Прогнозирование банкротства компании
Выявление сущности банкротства предприятий разных отраслей Российской Федерации и значимости его прогнозирования. Описание формирования базы данных. Особенности метода построения модели, отбора факторов, включаемых в модели, и выбор наилучшей модели.
| Рубрика | Экономика и экономическая теория |
| Вид | дипломная работа |
| Язык | русский |
| Дата добавления | 13.02.2017 |
| Размер файла | 196,5 K |
Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже
Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
54
Размещено на http://www.allbest.ru/
Оглавление
- Введение
- Глава 1. Теоретический анализ прогнозирования банкротства компаний
- 1.1 Выявление сущности банкротства компании и значимости его прогнозирования
- 1.2 Обзор существующих исследований
- 1.3 Подведение итогов главы 1
- Глава 2. Методология проведения исследования
- 2.1 Описание формирования базы данных
- 2.2 Описание особенностей метода построения модели, отбора факторов, включаемых в модели и выбор наилучшей модели
- 2.3 Подведение итогов главы 2
- Глава 3. Исследование и результаты
- Заключение
- Список литературы
- Приложения
Введение
На сегодняшний день мировую экономику нельзя назвать стабильной и процветающей. Кризисы недавнего времени существенно ослабили экономику многих стран. Сложившаяся экономическая ситуация ещё больше усугубляется военными конфликтами, охлаждением и напряжением во взаимоотношениях между странами.
Экономика России также испытывает трудности, связанные с политическими разногласиями со странами Запада, с введёнными против нашей страны санкциями, с падением курса рубля по отношению к доллару и евро, с падением цены на нефть, что в большой степени влияет на положение дел в российской экономике, поскольку большую долю в ВВП занимает экспорт природных ресурсов. Кроме этих трудностей, российской экономике присущи проблемы развивающихся стран, к числу которых относят и Россию, такие как неразвитость некоторых институтов и нестабильность экономических процессов. Это ведёт к повышению финансовых рисков компаний, и, в конечном счёте, является причиной банкротства компаний.
Таким образом, проблемы, описанные выше, в совокупности с жёсткой конкурентной борьбой в разных рыночных сегментах заставляют хозяйствующие субъекты быть гибкими и готовыми к переменам, порождают необходимость совершенствования методов ведения хозяйственной деятельности. Становятся жизненно необходимыми корректный анализ финансового состояния компания, развитие систем раннего выявления существующих проблем, прогнозирования проблем возможных в будущем, а также соответствующего реагирования на эти проблемы, чтобы верно планировать деятельность компании в краткосрочном периоде, разрабатывать оптимальную стратегию её развития в долгосрочном периоде и не дать ей стать банкротом. В таких условиях прогнозирование банкротства играет одну из наиболее важных ролей в обеспечения нормальной деятельности компании.
Нетрудно заметить, что даже в трудные, кризисные времена находятся компании, которым удаётся удержаться на плаву и не войти в число банкротов. Наиболее вероятно, что эти компании отличаются лучшим управлением, что отражается в их финансовых показателях. Следовательно, если знать ключевые финансовые показатели, предсказывающие банкротство компании в будущем, то можно заранее принять меры по предотвращению банкротства. Поэтому в силу высокой практической значимости проблема прогнозирования банкротства компаний популярна уже много лет. Однако разные исследователи строят модели прогнозирования банкротства по-разному: некоторые авторы основывают свой анализ на данных по компаниям, не учитывая отраслевую принадлежность последних, другие же делают это отдельно для разных отраслей.
Целью этого исследования стала проверка возможности прогнозирования банкротства компаний разных отраслей России с помощью одного и того же набора показателей Здесь имеется в виду основные отрасли, исключая финансовый сектор, а также такие отрасли как образование, здравоохранение, коммунальные услуги, государственное управление и обеспечение военной безопасности. . Было бы, вероятно, очень удобно, если бы был найден такой набор показателей, которые достаточно хорошо бы предсказывали банкротство компаний любой отрасли. Однако наша основная гипотеза состоит в том, что различия, существующие между отраслями, препятствуют созданию единой модели для разных отраслей.
Чтобы достичь нашей цели, было решено для компаний трёх отраслей при помощи логит-анализа построить модели, наилучшим образом прогнозирующие банкротство, и посмотреть, получатся ли в моделях одинаковые факторы. А чтобы сделать это как можно более эффективно, учитывая опыт других исследователей банкротства компаний, был проведён анализ существующей литературы.
Что касается объекта исследования, то нами были выбраны три такие отрасли: оптовая и розничная торговля, добыча полезных ископаемых и обрабатывающие производства в силу существенных различи между этими отраслями. А поскольку данные по малым и средним компаниям-банкротам должны быть обширнее из-за их меньшей стабильности, чем у крупных компаний [19] , мы решили ограничить выборку малыми и средними компаниями. А предметом нашего исследования является влияние финансовых характеристик российских компаний трёх отраслей на вероятность банкротства таких компаний.
Вклад этой работы в исследование проблемы прогнозирования банкротства компаний России, с нашей точки зрения таков: мы считаем, что опираясь на результаты, полученные нами, будущие исследователи смогут улучшить методологию своих работ и добиться лучших результатов, поскольку они будут понимать, стоит ли строить одну модель для всей страны в целом или же всё-таки лучше разрабатывать модель под каждую отрасль отдельно.
Определению понятия банкротства, а также обзору литературы по теме прогнозирования банкротств посвящена первая глава данной работы. Во второй главе описана методология проведения исследования. А в третьей главе приведены результаты нашего исследования и их интерпретация.
Глава 1. Теоретический анализ прогнозирования банкротства компаний
1.1 Выявление сущности банкротства компании и значимости его прогнозирования
В российском законодательстве под банкротством, или несостоятельностью В литературе присутствует мнение, что понятия банкротство и несостоятельность не идентичны. Банкротство рассматривается некоторыми как одно из возможных последствий несостоятельности. Подробнее ознакомиться с различными мнениями исследователей можно, например, в статье Докуниной и Ивановой (2007). , подразумевается "неспособность должника в полном объеме удовлетворить требования кредиторов по денежным обязательствам […] и (или) исполнить обязанность по уплате обязательных платежей", которая признаётся арбитражным судом [33] . Это определение дано в статье 2 Главы 1 Федерального закона "О несостоятельности (банкротстве)", являющемся главным источником права в области банкротства. Суть процедуры банкротства заключается в том, что в ситуациях, когда компания не может рассчитаться по обязательствам, она либо распродаёт своё имущество, чтобы рассчитаться с кредиторами, либо проходит через специальные процедуры оздоровления финансового состояния, чтобы снова стать платёжеспособной и покрыть задолженность.
Процедура банкротства состоит из нескольких этапов. Сначала в арбитражный суд либо самой компанией, имеющей задолженность, которую она не в состоянии покрыть, либо её кредитором (или кредиторами) подаётся заявление о признании этой компании-должника банкротом. При этом должны выполняться требования в отношении суммы непогашенных обязательств - они должны составлять не менее трёхсот тысяч рублей, а также в отношении срока, прошедшего с момента, когда эти обязательства должны были быть исполнены, - 3 месяца [33] . Если эти условия выполнены, суд начинает дело в отношении банкротства компании. После этого за компанией начинается наблюдение с целью сохранения имущества. Если платёжеспособность доказана, то дело прекращается и компания продолжает свою деятельность, а если не доказана, то компания подвергается финансовому оздоровлению, целью которого является восстановление платёжеспособности и погашение задолженности. Если задолженность погасить не удаётся, то судом может быть назначено внешнее управление с той же целью, если удаётся, то дело может быть прекращено. Однако если и это не помогает компании рассчитаться с долгами, то суд может назначить конкурсное производство, в рамках которого имущество компании продаётся и требования кредиторов соразмерно погашаются. Именно с этого этапа компания считается банкротом, что отражается в Едином государственном реестре юридических лиц (ЕГРЮЛ) Процедуры занесения данных о компании в ЕГРЮЛ и их удаления описаны в Федеральном законе от 08. 08.2001 N 129-ФЗ "О государственной регистрации юридических лиц и индивидуальных предпринимателей". . Подробно ознакомиться с процедурой легального банкротства можно в Федеральном законе от 26.10.2002 N 127-ФЗ (ред. от 29.12.2015)"О несостоятельности (банкротстве)".
Следует отметить, что существует понятие "фиктивное банкротство". Оно означает ситуацию, при которой процедура банкротства используется компанией с целью уйти от уплаты по своим обязательствам и/или скрыть хищения имущества компании, и является уголовно наказуемым деянием. А также в законодательстве предусмотрено уголовное и административное наказание за преднамеренное банкротство - действия или бездействия менеджмента или учредителя компании, приводящие к банкротству компании. Эти два явления могут оказывать влияние на результаты статистических исследований, поскольку не всегда удаётся отличить действительное банкротство от фиктивного или преднамеренного. Мы будем придерживаться мнения, что подобные случаи редко остаются не выявленными, а значит, смещением в результатах можно пренебречь.
На таблице ниже представлена статистика по делам о банкротстве компаний в период с 2010 по 2014 год.
Таблица 1.
Статистика по делам о банкротстве в РФ за 2010-2014 гг.
|
Показатель |
2010 |
2011 |
2012 |
2013 |
2014 |
|
|
Число поступивших заявлений о признании должников банкротами |
40243 |
33385 |
40864 |
31921 |
35583 |
|
|
Количество дел, по которым проводилась процедура финансового оздоровления |
91 |
94 |
92 |
67 |
58 |
|
|
Количество дел, по которым проводилась процедура внешнего управления |
908 |
986 |
922 |
803 |
817 |
|
|
Принято решений о признании должника банкротом и об открытии конкурсного производства |
16009 |
12 794 |
14072 |
13144 |
12826 |
|
|
Завершено производство по делам о несостоятельности (банкротстве) |
31195 |
26132 |
30159 |
23721 |
26264 |
Источник: Фёдорова, Довженко, Тимофеев (2014) - данные с 2010 по 2013 год; Судебный департамент при Верховном Суде Российский Федерации. Сводные статистические сведения о деятельности федеральных арбитражных судов, 2014. - данные за 2014 год.
В литературе, посвящённой банкротству, нет единого подхода к определению банкротства. Существует ряд статей, в которых под банкротством понимается именно легальное банкротство, признанное судом. Например, Олсон (1980), Змиевский (1984), Евстропов (2008), Луговская (2010), Жданов, Афанасьева (2011), Фёдорова, Гиленко, Довженко (2013 b); и некоторые другие исследователи. Демешев, Тихонова (2014) банкротами признавали "компании, в отношении которых была начата процедура легального банкротства, и компании, ликвидированные добровольно" [2, с.360-361] , потому что обе группы компаний не могут продолжать функционировать: первая группа - потому что не может покрыть размер долга, а вторая группа - потому что понесла настолько большие убытки, что выгоднее ликвидировать компанию. Также существует и несколько иные подходы к определению понятия неплатёжеспособности, например, как к неспособности погасить проценты по долгу или часть основного долга в работе Малеева и Николенко (2010) [2] . А в некоторых работах авторы вообще не поясняют, что они понимают под банкротством, что затрудняет сравнение результатов, полученных разными исследователями.
Если обратиться к исследованиям по США, то при определении банкротства юридических лиц авторы прибегают к двум главам Кодекса законов о банкротстве: Глава 7 (Chapter 7) и Глава 11 (Chapter 11) Ознакомиться с текстом этих и других глав Кодекса законов о банкротстве (титул 11 Свода федеральных законов США), можно на сайте http: //uscode. house.gov/browse. xhtml. . Глава 7 говорит о ликвидации, процедуре, при которой управляющий распродаёт активы компании-должника, а полученные деньги идут на погашение задолженности перед кредиторами в установленном федеральном законе порядке. Глава 11 описывает реорганизацию, процедуру, при которой активы компании-должника не распродаются, компания продолжает ими владеть и продолжает функционировать. При реорганизации компания получает возможность рассчитаться по долгам, следуя плану реорганизации, утверждённому судом Законодательство США о банкротстве // Комитет по вопросам собственности Государственной Думы Федерального Собрания Российской Федерации [Электронный ресурс]. URL: http: //www.komitet2-5. km. duma.gov.ru/site. xp/051052056.html (дата обращения: 04. 05.2016) .
банкротство прогнозирование база модель
Подход к банкротству как банкротству легальному применяется в большей части статей, поскольку он принимает во внимание, что не всегда финансовые трудности с оплатой долгов ведут к банкротству.
1.2 Обзор существующих исследований
Прогнозирование банкротства занимает особое место как среди теоретических исследований в области финансов, так и среди практических вопросов управления компанией. Среди теоретических исследований можно отметить вопросы, посвящённые структуре капитала компании, стоимости активов компании и разработке оптимального законодательства в области банкротства [28] .
Что касается практики, то способность прогнозировать банкротство является одним из наиболее важных компонентов продолжительного функционирования компании. Закономерно, что этим вопросом стали интересоваться исследователи.
Большинство авторов работ, посвящённых прогнозированию банкротств, не ставят перед собой цель проверить экономическую теорию. Чаще всего исследователи занимаются этой проблемой с практической точки зрения: стараются построить как можно более надёжную, с высокой предсказательной силой модель для прогнозирования банкротств компаний без опоры на теорию [28] .
Первоначально финансовый анализ и разработка модели прогнозирования банкротства проводились с помощью только одного коэффициента current ratio - коэффициента текущей ликвидности, использующегося для оценки платёжеспособности [8] . Более сложные эмпирические работы по прогнозированию банкротств на основе финансовых показателей стали появляться с 1960-х годов С кратким описанием некоторых работ, написанных до 1960-го года, можно ознакомиться в статьях [9, с. 155] и [20] . . Вильям Бивер и Эдвард Альтман были одними из первых исследователей этого вопроса и являются широко известными авторами в области прогнозирования банкротства.
Бивер в 1966 году использовал однофакторный параметрический метод на выборке промышленных публичных компаний 1954-1964 гг. и пытался предсказать банкротство за 5 лет до его наступления. Он предполагал, что один показатель достаточно эффективно может предсказывать банкротство. И в результате проведённого им исследования самым лучшим показателем для предсказания банкротства оказалось отношение денежного потока к общему объёму долга (т. н. коэффициент Бивера) [19] .
Однако если рассматривать весь объём исследовательских работ, посвящённых прогнозированию банкротства компаний, написанных после статьи Бивера, то эти работы можно разбить на группы на основе применяемого метода построения модели Мы опираемся на классификацию Макеевой, Горбаткова, Белолипцева (2014). С другими классификациями можно ознакомиться в статье Рыгина (2013). .
СТАТИСТИЧЕСКИЕ МЕТОДЫ
Модели дискриминантного анализа
Исторически первым методом, а также относительно простым является дискриминантный анализ. Среди наиболее известных работ, в которых модели создавались с помощью этого метода, можно отметить следующие: Альтман (1968), Лисс (1972), Дикин (1972), Таффлер и Тишоу (1977), Спрингейт (1978), Альтман (1983), Таффлер (1983), Фулмер (1984), Сайфуллин и Кадыков (1996), Зайцева (1998), Давыдова и Беликов (1999) Здесь приведены работы, в которых применяется только дискриминантный анализ. .
С помощью множественного, или многофакторного, дискриминантного анализа (МДА) разрабатывается линейная комбинация финансовых показателей, способная различать компанию-банкрота от "здоровой" компании.
Альтман первым применил многофакторный анализ для прогнозирования банкротства. В своей статье 1968 года он построил так называемую Z-модель, состоящую из 5 факторов (WC/TA, EBIT/TA, RE/TA, CK/TD, TR/TA) Расшифровку факторов этой и других моделей можно найти в Приложении 3. Обозначения факторов, приведённые в нашей работе, не совпадают с авторскими. Единая система обозначений введена нами, чтобы облегчить сравнение моделей разных авторов. , на данных американских публичных компаний промышленности, которая предполагалась быть использованной только для компаний, котирующихся на биржах. Если Z (интегральный показатель) принимал значение ниже 1,81, то вероятность банкротства была очень высокая, а если более 2,99 - низкая. Прогнозная сила модели на контрольной выборке Стоит заметить, что ещё в 1965 году Франк с соавторами (1965) предложил строить модель на одной подвыборке, а проверять её предсказательную силу на другой (контрольной) [24] . Это нужно, чтобы избежать завышения предсказательной силы, поскольку существует риск, что подходящая для одной группы компаний (экспериментальной подвыборки) не так эффективна для всей совокупности рассматриваемых компаний. составила 79% для компаний-банкротов и 96% для компаний-небанкротов за год до банкротства [16] . Позднее эта модель проверялась на различных выборках другими авторами. Считается, что с этой статьи началось бурное развитие прогнозирования банкротства.
Z'-модель для непубличных компаний США этого же автора (1983) включала CL/TA, RE/TA, EBIT/TA, CK/TA и TR/TA и обладала 91% прогнозной способностью за 1 год до банкротства. Кроме этих работ Альтманом был написан ряд статей как по данным США (см. Альтман (1977) в Приложении 1), так и по другим странам, как на основе дискриминантного анализа, так и на основе других методов конструирования моделей. Например, логит-анализ применялся в работе Альтман, Сабато (2007), о которой будет сказано ниже.
Исследователь Эдвард Дикин (1972), проведя анализ на данных 32 компаний 1964-1970 гг., вывел 14-ти факторную модель Какие факторы вошли в эту модель (как, впрочем, и в другие модели), можно посмотреть в Приложении 1, где приводится таблица по статьям различных авторов в хронологическом порядке с указанием характеристик выборки, периода времени, используемых факторов, метода и прогнозной силы моделей. , предсказывающую банкротство с 85% -ной точностью за 5 лет, 77% -ной - за 4, 88% -ной - за 3, 94% -ной - за 2 года и 78% -ной - за 1 год до наступления банкротства на контрольной выборке [22] . Он, повторив исследование Бивера, показал, что модели дискриминантного анализа более эффективны в предсказании банкротства компаний, чем отдельные факторы, а также первым установил, что метод ДА требует нормальное распределение независимых переменных.
Спрингейт (1978) провёл исследование по данным канадских фирм (20 компаний-банкротов и 20 компаний не-банкротов), принадлежащих к промышленным отраслям. В его 4-хфакторную модель попали: WC/TA, (Pbt+Interest paid) /TA, Pbt/CL и TR/TA. Прогнозная сила модели составила 92,5% [30] . Отметим, что в модели Спрингейта не было зоны неопределённости, которая была у Альтмана (1968) - от 1,81 до 2,99. Модель Спрингейта имела одно критическое значение интегрального показателя: если у компании оно было ниже 0,862, то компания признавалась вероятным банкротом, если выше - "здоровой". Многими исследователями отмечалось, что определение критического (-их) значения (-ий) носит субъективный характер, что является недостатком моделей ДА.
Таффлер (1983) создал модель для промышленных компаний Великобритании, котирующихся на Лондонской бирже, в которую были включены PBT/AVCL, CA/TL, CL/TA и No-Credit Interval. В выборку были отобраны по 46 компаний-банкротов и не-банкротов за период с 1969 по 1976. Как и многие другие авторы, Таффлер замечал, что модели дискриминантного анализа по своей природе являются лишь описательными и правильнее их называть не предсказательными, а классификационными.
Фулмер (1984) с помощью дискриминантного анализа и 60 компаний США 1983 года (30 банкротов и столько же не-банкротов) сконструировал модель, включающую переменные: RE/TA, TR/TA, (PBT+Interest paid) /CK, CF/TD, LrL/TA, CL/TA, ln (MOC), CA/TD и ln ( (PBT+Interest paid) /Interest paid) с прогнозной силой 98% за год до наступления банкротства.
Российские учёные Иркутской государственной экономической академии Давыдова и Беликов проверили две модели Альтмана на выборке 608 компаний торговли Иркутска и Иркутской области 1994-1996 гг., причём для того, чтобы расчёты были как можно более приближены к моделям Альтмана учёные отправили запрос в "First Security Bank" США. Однако по результатам проверки был сделан вывод о невозможности применения моделей к анализу российских компаний. Также авторы построили собственную так называемую R-модель на базе торговых предприятий города, состоящую из WC/TA, NI/CK, TR/TA и NI/TC. По расчётам авторов, эта модель имела 81% -ую прогностическую способность за 3 квартала до банкротства.
100% -ую прогнозную способность своих дискриминантных моделей за год до банкротства 40-50%-ая предсказательная сила за два года до банкротства. получили такие авторы как "Мариас (1980), Изан (1984), Такахаши (1984), Фридман (1985)" В более поздних работах обычно модели не строят с помощью МДА, а используют два и более метода (например, Луговская (2010) использует МДА и логит-анализ) и чаще всего модели построенные с помощью других методов оказываются лучше. Поэтому о более свежих работах, применяющих кроме других методов ещё и МДА, будет сказано ниже. [9, с.157] .
Уделим внимание сравнительному анализу результатов применения зарубежных и российских моделей к данным по России, проведённому Фёдоровой, Гиленко, Довженко (2013 b). Оказалось, что по сравнению с моделями, изначально построенными по российским компаниям, так называемые "классические" западные модели являются более эффективными для предсказания банкротства. Причём большей надёжностью обладает модель Фулмера - overall accuracy=82%, что выше, чем у моделей, построенных на российских данных. Среди российских моделей самая высокая надёжность у модели Давыдовой-Беликовой - overall accuracy=75,7% [23, с.7286] . Модели Альтама, Таффлера, Спрингейта и пробит-модель Змиевского, речь о которой пойдёт ниже, показывают неплохие результаты, если целью ставится выявление компаний банкротов. На таблице ниже представлены результаты применения классических западных моделей и российских моделей:
Таблица 2.
Эффективность классических западных и российских моделей предсказания банкротства
|
Модель |
Overall accuracy, % |
Precision, % |
Sensitivity, % |
Specificity, % |
F-measure, % |
|
|
Классические западные модели |
||||||
|
Модель Альтмана |
77,5 |
71,2 |
92,3 |
62,6 |
80,4 |
|
|
Модель Фулмера |
82,0 |
85,0 |
77,7 |
86,3 |
81,2 |
|
|
Модель Спрингейта |
77,2 |
70,7 |
93,2 |
61,3 |
80,4 |
|
|
Модель Таффлера |
73,9 |
66,7 |
95,5 |
52,3 |
78,5 |
|
|
Модель Змиевского |
78,9 |
72,4 |
93,7 |
64,2 |
81,6 |
|
|
Классические российские модели |
||||||
|
Модель Сайфуллина-Кадыкова |
70,0 |
64,9 |
87,2 |
52,9 |
74,4 |
|
|
Модель Давыдовой-Беликовой |
75,7 |
73,9 |
79,3 |
72,1 |
76,5 |
|
|
Модель Зайцевой |
58,6 |
55,5 |
86,3 |
30,9 |
67,5 |
Источник: Фёдорова, Гиленко, Довженко (2013 b, c.7286)
Как видно из таблицы, в целом результаты применения зарубежных моделей неоднозначны: модели с высокой общей надёжностью не очень хороши для групп банкротов и не-банкротов, а модели, хорошо работающие для группы банкротов малоэффективны для "здоровых" компаний и имеют низкую общую надёжность.
Хотя в исследованиях, построенных на основе дискриминантного анализа, были обнаружены недостатки, этот метод до сих пор применяется в статьях разных авторов для предсказания банкротства, поскольку является довольно простым [4] .
Логит - и пробит-модели
На протяжении 1960-х - 1970-х годов дискриминантный анализ был основным методом прогнозирования банкротств компаний [8] , [20] . А с 1980-х годов приобрели популярность "более продвинутые" модели логит - и пробит-анализа [8] . Наиболее известные работы, написанные с применением этих методов: Чессер Chesser D. L. Predicting Loan Noncompliance // The Journal of Commercial Bank Lending. 1974. № 56 (12). Автор анализировал компании банковского сектора. (1974), Олсон (1980), Змиевский (1984), Альтман и Сабато (2007), Евстропов (2008), Хайдаршина (2009), Жданов, Афанасьева (2011), Жданов (2012), Фёдорова, Гиленко, Довженко (2013 a).
Олсон (1980) был одним из первых учёных, применивших метод логит для создания модели прогнозирования банкротства. В его модель, предсказывающую банкротство публичных промышленных компаний США за 1 и 2 года до его наступления, вошли ln (TA/GNP price-level index), TL/TA, WC/TA, CL/CA, OENEG, NI/TA, TR/TL, INTWO и CHIN. Предсказательная сила модели составила 96% за год и за 2 года до банкротства. Олсон в этой работе заметил, что выбор лучшей модели по принципу минимума суммы ошибок первого и второго рода в предшествующих моделях - спорное решение. Также он сделал акцент на том, что важно в исследование включать отчётность, предшествующую банкротству (поскольку последняя отчётность компании может быть выпущена после банкротства), хотя неявно это предполагается в большинстве работ [27] . Игнорирование этого момента может приводить к завышенной предсказательной силе. С точки зрения Олсона, такое завышение присутствует в работе Альтмана (1968), а также в других работах, написанных до 1970 года [27] .
Змиевский (1984) с помощью пробит-анализа на выборке компаний (40 банкротов, 800 не-банкротов) Американской и Нью-Йоркской бирж 1972-1978 гг. и с SIC-кодом до 6000 построил модель, включающую NI/TA, TD/TA, CA/CL, оценив её с помощью двух видов пробит-анализа: обычного и двумерного. В целом предсказательная сила модели составила 76%, однако для фирм-банкротов - всего 20%. Кроме сравнения двух видов пробит-анализа, Змиевский сравнил результаты, полученные на неслучайной выборке, когда каждому банкроту находится схожий по выбранным исследователям параметрам не-банкрот (choice-based sampling), и на случайной выборке. В результате Змиевский сделал вывод, что в случае choice-based sampling возникает существенное смещение [31] .
Альтман решил не останавливаться лишь на МДА. Совместно с Сабато в 2007 году он написал работу на основе данных малых и средних компаний США 1994-2002 гг. (120 банкротов и 1890 "здоровых компаний"), применив логит-анализ. Стоит отметить, что все факторы: CL/CK, Cash/TA, EBITDA/TA, RE/TA, EBITDA/Intexp в модель были включены в логарифмах, а прогнозная способность модели составила 87%.
Евстропов (2008) разработал две модели на основе крупных и средних предприятий обрабатывающей промышленности Оренбургской области. Одна должна была предсказывать банкротство компаний за 4 года, а другая - за 2 года до его наступления. В первую модель были включены CK/TD, CA/TA, ln (TA/GDP price-level index) и TR/TA; во вторую - Pbt/TA, TR/AR, TR/TD, gTR и Cash/CL. Прогнозная сила моделей составила 88,5% и 90,5% соответственно.
Хайдаршина (2009) посвятила свою работу компаниям торговли, сельского хозяйства и промышленности (включая топливно-энергетический комплекс), обратившись к российским данным 2007-2009 годов. На выборке, состоящей из 32 компаний-банкротов и 268 компаний-небанкротов, значимыми получились коэффициенты при факторах: Corp_age, Cred, CA/CL, EBIT/Intexp, LnEq, R, Reg, EBIT/TA, NI/CK, ggEq, ggTA. Прогнозная способность модели - 85,6%.
Однако уже на этом этапе прогнозирования банкротств компаний многие авторы в своих работах не ограничивались применением одного метода анализа. Стали появляться работы, сравнивающие метод дискриминантного анализа, логит-модели и пробит-модели, как для того, чтобы получить модель с наивысшей прогнозной силой, так и для того, чтобы определить, какой метод создания модели прогнозирования банкротств является наилучшим. Стоит отметить, что методы, используемые для построения этих трёх видов моделей, являются наиболее распространёнными в прогнозировании банкротства компаний. Но в отличие от других стран, где логит-модели более популярны, чем МДА-модели, в России более распространены МДА-модели [9] .
Луговская (2010) построила две модели для малых и средних компаний России, в качестве факторов используя не только финансовые, но и некоторые нефинансовые показатели компаний. Одна модель была построена с помощью дискриминантного метода анализа и состояла из Cash/CL, CA/CL, Quick1, Quick2, NI/TA и Cash/TA, а вторая - с помощью логит-анализа, которая включала Cash/CL, CA/CL, Quick1, Quick2, EBIT/TA, Cash/TA, TA, TR, ln (age). МДА-модель обладала предсказательной силой в 68%, а логит-модель - 79%.
Макеева и Неретина в 2013 году использовали МДА, логит-, и пробит-анализ на российских данных строительной отрасли периода 2002-2010 гг. При использовании МДА наиболее значимыми получились коэффициенты при следующих переменных: за 1 год до банкротства - EBIT/TA, ln (TA), Cash/CL, AR/TR; за 2 года до банкротства - TR/TA, Cash/CL, Inventory/TR, EBIT/TR; за 3 и 4 года - TR/TA, TD/TA. При использовании логит-анализа: за 1 год до банкротства - ln (TA), Cash/CL, CA/TR; за 2 года - EBIT/TA, Cash/CL, AR/TR, TD/TA; за 3 года - EBIT/TA, Cash/CL; за 4 года до банкротства - WC/TA и EBIT/TR. Прогнозная сила МДА-моделей составила 86,44%, 75,43%, 71, 19% и 67,80%, соответственно, пробит-моделей - 85,59%, 77,79%, 77,12% и 65,25%, а логит-моделей - 86,44%, 85,59%, 77,97% и 64,41% за 1, 2, 3 и 4 года до банкротства.
Жданов и Афанасьева (2011) построили модель на основе данных 20 компаний-банкротов и 20 компаний-небанкротов авиационно-промышленного комплекса России с 2001 по 2010 г. В модель были включены коэффициент рентабельности оборотных активов, NI/CA, Eq/TD, CA/OC, TR/TA, CA/CL. Сравнив результаты расчётов по моделям Альтмана, Федотовой, Таффлера, Лиса, Спрингейта, Давыдовой и Беликова, Альтмана и Сабато, Лина и Пьессе, Джу Ха и Техонга, Грузчинова, авторы обнаружили, что построенная ими модель с прогнозной силой в 75% точнее предсказывает банкротство, чем модели их коллег, точность которых составила от 40% (модель Спрингейта) до 70% (5-и факторная модель Альтмана). А в 2012 году Жданов уже самостоятельно построил модель для авиационной промышленности, используя данные "СПАРК "СПАРК" (или “SPARK”) - Система профессионального анализа рынков и компаний. " за семилетний период до наступления банкротства. В модель, обладающую 86% -ной прогнозной силой, вошли: Eq/TA, NI/TA, TR/AR, GP/TA, TD/Eq, NI/Eq, TR/Eq.
Фёдорова, Гиленко, Довженко (2013) исследовали средние и крупные предприятия обрабатывающей промышленности 2007-2011 гг. Построенная ими логит-методом модель включала в себя Cash/CA, NI/TD, ln (MOC), zapacy/CL, TR/TA, OC/TA, GP/SS, CA/TD и обладала 84,7% прогнозной силой на контрольной подвыборке (86,4% на "здоровых" компаниях и 91,8% на компаниях-банкротах). В своей работе авторы также оценили достоверность нормативов финансовой устойчивости и ликвидности и уточники их (применив логит-анализ и бинарное дерево классификаций).
Сравнивая результаты, полученные пробит - и логит-анализом, авторы замечают, что логит-метод оказывается лучше для целей прогнозирования банкротства компаний.
МОДЕЛИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Методы искусственного интеллекта, или как их ещё называют - методы машинного обучения, - это системы, которые способны обучаться. На основе предыдущего опыта, выявляя зависимости между данными на входе и получаемыми результатами, они могут увеличивать свои мощности в решении проблем. Наиболее популярным методом искусственного интеллекта являются нейросети.
Нейросетевые модели
Метод нейронных сетей (Artificial Neural Networks) начал распространяться за границей с конца 1980-х годов [20] . По устройству и работе нейросети подобны биологическим нейронным сетям (нервным клеткам) Именно при попытке смоделировать работу нервных клеток мозга появились нейросетевые модели [9] . . Преимущество нейронных сетей в отличие от описанных выше методов, состоит в том, что они могут хорошо работать с неполными, нечётко определёнными и неточными данными, а также при сильном зашумлении данных, они не имеют ограничений, присущих МДА и логит - и пробит-анализу. Некоторые работы, в которых применялся этот метод: Кадден (1991), Дуайер (1992), Коаст и Фант (1992), Флетчер и Госс (1993), Уилсон (1995), Суарез (2004), Макеева и Бакурова (2012), Горбатков, Белолипцев, Фархиева (2014).
Макеева и Бакурова (2012) применили логит-анализ для создания модели прогнозирования банкротства нефтегазового сектора европейский стран на основе данных нулевых годов. Часть показателей, оказавшихся значимыми, как и в работе Альтмана, Сабато (2007) были взяты в логарифмах (ликвидность и рычаг). Всего в модель вошло 4 фактора: NI/TA, WC/TA, ln (CA/CL), ln (delta TD/TA). Несмотря на высокую предсказательную силу полученной модели, авторы замечают, что метод нейронных сетей очень чувствителен к используемой в анализе выборке, что может приводить к смещению результатов.
Среди работ, использующих нейросети, наибольшей точностью обладают следующие модели: 12-и факторная модель Кадден (1991) показала прогнозную силу 90-100% за год и 80-90% за 2-3 года; 5-и факторная модель Коаст и Фант (1992) обладала 91-96% -ной точностью; 9-ти факторная модель Дуайер (1992): алгоритм прямого распространения показал 95% точности за 1 год и 76% за несколько лет), а обратного - 69-89% за 1 год, 57-64% за несколько лет; 3-х факторная модель Флетчер и Госс (1993) - 80,5% за 3 года и 75% - за 7 лет; 18-тифакторная модель для Великобритании Уилсон (1995) - 70-95% (банкроты), 82-95% (не-банкроты), 50% - финансово проблемные компании, впоследствии купленные другими компаниями [9, с.163] . А Тсукуда и Баба (1994) добились 100% прогнозной способности своей модели на контрольной выборке, по словам Белловари и др. (2007).
В качестве недостатков модели нейросетей можно отметить, что они сложно разрабатываемы, нуждаются в регуляризации, в предобработке данных и в большом количестве наблюдений, что не всегда удаётся собрать по российским данным [6] , [9] .
Другие методы
Демешев и Тихонова в 2014 году написали статью на основе логит-метода и алгоритма случайного леса, рассматривая оптовую и розничную торговлю В выборку были включены только непубличные компании. . Авторы показали, что при включении нефинансовых показателей (например, возраста компании и федерального округа) прогнозная сила моделей становится выше [3] . Об этом факте также упоминала в своей работе, посвящённой прогнозированию банкротств малых и средних компаний России, и Луговская (2010). Значимыми коэффициентами получились коэффициенты при переменных EBIT/TA, STD/TE, NI/TA, Cash/TA, Interest paid/TD, TE/TA, CA/CL, (CA-Stocks) /CL, TD/TA, WC/TA, возраст компании, федеральный округ, размер компании, Организационная форма, среди которых менее значимыми - Interest paid/TD, размер компании и организационная форма. Для проверки качества модели и выбора лучшего метода использовалась площадь под ROC-кривой на данных контрольной выборки, получившаяся равной 0,55-0,65 для логит-модели и 0,65-0,75 - для алгоритма случайного леса, что означает, что в этом случае алгоритм случайного дерева оказался лучше логит-анализа.
Чава и Джарров (2004) разработали модель на основе анализа выживаемости (hazard model) на базе американских компаний 1962-1999. Эта работа отличается от большинства других работ тем, что рассматриваются месячные данные, а не годовые; авторы включают отраслевые эффекты в модель, а также делают вывод, что если в модель включены рыночные показатели, то включение бухгалтерских переменных слабо повышает предсказательную силу модели.
При создании моделей с нечеткими описаниями и правилами вывода, как и при построении моделей с помощью нейросетей, учитывается неопределённость данных. По России этим методом анализировал данные в своих работах Недосекин А.О. Интересно исследование Макеевой, Аршавского (2014), посвященное использованию семантического анализа (в дополнение к нейросетям для увеличения предсказательной силы модели) в целях прогнозировании банкротства. В этой работе авторы предложили использовать помимо финансовых параметров качественные характеристики компаний, содержащиеся в их годовой отчётности. Однако эти методы конструирования моделей прогнозирования банкротства компаний, как и, например, метод опорных векторов (к примеру, Хардле и др. (2007) Исследование по компаниям финансового сектора. ) и метод классификационных деревьев (Фёдорова, Гиленко, Довженко (2013 b)), всё-таки менее распространены, чем описанные ранее МДА, логит-метод и нейросети Существуют и другие подходы к прогнозированию банкротства компании, такие как актуарный, опционный, анализ временной структуры кредитного риска и другие, однако они применяются к публичным компаниям. Объект же нашего исследования - малые и средние компании. Поэтому на этих подходах мы не останавливаемся. А поскольку мы изучаем влияние финансовых показателей на вероятность банкротства, то не акцентируем внимание на качественных моделях (таких как, например, модель Аргенти (A-score)). .
Проблема методов искусственного интеллекта состоит в том, что на выходе мы не получаем уравнения в явном виде, что затрудняет практическое применение [14] . Также нужно большое количество наблюдений, что не всегда удаётся сделать для российских компаний. Но результаты, полученные этими методами, нередко оказываются лучше, полученных МДА или логит-методом.
Учёные в настоящее время используют все перечисленные выше методы для конструирования моделей прогнозирования банкротства. В таблице 3 по десятилетиям представлено количество работ, в которых исследование проводилось тем или иным методом.
Таблица 3.
Распределение используемых методов анализа для предсказания банкротств компаний с 1966 по 2004 г. по десятилетиям, число работ Если в работе было разработано несколько моделей различными методами, то такая статья попала в несколько ячеек таблицы.
|
Метод |
1960-е |
1970-е |
1980-е |
1990-е |
2000-е |
Всего |
|
|
Дискриминантный анализ |
2 |
22 |
28 |
9 |
2 |
63 |
|
|
Логит / Пробит |
0 |
2 |
19 |
19 |
3 |
43 |
|
|
Нейронные сети |
0 |
0 |
1 |
35 |
4 |
40 |
|
|
Прочие |
1 |
4 |
7 |
11 |
3 |
26 |
|
|
Всего |
3 |
28 |
55 |
74 |
12 |
Источник: Белловари и др. (2007).
Все методы имеют свои недостатки, поэтому часто (особенно в более поздних работах) авторы рассматривают несколько методов для построения моделей прогнозирования банкротства как для того, чтобы получить модель с наивысшей прогнозной силой, так и для того, чтобы определить, какой метод создания модели прогнозирования банкротств является наилучшим. Например, Луговская (2010) использует МДА и логит-анализ. Фёдорова, Гиленко Довженко (2013 b) применяют МДА, логит-анализ, классификационные деревья (classification and regression tree - CRT), нейросети и методологию AdaBoost к выборке российских производственных компаний 2007-2011 годов. Демешев и Тихонова (2014 а) используют много разных методов: пробит - и логит-анализ, линейный и квардатичный методы дискриминантного анализа, дискриминантный анализ смеси распределений, алгоритм случайного леса и классификационные деревья.
Однако зарубежные исследователи реже используют МДА и применяют более серьёзный эконометрический инструментарий: логит-анализ, нейронные сети и другие методы машинного обучения [4] .
Что касается факторов, включаемых в разные модели прогнозирования банкротства компаний по разным странам, то их количество составляло от 1 до 57, но в среднем в модели включалось 8-10 факторов [20] . А всего Белловари и др. в статье “A Review of Bankruptcy Prediction Studies: 1930-Present” (2007) насчитали 752 различных фактора в моделях прогнозирования банкротства.
Таблица 4.
Количество факторов, используемых в работах по прогнозированию банкротств компаний с 1966 по 2004 г.
|
1960-е |
1970-е |
1980-е |
1990-е |
2000-е |
1960-2004 |
||
|
Минимум |
5 |
2 |
1 |
2 |
5 |
1 |
|
|
Максимум |
30 |
18 |
47 |
57 |
13 |
57 |
|
|
В среднем |
15 |
8 |
9 |
11 |
8 |
10 |
Источник: Белловари и др. (2007).
ОТРАСЛЕВАЯ СПЕЦИФИКА
Разговоры об отраслевой специфике при прогнозировании банкротства ведутся ещё с работы Бивера (1966). Уже тогда выдвигалась идея, что различия, существующие между отраслями, не позволяют проводить исследования по всем отраслям вместе, никак не учитывая эти различия, поскольку числовое значение отношения (фактора модели) говорит о разном риске банкротства для компаний разных отраслей, так как величины показателей различных отраслей могут сильно отличаться друг от друга. По мнению Бивера, даже разные отрасли промышленности при прогнозировании банкротства следовало бы рассматривать отдельно друг от друга. Однако не исключалась и возможность компенсации различий в отношениях финансовых показателей разной вероятностью банкротства компаний разных отраслей [19, с.74] . Хотя в большинстве работ всё-таки исследуется либо одна отрасль, либо отраслевые различия не учитываются вовсе. Например, Давыдова и Беликов считали, что разработанная ими 4-хфакторная модель может быть использована для прогнозирования банкротства компании "любой формы собственности и любой отрасли" [1] . Луговская (2010) разработала две модели для компаний разных отраслей в совокупности, не учитывая отраслевую специфику. Чава и Джаров (2004) показали, что важно включать отраслевые эффекты (в виде дамми-переменных) в модель [21] . В то время как Ландквист и Странд (2013) показали, что добавление отраслевых эффектов незначительно увеличивает прогнозную способность [26] .
Первая попытка оценить и учесть отраслевую специфику и форму организации компании на основе российских данных была предпринята совсем недавно в статье Демешева и Тихоновой (2014) [2] , хотя идея, что для разных отраслей одна и та же модель может обладать разной предсказательной силой, высказывалась и в более ранних работах (например, Фёдорова, Гиленко, Довженко (2013)). В статье "Прогнозирование банкротства российских компаний: межотраслевое сравнение" Демешев и Тихонова анализировали четыре отрасли: обрабатывающие производства, операции с недвижимостью, оптовую и розничную торговлю и строительство (по ОКВЭД), формы ООО и ЗАО. Авторы показали, что нефинансовые различия между отраслями, значительно влияющие на характер связи факторов модели и вероятности банкротства, невозможно отразить с помощью дамми-переменных, поэтому они решили строить модели для каждой отрасли отдельно, и ими было отмечено, что между отраслями присутствуют сходства: некоторые показатели в моделях для разных отраслей одни и те же. Однако при построении модели Демешев и Тихонова получили невысокую прогнозную способность моделей по сравнению с другими исследованиями (созданная логит-анализом модель обладала прогнозной силой менее 70%, площадь под ROC-кривой была около 0,75).
1.3 Подведение итогов главы 1
Рассматривая объём работ, посвящённых прогнозированию банкротства, в целом, можно сделать вывод, что исследований по российскому рынку проведено не так много [23] , поскольку первые модели на российских данных стали появляться в 1990-х годах [1] . Работ по другим странам (европейским и азиатским) сделано в разы больше, и большинство из них посвящено рынку США [25] . Российскими исследователями предпринимались многочисленные попытки применения и адаптации зарубежных моделей прогнозирования банкротства к российским компаниям. Однако ещё в 1993 году Альтман в своей работе строил отдельные модели для развитых и развивающихся стран в силу того, что разные группы стран обладают разными характеристиками, которые оказывают воздействие на вероятность банкротства компаний [9] . Результатом попыток применения зарубежных моделей к российским данным послужило заключение, что условия российского рынка значительно отличаются от рынков других стран правилами бухгалтерского учёта, законодательством, структурой капитала компаний и другими характеристиками и следует строить модели на российских данных, а не применять иностранные модели [4] . Кроме того, как уже замечалось ранее, некоторыми авторами производилась апробация российских моделей к новым данным. Но даже применение одной модели для одной страны в разные периоды времени может быть затруднительно Бегли (Begley, 1996), поскольку законодательство, правила составления финансовой отчётности, социальные институты, культура различаются не только в разных странах, но и меняются со временем в одной и той же стране. Поэтому результаты, полученные авторами исследований не по России, нельзя напрямую применять для прогнозирования банкротств российских компаний; и поэтому же каждый год разрабатываются новые модели прогнозирования банкротства компаний.
Исходя из проведённого анализа литературы и исследовательской интуиции, мы выдвигаем следующие гипотезы:
Общая для трёх отраслей
Гипотеза 1. Для разных отраслей наилучшими для прогнозирования банкротства являются разные наборы факторов.
Если сравнить наборы факторов, включённых в модели, построенные для разных отраслей разных факторов, то можно заметить, что они отличаются. Однако просто сравнить модели некорректно, поскольку они были рассчитаны в разное время на разных странах, с использованием разной методологии. Кроме того, различаются между собой не только модели разных отраслей, но и модели разных авторов, построенные для одной и той же отрасли. Поэтому было решено провести собственное исследование, чтобы проверить, можно ли с помощью одного и того же набора факторов предсказывать банкротство разных отраслей России.
Остальные гипотезы мы выдвигаем, исходя из анализа работ, посвящённых прогнозированию банкротства компаний соответствующих отраслей (для удобства в Приложении 1 помещена таблица, в которой представлены кроме прочего и факторы некоторых моделей разных отраслей).
Для отрасли торговли
Гипотеза 2. Для прогнозирования банкротства компании торговой отрасли наиболее важными факторами являются показатели ликвидности и оборачиваемости.
Гипотеза 3. Чем больше показатель ликвидности компании, тем ниже вероятность её банкротства.
Гипотеза 4. Чем выше показатель оборачиваемости, тем ниже риск банкротства.
Для отрасли добычи полезных ископаемых
Гипотеза 5. Для прогнозирования банкротств компаний, занимающихся добычей полезных ископаемых наиболее важны показатели оборачиваемости и финансовой устойчивости (их также называют показателями финансового рычага).
Гипотеза 6. Чем больше показатель оборачиваемости, тем ниже риск банкротства.
Гипотеза 7. Чем выше показатель финансовой устойчивости, тем риск банкротства больше.
Для отрасли обрабатывающих производств
Гипотеза 8. Для прогнозирования банкротства в отрасли обрабатывающих производств самые важные факторы - объём производства и показатель финансового рычага.
Гипотеза 9. Чем выше объём производства, тем ниже риск банкротства.
Гипотеза 10. Чем выше показатель финансового рычага, тем риск банкротства больше.
Глава 2. Методология проведения исследования
2.1 Описание формирования базы данных
Проанализировав литературу, мы можем сделать вывод, что исследователи обычно анализируют отдельно нефтегазовый сектор, строительство, промышленность, торговлю или финансовый сектор. Как правило финансовые организации не исследуются совместно с компаниями других отраслей в силу фундаментальных различий в их функционировании и, соответственно, в финансовых показателях, поэтому и мы сразу же исключили финансовые копании из рассмотрения По этой причине мы в обзоре литературы лишь слегка касались финансового сектора. В качестве же примера работы, в которой присутствует сравнение финансового и реального секторов, можем указать статью Чава и Джарров (2004). . Отрасли образование, здравоохранение, коммунальные услуги, государственное управление и обеспечение военной безопасности также были исключены в силу специфических рисков и процедур банкротства этих отраслей. Для достижения цели нашей работы, следовало найти три отрасли с существенными различиями, поскольку, по нашему мнению, трёх отраслей вполне достаточно, чтобы сделать вывод, можно ли с помощью одного и того же набора показателей предсказывать банкротство компаний с достаточной точностью. И мы остановили свой выбор на добыче полезных ископаемых, обрабатывающих производствах, оптовой и розничной торговле Обратившись к данным Федеральной службы государственной статистики, а именно структуре ВВП по отраслям, мы обнаружили, что большая доля ВВП приходится на эти три отрасли. . Приведём некоторые характеристики выбранных отраслей В двух таблицах, представленных ниже характеристики приводятся по всем компаниям вместе: как малым и средним, так и по крупным. .
Таблица 5.
Число компаний трёх отраслей России с 2012 по 2014 год, тыс.
|
Отрасль |
2012 |
2013 |
2014 |
|
|
Добыча полезных ископаемых ... |
Подобные документы
Основные понятия финансовой несостоятельности предприятий. Создание математической модели прогнозирования банкротства компании. Выявление факторов финансового состояния ЗАО "Управление механизации №276", информационная база анализа угрозы банкротства.
курсовая работа [388,7 K], добавлен 18.05.2014Проблема прогнозирования банкротства предприятий в Российской Федерации. Организационно-экономическая характеристика ООО "Мана", анализ его финансовой устойчивости, платежеспособности и кредитоспособности. Диагностика банкротства по модели Альтмана.
реферат [101,5 K], добавлен 08.06.2013Модели дискриминантного анализа. Эффективность классических западных и российских моделей предсказания банкротства. Отраслевая специфика. Описание статей, включающее характеристики выборки, метод, список факторов и прогнозную силу метода анализа.
реферат [68,6 K], добавлен 24.07.2016Понятие банкротства, его основные причины и необходимость прогнозирования. Отечественные и зарубежные модели экспресс-прогнозирования возможности наступления банкротства. Сущность модели О.П. Зайцевой и расчет вероятности наступления банкротства.
курсовая работа [98,7 K], добавлен 30.09.2009Понятие банкротства, его причины и способы диагностирования. Модели экспресс-диагностирования банкротства. Прогнозирование вероятности банкротства ФГУП "Кирпичный завод" по модели Сайфулина-Кадыкова, основные направления антикризисного управления.
курсовая работа [101,1 K], добавлен 30.09.2009Понятие и признаки банкротства. Причины и виды банкротства. Процедуры банкротства. Методы диагностики вероятности банкротства. Многокритериальный подход. Дискриминантные факторные модели. Оценка вероятности банкротства предприятия по модели Альтмана.
курсовая работа [59,3 K], добавлен 16.12.2007Два подхода к прогнозированию банкротства. Три модели Альтмана. Методика О.П. Зайцевой. Методика ФСФО РФ. Методика определения класса кредитоспособности. Методика балльных оценок. Критерии А.И. Ковалева, В.П. Привалова. Методика А.О. Недосекина.
реферат [19,8 K], добавлен 10.05.2007Изучение признаков несостоятельности предприятия. Сравнительный анализ систем правового регулирования банкротства в Европе, Америке, России. Выявление уровня платежеспособности компании на примере ОАО "Альбатрос". Рассмотрение модели банкротства Альтмана.
курсовая работа [62,7 K], добавлен 29.07.2010Понятие банкротства, основные признаки. Характеристика внутренних и внешних факторов банкротства. Анализ модели Альтмана. Методика определения финансовой устойчивости. Виды деятельности СПК "Колхоз Луч" Увинского района, структура оборотных средств.
курсовая работа [253,9 K], добавлен 16.04.2012Особенности и значение прогнозирования риска банкротства предприятия, формула расчета определения его вероятности. Сущность модели вероятности риска Таффлера, платежеспособности Спрингейта. Расчет пятифакторной модели Альтмана для акционерных обществ.
контрольная работа [24,1 K], добавлен 14.11.2010Термины "банкротство" и "несостоятельность". История развития института банкротства в России. Российское законодательство о банкротстве. Методические основы банкротства предприятий. Выявление сущности банкротства в условиях рыночного хозяйства.
курсовая работа [43,8 K], добавлен 15.02.2007Анализ банкротства по модели Ж. Конана - М. Голдера: способы расчета, эффективность применения, изменение показателей предприятия в 2009 г. Анализ банкротства по модели Р. Таффлера и Г. Тишоу, особенности изменения показателей в 2008-2009 годах.
контрольная работа [8,4 K], добавлен 19.12.2011Основные общепринятые стратегии. Факторы комбинированной модели. Формула и коэффициент прогнозирования. Регрессии комбинированной модели. Итоговый вид комбинированной торговой модели. Проверка коэффициентов прогнозирования, стратегии минимизации рисков.
курсовая работа [2,0 M], добавлен 27.04.2016Методы прогнозирования банкротства, особенности их использования в России и за рубежом. Организационно-экономическая характеристимка и анализ потенциального банкротства ОАО "Живая вода". Пути повышения финансовой устойчивости исследуемого предприятия.
курсовая работа [498,3 K], добавлен 02.12.2009Изучение сущности, признаков, видов (фиктивное, преднамеренное, реальное, техническое), предпосылок возникновения, методов прогнозирования (модели Альтмана, многокритериальная, интегральная) банкротства. Пути выхода предприятия из кризисного состояния.
курсовая работа [35,8 K], добавлен 06.02.2010Экономическая сущность банкротства предприятия, его виды, предпосылки возникновения; проблемы и способы их преодоления. Анализ потенциального банкротства по зарубежной и российской методикам. Оценка и прогнозирование финансовой устойчивости ОАО "Прибор".
курсовая работа [113,2 K], добавлен 14.02.2011Модели капитала. Совершенный рынок капиталов. Гомогенные ожидания. Только благосостояние принимается в расчет. Модели стационарного отношения. Процедура банкротства. Модели асимметричной информации. Инвестиционные модели. Проблема замещения активов.
презентация [5,8 M], добавлен 09.04.2016Понятие, основные признаки и цели банкротства предприятия. Участники процесса ликвидации и банкротства. Прогнозирование вероятности банкротства предприятия. Финансовое оздоровление, внешнее управление, конкурсное производство и мировое соглашение.
курсовая работа [641,2 K], добавлен 13.05.2011Принципы размещения отраслей промышленности и факторы, влияющие на данный процесс. Модели размещения отраслей промышленности: Тинбергена, Шеффера, Вебера, обоснование практической эффективности в переходной экономике современной Российской Федерации.
курсовая работа [41,1 K], добавлен 23.12.2013Анализ баланса предприятия на предмет банкротства на основании оценки структуры имущества и обязательств общества, пассивов баланса по степени срочности их оплаты, показателей ликвидности и финансовой устойчивости. Модели прогнозирования банкротства.
отчет по практике [26,4 K], добавлен 16.10.2011
