В научной литературе есть достаточное количество работ как по выявлению факторов, влияющих на банкротство компаний, так и по оценке вероятности банкротства компаний. История развития моделей прогнозирования банкротства с помощью анализа коэффициентов отдельных фирм и их сравнение началась с 30х годов XX века. В 1930 году «The Bureau of Business Research» (BBR) опубликовало результаты исследования анализа финансовых показателей промышленных предприятий-банкротов. (Jodi Bellovary, 2007). В данном исследовании было задействовано 29 фирм и проанализировано 24 показателя в целях выявления общих характеристик банкротства компаний. На основании проведенного анализа BBR заключил, что одним из самых ценных показателей является оборотный капитал к совокупным активам. Кроме того, в исследованиях в период 1930-1965 гг., например, ФицПатрик (1932), Джакендоф (1962), было выявлено, что одними из самых значимых финансовых показателей являются текущая ликвидность и отношение оборотного капитала к совокупным активам.

Рассмотренные работы послужили основой для дальнейших более углубленных исследований и разработки более сложных моделей, например, модели Бивера (1966) и Альтмана (1968). Данные исследователи стали разрабатывать модели с использованием линейной комбинации финансовых показателей с определенными коэффициентами, что давало более точный прогноз. Метод множественного дискриминантного анализа (МДА) был популярным на ранних этапах прогнозирования банкротства.

В развитии этого метода исследователи Мартин (1977) и Олсон (1980) и их последователи, например, Азиз и Лоусон (1989), начали разрабатывать модели с использованием регрессионного анализа моделей бинарного выбора, такие как logit-probit-модели, которые стали обладать еще более высокими прогнозными качествами.

Наилучшая систематизация всех последних работ представлена в работе Азиза и Дара (2006). На основании данного исследования можно выделить несколько групп моделей прогнозирования банкротства: статистические модели, модели искусственного интеллекта и теоретические модели. В рамках указанных моделей существует множество методов и подходов оценки вероятности банкротства компаний, каждый из которых имеет сильные и слабые стороны.

Классические статистические модели широко используются для прогнозирования банкротства и включают в себя как однофакторный, так и многофакторный анализ, фокусируясь на симптомах банкротства. Модели искусственного интеллекта чаще всего проводятся с помощью многофакторных моделей, являются результатом технического прогресса и зависят от компьютерных технологий, так же, как и статистические модели, рассматривают симптомы банкротства.

Теоретические модели в свою очередь базируются на качественных причинах банкротства, носят многомерный характер и действуют в паре со статистическими методами для количественного подтверждения качественных выводов (Aziz, Dar, 2006). Основные виды прогнозирования банкротства указанных моделей представлены на рисунке 1.

Далее было разработано множество других моделей с использованием разных методов к сбору и анализу эмпирических данных, но до сих пор определенно нельзя сказать какие финансовые показатели точно смогут указать на вероятность банкротства. Указанная проблема может возникать из-за разности во времени разработки моделей, экономических особенностей в разных странах и отраслях. Статистические модели прогнозирования банкротства заслуживают особого внимания, так как данные методы анализа являются наиболее популярными среди других ввиду несложности расчета и интерпретации показателей и высокими прогнозными качествами.

Рис.1. Виды прогнозирование банкротства*

*Составлено на основании ст.: M. Adnan Aziz and Humayon A. Dar, 2006

Настоящее исследование находится в поле статистических методов, где наиболее известными и широко используемыми методиками являются двухфакторная и пятифакторная модель Альтмана, система показателей Бивера (1966), Чессера (Scott, 1981). Более поздними, но не менее популярными являются разработки Спрингейта или Таффлера (Aziz, Dar, 2006). Однако перечисленные модели зачастую не применимы к российской действительности. Это обусловлено тем, что многие финансовые показатели, используемые в моделях, не рассчитываются для российских предприятий или рассчитываются иным образом (Богданова, Алекссева, 2011).

В отечественной практике в большей степени признаны модели Ковалева, Савицкой, Зайцевой, модель Беликова-Давыдовой, которые основаны на инструментарии множественного дискриминантного анализа (Воронина, 2007). В них учтены особенности формирования финансовой отчетности в России и специфика отраслей. Однако данные модели обладают низким прогнозным качеством и завышенными удельными весами у некоторых переменных в уравнениях по сравнению с другими переменными в них, что ставит под вопрос релевантность моделей и цель включения в модель показателей с низкими удельными весами. Методология всех вышеуказанных авторов совпадает и представляет собой расчет показателя вероятности банкротства на основе выборочных финансовых коэффициентов и сравнение его со шкалой, присваивающей численному значению какую-либо качественную характеристику (чаще всего о степени вероятности банкротства на следующий год деятельности компании: низкая, средняя, высокая). Разница состоит лишь в методах расчета этого показателя, так как уравнения моделей состоят из разных комбинаций финансовых переменных, которые, в свою очередь, «кочуют» из модели в модель.

В работе Федоровой Е. и Тимофеева Я. (2015) был произведен сравнительный анализ зарубежных методик оценки вероятности банкротства и logit-модели на примере российских строительных и сельскохозяйственных предприятий. Результат показал, что прогнозные значения логистической регрессии для двух отраслей выше, чем классических дискриминантных моделей Альтмана, Фулмера, Таффлера и др. Аналогично в работе Никитиной Ю. (2016) при оценке вероятности банкротства в пищевой промышленности более высокими прогнозными свойствами обладает логистическая регрессия.

В.Ю. Жданов и О.А. Афанасьева в своей работе провели сравнительный анализ отечественных моделей вероятности банкротства для предприятий авиационно-промышленного комплекса (Афанасьева О.А. 2011). Как показал анализ построенных моделей, логистическая регрессия обладает более высокими прогнозными качествами по сравнению с дискриминантной моделью Белькова-Давыдовой (1999).

Так в современных исследованиях используется статистический метод такой как logit-модель. Преимущества данной модели заключаются в том, что из-за нелинейной зависимости между переменными получается более точный результат прогноза, так как зависимая переменная принимает только значения в промежутке от 0 до 1.

Применение классических статистических моделей для конкретного предприятия без изменений может дать неверный результат. В первую очередь, это обусловлено тем, что включенные в модель факторы могут оказаться незначимы для анализируемой ситуации, определяемой отраслевой и страновой особенностями. Ввиду этого многие исследователи используют известные подходы, генерируя на собственных данных модели, не обладающих таким революционным характером, который имели первые работы Альтмана, Бивера, Олсона и др. ввиду узкой эмпирической направленности исследования.

В литературе рассмотрены локальные модели, прогнозирующие банкротство ресторанов (Gu, 2002), отельного бизнеса (Parsa, Self, Njite, King, 2005) или компаний обрабатывающей промышленности (Алексеева, Богданова, 2011). Несмотря на их многообразие, каждая отражает особенности изучаемого кейса и несет исследовательскую ценность, доказывая необходимость разработки регрессионных моделей прогнозирования банкротства с учетом специфики отраслей.

Доказано, что наиболее простая модель Альтмана (2006) релевантна для мебельных предприятий (Marginean, Mihaltan, 2015), поэтому широко используется ими за рубежом. Однако, например, российская мебельная отрасль нуждается в индивидуальной модели, более точно описывающей особенности ее деятельности, что являлось целью нашего предыдущего исследования.

Зарубежными исследователями выявлено, что сигналами о вероятном банкротстве могут стать не только внутренние показатели предприятия, но и характеристики среды, такие как развитость рынка продукции или услуги и экономический рост. Одним из примеров является исследование Topaloglu (2012), в котором анализируются результаты построения logit-модели для оценки вероятности банкротства предприятия обрабатывающей отрасли США, включающую в себя макроэкономические (изменение реального ВВП) и рыночные показатели (доля рынка предприятия, избыточная доходность, стандартное отклонение доходности). Результаты анализа показали, что, включая указанные переменные в модель вместе с финансовыми, тем самым улучшаются прогнозные качества модели. В добавление к сказанному автор отмечает, что при построении моделей оценки вероятности банкротства предприятий подотраслей обрабатывающей промышленности значимость рыночных коэффициентов меняется, а макроэкономический показатель остается значимым для подотраслей и для отрасли в целом.

Также стоит обратиться к исследованию Eisdorfer, Hsu (2011), в котором анализируется связь между технологическими инновациями и вероятностью банкротства предприятия. Авторы получили, что технологические инновации, обусловленные макроэкономическими условиями, развитием рынка, устареванием оборудования, увеличением спроса и т.д., увеличивают вероятность банкротства слабых конкурентоспособных предприятий.

Кроме того, для добавления динамики в модель оценки вероятности банкротства к сравнению должны быть приняты не валовые значения показателей текущего года, а относительные показатели, то есть отношение значений текущего отчетного периода к предыдущему. Такой подход использован Богдановой Т.К. (2011) при попытке оценить вероятность банкротства предприятий обрабатывающей отрасли с учетом динамики изменения финансовых показателей при помощи logit-модели.

Также в работе S-M Lin, J Ansell, G Andreeva (2012) доказывается, что при построении моделей вероятности банкротства (МДА и logit-модель) для мелких предприятий необходимо учитывать коэффициенты роста по финансовым показателям и оценивать эффективность работы предприятия. Анализ качественных показателей эффективности работы дали отрицательные результаты, однако количественные показатели как отношение финансовых показателей к количеству сотрудников позволяют оценить эффективность управления и являются значимыми в моделях.

В исследовании Рыбалка А.И. (2017), посвященному анализу изменений прогнозной силы моделей определения дефолта строительных компаний при включении факторов корпоративного построения, доказывается, что с финансовыми трудностями в строительном бизнесе России лучше справляются небольшие по численности советы директоров. Опровергается гипотеза о том, что при увеличении возраста компании, вероятность дефолта уменьшается. Кроме того, результаты данной работы показывают, что учет корпоративного построения улучшает прогностическую способность модели.

В результате анализа многочисленных работ по данной тематике наиболее часто встречающиеся финансовые показатели можно разбить на четыре группы:

· показатели финансовой устойчивости;

· показатели рентабельности;

· показатели деловой активности;

· показатели платежеспособности и ликвидности.

Кроме того, стоит заметить, что в современных работах помимо финансовых показателей в модель оценки вероятности банкротства компаний включаются макропоказатели, показатели эффективности работы и характеристики топ-менеджмента (пол, стаж, доля собственного капитала директора компании, численность Совета директоров). Однако для российских компаний различных отраслей может быть невозможным рассчитать указанные показатели ввиду отсутствия информации.

Принимая во внимание результаты анализа предыдущих исследований, очевиден прогресс в области построения моделей прогнозирования банкротства предприятий. Стоит заметить, что целью первоначальных исследований являлось разработка модели, обладающей наиболее высокими прогнозными качествами. В свою очередь, в работах современных авторов наблюдается ориентация на отрасли и разработка определенного набора показателей, который будет максимально точно предсказывать вероятность банкротства. Таким образом, анализ научной литературы позволил сформировать детальное представление о существующих моделях оценки вероятности банкротства компаний, а также заложил теоретические основы для настоящего исследования и разработки модели, включающей себя определенный набор показателей, предсказывающую вероятность банкротства компаний.

Постановка исследовательского вопроса

Справедливая оценка экономического положения компаний России с начала кризиса 2014 года вызывает исключительный интерес аналитиков, властей и управляющих бизнесом. Мониторинги министерства экономического развития РФ подтверждают процессы экономического спада: падение промышленных и потребительских рынков, уход предприятий с рынка, отток капиталов (Economy.gov.ru, 2016).

Многие компании объективно утрачивают финансовую стабильность, что провоцирует их прибегать к сокрытию информации, для привлечения инвесторов и клиентов. Недобросовестное поведение фирм в конечном счете приводит к расстроенным сделкам, неплатежам, затормаживанию реальных производственных процессов. В этой связи особенно актуальной становится задача качественной оценки финансовых возможностей фирмы и ее контрагентов: поставщиков и партнеров.

Согласно российскому законодательству в ФЗ «О несостоятельности (банкротстве)» от 26.10.2002 г. выделяется один из главных признаков банкротства, который заключается в том, что предприятие не способно удовлетворить требования кредиторов ввиду ухудшения финансового положения. Кроме того, следует отметить, что российское законодательство относительно банкротства и несостоятельности в равной степени поддерживает кредитора и должника, так как на каждом этапе процедуры банкротства учитываются интересы кредитора и находятся оптимальные пути улучшения финансового состояния должника. Другими словами, с одной стороны, законодательная поддержка может помочь предприятию-должнику сохранить часть своих активов, с другой стороны, обеспечить защиту прав кредиторов в процессе ликвидации организации. Таким образом, в российской практике соблюдается баланс между интересами должника и кредитора.

Настоящая исследовательская работа пополнит ряд работ, посвященных оценке вероятности банкротства через составление списка микроэкономических сигналов, по которым можно предсказать приближающееся банкротство. Под микроэкономическими сигналами понимаются внутренние показатели компании: финансовые показатели, рассчитанные на основании публичной годовой финансовой отчетности, и показатели, характеризующие компанию (размер, возраст, количество работников и др.).

Как было сказано ранее, в настоящем исследовании анализ проводится для строительных компаний, занимающихся строительством жилых и нежилых зданий. Такой выбор обусловлен, во-первых, относительной открытостью данных по предприятиям и нехваткой эмпирических исследований, посвященных изучению и разработке модели оценки вероятности банкротства.

Во-вторых, по последним данным Росстата (рис. 2) в период 2000-2016 гг. число действующих строительных организаций с каждым годом прирастает в среднем в пределах от 5% до 15%. Однако если рассматривать строительные компании, занимающихся строительством жилых и нежилых зданий, можно заметить следующую тенденцию.

Рис. 2. Число действующих строительных организаций в РФ за 2000-2016 гг.*

*Составлено по ист.: Федеральная служба государственной статистики: Строительство.

Рис. 3. Разница между зарегистрированными и прекратившим свою деятельность компаниями за период 2002-2016 гг.*

*Составлено по ист.: СПАРК-Интерфакс; расчеты автора.

По данным СПАРК-Интерфакс в период сбора базы данных для настоящего исследования на рисунке 3 за период с 2002 по 2016 гг. показана разница между количеством компаний, зарегистрированных в конкретный отчетный период, и компаний, прекративших свою деятельность по каким-либо причинам в тот же период, например, ввиду ликвидации вследствие банкротства или прекращения деятельности при слиянии или присоединении. Наблюдается нисходящий тренд, другими словами, ежегодно компаний, прекративших свою деятельность, становится больше, чем компаний, начинающих новую деятельность в сфере строительства.

Для понимания экономической ситуации страны в отраслях промышленности целесообразно обратиться к следующим показателям. Согласно данным Росстата, индекс предпринимательской уверенности в обрабатывающей промышленности в целом принимает значения на конец 2014 года -- -10%, 2015 года -- -11%, 2016 года -- -8%.

Кроме того, на данный момент в России наблюдается снижение реальных доходов населения (оценка падения на конец 2016 г. составляет 5,6%), и на фоне этого спрос на первичном рынке жилой недвижимости продолжает оставаться сравнительно слабым (Фонарева С., 2017).

Государственное субсидирование позволило предотвратить значительное падение рынка; по предварительным оценкам, ввод жилой недвижимости сократился на 9% в 2016 г. На рынке коммерческой недвижимости в 2016 г. спад ввода оценивается в 20%, а возврат к росту ожидается не ранее 2019 г. Низкие темпы восстановления рынка объясняются в первую очередь существенно снизившейся покупательной способностью населения и упавшим уровнем деловой активности (Фонарева С., 2017).

Такие результаты подтверждают сложность ситуации в указанной области промышленности ввиду нестабильной ситуации в российской экономике, неопределенности сроков завершения кризиса доходов населения и высоких инфляционных рисков (ДКС ВШЭ, 2017).

Однако также одной из главных проблем, проявляющейся в последнее время, являются банкротства строительных организаций (ДКС ВШЭ, 2017). По данным последнего предпринимательского опроса, примерно 16-17% от общего числа обследованных подрядных организаций находятся в предбанкротном состоянии. Это те экономические агенты, у которых уже на протяжении 3-4 кварталов постоянно ухудшается финансовое состояние, падает объем строительно-монтажных работ и серьезно сокращается портфель новых строительных заказов (ДКС ВШЭ, 2017). Принимая во внимание результаты анализа теоретического материала и экономической ситуации в строительстве, перед нами стоит вопрос: какие внутренние показатели компании в условиях нестабильной экономической ситуации в стране влияют на вероятность банкротства? Напомним, что ключевой целью настоящей работы является выявление финансовых показателей, с помощью которых можно спрогнозировать вероятность банкротства российских предприятий строительного сектора за год до наступления данного события. Ранее нами уже проводились исследования построения моделей оценки вероятности банкротства компаний машиностроительной и мебельной отраслей, в результате которых был определен набор финансовых показателей, при котором модель обладает высокими прогнозными качествами.

В настоящей работе можно предположить какое влияние каждый показатель, входящий в модель оценки вероятности банкротства, оказывает на характер финансового положения строительной компании. Необходимо проверить: ухудшение финансовых показателей будет способствовать увеличению вероятности банкротства строительных компаний. Кроме того, в рамках строительной отрасли в исследовании Рыбалка А.И. (2017) в модель включаются показатели корпоративного управления. В настоящей работе помимо финансовых показателей проверится гипотеза: при увеличении доли директора компании в уставном капитале компании вероятность банкротства снижается.

Методология исследования

В ходе анализа существующих моделей прогнозирования банкротства в качестве лучшей по прогнозным качествам для настоящего исследования была выбрана статистическая модель -- логистическая регрессия (logit-модель). Для построения модели в качестве зависимой переменной в логистической регрессии была задана переменная Y, отражающая статус предприятия:

(1)

Текущий исследовательский вопрос целесообразно решать через моделирование процентного значения вероятности банкротства в зависимости от изменения внутренних показателей. Здесь и далее под внутренними показателями компании понимаются финансовые показатели и характеристики компании, то есть микропоказатели компаний. Выбор данных показателей представляется одной из ключевых задач исследования, так как напрямую определяет его качество.

Процесс отбора показателей на уровне фирмы и отрасли усложнен их теоретическим многообразием. Аналитиками разработаны десятки коэффициентов для определения финансового и хозяйственного состояния субъекта (Шеремет, Негашев, 2008). В настоящем исследовании выбор проведен путем анализа результатов значимых показателей, используемых в иных эмпирических работах по оценке вероятности банкротства предприятий (Кован, Кочетков, 2009; Богданова, Алексеева 2011; Безрукова, Шанин, 2012; Парушина, 2012), а также на основании собственных предыдущих исследований. Кроме того, выбор следующих финансовых показателей обусловлен тем, что для многих компаний, например, период оборота дебиторской задолженности необходимо смотреть в динамике, учитывать специфику отрасли и внутреннюю политику управления операционными и денежными циклами организации, а также ее кредитную политику. Другими словами, необходимо рассматривать отдельно каждую компанию в выборке для того, чтобы оценить значение показателя в отчетном периоде с положительной или с отрицательной стороны для компании.

Формулы (табл. 1) и интерпретация представленных ниже финансовых показателей, выбранных для построения эконометрической модели в настоящем исследовании, базируются на методике Шеремета и Негашева (2008).

Таблица 1

Формулы расчета финансовых показателей

1. Коэффициент текущей ликвидности (LIQ) показывает возможность предприятия погасить краткосрочные обязательства за счет ликвидных средств.

2. Показатель финансового рычага (ZS) характеризует степень финансовой устойчивости предприятия и зависимость от внешних займов.

Показатели (1) и (2) являются индикаторами платежеспособности предприятий, так как отражают их способность платить по своим обязательствам (Безрукова, Шанин, 2012). Таким образом, исходя из значений показателей, можно предположить следующее: увеличение показателя ликвидности является хорошей тенденцией в отличии от увеличения значения финансового рычага, так как при увеличении доли заемного капитала в сумме источников финансирования предприятие находится в зоне высокого финансового риска.

3. Доходность собственного капитала (ROE) используется для оценки инвестиционной привлекательности компании, так как характеризует доходность вложений в предприятие.

4. Доходность совокупных активов (ROA) показывает сколько единиц чистой прибыли приносит каждая единица активов.

5. Рентабельность продаж (ROS) показывает долю операционной прибыли в выручке предприятия.

Показатели рентабельности (3), (4) и (5) указывают на финансовую устойчивость предприятия, изменение которых может являться угрозой банкротства (Кован, Кочетков, 2009). В случае со строительными компаниями эти показатели имеют особую важность, так как деятельность такого рода компаний напрямую зависит от внешних инвестиций и спроса на рынке.

6. Оборотные активы к совокупным активам (OA).

Показатель (6) наилучшим образом определяет деловую активность предприятия (Парушина, 2012). Низкая деловая активность свидетельствует о стагнирующих процессах, приводящих без эффективного управления к банкротству. Данный коэффициент

7. Коэффициент K, выраженный в отношении темпов роста выручки к темпам роста себестоимости.

Сопоставление выручки и себестоимости также позволяет судить об финансовом положении предприятия. Однако неблагоприятные показатели в одном отчетном периоде не означают кризис на предприятии, а наоборот могут быть следствием эффективной модернизации. Поэтому к сравнению должны быть приняты не валовые значения, а динамика показателей (темпы роста). Такой подход использован Богдановой Т.К. (2011) при попытке оценить вероятность банкротства предприятий обрабатывающей отрасли с учетом динамики изменения финансовых показателей.

Значение переменной K при превышении темпов роста выручки над темпами роста себестоимости больше 1 является положительной характеристикой финансового состояния предприятия. Превышение же темпов роста себестоимости означает не только отсутствие прибыли, но и неспособность предприятия покрыть операционные расходы, что может являться сигналом банкротства.

8. Логарифм выручки (lnTR).

Дифференциация в значениях показателя выручки указывает на то, что масштаб деятельности предприятий различен. Следовательно, для контроля размера фирмы целесообразно ввести переменную выручки. Для удобства интерпретации переменная была прологарифмирована (lnTR).

Зарубежными и отечественными исследователями выявлено, что сигналами о вероятном банкротстве могут стать не только финансовые показатели предприятия, но и его характеристики, такие как количество лет работы на рынке (YEAR) и доля директора в уставном капитале компании (PR_DIR) (Topaloglu, 2012).

Исходя из значений указанных финансовых показателей, можно предположить какое влияние каждый показатель оказывает на характер финансового положения компании. Так показатели, указывающие на способность предприятия платить по обязательствам, являться рентабельным и эффективно управлять себестоимостью, снижают риск банкротства. Другими словами, улучшение данных показателей будет способствовать снижению вероятности банкротства компаний.

Таким образом, экономическая модель настоящего исследования включает целый ряд основных внутренних показателей компаний: показателей платежеспособности, деловой активности, финансовой устойчивости и рентабельности, возраста и доли директора в уставном капитале, отражающих финансовое состояние предприятий, и принимает вид:

(2)

Так в настоящем исследовании эконометрическая модель принимает следующий вид:

(3)

где: константа;

оценки коэффициентов;

ошибка модели;

количество наблюдений.

Кроме того, следует отметить, что в качестве методологической опоры настоящего исследования выступает сходная по проблематике работа доцента НИУ ВШЭ Богдановой Т.К., в которой рассматриваются предприятия обрабатывающего комплекса, разрабатывается статистическая и динамическая logit-модели для предсказания вероятности их банкротства, а также проводится оценка качества модели на тестирующий выборке. Так, в настоящем исследовании проведено разбиение наблюдений на обучающую и тестирующую выборки (70% и 30% соответственно) и проведен последующий анализ. В добавление к сказанному, в качестве методологической опоры является исследование Рыбалка А.И. (2017), в котором строится logit-модель дефолта строительных компаний и проверяются гипотезы влияния возраста компании и доли директора в собственном капитале компании.

Описание данных