Залогом успешного составления модели рейтингования компаний является четкое понимание структуры объекта, для которого будет применена методика, в противном случае рейтинг будет основан на оценочных суждениях его составителей и неприменим к реальным объектам государственной собственности. Построенный рейтинг предприятий в государственной собственности позволит решить ряд важных социально-экономических задач:

Для решения данных задач был предоставлен грант, в рамках которого были выполнены соответствующие исследования.

В соответствии с условиями гранта взяты финансовые данные и макроэкономические характеристики для их сопоставления за 2014 год, однако события (судебные решения, исполнительные производства, сообщения о банкротстве, результаты участия в государственных и коммерческих закупках и другие факты, влияющие на позицию в рейтинге), которые происходят в режиме реального времени и не носят дискретного характера, рассматривались по состоянию на июнь 2016 года.

Мы проанализировали структурные показатели 1706 компаний, акции которых находятся в государственной собственности [Росимущество [б.г]]. При этом не учитывались:

Полученные данные были интегрированы с ресурсами информационной системы «СПАРК- Интерфакс». На сегодняшний день «СПАРК- Интерфакс» содержит колоссальные объемы информации обо всех юридических лицах в России, удовлетворяющие критериям, которые позволяют называть ее провайдером больших данных. Благодаря сотрудничеству с Dun&Bradstreet существует возможность определить, как связаны между собой 9 млн российских компаний и 250 млн компаний со всего мира. В информационной системе представлена финансовая отчетность почти 2 млн российских компаний. Доступны для анализа все государственные и коммерческие закупки на всех государственных и корпоративных электронных торговых площадках. Можно не только узнать о наличии или отсутствии судебных решений, но и провести качественный анализ предмета судебного спора. Имеются сведения о доменных именах, проверках контрольных органов, лицензиях, наличии налоговой задолженности, объектах интеллектуальной собственности (патенты, товарные знаки), также доступна информация об исполнительных производствах в отношении компании, наличии заложенного имущества и многое другое.

Информация об эмитентах отличается еще большей детализацией: котировки акций, отчеты, МСФО, существенные факты, данные об облигациях, которые также доступны для анализа. Модуль финансового анализа в «СПАРК-Интерфаксе» позволяет рассчитывать финансовые коэффициенты, сравнивать их со среднеотраслевыми значениями, проводить горизонтальный и вертикальный анализ.

Важнейшим элементом информационной системы «СПАРК-Интерфакс» является индекс платежной дисциплины, который позволяет анализировать своевременность оплаты счетов компанией. Индекс платежной дисциплины (Paydex) - это аналитический показатель, отражающий средний фактический срок исполнения компанией своих финансовых обязательств по различным контрактам. Значение индекса является скоринговым аналитическим показателем, рассчитывается на основе доступной информации о деятельности юридического лица.

Поскольку большинство данных содержит всю информацию об объектах, то можно говорить о больших данных: анализируется генеральная совокупность, а не выборки из нее, что существенно повышает качество аналитических результатов. Сегодня в «СПАРК-Интерфаксе» можно найти не только информацию обо всех российских компаниях, но и большинство их характеристик. Кроме того, используемые «СПАРК-Интерфаксом» инструментарии управления базой данных и моделирования являются полноценными элементами глобальной инфраструктуры BigData (Oracle, Matlab).

Архитектура базы данных и принципы моделирования также строятся в соответствии с международными стандартами, принятыми в отрасли (D&B).

Для верификации данных сравнивались полученные количественные и структурные результаты с данными из годового отчета Росимущества.

В результате было проанализировано 1496 компаний. Данная выборка весьма репрезентативна: представленные компании производят 20% ВВП России. По разным оценкам, доля государственных компаний составляет от 35до 70% ВВП, однако с учетом исключений (см. выше) приведенные данные достаточны для того, чтобы на их основе описать объект применения рейтинговых технологий. Если руководствоваться годовым отчетом Росимущества, то оценка 70% представляется несколько завышенной. Также следует отметить, что 77% выручки для компаний из выборки приходится на первые 6 крупнейших компаний: АК «Транснефть», «Алроса», «Башнефть», «Газпром», РЖД, «Ростелеком».

Как показывают сводные статистические данные, большинство компаний находится в Москве и Центральном федеральном округе (рис. 1). Как показывает распределение по регионам и финансовым результатам (табл. 1), в ЮФО убытки превышают их выручку, данная ситуация обусловлена наличием в выборке АО «КТК-Р», которое имеет выручку 42 млрд руб. и убытки в размере 70 млрд руб., практически полностью формируя все убытки в ЮФО.

Распределение компаний по отраслям (рис. 2) показывает, что больше всего компаний сдают в аренду недвижимость и занимаются обрабатывающим производством преимущественно в сфере ВПК.

Огромная выручка у компаний, работающих в торговле (табл. 2), не должна вводить в заблуждение, в этой отрасли работает большинство крупнейших российских компаний, например «Газпром» - в оптовой торговле сырой нефтью. Для составления таблицы использован основной укрупненный код ОКВЭД, при проведении автоматизированного анализа может быть использован как полный код ОКВЭД, так и полуавтоматическое подтверждение отраслевой принадлежности.

Имеет смысл анализировать хозяйственную активность, которую они проявляют при осуществлении финансово-хозяйственной деятельности: финансовые факторы, выручка, прибыль, чистые активы, коэффициенты и т.д., а также качественные показатели, судебные процессы, участие в закупках, проверки государственными органами и т.д.

Не все компании находятся в идеальном финансовом состоянии, многие являются банкротами, другие совсем прекратили какую-либо деятельность: например, 89 компаний из выборки не предоставляют отчетность в органы ФНС России более года.

Государственные компании участвуют в хозяйственных спорах как истцы и ответчики (рис. 3). На долю большинства приходится от 1 до 5 судебных процессов, что вполне обычно для действующего предприятия. Развивающиеся технологии анализа судебных решений в скором времени позволят нам включать в рейтинговую модель не только информацию о наличии иска, сумме и роли компании в нем, но и тип спора и текущую стадию судебного процесса.

В последнее время важнейшим источником заказов для компании стали государственные и коммерческие тендеры. Государственные компании не являются активными участниками рынка тендерных закупок, более 49% компаний не участвуют в тендерах, даже не подают заявки на участие. Многие госпредприятия привыкли получать госзаказ напрямую, без участия в тендерах, и до сих пор не приспособились к новым условиям в силу недостатков управления и экономических факторов (отсутствие спроса на свою продукцию или услуги). На рис. 4 показана доля компаний, участвующих в государственных и коммерческих закупках, общее количество участников и победители.

В последнее время открытие исполнительного производства в отношении компаний стало оказывать значительное влияние на их хозяйственную деятельность. Благодаря интеграции данных компаний с ресурсами «СПАРК-Интерфакса» нам стали известны все данные о возбужденном производстве: дата, статус, сумма, тип и т. д. При анализе соответствующей статистики (рис. 5) нужно учесть причину возбуждения исполнительного производства. Если речь идет о невыплате налогов или заработной платы, то это однозначно негативное явление, тогда как нарушения правил дорожного движения не позволяют однозначно сделать вывод о проблемах компании, скорее, показывают, что есть автопарк и он активно используется.

262 компании хотя бы раз получали банковские гарантии, 187 являются залогодателями и 8 залогодержателями, 215 имеют право обрабатывать персональные данные. 163 компании имеют задолженность перед ФНС России более чем на 1 тыс. руб., не погашенную более чем за один год.

Для того чтобы проанализировать распределение компаний с точки зрения их финансового состояния, применен индекс финансового риска, который представляет собой меру риска несостоятельности компании. Высокий индекс указывает на признаки неудовлетворительного финансового состояния, которые могут привести к утрате платежеспособности. Для расчета индекса используются комбинированные финансовые коэффициенты ликвидности, достаточности оборотных средств, автономии и др. Модель построена с использованием нейросетевого моделирования. Индекс является скоринговым аналитическим показателем, рассчитывается на основе информации о деятельности юридического лица, находящейся в публичном доступе. Большинство компаний находится в зоне среднего риска (рис. 6), но часть компаний находится на грани банкротства и их анализ имеет существенное значение.

Предпосылками для создания рейтинга стали:

Для формирования рейтинга применяется технология агрегирования и обработки огромных массивов информации с использованием интеграционных решении с различными поставщиками информационных ресурсов, открытых данных и оперативной информации от предприятий - участников рейтинга в режиме реального времени.

Используются финансовая отчетность компаний, данные об участии в закупочной деятельности в качестве поставщика и подрядчика, данные об участии в судебных процессах, о платежной дисциплине, стоимости принадлежащей компаниям недвижимости и арендных ставок на нее, численности персонала, объектах интеллектуальной собственности, сообщения о компании в прессе и многое другое.

Современные математические алгоритмы распознавания образов и вероятностное прогнозирование позволяют нам оценить гибкость индекса и его оперативной реакции на изменение внутренних или внешних факторов, обеспечивают его устойчивость к попыткам манипулирования значениями факторов, влияющих на рейтинг Движение индекса в ту или иную сторону свидетельствует об изменении финансового положения или политики компании, об общем изменении конъюнктуры в экономике.

Непубличным сервисным компаниям (рис.7) рейтинг присваивается на основе совокупности финансовых показателей, с учетом анализа тендерной, судебной активности и эффективности управления недвижимым имуществом. Рейтинг непубличных компаний, которые могут быть приватизированы, рассчитывается на основе оценки вероятной стоимости при приватизаци и на основе моделей остаточного дохода в автоматическом режиме. Публичным компаниям рейтинг присваивается на основе биржевого индекса акций компаний с государственным участием.

Внедрение рейтинга позволит поставить надежный заслон на пути вывода активов (государственного имущества) или передачи их в аренду по стоимости значительно ниже рыночной, выявить эффективных менеджеров и корпоративные технологии, которые позволили добиться успеха при определенных условиях, и распространить их опыт на аналогичные компании.

Участники рейтинга разделены на три кластера, к построению каждого из них применяется свой подход к построению рейтинга.

Первый кластер - компании, акции которых торгуются на бирже. Для них разработаны индексы акций государственного сектора, которые будут служить основой рейтинга. Индексы акций компаний с государственным участием и компаний с регулируемой деятельностью являются классическими, их расчет основан на изменении курсовой стоимости акций. Котировки инструментов, включенных в базу расчета индексов, взвешены по рыночной капитализации.

Индекс акций компаний с государственным участием - композитный индекс акций публичных акционерных обществ, в отношении которых определение позиции акционера - Российской Федерации.

Начальное значение индексов составляет 1000 пунктов (на 30.12.2011), расчет и публикация индексов осуществляются один раз в конце каждого календарного года. В качестве примера приведем ПАО «Газпром» и «Алроса» - эмитентов, демонстрирующих эффективное и неэффективное управление, которое отражается в динамике их рыночных котировок (рис. 8).

Второй кластер - компании, которые имеют перспективы приватизации. Критерием эффективности является их рыночная стоимость, так как чем она больше, тем больше будут доходы бюджета от их приватизации. Для анализа таких компаний мы предлагаем использовать алгоритм, который был внедрен для управления дочерних и зависимых обществ компании «Лукойл» [Михайлова Д. С., 2013]. Этот алгоритм был основан на современной интерпретации модели Ольсона. В данной статье представлены только основные черты этого подхода.

Модель Эдвардса - Бэлла - Ольсона применима для удаленной массовой оценки большого количества компаний благодаря ограниченному и доступному набору входных параметров. Для определения стоимости собственного капитала по модели необходимы следующие данные:

Данные недостатки устраняются посредством усовершенствования модели с использованием модели Фелтама - Ольсона и М. Барт.

Ключевое отличие модели Фелтама - Ольсона от модели Эдвардса - Бэлла - Ольсона состоит в том, что соотношение чистого прироста не выполняется, то есть собственный капитал может пополняться за счет иных источников, помимо чистой прибыли. Следовательно, мы можем использовать эту модель для исследования российских компаний.

Для улучшения точности прогнозирования Мэри Барт исследовала модели оценки стоимости собственного капитала для определения полезности деагрегации прибыли, использования структуры линейной информации, модели оценки и отдельной отраслевой оценки параметров, модели оценки в прогнозировании показателей стоимости собственного капитала на основе собственного подхода к деагрегации прибыли и модели информационной динамики Фелтама - Ольсона. Рассматриваются три уровня деагрегации прибыли: совокупная прибыль, поток денежных средств и общие начисления и поток денежных средств и четыре основных компонента начислений. Использование структуры линейной информации приводит к значительно меньшим ошибкам прогноза, чем для отраслевых расчетов. Однако ошибки отраслевого прогноза сами по себе значительно меньше на основе предположения о том, что отраслевые оценки являются более конкретными. Средние ошибки прогноза будут минимальными при деагрегации прибыли на поток денежных средств и основные компоненты начислений, следовательно, медианные ошибки прогноза будут минимальными при деагрегации прибыли на денежный поток и совокупные начисления.

М. Барт установила, что эффективны деагрегация прибыли и применение линейно-информационной структуры модели оценки в прогнозировании стоимости собственного капитала. Результаты исследований М. Барт в части деагрегации прибыли были апробированы на примере дочерних и зависимых обществ компании «Лукойл». Современные технологии позволяют пойти дальше и не только интегрировать данные Межведомственного портала по управлению государственной собственностью Росимущества с данными «СПАРК-Интерфакса», но и добавить к анализу данные о счетах компании, в первую очередь о счетах дебиторской и кредиторской задолженности и основных средств с акцентом на недвижимое имущество компании.

В качестве примера успешного управления мы можем рассмотреть ОАО «Головной центр по воспроизводству сельскохозяйственных животных». Данная компания успешно работает на рынке, постоянно улучшает собственные финансовые показатели. В 2014 году ее выручка составила 108 млн руб., прибыль - 49 млн руб. Очевидно, что стоимость данной компании будет расти и применение к ней модели Фелтама - Ольсона в редакции М. Барт только подтвердит эффективность управления.

Иные результаты демонстрирует АО «Центр международных фотовыставок». Неэффективное управление привело к утрате значительной части имущества, что в данный момент является предметом судебных разбирательств. В результате компания с балансовой стоимостью чистых активов почти 500 млн руб. регулярно заканчивает финансовый год с убытком.

Данные примеры наглядно демонстрируют, что при применении моделей остаточного дохода, которые мгновенно классифицируют компании как создателей или разрушителей стоимости, точность может быть еще выше, если для реализации подхода М. Барт удастся корректировать данные в режиме реального времени.

Третий кластер - компании, условно названные сервисными. Для них количественная оценка эффективности в виде стоимости или биржевых котировок не имеет никакого смысла, ведь их приватизация экономически нецелесообразна, часто они работают вне сферы рыночной экономики. Для них целесообразно рассматривать оценки позитивных и негативных факторов и присваивать индекс на основе анализа оперативных сигналов о состоянии предприятия, поступающие к составителям рейтинга и органам контроля за эффективностью использования государственного имущества в режиме реального времени.

ОАО «5 Арсенал» имеет прибыль, регулярно участвует в тендерах и выигрывает их, закупает товары и услуги на тендерной основе. В судах компания выступает и истцом, и ответчиком, сумма заявленных к ней исков меньше, чем полученная прибыль. Проверки контрольных органов не выявляют нарушений, все исполнительные производства завершены. Анализ совокупности факторов либо в виде расчета условной стоимости, либо в виде совокупности балльных оценок негативных и позитивных факторов позволяет сделать вывод об эффективном управлении.

ОАО «Дальневосточный арсенал» участвовало только в одном тендере и само их не проводит. Убытки превышают выручку в пять раз, Компания постоянно участвует в судебных процессах, регулярно заявляя ходатайства об отсрочке уплаты госпошлины, которые суды не удовлетворяют. Привлекает внимание значительное количество текущих неисполненных исполнительных производств. На основе доступной информации можно сделать вывод о неэффективном управлении.

Мы проанализировали структуру компаний, акции которых находятся в государственной собственности, выделили три кластера компаний с разными подходами к построению рейтинга (см. рис. 8) и предложили алгоритмы его построения. В табл. 3 представлена сводная информация о методах расчета стоимости и источниках информации.

Данная таблица иллюстрирует, что любой подход, выбранный для соответствующей группы компаний, может быть применен и обеспечен как методологически, так и с точки зрения информационного обеспечения. Полученные результаты позволят распространить успешные достижения в сфере корпоративного управления, финансового моделирования и информационных технологий на сферу управления государственным имуществом.