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.

17,3

17,4

17,8

Обрабатывающие производства

405

401,9

403,1

Оптовая и розничная торговля

1645

1569

1553

Источник: рассчитано автором на основе данных из сборников Федеральной службы государственной статистики "Россия в цифрах".

Таблица 6.

Некоторые показатели российских компаний по трём отраслям за 2012-2014 гг.

Отрасль

Выручка одной компании в среднем, млн. руб.

Рентабельность активов в среднем, %

Доля прибыли в выручке в среднем, %

2012

2013

2014

2012

2013

2014

2011

2012

2013

Добыча полезных ископаемых

514,8

527,4

549,3

15,3

11,3

14,6

22,5

19,7

17

Обрабатывающие производства

65

73,5

79,4

8,1

4,5

2,3

9,1

8,4

5,2

Оптовая и розничная торговля

25,4

24,3

29,1

7,9

6,7

4,7

8,4

6,2

5,2

Источник: рассчитано автором на основе данных из сборников Федеральной службы государственной статистики "Россия в цифрах" и "Финансы России".

Как видно из таблиц, представленных выше, число компаний в разных отраслях значительно отличается: в торговой отрасли компаний почти в 90 раз больше, чем в добывающей отрасли. Выручка, рентабельность активов и доля прибыли в выручке в среднем по компаниям разных отраслей также различается. Эти показатели существенно выше в отрасли добычи полезных ископаемых. Кроме того, очевидно, что оптовая и розничная торговля - менее капиталоёмкая отрасль, чем обрабатывающие производства и тем более добыча полезных ископаемых, но в то же время имеет более высокий оборот. Поэтому в силу таких различий мы решили, что выводы, полученные в результате проведения исследования, могут быть применены и к другим отраслям России. Если бы оказалось, что даже компании таких непохожих друг на друга отраслей могут прогнозировать своё банкротство на основе одних и тех же факторов, то, вероятно, и компании других основных отраслей могут также делать выводы на основе этих факторов Опять же исключая финансовый сектор и другие специфические отрасли, указанные ранее. .

Модели для фирм разного размера отличаются, поскольку крупные компании котируются на бирже, и, соответственно, имеют несколько иные требования предоставления информации. А небольшим компаниям труднее получить кредит в силу ограничений на допустимый размер долга, к таким компаниям предъявляются повышенные требования к обеспечению долга и применяются более высокие ставки по кредитам [2] . Небольшие компании намного более рискованны, менее устойчивы, чем крупные компании и риск банкротства для средних и малых компаний выше, чем для крупных [19] , они чаще испытывают финансовые трудности, которые могут приводить к ликвидации. А значит, данные по малым и средним компаниям-банкротам должны быть обширнее. К тому же ещё Бивер (1966), а вслед за ним Сириратанафонкун и Патаратаммас (2012) и другие исследователи писали, что проводить исследование по крупным и средним и малым компаниям вместе нельзя. По этим причинам мы решили провести это исследование только по средним и малым компаниям. Помимо этого, не можем не заметить, что именно малый и средний бизнес играет важную роль в разных странах, в том числе и в России, поскольку способствует инновациям и является опорой экономики.

Ещё одна причина, по которой мы решили ограничиться средними и малыми компаниями: среди больших компаний добывающих производств и обрабатывающих отраслей число банкротов невелико, поскольку такие компании имеют особую значимость для государства. Они часто являются градообразующими и важными с точки зрения обороны нашей страны [12] . В торговой отрасли же такого явления не наблюдается. Поэтому, чтобы сравнение по отраслям было как можно более корректное, мы решили не рассматривать крупные компании.

Обычно исследования по российским малым и средним компаниям основаны на данных базы “Ruslana” База данных “Ruslana” содержит финансовую и некоторую нефинансовую информацию о компаниях России, Казахстана и Украины за десятилетний период (с 2006 г. по 2015 г.). - например, Демешев, Тихонова (2014 a и b), и “SPARK” “SPARK” (или СПАРК) - Система Профессионального Анализа Рынков и Компаний, содержащая отчёты и другие характеристики компаний России, Казахстана и Украины. - Луговская (2010), Фёдорова, Гиленко, Довженко (2013 b), Рыгин (2013) Макеева и Бакурова (2012) брали данные из Amadeus, Bloomberg и Capital IQ, когда рассматривали компании нефтяного сектора. . Мы решили использовать первую, поскольку она содержит информацию о факте банкротства, что, как мы предполагали, избавит нас от необходимости использовать дополнительные источники информации, например, "Российскую газету", публикующие объявления о банкротстве компаний; и в отличие от “SPARK”, процесс сбора данных в базе “Ruslana” менее трудоёмкий. Однако обращения к базе решений Арбитражных судов РФ нам избежать не удалось, поскольку при более близком анализе данных базы “Ruslana”, оказалось, что из её данных можно лишь узнать, принимала ли компания участие в делах о несостоятельности, но в качестве кого она выступала: истца или ответчика - не уточняется в базе. Поэтому каждая компания, которая в базе “Ruslana” отмечалась как участвовавшая в деле о банкротстве была проверена нами по базе решений Арбитражных судов вручную.

Для начала из базы были выбраны данные по частным российским действующим и недействующим компаниям, имеющих код по ОКВЭД 2008 с 10 по 37 и с 50 по 52; код по NACE Rev.2 с 05 по 32 и с 45 по 47 и выручку за последние доступные три года до 2 млрд. руб. Однако таких компаний получилось слишком много (более 900 000). К тому же существовал большой риск некорректных данных в отчётностях микропредприятий. Такие компании отчитываются по упрощённой системе предоставления информации, и слабо мотивированы сообщать реальную финансовую информацию. Из-за этого было решено микропредприятия исключить из выборки: была установлена и нижняя граница по выручке - не менее 120 млн. руб. за последние доступные три года. Такие границы были установлены в соответствии с предельными значениями, принятыми постановлением Правительства РФ от 13.07.2015 г. N 702 "О предельных значениях выручки от реализации товаров (работ, услуг) для каждой категории субъектов малого и среднего предпринимательства", которые распространяются и на годы, предшествующие 2015 году. Итого из базы были выгружены различные показатели баланса и отчёта о прибылях и убытках (подробный глобальный формат) и некоторые нефинансовые показатели 25 141 компании за все доступные годы. Список этих показателей представлен в Приложении 2.

После этого нужно было определить, какие компании можно считать банкротами, а какие являлись финансово "здоровыми", а также понять, отчётность какого года нужно включать в рассмотрение для каждой компании-банкрота, поскольку даже после принятия судом заявления о признании компании банкротом, компания может продолжать функционировать на протяжении нескольких лет и выпускать годовую отчётность. Нас же интересовала только отчётность года, предшествующего банкротству. Для этих задач, как уже упоминалось ранее, использовались данные базы “Ruslana”, а также данные базы решений Арбитражных судов РФ. Изначально было принято решение, что компания будет считаться банкротом с момента принятия Арбитражным судом самого раннего заявления о признании этой компании банкротом, именно в этот момент в отношении компании заводится дело о банкротстве (несостоятельности) Многие компании неоднократно испытывали финансовые трудности, на них в разные годы было заведено несколько дел о несостоятельности, они проходили разные процедуры банкротства, но не прекращали свою деятельность. И мы выбирали самое раннее дело о банкротстве таких компаний, поскольку в последующие годы компания продолжала испытывать финансовые трудности до принятия судом заявления о её банкротстве, в это время уже было известно, что компания практически в положении банкрота находится, а значит, могли предприниматься меры оздоровления, что отражалось в бухгалтерских показателях, и способно искажать результаты исследования. , а если компании решила ликвидироваться по собственной инициативе, то она будет считаться банкротом с момента объявления о ликвидации. Соответственно для предсказания банкротства будет использоваться годовая отчётность года, предшествующего таким событиям. Такой подход к понятию банкротства был выбран, потому что мы предположили, что и тот факт, что суд принял заявление на рассмотрение, и самоликвидация компании, свидетельствуют о том, что у компании существенные проблемы. Аналогичным образом поступали и другие исследователи в области прогнозирования банкротства компаний, например, Демешев и Тихонова (2014 a и b) Однако в ходе проведения исследования нами было решено отказаться от включения в категорию банкротов самоликвидированных (то есть самостоятельно принявшим решении о своём банкротстве) компаний. Подробнее об этом будет сказано ниже. .

Исходя из прочитанной литературы по теме прогнозирования банкротства по российским данным, мы решили рассматривать все имеющиеся в базе факты банкротства за разные годы, опасаясь, что после обработки выборки оставшихся наблюдений будет мало. Таким образом, у попавших в выборку компаний отчётность до банкротства датировалась 2012-м - 2015-м гг., но большинство отчётностей пришлось на 2013-ый или 2014-ый гг. Для компаний не банкротов мы использовали последнюю имеющуюся отчётность (2013-2015 гг.).

В ФЗ от 24.07.2007 "О развитии малого и среднего предпринимательства в Российской Федерации" говорится, что компания относится к категории малого или категории среднего бизнеса в зависимости от большего из двух параметров: числа работников и объёма выручки. Поэтому и число работников (от 15 до 250 человек), и размер выручки (120 млн. - 2 000 млн. руб.) компаний прошли проверку на соответствие критериям ФЗ за трёхлетний период Некоторые исследователи прогнозирования банкротства рассматривали один из этих показателей как приоритетный признак. Но мы решили поступать в соответствии с законодательством РФ. . Однако в базе данных содержалось довольно много пропусков в пункте о количестве работников, при отсутствии информации в каком-то году ориентировались либо на количество человек в предыдущем году (при наличии такой информации), либо только на выручку.

После этого мы очистили данные от значений, противоречащих здравому смыслу (см. Приложение 2), которые могли возникнуть вследствие ошибки при введении информации в базу данных и которые могли отрицательно повлиять на результаты исследования, а также от выбросов (для этого в основном проводился графический анализ), предварительно разбив всю совокупность компаний на три выборки в соответствии с отраслевой принадлежностью.

Таблица 7.

Число компаний банкротов и не-банкротов по отраслям

Добывающая отрасль

Обрабатывающая отрасль

Торговля

До чистки данных

Не-банкроты

688

8042

23728

Банкроты

43

505

1413

Всего

731

8547

25141

После удаления "сомнительных" значений и выбросов

Не-банкроты

564

6926

13315

Банкроты

37

438

705

Всего

591

7364

14020

Источник: авторские расчёты.

Заметим, что сильнее всего сократилась выборка торговой отрасли: число банкротов уменьшилось в 2 раза.

2.2 Описание особенностей метода построения модели, отбора факторов, включаемых в модели и выбор наилучшей модели

В нашем исследовании мы решили использовать логит-анализ. Для решения проблемы, рассматриваемой нами, не стоит, по нашему мнению, прибегать к таким методам, как нейронные сети или алгоритм случайного дерева и другим методам машинного обучения (искусственного интеллекта). Поскольку они недостаточно хорошо изучены и сложны в интерпретации. Логит-анализ же имеет однозначную интерпретацию вероятности банкротства Для расчётов использовалась программа Stata версии 12. . Анализ текстов годовых отчётов мы не считаем приемлемым методом, поскольку использование такого рода модели сложнее. С нашей точки зрения, на практике компаниям (как, впрочем, и другим агентам рынка) проще обойтись финансовыми показателями, чем анализировать годовые отчёты. К тому же модели, полученные с помощью логит-метода, обладают высокой эффективностью [9] , и по сравнению с дискриминантным анализом, логит-анализ обычно даёт лучшие результаты.

Регрессионное уравнение выглядит следующим образом (также эта формула именуется логит-преобразованием):

где P - вероятность банкротства (принимает значения 1 - в случае если компания является банкротом, и 0 в другом случае), e - основание натурального логарифма, - уравнение регрессии.

Достоинства логит-метода заключаются в следующем:

· он учитывает нелинейную связь между факторами и вероятностью банкротства,

· не требует таких жёстких ограничений, как МДА (нет необходимости в нормальном распределении показателей),

· по результатам исследования не появляются "зоны неопределённости",

· делается однозначный вывод о вероятности банкротства компании.

К недостаткам метода можно отнести его чувствительность к мультиколлинеарности факторов.

Обычно авторы исследований проблемы прогнозирования банкротства компаний выделяют пять групп финансовых показателей: показатели рентабельности, ликвидности, оборачиваемости (или показатели деловой активности), финансовой устойчивости (или финансового рычага) и обслуживания долга. Первая группа свидетельствует об эффективности использования средств, о наличии или отсутствии у компании прибыли, о соотношении затрат и доходов. Вторая группа отражает скорость превращения материальных активов в денежные средства для покрытия различных обязательств. Третья группа, говорит об эффективности использования компанией средств, о потребности в оборотном капитале. Четвёртая группа показывает соотношение заёмных и собственных средств, следовательно, помогает оценить риски компании, устойчивость её функционирования. Пятая же группа определяет, как быстро компания платит проценты по долгу, а также каково соотношение этих платежей и тела долга. Таким образом, разные группы показателей характеризуют компанию с разных сторон.

Многие исследователи проблемы прогнозирования банкротств выбирают показатели для своих моделей из числа тех показателей, что были использованы в работах других авторов. Так, например, Луговская (2010), как и многие другие авторы, опиралась на статью Альтмана (1968) при составлении списка показателей, включаемых в модель. Демешев, Тихонова (2014 a) рассматривали как показатели из статьи Альтмана, Сабато (2007), так и наиболее популярные показатели, по данным приведённым в статье Белловари (2007) Отметим, что Демешев и Тихонова также использовали метод LASSO в этой своей работе. . Хотя многие авторы считают, что включать в модель факторы, основываясь на зарубежных исследованиях некорректно. Среди причин рассматривается различия между отчётностью по РСБУ и отчётностью по МСФО, а также среды, в которой функционируют фирмы.

В нашей работе использовались упоминавшиеся в статьях разных авторов методы определения, какие факторы должны войти в модель, обладающую максимальной прогнозной способностью. Проводился поиск показателей, которые наиболее сильно коррелированы с объясняемой переменной (дамми-переменная, указывающая является ли компания банкротом - значение 1, или не-банкротом - значение 0), но слабо коррелированы между собой. Зависимость с объясняемой переменной была обнаружена довольно слабая по всем отраслям, не превышающая 30% (у многих переменных она была гораздо ниже этого значения). Также применялась функция пошагового добавления факторов в модель и пошагового исключения их из модели (функция stepwise). В таком подходе также требовалось проводить проверку попарной корреляции между факторами (она не должна была превышать значения 0,3 Согласно предшествующей литературе. ). Кроме этого в модель включались наборы, состоящие:

1) из наиболее популярных показателей из работы Белловари и др. (2007);

2) из разных работ по России в целом, в которых авторы приводили, на их взгляд, достаточное число факторов различных групп, описанных выше (показатели рентабельности, ликвидности и т.д.), при проверке которых можно было бы построить модели с высокой прогнозной силой для российских компаний (например, Луговской (2010);

3) из работ, основанных на данных отдельных рассматриваемых нами отраслей И в этом случае также проводился контроль попарной корреляции включаемых в модель факторов. .

Стоит уделить внимание способу оценки эффективности модели. Мы ориентировались на соотношение верно и неверно классифицированных компаний. Воспользовавшись функцией estat classification, мы оценивали чувствительность и специфичность разных моделей и сравнивали процент верно классифицированных наблюдений. Поскольку многие авторы разделяли свою выборку на тестовую подвыборку (на базе которой и строилась модель предсказания банкротства) и на контрольную подвыборку (на данных которой построенная модель проверялась) Ещё в 1965 году Франк и другие (1965) предложил строить модель на одной выборке, а проверять её предсказательную силу на другой (контрольной). , причём чаще всего в соотношении 90% к 10%, мы решили поступить также. Мы рассматривали качество модели, построенной на экспериментальной (тестовой) выборке, на трёх выборках: на тестовой подвыборке, на контрольной подвыборке и на всей выборке компаний каждой отрасли. Помимо этого для этих трёх видов выборок мы рассчитывали площадь под ROC-кривой (показатель AUC).

Конечно, хотелось бы получить модель как можно более хорошего качества (с как можно большей прогнозной способностью). Однако мы решили, что будем считать, что у нас получилось построить достаточно хорошую модель, если наилучшая из построенных моделей будет иметь долю верно предсказанных наблюдений и площадь под ROC-кривой более 70% Значение показателя AUC от 0,7 и выше считается исследователями достаточно хорошим [11] . . При этом, конечно, мы планировали наблюдать и за классификационным распределением (сколько компаний банкротов и сколько компаний-небанкротов верно и неверно предсказано), за показателями чувствительности и специфичности.

2.3 Подведение итогов главы 2

Итак, нами было решено проводить исследование по малым и средним компаниям трёх отраслей российской экономики: добыча полезных ископаемых, обрабатывающие производства, оптовая и розничная торговля. Для этого была составлена выборка с помощью базы данных "Ruslana" Бюро ван Дайк и базы Арбитражных судов России. Мы посчитали логит-анализ наиболее приемлемым методом для достижения цели нашего исследования. А в качестве критериев качества модели выбрали долю верно предсказанных наблюдений (далее мы будем называть это правильностью предсказаний) и величину площади под ROC-кривой.

Глава 3. Исследование и результаты

Исследование было начато с анализа добывающей отрасли. Первоначально использовались очищенные от "сомнительных" значений данные по всей совокупности компаний добычи полезных ископаемых. Получаемые нами модели имели точность предсказания выше 90%, даже если правильно предсказан из всей совокупности банкротов был лишь один банкрот, что абсолютно нас не устраивало. Такие результаты неудивительны, ведь логит-анализ чувствителен к соотношению числа банкротов и не-банкротов, а в этой выборке процент банкротов среди всех компаний составлял около 6%. Однако поскольку нам было неизвестно, насколько чувствителен этот метод, то есть какой минимальный процент банкротов должен быть в выборке, чтобы результаты, полученные логит-методом были хорошего качества. Поэтому мы рассмотрели разные соотношения компаний-банкротов и компаний-небанкротов для этой отрасли: 37/370; 37/185; 37/11; 37/74; 37/37.

В выборках, в которых количество не-банкротов превышало число банкротов более чем в два раза, процент "правильно классифицированных" наблюдений был всё также высокий (около 90%) даже при малом количестве верно предсказанных банкротов. Это интересный с нашей точки зрения результат, однако исследование вопроса прогнозирования банкротства с этой стороны (то есть какое соотношении числа банкротов и не-банкротов является оптимальным при использовании логит-анализа) выходит за рамки данной работы, поэтому для других отраслей мы не рассматривали такие соотношения в количестве компаний-банкротов и компаний-небакротов.

Проведённые расчёты по добывающей отрасли по сбалансированной выборке (37/37 Здесь и далее таким образом (в круглых скобках) показано не количество банкротов и не-банкротов тестовой подвыборки, их число по всей выборки компаний отрасли. Доля наблюдений, попавшая в тестовую подвыборку, как уже было сказано выше, составила около 90% всей выборки. ) и по выборке, где число небанкротов в 2 раза превышало число банкротов (37/74), выявили в качестве наилучшей одну и ту же модель с факторами: себестоимость/accounts payable, current assets/equity, total debt/total assets Здесь, как и в других модели, построенных нами специально для каждой отрасли, все коэффициенты значимы как минимум на 10% уровне значимости, но обычно большинство значимо даже на 1% уровне см. Приложения. . Характеристики качества модели на сбалансированной выборке: 80% экспериментальной подвыборке, 100% контрольной подвыборки (отметим однако, что в контрольную подвыборку вошло относительно немного компаний) и в целом по выборке 82% правильности предсказаний; а площадь под ROC-кривыми 0,9067, 1,000 и 0,907 соответственно. На несбалансированной подвыборке - 88%, 100% и 89,29% правильно предсказанных наблюдений на тестовой подвыборке, на контрольной подвыборке и в целом по всей выборке банкротов и небанкротов отрасли; 0,9289, 1,000 и 0,9359 соответственно составили площади под ROC-кривыми. Полученный результат кажется довольно хорошим даже на фоне других работ, написанных по теме прогнозирования банкротства.

Далее был осуществлён поиск лучшего набора факторов модели прогнозирования банкротства обрабатывающей отрасли. Сначала на данных сбалансированной выборки, включавшей в себя всех банкротов отрасли и столько же не-банкротов (438/438), наилучшей моделью оказалась модель, включающая: cash/sales, net income/sales, quick assets/sales, inventory/sales, retain earnings/total assets. Она верно классифицировала 74,784% наблюдений на тестовой подвыборке и имела площадь под ROC-кривой, равную 0,8127 на этой же подвыборке.

Что касается торговой отрасли, то наилучшая модель, построенная на сбаласированной выборке, содержащей также всех банкротов и такое же число не-банкротов (705/705), имела площадь под ROC-кривой 0,6702 и 62,42% верно предсказанных наблюдений по тестовой выборке (факторами модели были: equity/total assets, sales/total debt, working capital/sales, profit before taxes/ total assets, working capital/total assets, cash/sales). Эти значения оказались хуже, чем для модели, построенной для добывающей отрасли. Тогда мы решили более детально проверить, какие различия существуют между компаниями-банкротами добывающей отрасли и отраслей обрабатывающих производств и торговли, чтобы понять, почему модели, созданные по данным двух последних отраслей имеют худшие характеристики.

Оказалось, что в выборку компаний добывающей отрасли не попали "самоликвидированные" компании (видимо, они были исключены в ходе обработки данных). Мы решили проверить, каковы получатся результаты, если исключить такие компании из рассмотрения. Возможно, не все компании самостоятельно принимают решение о ликвидации вследствие финансовых трудностей, сходных с теми компаниями, в отношении которых кредиторы просят суд завести дело о несостоятельности. Однако же считать, что все такие компании принимают решение о "самоликвидации" не по причинам финансовых трудностей, возникающих в случаях, когда в отношении компании заводится дело о банкротстве, мы тоже не можем. Поэтому "самоликвидированные" компании были исключены из выборки.

На данных сбалансированной выборки (330/330), в которой в качестве банкротов, выступали только компании, заявление о банкротстве которых было принято Арбитражным судом, наилучшая модель для обрабатывающей отрасли имела следующие факторы: inventory/sales, cash/current assets, retain earnings/total assets, quickassets/sales. Заметим, что четыре фактора из пяти, содержащиеся в модели, построенной по выборке, включавшей все компании-банкроты, остались прежними. А фактор cash/sales сменился на cash/current assets. Прогнозная способность новой модели составила 77,65% на тестовой подвыборке, 72,31% - на контрольной и77,12% - по всей выборке. Площадь под ROC-кривыми: 0,8372; 0,8286 и 0,8362 соответственно. Эти характеристики новой модели в целом выше, чем у предыдущей, но разница невелика.

Проделанный анализ по выборке компаний торговой отрасли также по выборке только "легальных банкротов" показал в качестве наилучшего набора факторов модели следующие показатели: total assets, current assets/current liabilities, cash/total assets, net income/total asssets, quick assets/total assets. Эта модель совсем непохожа на предыдущую модель, разработанную для отрасли торговли. С другой стороны она имеет заметное сходство с набором показателей, включённых в модель Луговской (2010), построенную на данных малых и средних компаний по российским компаниям в целом (по всем отраслям). Однако при включении переменных из этой статьи, не вошедших в лучшую модель, построенную нами, обнаружилась высокая корреляция между факторами. Прогнозная способность нашей модели составила 73,1% на тестовой подвыборке, 70,59% - на контрольной и 72,85 % - на всей. Площадь под ROC-кривой: 0,7798; 0,7508 и 0,7768 соответственно Для добывающей и торговой отраслей построение модели на несбалансированных выборках не было проведено, поскольку мы посчитали, что сравнения моделей на сбалансированных выборках будет достаточным для того, чтобы сделать выводы, соответствующие цели нашей работы. . Полученные результаты для этих двух отраслей превысили порог в 70%, однако добиться превышения 80% порога нам не удалось (можно предположить, что виной более низкой прогнозной силы являются проблемы в данных, напомним, около 50% наблюдений было исключено в ходе чистки данных). Конечно, существует немало работ, в которых точность прогноза приближается к 100%. Однако некоторые модели, предложенные другими исследователями, обладали примерно такой же или даже более низкой прогнозной способностью. Поэтому мы решили, что полученные модели достаточно приемлемы Возможно, в будущем стоит более детально работать с данными. Пропуски данных и их неточность (не все компании предоставляют действительную отчётность своей деятельности) могли оказать негативное воздействие на наши результаты. .

Заметим, что уравнения регрессий были также оценены робастным образом, однако поскольку значимость переменных моделей существенно не изменилась, все результаты представлены без учёта гетероскедастичности (посчитанные неробастным образом). А также нами менялся порог классификации функции estat classification по умолчанию он составляет 0,5, однако некоторые авторы использовали другие значения. Однако в целом улучшения прогнозной способности это не дало ни для одной модели.

После создания наилучших моделей прогнозирования банкротств компании для каждой отрасли была проведена проверка каждой из этих моделей на данных двух других отраслей (на данных отраслей, отличных от той, по которой модель была рассчитана изначально).

Предлагаем ознакомиться с полученными результатами анализа применимости моделей, построенных для одной отрасли на данных других двух отраслей в таблицах, расположенных ниже.

Таблица 8.

Применение показателей лучшей модели прогнозирования банкротства, посчитанной на данных добывающей отрасли

Добыча

Обрабатывающ.

Торговля

coef/se

coef/se

coef/se

caeq

0,286*

-0,012

0,003

(0,153)

(0,010)

(0,002)

ssap

-1,187**

-0,000

0,000

(0,473)

(0,000)

(0,000)

tdta

-7,715*

3,876***

4,293***

(4,083)

(0,503)

(0,567)

_cons

6,178**

-3,076***

-3,428***

(3,134)

(0,405)

(0,479)

p

0,000

0,000

0,000

chi2

27,138

88,806

83,758

ll_0

-28,643

-318, 195

-319,540

Log-Likelihood

-15,07

-273,79

-277,66

Number of obs.

45

468

461

Adjusted R2

0,474

0,140

0,131

Источник: авторские расчёты.

Таблица 9. Применение показателей лучшей модели прогнозирования банкротства, посчитанной на данных обрабатывающей отрасли

Добыча

Обрабатывающ.

Торговля

coef/se

coef/se

coef/se

zapacytr

0,934

1, 207***

-0,305

(0,906)

(0,404)

(0,348)

cashca

-9,021**

-10,277***

-10,922***

(4,453)

(2,098)

(2,638)

reta

-2,724***

-3,076***

-3,803***

(0,873)

(0,397)

(0,622)

qatr

0,147

1,949***

1,041**

(0,644)

(0,463)

(0,511)

_cons

-0,008

-0,255

0,831***

(0,494)

(0, 195)

(0, 206)

p

0,000

0,000

0,000

chi2

29,355

227,001

110,877

ll_0

-45,748

-412,402

-319,540

Log-Likelihood

-31,07

-298,90

-264,10

Number of obs.

66

595

461

Adjusted R2

0,321

0,275

0,173

Источник: авторские расчёты.

Таблица 10. Применение показателей лучшей модели прогнозирования банкротства, посчитанной на данных торговой отрасли (сбалансированные выборки)

Добыча

Обрабатывающ.

Торговля

coef/se

coef/se

coef/se

ta

0,000**

0,000*

0,000***

(0,000)

(0,000)

(0,000)

current

-0,099

-0,141*

-0,280**

(0,124)

(0,075)

(0,109)

qata

-0,077

1,226**

0,942**

(1,330)

(0,478)

(0,436)

cashta

-5,622

-12,787***

-13,697***

(5,603)

(2,940)

(3,164)

nita

-2,895*

-11,331***

-4,039***

(1,543)

(1,416)

(1,169)

_cons

-0,526

0,075

0,172

(0,706)

(0,228)

(0,295)

p

0,002

0,000

0,000

chi2

18,436

234,682

104,321

ll_0

-45,748

-412,402

-319,540

Log-Likelihood

-36,53

-295,06

-267,38

Number of obs.

66

595

461 В представленных выше таблицах может несколько смущать нечётное число наблюдений. Однако в этом нет ошибки, поскольку сбалансированная выборка была разделена на 90% и 10%, и анализ проводился именно по тестовой части выборки. Поэтому вследствие округления количество наблюдений по некоторым отраслям получилось нечётным числом.

Adjusted R2

0, 201

0,285

0,163

Источник: авторские расчёты.

note: *** p<0.01, ** p<0.05, * p<0.1

При проверке моделей, построенные для разных отраслей, на данных других отраслей получаются незначимыми некоторые коэффициенты почти во всех случаях (кроме одного). При выбрасывании незначимых коэффициентов прогнозная способность полученной модели существенно уступает модели, специально построенной под конкретную отрасль.

Что касается исключения, то, как видно из таблицы 10, факторы модели, разработанной на данных торговой отрасли, оказались значимыми при проверке модели на данных отрасли обрабатывающих производств. Мы проверили предсказательную способность этой модели на данных обрабатывающей отрасли, однако она оказалась ниже, чем прогнозная способность модели, сконструированной специально для отрасли обрабатывающих производств, и составила 76,97% на тестовой подвыборке, 70,77% - на контрольной подвыборке и 76.36% - на всей сбалансированной выборке компаний отрасли, а площадь под ROC-кривой - .0.83, 0.78 и 0.82 соответственно.

Следовательно, на основании полученных результатов можно заключить, что лучше в модель для каждой конкретной отрасли включать разные наборы переменных, которые наиболее хорошо подходят для прогнозирования банкротства компании именно этой отрасли. И наоборот, не желательно строить модель для всех отраслей в совокупности.

Что касается гипотез:

Гипотеза 1. Для разных отраслей наилучшими для прогнозирования банкротства являются разные наборы факторов. Подтвердилась.

Для отрасли торговли

Гипотеза 2. Для прогнозирования банкротства компании торговой отрасли наиболее важными факторами являются показатели ликвидности и оборачиваемости. Подтвердилась частично: в модель вошли три показателя ликвидности: current, qata, cashta.

Гипотеза 3. Чем больше показатель ликвидности компании, тем ниже вероятность её банкротства. Не подтвердилась (см. таблицу 10).

Гипотеза 4. Чем выше показатель оборачиваемости, тем ниже риск банкротства. Не удалось установить, поскольку в модель не попали показатели оборачиваемости.

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). Подтвердилась частично. В модель был включён показатель оборачиваемости: zapacytr. Но показателя финансовой устойчивости включено не было.

Гипотеза 6. Чем больше показатель оборачиваемости, тем ниже риск банкротства. Подтвердилась, см. таблицу 9.

Гипотеза 7. Чем выше показатель финансовой устойчивости, тем риск банкротства больше. Не удалось проверить.

Для отрасли обрабатывающих производств

Гипотеза 8. Для прогнозирования банкротства в отрасли обрабатывающих производств самые важные факторы - объём производства и показатель финансового рычага. Подтвердилась частично: в модель попал показатель финансового рычага - tdta.

Гипотеза 9. Чем выше объём производства, тем ниже риск банкротства. Не удалось проверить, поскольку в модель этот фактор не вошёл.

Гипотеза 10. Чем выше показатель финансового рычага, тем риск банкротства больше. Подтвердилась (см. таблицу 8).

Заключение

По результатам исследования подтвердилась наша главная гипотеза о необходимости использования разного набора факторов для построения моделей прогнозирования банкротства для компаний разных отраслей.

В ходе проведения анализа компаний малого и среднего бизнеса трёх отраслей (оптовая и розничная торговля, добыча полезных ископаемых и обрабатывающие производства) мы выяснили, что нужно более детально изучать причины, по которым компания принимает решение о ликвидации. Исходя из проведённого нами исследования, мы можем предположить, что компании самоликвидируются не всегда вследствие финансовых проблем, которые впоследствии могли бы привести их к банкротству. Можем отметить также, что модели, создаваемые из некоррелированных показателей, предложенных зарубежными авторами обычно оказывались хуже, чем показатели, представленные в работах, сделанных по России.

В качестве перспектив этой работы мы видим следующее. Поскольку в этом исследовании всё внимание было обращено к малым и средним компаниям, то в будущем стоит провести подобное исследование для крупных компаний. Возможно, крупные компании разных отраслей обладают большей схожестью, чем малые и средние компании. Однако, на наш взгляд, более вероятно, что и крупные компании нужно анализировать, учитывая отраслевую специфику. Кроме того, в нашем исследовании оптовая и розничная торговля объединены и рассмотрены в качестве единой отрасли. В дальнейших исследованиях стоит проверить, так ли хорошо объединять розничную и оптовую торговлю, возможно, стоит рассматривать их по отдельности.

В нашем исследовании получилось, что когда число небанкротов превышает число банкротов более чем в 2 раза, тесты на прогнозную способность модели, используемые нами, дают высокие результаты, даже если число выявленных банкротов относительно мало. Однако поскольку это выходит за рамки цели нашей работы, мы недостаточно глубоко проанализировали этот вопрос. Стоит проверить этот вывод более тщательно.

Лучше, чтобы число небанкротов не превышало число банкротов более чем в 2 раза, иначе тесты на прогнозную способность модели дают высокие результаты, даже если число выявленных банкротов относительно мало. Но, возможно, стоит проверить это более тщательно на других данных.

Модели в этом исследовании создавались за один год до банкротства. В перспективе можно провести анализ, насколько сильно будут отличаться показатели, входящие в модели разных отраслей за 2, 3, 4 и 5 лет до банкротства. Возможно, на более ранних этапах результат получится отличным от результата этой работы.

Может быть интересным провести исследование не по годовым а по квартальным или даже месячным данным, как это делали Чава и Джарров (2004), однако это потребует гораздо более долгого и трудоёмкого сбора данных. По итогам исследования заключаем, что, видимо, нужно более детально изучать причины, по которым компания принимает решение о ликвидации. Исходя из проведённого нами исследования, мы можем предположить, что компании самоликвидируются не всегда вследствие финансовых проблем, которые впоследствии могли бы привести их к банкротству, но и по другим причинам.

После проведённого исследования мы хотели бы отметить, что в действительности тема прогнозирования банкротств оказалась более интересной с исследовательской точки зрения, чем предполагалось в начале работы над этой темой. Мы даже не могли предположить, что нам удастся прийти к таким выводам, как, например, что можно и нужно проанализировать причины, по которым компания может решить объявить о собственной ликвидации, что, возможно, подход, при котором они включаются в выборку компаний-бакнротов может быть не совсем корректным (однако это недостаточно проверенное утверждения, требующее дальнейшего анализа). До сих пор существуют неоднозначные моменты в методологии проведения исследования: нет единого подхода к определению банкротства, нет единых критериев качества модели, разные авторы по-разному подходят к формированию выборок и подвыборок и т.д. На наш взгляд, все эти вопросы заслуживают отдельного тщательного изучения в будущем.

Список литературы

1. Давыдова Г.В., Беликов А.Ю. Методика количественной оценки риска банкротства предприятий // Управление риском. 1999. (3). C.13-20.

2. Демешев Б.Б., Тихонова А.С. Прогнозирование банкротства российских компаний: межотраслевое сравнение // Экономический журнал Высшей школы экономики. 2014. № 3 (18). C.359-386.

3. Демешев Б.Б., Тихонова А.С. Динамика прогнозной силы моделей банкротства для средних и малых российских компаний оптовой и розничной торговли // Корпоративные финансы. 2014. № 3 (31). C.4-22.

4. Докунина А.А., Иванова Е.А. Прогнозирование банкротства организации на основе оценки финансового состояния // Человеческий капитал и профессиональное образование. 2015. № 1 (13). C.35-47.

5. Евстропов М.В. Оценка возможностей прогнозирования банкротства предприятий в России // Вестник Оренбургского государственного университета. 2008. № 4. C.25-32.

6. Жданов В.Ю. Механизм диагностики риска банкротства промышленного предприятия Издательство "Молодой ученый", РИОР, 2011.95-97 с.

7. Жданов В.Ю., Афанасьева О.А. Разработка модели диагностики риска банкротства для авиапредприятий // Управление экономическими системами. 2011. № 8.

8. Макеева Е.Ю., Аршавский И.В. Применение нейронных сетей и семантического анализа для прогнозирования банкротства // Корпоративные финансы. 2014. № 4 (32). C.130-141.

9. Макеева Е.Ю., Бакурова А.О. Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей // Корпоративные финансы. 2012. № 3 (23). C.22-30.

10. Макеева Е.Ю., Горбатков С.А., Белолипцев И.И. О моделях диагностики банкротств организаций // Менеджмент и бизнес-администрирование. 2014. № 1. C.151-172.

11. Недосекин А.О. Методологические основы моделирования финансовой деятельности с использованием нечётко-множественных описаний 2003.

12. Паклин Н. Логистическая регрессия и ROC-анализ - математический аппарат // BaseGroup Labs [Электронный ресурс]. URL: https: // basegroup.ru/community/articles/logistic (дата обращения: 05.05.2016).

13. Рыгин В.Е. Модель оценки риска банкротства предприятий металлургической отрасли // ВЕСТНИК ЮРГТУ (НПИ). 2013. № 5. C.84-91.

14 В тексте эта работа обозначается Фёдорова, Гиленко, Довженко (2013 a). . Фёдорова Е.А., Гиленко Е.В., Довженко С.Е. Модели прогнозирования банкротства: особенности российских предприятий // Проблемы прогнозирования. 2013. № 2. C.85-92.

15. Фёдорова Е.А., Довженко С.Е., Тимофеев Я.В. Какая модель лучше прогнозирует банкротство российских предприятий? // Экономический анализ: теория и практика. 2014. № 41 (392).

16. Хайдаршина Г.А. Количественные методы оценки риска банкротства предприятия // Финансы. 2009. № 2. C.67-69.

17. Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // The Journal of Finance. 1968. № 4 (23). C.589-609.

18. Altman E.I., Haldeman R. G., Narayanan P. ZETATM analysis A new model to identify bankruptcy risk of corporations // Journal of Banking & Finance. 1977. № 1 (1). C.29-54.

19. Altman E.I., Sabato G. Modelling Credit Risk for SMEs: Evidence from the U. S. Market // Abacus. 2007. № 3 (43). C.332-357.

20. Beaver W. H. Financial Ratios As Predictors of Failure // Journal of Accounting Research. 1966. (4). C.71.

21. Bellovary J., Giacomino D., Akers M. A Review of Bankruptcy Prediction Studies: 1930-Present // Journal of Financial Education. 2007. (33). C.1-42.

22. Chava S., Jarrow R. A. Bankruptcy Prediction with Industry Effects // Review of Finance. 2004. № 4 (8). C.537-569.

23. Deakin E. B. A Discriminant Analysis of Predictors of Business Failure 1972. C.167-179.

24. Fedorova E., Gilenko E., Dovzhenko S. Bankruptcy prediction for Russian companies: Application of combined classifiers // Expert Systems with Applications. 2013. № 18 (40). C.7285-7293.

25. Frank R. E., Massy W. F., Morrison D. G. Bias in Multiple Discriminant Analysis // Journal of Marketing Research. 1965. № 3 (2). C.250-258.

26. Lugovskaya L. Predicting default of Russian SMEs on the basis of financial and non-financial variables 2010. № 14. C.301 - 313.

27. Lundqvist D., Strand J. Bankruptcy Prediction with Financial Ratios - Examining Differences across Industries and Time 2013.

28. Ohlson J. A. Financial Ratios and the Probabilistic Prediction of Bankruptcy // Journal of Accounting Research. 1980. № 1 (18). C.109-131.

29. Scott J. The probability of bankruptcy: A Comparison of Empirical Predictions and Theoretical Models // Journal of Banking & Finance. 1981. № 3 (5). C.317-344.

30. Taffler R. J. The Assessment of Company Solvency and Performance Using a Statistical Modeling // Accounting & Business Research (Wolters Kluwer UK). 1983. C.295-307.

31. Vickers F. The Dynamic Small Business Manager / F. Vickers, Lulu.com, 2005.381 c.

32. Zmijewski M. E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models // Journal of Accounting Research. 1984. (22). C.59-82.

33. Судебный департамент при Верховном Суде Российский Федерации. Сводные статистические сведения о деятельности федеральных арбитражных судов. 2014.

34. Федеральный закон от 26.10.2002 N 127-ФЗ (ред. от 29.12.2015)"О несостоятельности (банкротстве)" (с изм. и доп., вступ. в силу с 29.03.2016) // КонсультантПлюс [Электронный ресурс]. URL: https: // www.consultant.ru/document/cons_doc_LAW_39331/ (дата обращения: 04.05.2016).

35. Постановление Правительства РФ от 13.07.2015 N 702 "О предельных значениях выручки от реализации товаров (работ, услуг) для каждой категории субъектов малого и среднего предпринимательства" // КонсультантПлюс [Электронный ресурс]. URL: http://base. consultant.ru/cons/cgi/online. cgi? req=doc; base=LAW; n=182963 (дата обращения: 08.05.2016).

36. 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).

37. Федеральный закон от 08.08.2001 N 129-ФЗ (ред. от 31.01.2016)"О государственной регистрации юридических лиц и индивидуальных предпринимателей" // КонсультантПлюс [Электронный ресурс]. URL: https: // www.consultant.ru/document/cons_doc_LAW_32881/ (дата обращения: 04.05.2016).

38. The United States Code Online // Office of the Law Revision Counsel of the United States House of Representatives [Электронный ресурс]. URL: http://uscode. house.gov/browse/prelim@title11&edition=prelim (дата обращения: 04.05.2016).

39. Судебные и нормативные акты РФ: Крупнейшая в сети база судебных и нормативных актов [Электронный ресурс]. URL: http://sudact.ru/ (дата обращения: 08.05.2016).

40. Россия в цифрах // Федеральная служба государственной статистики [Электронный ресурс]. URL: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/publications/catalog/doc_1135075100641 (дата обращения: 08.05.2016).

41. Финансы России // Федеральная служба государственной статистики [Электронный ресурс]. URL: http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/publications/catalog/doc_1138717651859 (дата обращения: 08.05.2016).

42.ruSLANA // Bureau van Dijk. Информация о компаниях и бизнес-аналитика [Электронный ресурс]. URL: https: // ruslana. bvdep.com/ (дата обращения: 08.05.2016).

43. Центральная база статистических данных // Федеральная служба государственной статистики [Электронный ресурс]. URL: http://www.gks.ru/dbscripts/cbsd/DBInet. cgi (дата обращения: 08.05.2016).

Приложения

Приложение 1

Описание статей, включаюшее характеристики выборки, метод, список факторов и прогнозную силу моделей

...

Год

Автор

Метод

Страна

Годы

Число банкр. /небанкр.

Факторы

Прогнозная сила

1966

Бивер

ДА

США, 38 отраслей промышленности, публичные компании

1954-1964

79/79

CF/TD

NI/TA

TD/TA

WC/TA

CA/CL

1968

Альтман

ДА

США, промышленность, публичные крупные компании

1946-1965

33/33

WC/TA

95% за 1 год

RE/TA

72% за 2 года

EBIT/TA

48%, 29% и 36% - за 3, 4 и 5 лет

MVE/TD

тест. выборка

TR/TA

96% - не-банкр. и 79% - банкр., на контр. выборке, за год

1972

Дикин

ДА

Промышленные компании США

1964-1970

32/32

CF/TD

97% - за 1 год

компании-банкроты

NI/TA

95% - за 2 года

TD/TA

95%, 80%, 73% -


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 18.05.2014

  • Проблема 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 08.06.2013

  • Модели 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 24.07.2016

  • Понятие 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 30.09.2009

  • Понятие 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 30.09.2009

  • Понятие 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 16.12.2007

  • Два 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 10.05.2007

  • Изучение 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 29.07.2010

  • Понятие 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 16.04.2012

  • Особенности 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 14.11.2010

  • Термины "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 15.02.2007

  • Анализ 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 19.12.2011

  • Основные 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 27.04.2016

  • Методы 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 02.12.2009

  • Изучение 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 06.02.2010

  • Экономическая 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 14.02.2011

  • Модели 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 09.04.2016

  • Понятие, 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 13.05.2011

  • Принципы 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 23.12.2013

  • Анализ 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

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.