,93% Модель №11 Точность модели: 77,54% Не банкрот Банкрот Точность Не Банкрот 277 44 86,29% Банкрот 73 207 73,93% Модель №12 Точность модели: 80,53% Исходя из значений данных таблиц, мы можем увидеть, что точность моделей на основе полной базы данных увеличилась в среднем на 1-2%, а на основе «усеченной» базы данных – на 3-6%. Такие модели учитывают специфику каждой из отраслей, однако количество переменных, которые используются в данных моделях настолько велико, что лишь некоторые переменные значимы. К примеру, в модели №12 задействована 71 переменная, в то время как количество наблюдений лишь 601. Исходя из этого разумно преобразовать последнюю модель, чтобы получить модель с меньшим набором переменных. Однако точность такой модели снижается (было построено 38 десяток различных комбинаций на основе «усеченной» базы данных), поэтому такие модели не будут использованы в дальнейшем. Исходя из полученных значений, невозможно выбрать наиболее подходящую и точную модель, поэтому рассмотрим модель, включающую еще два, вероятно, значимых показателя. Это ROA(-1) и бинарная переменная на основе величины собственного капитала. Не секрет, что компания становится банкротом не мгновенно, а в связи с различными ошибками в управлении. Таким образом, существует определенный лаг в том, что компания становится банкротом. Факторы, которые были использованы в моделях 13 и 14 представлены в приложении №3. Точность моделей представлена в таблице №16. Таблица 16 Точность полученных моделей Модель №13 Не Банкрот Банкрот Не банкрот Банкрот Точность 1041 205 83,55% 78 165 67,90% Точность модели: 80,99% Не банкрот Банкрот Точность Не Банкрот 262 59 81,62% Банкрот 90 190 67,86% Модель №14 Точность модели: 75,21% Данные модели показали, что новые факторы значимы для прогнозирования банкротства компаний. 2.3.4 Проверка точности моделей на контрольной выборке Контрольная выборка состоит из 75 компаний, то есть по 15 компаний каждой из отраслей. Учитывая, что у каждой компании имеется финансовая отчетность за 5 последних лет и то, что данные самого первого (то есть 2007 39 года) использованы в проверке быть не могут, то общее количество наблюдений составляет 30029. Рассмотрим точность моделей на проверочной выборке, и также рассмотрим точность в разрезе компаний банкротов и не банкротов (рисунок №6). 100,00% 90,00% 80,00% Процент 70,00% Точность прогноза для компаний небанкротов 60,00% 50,00% Точность прогноза для компаний банкротов 40,00% Общая точность модели 30,00% 20,00% 10,00% М од е М ль од 1 е М ль од 2 е М ль од 3 е М ль од 4 е М ль од 5 е М ль од 6 е М ль од 7 е М ль од 8 М ел од ь е 9 М ль од 10 е М ль од 11 ел ь 12 0,00% Модель Мод. Мод. Мод. Мод. Мод. Мод. Мод. Мод. Мод. Мод. Мод. 1 2 3 4 5 6 7 8 9 10 11 Банкротов 85,9% 87,3% 85,0% 73,6% 76,8% 74,1% 78,6% 75,9% 76,4% 75,5% 76,4% Не 48,8% 53,8% 51,3% 67,5% 72,5% 68,8% 61,3% 60,0% 62,5% 65,0% 65,0% банкротов Общая 76,0% 78,3% 76,0% 72,0% 75,7% 72,7% 74,0% 71,7% 72,7% 72,7% 73,3% Точность Мод. 12 72,3% 63,8% 70,0% Рис. 6 - Точность прогнозирования моделей на контрольных выборках (для моделей №1-3, №7-9 – отсечение 0.2) Как видно из представленных графиков, точность всех моделей примерно одинаковая. Однако модели, построенные по «усеченной» базе данных показывают более уравновешенный результат, то есть точность прогнозирования компаний банкротов и небанкротов практически совпадает. Что же касается использование отдельных для каждой отрасли коэффициентов, Связано с тем, что в моделях используются показатели роста по сравнению с предыдущим годом. Так как данных за 2006 нет, то в 2007 все показатели равняются 0, что не сходится с реальностью. 29 40 то здесь результат оказался не намного лучше, нежели для всех отраслей в целом. Помимо этого, рассмотрим точность прогнозирования банкротства в разрезе количества лет до банкротства (рисунок №7). 90,00% 80,00% 70,00% 60,00% 2008 год 50,00% 2009 год 40,00% 2010 год 2011 год 30,00% 20,00% 10,00% М од ел ь 1 М од ел ь 2 М од ел ь 3 М од ел ь 4 М од ел ь 5 М од ел ь 6 М од ел ь 7 М од ел ь 8 М од ел ь М 9 од ел ь 10 М од ел ь 11 М од ел ь 12 0,00% Точность 2008 2009 2010 2011 Мод. 1 76,0% 77,3% 77,3% 73,3% Мод. 2 78,7% 80,0% 80,0% 74,7% Мод. 3 76,0% 77,3% 77,3% 73,3% Мод. 4 66,7% 74,7% 80,0% 66,7% Мод. 5 76,0% 74,7% 77,3% 74,7% Мод. 6 73,3% 72,0% 73,3% 72,0% Мод. 7 74,7% 74,7% 80,0% 66,7% Мод. 8 72,0% 73,3% 76,0% 65,3% Мод. 9 73,3% 78,7% 73,3% 65,3% Мод. 10 70,7% 74,7% 76,0% 69,3% Мод. 11 74,7% 76,0% 76,0% 66,7% Мод. 12 65,3% 72,0% 70,7% 72,0% Рис. 7 - Точность прогноза моделей на контрольной выборке (для моделей №13, №7-9 – отсечение 0.2) Исходя из данных графиков видно, что точность моделей в разрезе по годам не устойчивая и большинство моделей показало наименьшую точность в последний финансовый год. Учитывая, что выборка была достаточно большой, то возможные причины этого – многомерность выборки, то есть использование нескольких отраслей в одной работе. Графики на рисунке 8 показывают, что модели с неравномерной базой данной не могут показать «стабильную» точность по предприятиям. Хотя в 41 моделях 7-9 точность по каждой категории примерно одинаковая, то по моделям 1-3 точность прогнозирования не банкротов приемлемая, в то время как точность прогнозирования компаний банкротов низкая. Что же касается остальных моделей, то модели, где было использовано разделение по отраслям, показали неплохое значение McFadden R-squared, однако знаки переменных в моделях были не везде объяснимы, их значимость варьировалась от отрасли к отрасли, а также количество данных переменных было достаточно велико. Исходя из этого стоит остановить свой выбор среди моделей 4-6. 100,00% 90,00% 80,00% 2008г. (не банкрот) 70,00% 2008г. (банкрот) 60,00% 2009г. (не банкрот) 2009г. (банкрот) 50,00% 2010г. (не банкрот) 40,00% 2010г. (банкрот) 30,00% 2011г. (не банкрот) 2011г. (банкрот) 20,00% 10,00% М од ел ь М од 1 ел ь М од 2 ел ь М од 3 ел ь М од 4 ел ь М од 5 ел ь М од 6 ел ь М од 7 ел ь М од 8 ел М ь од 9 ел ь М од 10 ел ь М од 11 ел ь 12 0,00% Точность 2008 небанкрот 2008 банкрот 2009 небанкрот 2009 банкрот 2010 небанкрот Мод. 1 Мод. 2 Мод. 3 Мод. 4 Мод. 5 Мод. 6 Мод. 7 Мод. 8 Мод. 9 Мод. 10 Мод. 11 Мод. 12 85,5% 87,3% 83,6% 67,3% 76,4% 72,7% 76,4% 74,5% 74,5% 74,5% 80,0% 65,5% 50,0% 55,0% 55,0% 65,0% 75,0% 75,0% 70,0% 65,0% 70,0% 60,0% 60,0% 65,0% 85,5% 87,3% 83,6% 72,7% 72,7% 72,7% 78,2% 76,4% 80,0% 76,4% 76,4% 76,4% 55,0% 60,0% 60,0% 80,0% 80,0% 70,0% 65,0% 65,0% 75,0% 70,0% 75,0% 60,0% 85,5% 87,3% 85,5% 78,2% 74,5% 70,9% 81,8% 76,4% 74,5% 72,7% 74,5% 69,1% 42 Точность Мод. 1 Мод. 2 Мод. 3 Мод. 4 Мод. 5 Мод. 6 Мод. 7 Мод. 8 Мод. 9 Мод. 10 Мод. 11 Мод. 12 2010 банкрот 55,0% 60,0% 55,0% 85,0% 85,0% 80,0% 75,0% 75,0% 70,0% 85,0% 80,0% 75,0% 2011 небанкрот 87,3% 87,3% 87,3% 76,4% 83,6% 80,0% 78,2% 76,4% 76,4% 78,2% 74,5% 78,2% 2011 банкрот 35,0% 40,0% 35,0% 40,0% 50,0% 50,0% 35,0% 35,0% 35,0% 45,0% 45,0% 55,0% Рис. 8 - Точность прогноза моделей на контрольной выборке в разрезе по годам (для моделей №1-3, №7-9 – отсечение 0.2) Среди моделей 4-6 наиболее качественной является модель №5, которая изначально показала точность 74,54%, а точность в проверочной выборке составила 75,67%. Сама модель не подвержена существенной смещенности в пользу одной из групп, в отличие от моделей 1-3 и моделей 7-9. Также в модель включено достаточное количество объясняющих переменных. Также сами переменные значимы в модели и могут быть использованы для других компаний как тех отраслей, которые были включены в прогноз, так и других (в таком случае переменная OTRASL примет знак 0). Рис. 9 - Точность выбранных моделей на контрольной выборке Как было сказано ранее, целесообразно включить в модель показатели ROA(-1) и бинарный показатель на основе собственного капитала. В связи с этим для случая общей базы данных это модель №13, а для «усеченной» базы 43 данных – модель №14. Аналогичным образом проанализируем качество данных моделей в сравнении с производными от них моделей. Видно, что новые модели показали большую точность, поэтому целесообразно использовать именно их для прогнозирования банкротств других компаний, не включенных ни в одну базу данных. 44 2.4 Результаты работы Исходя из поставленных целей и задач, были выбраны две модели, которые оказались наиболее точными для каждой из базы данных. Формула для расчета представлена в таблице №17. В первой колонке представлены коэффициенты модели, построенной на основе общей базы данных, а во второй – на основе «усеченной» базы данных. Таблица 17 Коэффициенты полученных моделей Переменная C DEBIT DEBIT^2 PM PM^2 RG RG^2 ROA ROA^2 OTRASL DE SA SA^2 ROA(-1) EE 30 Коэффициент модели Коэффициент модели -1,583** -0,44 -0,007** -0,007 0,00009* 0,0001** -1,022** -1,07 -0,135 -0,366* 0,419** 0,161 -0,025 0,025 -4,825** -2,302** -8,01** -5,986** 0,0006 0,112 0,004 -0,018 -0,341** -0,187 0,065** 0,047* -0,703** -2,62** 1,262** 1,465** ** - Коэффициент значим на уровне 5% * - Коэффициент значим на уровне 10% Затем Z подставляется в логистическую регрессию y 1 . 1 e z Так как модели построены по разным базам данных, то имеют свою специфику. Так в первой модели база данных была смещена, поэтому для нее используется коэффициент отсечения равный 0.2. То есть если величина Y больше 0.2, то вероятность того, что компания является «банкротом» существенно возрастает, если меньше 0.2, то вероятность того что компания является «банкротом» снижается. Более того значимость константы также говорит о смещенности первоначальной базы данных. Что же касается второй 30 Значение и описание коэффициентов смотрите в приложении №2 45 модели, то она построена по «усеченной» базе данных и выводу будут аналогичными при коэффициенте отсечения 0.5. Хотя точность моделей составляет примерно 81% и 75% соответственно, необходимо отметить следующее. Зачастую компании становятся банкротами, несмотря на хорошие экономические показатели. Связано с различной политической обстановкой, целями и задачами основателей и прочим. Аналогично и с компаниями не банкротами. Если они сейчас являются не банкротами, а модель прогнозирует, что данная компания банкрот, то высока вероятность что она обанкротится в ближайшее время (до 2 лет). Исходя из этого нельзя сказать, что точность прогноза низкая, хотя и хотелось бы получить более точную модель. Также немаловажным факторам является попытка включения в базу данных компаний из нескольких отраслей. Но все же практика показала, что лучше строить отдельную модель прогнозирования банкротств для каждой отрасли, а не объединять их под одну модель. Объективное обоснование заключается в том, что в разных отраслях средняя величина одного и того же показателя может быть различна. Если, к примеру, в одной отрасли принято иметь много долгов в виду того, что они необходимы для постоянного финансирования оборотных средств, то в другой отрасли может сложиться ситуация, что при 50% величине заемных средств, финансовое положение предприятия может серьезно пошатнуться. Также стоит отметить еще один замеченный факт – что если база данных существенно смещена в пользу одной из групп, то разумно установить другой коэффициент отсечения. Его можно установить на основе процентной величины одной из групп (в нашем случае основная база была 1:4, то есть 20% предприятий банкротов и 80% предприятий не банкротов, поэтому коэффициент отсечения был 0.2). Либо можно рассчитать нормальное распределение у константы полученной модели. Именно он существенно влияет на точность данных, если он значим в модели. Благодаря тому, что отсечение будет снижено или увеличено, коэффициент не будет настолько 46 значим для анализа. Именно это и продемонстрировано в данных двух итоговых моделей, у одной из которых константа значима. Что же касается самих коэффициентов в работе, то знаки коэффициентов, в целом, совпали с ожидаемыми. Так, изначально при увеличении коэффициента DEBIT (отношение процентов к уплате к прибыли до выплаты процентов и налогов) вероятность банкротства компании снижается. Заемный капитал используется для финансировании деятельности компании. Однако после некоторого момента, увеличение заемного капитала компании приводит к увеличению вероятности банкротства компании, что сходится с действительностью. Так, если предприятие имеет большую величину заемных средств, то ее прибыли может не хватить для покрытия данных процентов и предприятие со временем может стать банкротом. Что же касается показателя маржинальная прибыль (PM), то получается, что точка, при которой вероятность банкротства будет максимальная по данному показателю равняется -3.79 (или -379%) и -1.46 (-146%) соответственно. Поэтому получаем, что постепенное увеличение маржинальной прибыли существенно увеличивает вероятность того, что компания не является банкротом. Показатель ROA (рентабельность активов) показывает, что при значении показателя равным -30,12% и -19,23%, достигается максимум вероятности банкротства. При большем или меньшем значении вероятность банкротства снижается. Стоит отметить, что если показатель ROA положителен, то скорее всего предприятие будет расцениваться как не банкрот. В то же время достаточно сложно объяснить, почему при меньшем значении ROA, вероятность банкротства снижается. Частично это объясняется тем, что только 4% всех наблюдений лежит в данной области. Также стоит отметить, что показатель ROA предыдущего года оказался значим в обеих моделях, что также подтвердило первоначальные предположения. Что же касается переменной OTRASL, то ожидалось получить положительный коэффициент данного показателя, так как изначально отрасли 47 проранжированы от менее рискованной к более рискованной. Однако мы получили, что в конечных моделях данный показатель не значим, хотя и получен правильный знак. Что же касается переменной выручки к общей величине активов, то результат не совпал с первоначальными предположениями. Если смотреть только на линейную составляющую, то коэффициент отрицательный, однако у квадратичной составляющей коэффициент положительный. Однако это означает, что вероятность банкротства будет снижаться до достижения величины равной 2.62 и 1.99 соответственно. Если же показатель больше данной величины, то вероятность банкротства компании растет. Это может быть связано с тем, что слишком большая выручка компании при малом значении величины активов является не естественным и фирма используется лишь для неких посреднических действий или же это фирма-однодневка. 48 Заключение В рамках данной работы был проведен анализ предыдущих работ исследователей данной тематики и были выбраны возможные факторы, которые наиболее сильно коррелируют с вероятностью банкротства компаний. Чем больше исследователей использовало определенный фактор, тем больше вероятность того, что его необходимо включить в модель. Не смотря на то, что факторы отбирались на основании анализа зарубежных работ, были также рассмотрены и проанализированы отечественные исследования. С точки зрения определения факторов моделей, работы наших исследователей, пожалуй, должны были быть первостепенными в анализе, так как такие модели построены на основании базы данных российских, а не зарубежных компаний. Однако исследований в данной тематике с использованием базы данных российских компаний не так велико, поэтому такой подход был бы затруднительным. Уникальность работы состоит в том, что построенные модели объединили всевозможные принципы построения качественной модели: от выбора факторов и видов используемых переменных до количества наблюдений в выборке, от количества используемых отраслей в работе до используемых методик моделирования. Хотя точность модели составляет примерно 80%, есть определенные недостатки, которые могут быть разрешены в последующих исследованиях. Во-первых, необходимо анализировать абсолютно достоверные данные. Для этого необходимо выбрать диапазон данных в прошлом, чтобы гарантировать состоятельность тех компаний, которые в данный момент не являются банкротами. Иными словами, для анализа необходимо брать промежуток времени от 5 до 10 лет назад от текущего времени. Так как российская экономика существует чуть больше 20 лет и более менее стабильные компании начали появляться 7 лет назад, то на данный момент такой возможности для анализа нет. 49 Во-вторых, необходимо подобрать качественные ранги оценки банкротства компании специалистом. К сожалению, в рамках российской финансовой отчетности, доверие к финансовой отчетности компании не высокое. Данные недостатки могут быть решены лишь в долгосрочной перспективе, поэтому можно сказать, что на данный момент получена относительно качественная модель прогнозирования вероятности банкротства компании не только данных 5 отраслей, которые были представлены в работе, но и других отраслей и видов экономической деятельности. 50 Список использованной литературы Специальная литература 1. Алексеева, Ю.А. Прогнозирование вероятности банкротства предприятий с учетом изменения финансовых показателей в динамике //Бизнесинформатика, №1, 2011, с.50-60 2. Жданов, В.Ю., Афанасьева О.А. Модель диагностики риска банкротства для авиапредприятий с учетом экономических факторов внешней среды // Вестник УрФУ, №6, 2011, с. 126-138 3. Журов, В.А. Процесс разработки моделей для прогнозирования банкротства предприятий (на примере японских публичных компаний) // Журнал «Финансовый менеджмент», 2007 4. Altman E., 1968, Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, Journal of Finance, 23, PP. 589-609. 5. Altman E., Sabato G. Modelling credit risk for SMEs – evidence from the USmarket // ABACUS. 2007. Vol. 43. № 3. PP. 332–356. 6. Altman, Edward I., Corporate financial distress and bankruptcy: predict and avoid bankruptcy, analyze and invest in distressed debt / 3rd ed. 2006. 7. Aziz M., Dar H. Predicting corporate bankruptcy – where we stand? // Corporate Governance Journal. 2006. Vol. 6. No 1. PP. 18–33. 8. Bernanke B., Papers and Proceedings of the Ninety-Third Annual Meeting of the American Economic Association // The American Economic Review. 1981. Vol. 71. No. 2 PP. 155-159. 9. Ginoglou D., Agorastos K. Predicting corporate failure of problemmatic firms in Greece with LPM logit probit and discriminant analysis models // Journal of Financial Management and Analysis. 2002. № 15 (1). РP. 1–15. 10.Gombola J. and others, Cash Flow in Bankruptcy Prediction // Financial Management. 1987. Vol. 16. No. 4 PP. 55-65. 11.Hajdu O., A Hungarian Model for Predicting Financial Bankruptcy // Society and Economy in Centraland Eastern Europe. 2001. Vol. 23. No. 1/2 PP. 28-46. 51 12.Hillegeist A. and others, Assessing the Probability of Bankruptcy // Review of Accounting Studies. 2004. Vol. 9. PP. 5-34. 13.Joo-Ha N., Taehong J. Bankruptcy prediction – evidence from Korea listed companies during the IMF crisis // Journal of International Financial Management and Accounting. 2000. № 11/3. PP. 178–197. 14.Kumar P., Bankruptcy Prediction in Banks and Firms via Statistical and Intelligent Techniques // 15.Lin L., Piesse J. Identification of corporate distress in UK industrials – a conditionalprobability analysis approach // Journal of Applied Financial Economics. 2004. № 14. PP. 73–82. 16.Louzada F., 2012, On the impact of disproportional samples in credit scoring models: An application to a Brazilian bank data // Expert Systems with Applications, №39, PP. 8071-8078 17.Ohlson, J., 1980, Financial ratios and the probabilistic prediction of bankruptcy, Journal of Accounting Research, №18, PP. 109-131. 18.Zavgren V., Are Bankruptcy Prediction Models Worthwhile? // Management International Review. 1988. Vol. 28. No. 1 PP. 34-44. Электронная литература 19. Ампилогов, А.И. Оценка рисков банкротства предприятий – производителей нефтехимического оборудования / Сборник лучших выпускных работ — 2011 [Электронный ресурс] / Нац. исслед. ун-т «Высшая школа экономики», ф-т экономики ; науч. ред. К. А. Букин. — Электрон. текст. дан. (6,9 Мб). — М. : Изд. дом Высшей школы экономики, 2012, с. 5-29 20.СПАРК-Интерфакс / Система профессионального анализа рынка и компаний [Эл. ресурс]. Режим доступа: http://spark-interfax.ru 52 Приложение №1. Виды экономической деятельности (отрасли), рассмотренные в работе Номер группы 4 5 1 3 2 ВЭД 45.21.1 – Производство общестроительных работ по возведению зданий 10 – Добыча каменного угля, бурого угля и торфа 11 – Добыча сырой нефти и природного газа, предоставление услуг в этих областях. 13 – Добыча металлических руд 40 – Производство, передача и распределение электроэнергии, газа, пара и горячей воды 41 – Сбор, очистка и распределение воды 60.1 – Деятельность железнодорожного транспорта 60.2 – Деятельность прочего сухопутного транспорта 61 – Деятельность водного транспорта 62.1 – Деятельность воздушного транспорта, подчиняющегося расписанию 62.2 – Деятельность воздушного транспорта, не подчиняющегося расписанию 15 – Производство пищевых продуктов, включая напитки 53 Приложение №2. Расшифровка аббревиатур Таблица 1 Расшифровка аббревиатур из таблицы №3. Символ TR GP SP EBIT OP NP RE FC AC TA EQ LL SL TL OC INT REC Описание Отчетность Показатели выручки и прибыли Общая выручка от продаж Строка 010, Форма №2 Валовая прибыль Строка 029, Форма №2 Прибыль от продаж Строка 050, Форма №2 Прибыль до уплаты процентов и налогов Строка 050+070, Форма №2 Прибыль до налогообложения Строка 140, Форма №2 Чистая прибыль Строка 190, Форма №2 Нераспределенная прибыль Суммарные показатели из формы №1 Внеоборотные активы Строка 190, Форма №1 Оборотные активы компании Строка 290, Форма №1 Общая сумма активов Строка 300, Форма №1 Капитал и резервы Строка 490, Форма №1 Долгосрочные обязательства Строка 590, Форма №1 Краткосрочные обязательства Строка 690, Форма №1 Общая сумма обязательств Строка 590+690, Форма №1 Другие показатели Операционные расходы Строка 020, Форма №2 Проценты к уплате Строка 070, Форма №2 Дебиторская задолженность до 1 года Строка 240, Форма №1 Таблица 2 Расшифровка аббревиатур из таблиц №7 и №8. Символ Описание BA Внеоборотные активы Отношение внеоборотных активов к BAOA оборотным активам D Общая сумма обязательств Отношение обязательств компаний к DE собственным средствам компании Отношение обязательств компании к DEBIT прибыли до уплаты процентов и налогов E Капитал и резервы Рост прибыли до уплаты процентов и налогов EBITG по сравнению с предыдущим годом NET_INCOME Чистая прибыль Рост чистой прибыли по сравнению с NIG предыдущим годом 54 Отчетность Строка 190, Форма №1 Строка 590+690, Форма №1 Строка 490, Форма №1 Строка 190, Форма №2 - Символ OA PM REVENUE RG ROA ROE SA Описание Оборотные активы компании Маржинальная прибыль Общая выручка от продаж Рост общей выручки по сравнению с предыдущим годом Рентабельности активов компании Рентабельность собственных средств компании Отношение общей выручки к общим активам компании 55 Отчетность Строка 290, Форма №1 Строка 010, Форма №2 - Приложение №3. Описание построенных моделей Номер База Факторы Отрасль31 1 Полная база данных DEBIT, PM, RG, ROA Общая 2 Полная база данных 3 Полная база данных 4 «Усеченная» база данных 5 «Усеченная» база данных 6 «Усеченная» база данных 7 Полная база данных 8 Полная база данных 9 Полная база данных 10 «Усеченная» база данных 11 «Усеченная» база данных 12 «Усеченная» база данных 13 Полная база данных 14 «Усеченная» база данных DEBIT, PM, RG, ROA, DE, SA DEBIT, PM, RG, ROA, DE, SA, BAOA, ROE DEBIT, PM, RG, ROA DEBIT, PM, RG, ROA, DE, SA DEBIT, PM, RG, ROA, DE, SA, BAOA, ROE DEBIT, PM, RG, ROA DEBIT, PM, RG, ROA, DE, SA DEBIT, PM, RG, ROA, DE, SA, BAOA, ROE DEBIT, PM, RG, ROA DEBIT, PM, RG, ROA, DE, SA DEBIT, PM, RG, ROA, DE, SA, BAOA, ROE DEBIT, PM, RG, ROA, DE, SA, ROA(-1), EE DEBIT, PM, RG, ROA, DE, SA, ROA(-1), EE Общая Общая Общая Общая Общая Разделение Разделение Разделение Разделение Разделение Разделение Общая Общая «Общая» – использование переменной OTRASL; «Разделение» – использование переменных OTRASL1, OTRASL2 и т.д. 31 56
