Отраслевые особенности применения моделей прогнозирования банкротства предприятия

Актуальность прогнозирования несостоятельности хо­зяйствующих субъектов обусловила наличие большо­го числа профильных исследований. Среди основных задач изучения проблемы выделяется разработка эффективного инструментария оценки финансового состояния компании, в связи с чем разработано множество различных моделей с целью определить вероятность банкротства.

Существующие модели прогнозирования представляют собой некоторую комбинацию финансовых показателей ком­пании, которая обоснованно определяет вероятность потери финансовой устойчивости, исходя из существующих усло­вий. От того, насколько точен прогноз по определенной моде­ли, зависит своевременность принятия решений, направлен­ных на предотвращение финансовой несостоятельности.

Отечественные и зарубежные авторы предлагают ряд моделей, которые показывают достаточно точные результаты прогнозирования и приобрели статус классических. К их числу можно отнести двухфакторную и пятифактор­ную модель Е. Altman, модели D. Fulmer, модель R. J. Taffler и Н. Tisshaw, G. Springate, Р. С. Сайфулина и Г. Кадыкова, О. П. Зайцевой и др. Классические модели прогнозирования банкротства были апробированы в отношении многих орга­низаций и продемонстрировали свою точность и достовер­ность, однако их тестирование на разнородных выборках, показало, что результаты прогнозирования значительно от­личаются в зависимости от величины предприятия, его от­раслевой принадлежности, организационно-правовой фор­мы, степени государственного регулирования, присутствия государства среди акционеров и его доли. Выявленную про­блему пытались решить с помощью новых моделей, которых оказалось очень много [LieuP. Т., LinC. W., YuH. F., 2008; NamJ.H., JinnT., 2000; BandyopadhyayA., 2006].

В основе большинства моделей прогнозирования бан­кротства лежат финансовые показатели (коэффициенты), которые характеризуют различные аспекты жизнедеятельно­сти организации. Современные авторы анализируют выбор самых репрезентативных показателей и установление кор­ректных нормативов их оценки.

Многие зарубежные исследователи пытались сравнить достоверность прогнозирования банкротства с исполь­зованием показателей бухгалтерского учета и рыночных данных, выявить модели и финансовые показатели, де­монстрирующие самый точный результат [Li М. Y., Miu Р., 2010; BauerJ., Agarwaal V., 2014; Tian S., Yu Y., Guo H., 2015; L. Chiaramonte, В. Casu, 2017; LinF. et al.,2014]. Серьезный вклад в развитие данного вопроса внес Т. Korol, который си­стематизировал и исследовал 26 моделей прогнозирования банкротства, используя выборку предприятий Центральной Европы и Латинской Америки. Модели были разделены на статистические модели (логит- и пробит-модели, модели дискриминантного анализа) и модели на основе «мягких» вычислений (построение искусственных нейронных сетей, генетический алгоритм) [Korol Т., 2013].

Ни одна из рассматриваемых моделей не может быть на­звана универсальной. Ученые стремятся разработать наибо­лее оптимальную модель прогнозирования несостоятельно­сти, но многочисленность внутренних и внешних факторов, определяющих специфику деятельности каждой компании, не позволяет разработать идеальную формулу, способную одинаково точно предсказывать вероятность наступления банкротства для всех организаций. Именно поэтому со­временные исследования в сфере банкротства направлены на конкретизацию существующих моделей, исходя из част­ных характеристик рассматриваемых компаний, с целью повысить эффективность прогнозирования. В частности, на интерпретацию результатов оценки финансового состоя­ния организации влияет ее отраслевая принадлежность.

В нашем исследовании предпринята попытка усовер­шенствовать существующие классические и современные модели прогнозирования банкротства путем уточнения предложенных их авторами значений рассчитанных показа­телей с учетом отраслевой специфики компаний.

Прежде всего, были отобраны 10 моделей прогнозиро­вания банкротства, как классические, так и современные. Работоспособность каждой модели была протестирована на выборке из 5318 предприятий, которые разделены на под­группы по отраслевой принадлежности: обрабатывающая промышленность, сельское хозяйство, недвижимость, стро­ительство, гостиницы и общественное питание, транспорт, наука и торговля. В результате границы оценки показателей, рассчитанных в процессе применения моделей, уточнены с учетом отраслевой специфики компании.

Эмпирическую основу исследования составили данные регистров бухгалтерского учета с распределением предпри­ятий по отраслям:

• строительство (716 предприятий, в том числе 340 бан­кротов);
• сельское хозяйство (727 предприятий, в том числе 129 банкротов);
• обрабатывающая промышленность (702 предприятий, в том числе 339 банкротов);
• недвижимость (726 предприятий, в том числе 349 бан­кротов);
• гостиничный бизнес и общественное питание (380 предприятий, в том числе 134 банкрота);
• наука (553 предприятия, в том числе 263 из них - бан­кроты);
• торговля (714 предприятий, в том числе 334 банкрота);
• транспортировка (800 предприятий, в том числе 403 банкрота).

Мы предположили, что принадлежность компании к определенной отрасли оказывает существенное влияние на ее деятельность. Подобную идею неоднократно рассма­тривали в своих работах зарубежные и отечественные авто­ры [Sayari N.,С. S. Mugan, 2017; Илышева Н.Н., Ким Н.В., 2007; Федорова Е.А., Довженко С.E., Федоров Ф.Ю., 2016]. При расчете большинство моделей используют различные финансовые коэффициенты, нормативные значения которых рекомендуется оценивать с учетом среднеотраслевых величин данных показателей, логичным предполагается, что и значе­ния, рассчитанные в моделях прогнозирования банкротства, должны учитывать отраслевую специфику компаний.

Из огромного количества моделей, используемых для прогнозирования банкротства, были выбраны наиболее популярные, переменные для которых максимально соответ­ствовали сформированной выборке предприятий (табл. I). Рассматриваемые классические модели, такие, как модифи­цированная пятифакгорная модель E. Altman, четырехфактор­ная прогнозная модель R. J. Taffler и Н. Tisshaw, G. Springate, четырехфакгорная модель R. Lis, модели Р. С. Сайфулина и Е. Кадыкова, неоднократно описаны и охарактеризованы в экономической литературе. Их эффективность была апро­бирована и доказана на широкой выборке компаний, поэто­му рассмотрению данных моделей по-прежнему уделяется большое внимание.

В условиях значительного роста объемов финансовой информации и разнообразия задач при прогнозировании банкротства классические модели по-прежнему широко используются на практике, но их прогностическая способ­ность не всегда высока. Особое внимание необходимо уде­лить менее изученным моделям. Модели [ Galvao R. К. H., Becerra V. М., Abou-Seada M., 2004; Sorins R., Voronova I., 1998; Zmijewski M. E., 1984; Brindescu-Olariu D., 2017] ото­браны по принципу соответствия используемых финансо­вых коэффициентов параметрам компаний, доступных в рас­сматриваемой выборке, и относительной простоте расчета. Тем не менее можно назвать еще множество подобных мо­делей, которые также продемонстрировали свою эффектив­ность для определенных компаний. Рассмотрим выделенные модели подробнее.

М.Е. Zmijewski проанализировал 17 моделей прогно­зирования банкротства, оценив, каким образом формиро­валась выборка компаний для апробации разработанных моделей. Ограниченность эмпирической базы, использован­ной для апробации модели, не позволяет говорить об уни­версальности ее применения. Сам М.Е. Zmijevski предло­жил модель на основе трех финансовых коэффициентов (доходности активов, отношения совокупных обязательств к совокупным активам, коэффициента текущей ликвидно­сти), предположив, что если рассчитанный показатель будет больше 0, рассматриваемую компанию необходимо отнести к числу банкротов.

R. Sorins, I. Voronova объединили в своей модели пока­затели доходности активов по EBIT, оборачиваемости сово­купных активов, отношения чистого рабочего капитала к со­вокупным активам, отношения нераспределенной прибыли к совокупным активам, отношения балансовой стоимости собственного капитала к совокупным обязательствам. Три из перечисленных коэффициентов ориентируются на сопо­ставление отдельных характеристик деятельности компании с величиной ее совокупных активов, таким образом, основой оценки финансовой устойчивости выступают активы хо­зяйствующего субъекта. Если рассчитанный в соответствии с данной моделью показатель оказывается меньше 0, то ком­панию следует отнести к числу банкротов.

Модель D. D. Brindescu-Olariu разработана в условиях стремительного увеличения числа несостоятельных ком­паний в Румынии. Под влиянием экономического кризиса и вступления в Европейский Союз возникла острая необхо­димость найти удобный и доступный инструмент, позволяю­щий оценивать финансовое состояние компании. В результа­те построена модель логистической регрессии, учитывающая пять показателей. Как отмечал автор, данная модель не обла­дает абсолютной точностью прогнозирования, однако обе­спечивает корректную группировку компаний с точки зрения их финансовой устойчивости. Модель была апробирована на выборке, состоящей из 53 тыс. компаний.

R. К. Н. Galvao, V. М. Becerra, М. Abou-Seada искали наи­более точные и эффективные коэффициенты для целей про­гнозирования банкротства. Проанализировав существующие модели и техники отбора финансовых показателей для их по­строения, авторы выявили достоинства и недостатки различ­ных коэффициентов, построили модели прогнозирования банкротства с использованием предварительного и генети­ческого (искусственного) отбора. Финальная модель синте­зирует показатели оборачиваемости совокупных активов, от­ношения чистого рабочего капитала к совокупным активам, отношения нераспределенной прибыли к совокупным акти­вам, отношения балансовой стоимости собственного капита­ла к совокупным обязательствам. Таким образом, для данной модели выбраны отчасти те же критерии, что и для модели R. Sorins, I. Voronova. Модель R. К. Н. Galvao, V. М. Becerra, М. Abou-Seada была апробирована на 70 компаниях в Вели­кобритании и показала результат с точностью 74%.

Проведенный анализ прогностической способности моделей для предприятий различных отраслей продемон­стрировал, что одни и те же стандартные нормативные значения могут показывать различную степень точности, поскольку у компаний, занимающихся различными видами деятельности, много специфических особенностей. Можно выделить ряд моделей, которые демонстрируют высокую точность прогнозирования для предприятий любой отрас­левой принадлежности (например, модель R.K. Н. Galvao, V. М. Becerra, М. Abou-Seada, D. Brmdescu-Olariu) (табл. 2). В то же время некоторые модели нельзя назвать стабильно эффективными (например, модель R. J. Taffler, Н. Tisshaw), поскольку для некоторых отраслей точность прогнозирова­ния едва превышает 50%.

Предприятия некоторых отраслей (например, недвижи­мости) в целом трудно поддаются прогнозированию несосто­ятельности: показатели прогностической способности оказы­ваются невысокими независимо от применяемой модели.

Необходимо также обратить внимание на полученные значения прогностической способности моделей для компаний-банкротов и небанкротов в сравнении с общей про­гностической способностью. Эффективность применения модели, как правило, оценивается по общему показателю прогностической способности. Тем не менее иногда высо­кий показатель общей прогностической способности может быть получен исключительно за счет точного прогнозирова­ния одной из составляющих (банкротов или небанкротов). Наиболее ярким примером является применение модифи­цированной пятифакторной модели E.I. Altman для пред­приятий сферы науки. Общая прогностическая способность модели достигла 47,6%. С точностью 100% модель предска­зывает банкротство компании и с точностью 0% осуществля­ет расчет для предприятий-небанкротов. При расчете на за­данной выборке организаций в сфере науки существующий норматив относит их к категории несостоятельных органи­заций. За счет 100%-ного совпадения расчетов для компа- ний-банкротов общая прогностическая способность модели демонстрирует средние значения.

В целях совершенствования прогнозирования банкрот­ства для компаний различных отраслей мы уточнили нор­мативные значений рассматриваемых моделей: подобрали индивидуальные границы оценки для каждой отдельной отрасли. Нормативные значения рассчитаны с применени­ем методологии Classification And Regression Tree (CART), которая посредством построения бинарных деревьев реше­ний позволила разделить заданное множество финансовых показателей компании (в данном случае - итоговые коэффи­циенты, получаемые в результате применения моделей про­гнозирования банкротства) на две части по некоторому поро­говому значению, которое и позволяет оценить финансовое состояние компании. Тем самым методология CART выяви­ла оптимальное расчетное значение модели, с помощью ко­торого компании можно разделить на финансово устойчивые и предрасположенные к банкротству. Данная методология использовалась также в работах [Hung С., Chen J. H., 2009; Korol Т., 2013].

Для проверки отобранных моделей информация о ком­паниях взята в информационных системах «СПАРК» и «Ruslana», использованы данные Росстата и Центрального банка РФ.

Результаты уточнения значений оценочных коэф­фициентов, рассчитанных по моделям, представлены в табл. 3. Для каждой модели указаны оригиналь­ное значение показателя, рекомендованное автором для выделения компаний-банкротов, значения показа­телей для предприятий, рассчитанные при помощи ме­тодологии CART. Таблица показывает, что невозмож­но выявить единую тенденцию изменения значений рассчитанных показателей в сравнении с оригиналь­ными. Фактически нужна интерпретация значений для каждой отдельной модели с учетом отраслевой принадлежности компаний.

Все рассчитанные значения показателей для всех отраслей и моделей серьезно отличаются от ориги­нальных значений, предлагаемых авторами. Зачастую различаются результаты для отдельных отраслей. На основании этого можно утверждать, что отрасле­вая принадлежность компании оказывает существен­ное влияние на ее финансовые показатели, а значит, и на вероятности наступления банкротства, рассчитан­ной посредством перечисленных моделей.

Для отрасли обрабатывающей промышленности только четырехфакгорная модель Лиса продемон­стрировала незначительное отклонение расчетного показателя от оригинального. Однако для остальных отраслей модель меняет свои пороговые значения оценки. Можно говорить, что показатели, используе­мые для определения банкротства в указанной модели, имеют меньшую специфику в обрабатывающей про­мышленности. В случае с моделью D. Chesser полу­ченные значения незначительно отличаются в разных отраслях. Следовательно, финансовые показатели ука­занных моделей близки, несмотря на отраслевую при­надлежность.

Некоторые модели, например модель Р. С. Сайфулина и Г. Кадыкова для сельского хозяйства, транспорта и гостиничного бизнеса, модель Е. Altman для транспорта, дают значения, которые меняют свой знак с положительного на отрицательный, т.е. в ряде случаев компании могут успешно функционировать даже с отрицательным значением оценочного показа­теля. Аналогичная ситуация наблюдается при приме­нении модели R. Sorins, I. Voronova. Первоначально все компании со значением рассчитанного показателя ниже О относились к банкротам. Найденные значения опускают границу в отрицательную плоскость, а зна­чит, компании способны продолжать эффективную деятельность даже при отрицательном значении иско­мых показателей.

Для подтверждения значимости найденных зна­чений коэффициентов и их проверки мы рассчитали количество организаций, которые могут оказаться банкротами в соответствии с данными показателями. Далее прогноз сопоставлен с реальным финансовым состоянием, которое обозначено единицей в случае, если предприятие является банкротом, и 0, если орга­низация является финансово устойчивой. Результаты представлены в табл. 4, где в процентах приведена сте­пень точности прогноза, осуществленного с примене­нием рассчитанных значений. Данные демонстрируют высокую точность прогнозирования предлагаемых значении для оценки моделей. Детальное сравнение прогностической способности оригинальных нормативных значений рассма­триваемых моделей и рассчитанных отраслевых значений позволяет говорить об увеличении общей прогностиче­ской способности всех моделей для отобранных отраслей. Тем не менее в отдельных случаях общая прогностическая способность рассчитанных нормативных значений снизи­лась. Подобная ситуация сложилась для тех моделей, где наблюдается высокое расхождение прогностической спо­собности для компаний-банкротов и финансово устойчивых организаций. Таким образом, новое нормативное значение призвано сгладить диспропорцию между степенью точности прогнозирования для несостоятельных и финансово устой­чивых компаний, что в целом позволит говорить о повыше­нии эффективности прогнозирования банкротства.

Средняя прогностическая способность предлагаемых пока­зателей приблизительно равна 77%, по многим отраслям и мо­делям она превышает 80%. Минимальную точность прогноза демонстрирует модель R. J. Taffler, Н. Tisshaw для транспортной отрасли; отмечена максимальная точность модели D. Brindescu- Olariu для компаний сферы «гостиницы и общественное пита­ние».

Проведенный анализ позволил предположить, что вы­деление наиболее значимых финансовых показателей, со­ставляющих основу популярных моделей прогнозирования банкротства, их комплексная обработка и тестирование на выборке позволят построить новую модель, демонстриру­ющую высокую достоверность результатов. Метод построе­ния стандартной модели логистической регрессии позволил разработать модель, представленную ниже. Отбирая показа­тели для данной модели, мы не ограничивались выборкой, представленной в табл. 1. Мы рассматривали и другие коэф­фициенты, используемые в моделях, не охваченных в рамках данного исследования.

где β - значение показателя, оцениваемого в целях про­гнозирования банкротства в соответствии с разработанными критериями; X₁ - оборотные активы к совокупным активам (модель G. Springate); X₂ - разница совокупных обязательств и совокупных активов.: 1 - совокупные обязательства пре­вышают совокупные активы, 0 - совокупные активы пре­вышают совокупные обязательства (модель J. Ohlson); х₃ - обеспеченность совокупных обязательств выручкой (модель J. Ohlson); X₄ - рентабельность продукции (модель Р. С. Сай- фулина и Г. Кадыкова); X₅ - натуральный логарифм матери­альных активов (модель D. Fulmer); X₆ - натуральный лога­рифм EBIT к процентам к уплате (модель D. Fulmer).

Полученная модель была протестирована на выборке предприятий. Для каждой отрасли было получено свое нор­мативное значение для оценки разработанной модели. По­лученные нормативные значения, свидетельствующие о по­тенциальном банкротстве организации, и степень точности прогнозирования представлены в табл. 5.

Анализ полученных значений прогностической способ­ности модели по отраслям позволяет констатировать высо­кую эффективность ее применения. Общая точность прогно­за составляет минимум 80,2%, а для большинства отраслей она превышает 82%. Для компаний-банкротов и финансово устойчивых организаций прогностическая способность модели колеблется по отраслям от 78 до 89%, что также подтверждает ее высокую степень достоверности. Мини­мальная достоверность прогноза отмечена в отношении компаний-банкротов в отрасли сельского хозяйства, макси­мальная - компаний-банкротов, работающих в сфере транс­портировки.

Рассматриваемая модель наиболее адаптирована для применения в отраслях обрабатывающей промышлен­ности и строительства, в то время как наименьшую про­гностическую способность она демонстрирует в отрасли торговли. Подобные результаты отчасти объясняются тем, что многие показатели в модели связаны с акти­вами компании (в том числе материальными), состав и структура которых существенно отличается в тор­говле и промышленности. Данный факт еще раз до­казывает целесообразность уточнения моделей про­гнозирования банкротства с учетом отрасли, в которой работает компания.

Мы сравнили результаты определения вероятности банкротства с использованием предлагаемой и клас­сических моделей прогнозирования. Оказалось, фи­нансовые коэффициенты, включенные в состав новой модели, являются максимально нейтральными по от­ношению к отраслевой специфике компаний. Данный вывод основан на значительном выравнивании пока­зателя общей прогностической способности, на точ­ности прогноза для компаний-банкротов и финансово устойчивых компаний по отраслям. Для строительной и транспортной отраслей значения достоверности прогноза по нашей методике превышают значения, полученные в результате применения любой из рас­смотренных моделей прогнозирования. Данный факт еще раз подтверждает максимальную адаптацию пред­лагаемой модели к применению для отрасли строи­тельства и транспорта.

Любая модель прогнозирования банкротства должна учитывать отраслевую принадлежность рассматривае­мой компании для повышения точности прогнозирова­ния и достоверности результатов. Применение найден­ных отраслевых значений рассматриваемых моделей позволит увеличить эффективность прогнозирования банкротства на практике, что будет оказывать положи­тельное влияние на общую статистику банкротства юри­дических лиц в национальной экономике и в отраслевом разрезе. Разработанная модель демонстрирует высокую прогностическую способность для компаний всех рас­сматриваемых отраслей, после проверки на более ши­рокой выборке и соответствующей доработки она может быть реализована на практике, что позволит значительно улучшить точность прогнозирования банкротства компа­ний различных отраслей.