Прогнозирование банкротства российских предприятий

· Xl = Оборотный капитал/Активы;

· X2 = Нераспределенная прибыль/Активы;

· X3 = Прибыль до вычета процентов и налогов/Активы;

· X4 =Рыночная стоимость собственного капитала/Балансовая стоимость заемных средств;

· X5= Выручка/Активы.

Затем на их основе высчитывается рейтинговое число Z, в зависимости от значения которого принимается решение о вероятности банкротства анализируемого предприятия.

Модель Альтмана являлась весьма точной, так как точность отнесения компании к банкротам или не банкротам составляла 94% Altman E.I. Op. cit. P. 599.. Помимо этого, довольно легко использовать ее для расчетов: есть уравнение, в которое стоит лишь подставить данные и сравнить с пороговыми значениями. Также требуемые данные можно найти из отчетности или других доступных для внешнего пользователя ресурсов. Однако такая модель хороша для прогнозирования банкротства за 2-3 года, но если прогнозировать на больший срок, то она не даст таких впечатляющих результатов. Стоит учесть, что модель создавалась на основе данных 1946-1965-х гг., а, значит, она скорее всего не будет отражать специфику современной экономики. И, естественно, это американская модель, все данные взяты из отчетности американских компаний, и достоверность прогноза для компаний из других стран, в том числе для российских, будет заведомо ниже.

Существует и другие версии традиционной Z-модели Альтмана. Последняя модификация включала четыре фактора (Приложение 1). Изначально предполагалось, что она, в отличие от пятифакторной версии, может быть использована для прогнозирования банкротства не только в промышленных, но и других отраслях. Однако позднее она была успешно апробирована на компаниях формирующихся рынков, и впоследствии также стала обозначаться как модель для развитых и формирующихся рынков Львова, Н.А. Финансовая диагностика российских предприятий с применением модели Альтмана для развитых и формирующихся рынков//Финансовая аналитика: проблемы и решения. С. 40..

Другой широко известной иностранной дискриминантной моделью является модель Таффлера, опубликованная в 1983 г. (Приложение 1). Она была разработана на основе отчетности британских компаний. В ее основе лежит тот же принцип, что и в МДА-моделях Альтмана: отбор значимых факторов и моделирование функции Z.

В отличие от своего коллеги, Р. Таффлер использовал четыре коэффициента:

· Х1 = прибыль до вычета налога/краткосрочные обязательства (53% - доля влияния данного фактора на итоговое значение)

· Х2 = оборотные активы/обязательства (13%)

· Х3 = краткосрочные обязательства/активы (18%)

· Х4 = некредитный интервал, который рассчитывается как: (ликвидные активы - краткосрочные обязательства)/дневные операционные расходы (16%)

В целом, можно сказать, что любые из подобных моделей должны периодически пересматриваться и тестироваться на точность ввиду изменчивости экономической конъюнктуры. Несмотря на это, они сохраняют свою достоверность в течение долгого времени Taffler R. Twenty-five Years of the Taffler Z-score Model: Does It Really Have Predictive Ability?/R. Taffler, V. Agarwal//Accounting and business research. 2007. P. 20..

Исходя из всех недостатков метода МДА современные аналитики предпочитают применять логит-модели, которые отличаются от предыдущих в первую очередь тем, что в их основе лежит не линейная, а логистическая регрессия. Как отмечает Ольсон, логит-модель позволяет избежать основных недостатков МДА Ohlson J.A. Financial ratios and the probabilistic prediction of bankruptcy//Journal of Accounting Research. 1980. P. 112..

Основными преимуществом логит-моделей является то, что не нужно делать предположения относительно вероятности банкротства и (или) распределения факторов - вероятность точна и варьируется от 0 до 1. Таким образом, логит-модель оценивает не только принадлежность к группе банкротов, но и вероятность возникновения риска несостоятельности для компании Жданов В.Ю. Указ. соч. С. 80.. Помимо этого, использование логистической регрессии позволяет точнее оценить, как модель в целом, так и отдельные факторы. Специфичных недостатков логит-модели исследователи не обнаруживают, за исключением общих, как для МДА, так и для логит-анализа: использование неслучайной выборки для построения модели, превалирование статистических критериев для отбора переменных над их экономическим содержанием, допущение, что банкротство - дискретное событие, а не процесс.

Примером первой логит-модели служит модель Ольсона, которую он представил в 1980 г. (Приложение 1). В его модели рассматривается 9 показателей Ohlson J.A. Op. cit. P. 118-119.:

1. SIZE = натуральный логарифм от отношения активов к индексу-дефлятору ВНП.

2. TLTA = Совокупные обязательства /Совокупные активы.

3. WCTA = Оборотный капитал/Совокупные активы.

4. CLCA = Текущие обязательства/Текущих активов.

5. OENEG = 1, если общая сумма обязательств превышает совокупные активы, иначе - 0.

6. NITA = Чистая прибыль/Совокупные активы.

7. FUTL = Выручка от основной деятельности/Совокупные обязательства.

8. INTWO = 1, если чистая прибыль была отрицательной в течение последних двух лет, иначе - 0.

9. CHIN = Изменение чистой прибыли за год/Сумма чистой прибыли за отчетный и предыдущий периоды, взятые по модулю.

Далее рассчитывается О-значение, и если оно будет больше 0,5, то компания не испытывает серьезных финансовых трудностей. Кроме того, как указано выше, возможно с определенной точностью подсчитать вероятность наступления банкротства. Наилучший результат данная модель обеспечивала при прогнозировании банкротства на срок до двух лет. Точность прогноза ее составляла примерно 96,3% Ohlson J.A. Op. cit. P.123.. Но, как и в случае с предыдущими моделями, у данной есть существенный недостаток: она строилась на по данным отчетности американских компаний за 1970-1976 гг.

Из-за перечисленных минусов метода мультипликативного дискриминантного анализа Альтман совместно с Холдеманом и Нараянаном в 1977 г. построили новую модель, которую назвали ZETA. В целом, как отмечают авторы, данная модель позволила увеличить прогнозный период до пяти лет и включить розничный бизнес без потери свойств Altman E.I. Predicting financial distress of companies: Revisiting the Z-score and Zeta models//Handbook of Research Methods and Applications in Empirical Finance. 2000. P. 33.. В итоге было проанализировано 28 коэффициентов и получаемый параметр выводился через логарифм. Стоит все же отметить, что процент удачных прогнозов повысился ненамного.

Стоит отметить, что логит-модели пользуются на Западе большей популярностью по сравнению с МДА. В России же этот метод набирает популярность, но не имеет такого распространения, а западные модели и вовсе могут давать обратный результат Докукина А.А. Прогнозирование банкротства организации на основе оценки финансового состояния/Докукина А.А., Иванова Е.А.//Человеческий капитал и профессиональное образование. 2015. С. 42.. Основными причинами подобного является то, что, для построения использовалась выборка из зарубежных компаний, у которых, во-первых, способ формирования финансовой отчетности отличается от российских. Другой причиной является специфика условий бизнеса, прежде всего, различная макроэкономическая ситуация в странах: параметры моделей для разных стран не должны быть одинаковыми. Кроме того, большинство моделей является универсальными - они не делают различия между отраслями. Однако некоторые показатели у компаний разных отраслей могут значительно различаться, что ставит под угрозу точность оценки.

Из наиболее часто комментируемых в литературе российских моделей, использующих статистические методы, стоит выделить три: модель Зайцевой, модель Сайфуллина-Кадыкова и модель Иркутской государственной экономической академии (Приложение 1). В частности, модель ИГЭА является примером применения метода МДА. Необходимые параметры в ней были рассчитаны исходя по данным финансовой отчетности российских компаний Иркутской области за период с 1994 по 1996 гг. Высоцкая Т.В. Оценка вероятности банкротства предприятия агропромышленного комплекса//Научный журнал КубГАУ. 2013. С. 8-9. Базовых коэффициентов в ней четыре:

1. К1 = Оборотный капитал / Активы;

2. К2=Чистая прибыль / Собственный капитал;

3. К3 = Выручка / Активы;

4. К4 = Чистая прибыль / Себестоимость.

Создатели данной модели были одними из первых, кто стремился адаптировать существующие методы к экономическим условиям России.

О.П. Зайцева использует шесть факторов, а Р.С. Сайфуллин и Г.Г. Кадыков - пять. Из достоинств данных моделей можно выделить простоту расчетов. Недостатками же является недостаточно обоснованный выбор параметров моделей, и, вследствие этого, неточность получаемых результатов Журова Л.И. Указ. соч. С. 34..

Таким образом, известно немалое количество статистических методов, каждый из которых имеет свои достоинства и недостатки, и более точным признан логит-анализ, который получил широкую популярность на Западе и активно внедряется в российскую практику Cм., например: Евстропов, М.В. Оценка возможностей прогнозирования банкротства предприятий в России. //Вестник ОГУ. 2008. С. 25-32; Федорова, Е.А. Модели прогнозирования банкротства: особенности российских предприятий/Е. А. Федорова, Е. В. Гиленко, С. Е. Довженко//Проблемы прогнозирования. 2013. С. 85-92; Хайдаршина, Г.А. Совершенствование методов оценки риска банкротства российских предприятий в современных условиях//Имущественные отношения в Российской Федерации. 2009. С.86-95.и др..

В последнее время стали все стремительнее развиваться новые методы прогнозирования банкротства предприятий, которые не использовались ранее. Эти методы эффективно работают с неполными, неточными и нечетко определенными данными. Как отмечается в литературе, альтернативные методы прогнозирования банкротства помогают не только обойти недостатки статистических моделей, но и усовершенствовать их - они более точные и мощные. Так, к примеру, общая точность прогнозирования метода дерева решений составляет около 76%, что на 2% больше, чем классическая статистическая модель Пугановская Т.И. Указ. соч. С. 11..

Основные преимущества альтернативных методов, которые можно выделить:

· возможность использования качественных факторов при анализе (в статистических моделях возможно было сделать это только при введении фиктивных переменных);

· отсутствие строгих ограничений к модели;

· возможность анализа нескольких периодов, анализ динамики;

· использование факторов, показывающих высокую мультиколлинеарность.

Конечно же, у данных моделей существуют и недостатки. Главным из них является трудоемкость при разработке. Так же существует некоторая сложность в анализе большого массива данных, которых, при этом, может быть недостаточно для создания адекватной модели Жданов В.Ю. Указ. соч. С. 79.. Для некоторых моделей обязательным условием является высокая точность данных. Также есть ограниченность при выборе факторов, присутствует чувствительность к ошибочному вводу данных. Помимо этого, в основу многих альтернативных методов положено допущение о меньшем, по сравнению с реальным, разбросе финансовых результатов деятельности компании-банкрота.

По сути, альтернативные методы сложно назвать моделями в строгом смысле: многие соответствующие методики имеют аналитический или экспертный характер. На их основе сложно или почти невозможно построить единую, связную модель, как, например, в случае МДА. Из альтернативных методов на сегодняшний день известны Пугановская Т.И. Указ. соч. С. 5.: декомпозиционный анализ, нейросетевой анализ, теория приближенных множеств, многомерное шкалирование, дерево решений, самоорганизующие карты, экспертные системы, смешанный логит-анализ, линейное программирование, анализ выживания.

Рассмотрим два метода, а именно, нейросетевой анализ и дерево решений. Нейросетевой анализ предполагает построение матрицы из комбинаций показателей Горбатков, С.А. Выбор системы экономических показателей для диагностики и прогнозирования банкротств на основе нейросетевого байесовского подхода/Горбатков, С.А., Белолипцев И.И., Макеева Е.Ю// Вестник финансового университета. 2013. С. 55.. Путем вычислений из массива убирают аномальные наблюдения, затем осуществляется анализ массива, и выбирается тот набор показателей, который показывает наибольшее число верно предсказанных результатов с исключением ошибок 1 и 2 рода. Несмотря на высокую точность данного подхода, возможность его использования существенно ограничена в нынешних условиях: необходимо не только знание механизма проведения анализа, но и наличие специальной программы.

Дерево решений - не менее сложный метод. По сути, он является большим графом, построенным исходя из выбранных аналитиком коэффициентов. На каждом этапе - узле выбирается определенный коэффициент (каждый раз новый), устанавливается для него пороговое значение: к примеру, рентабельность активов должна быть больше или равно -0,63. Если это так, то анализ продолжается по другому коэффициенту. В ином случае делается вывод о вероятности банкротства. Чем больше показателей соответствует допустимым переделам, тем ниже вероятность наступления банкротства компании Демешев Б.Б. Динамика прогнозной силы моделей банкротства для средних и малых российских компаний оптовой и розничной торговли/Демешев Б.Б., Тихонова А.С.//Экономический журнал ВШЭ. С. 16.. Этот метод обладает теми же достоинствами и недостатками, что и предыдущий.

В целом, можно отметить, что аналитические методы более точные, но требуют больших затрат при разработке. Они сложны в использовании, и, поэтому, менее популярны. Многие исследователи склоняются к мысли, что для получения наилучшего результата целесообразнее использовать не одну, а несколько моделей в комбинации Бойкова А.В. Указ. соч. С. 112..

Необходимо добавить, что до сих пор экономисты ищут идеальную или высокоточную модель прогнозирования банкротства, и, помимо сравнения и тестирования уже известных, они разрабатывают новые модели. Так, можно выделить общие тенденции для России: Демешев Б.Б. Указ. соч. С. 21.

· Большинство исследователей используют для построения модели дискриминантный метод, менее популярен логит-анализ. Однако в последнее время ситуация в этом отношении начинает меняться. Мало кто использует альтернативные методы.

· Несмотря на непопулярность альтернативных методов, многие признают, что именно они обладают наибольшей точностью. Тем не менее, основная проблема, с которой сталкивается исследователь - сложность использования подобных методов.

Таким образом, можно сделать вывод о том, что в целом более точными на сегодняшний день являются иностранные модели по сравнению с российскими. Однако все больше исследователей обращают внимание на альтернативные методы прогнозирования банкротства, которые, как отмечают аналитики, показывают более точные результаты, несмотря на всю сложность их использования.

Глава 3 Специфика прогнозирования банкротства российских предприятий

3.1 Описание выборки и методология исследования

Как известно, теория может расходиться с практикой. Особый интерес в случае с прогнозированием банкротства предприятий вызывает возможность применения методов и моделей в условиях российской экономики. Поэтому в данной главе будут проанализированы финансовые показатели российских компаний на основе их финансовой отчетности. Также будет представлена сравнительная оценка точности зарубежный и российских моделей прогнозирования банкротства.

Выборка предприятий составлялась по данным Единого федерального реестра сведений о банкротстве и информационного ресурса СПАРК. На первом этапе была составлена выборка из 1000 компаний-банкротов, по которым были опубликованы сообщения о результатах торгов с 2012 по 2016 гг. Основная сложность на данном этапе заключалось в нахождении компаний, соответствующих целям исследования. Изначально из списка исключались компании, чья финансовая отчетность была представлена до 2009 г. - таких оказалось около 40%. Удельный вес компаний-банкротов, которые предоставляли финансовую отчетность за желаемый период, можно видеть на рис. 1:

Таким образом, около 25 предприятий представляли финансовую отчетность за 2014 г., около 50 - за 2013 г., около 85 - за 2012 г., около 115 - за 2011 г., около 180 - за 2010 г. и около 230 - за 2009 г. В итоге, было принято решение использовать финансовую отчетность компаний за 2013 г. Однако из всех 85 компаний, финансовая отчетность которых была представлена в СПАРКе, одна часть была признана банкротами в 2014 г., другая часть - в 2015 г. Поэтому в целях обеспечения сопоставимости данных в ходе дальнейшей работы использовалась финансовая отчетность 30 российских компаний, которые были признаны банкротами по решению арбитражного суда в 2015 г.

Рисунок 1. Доля компаний, финансовая отчетность которых представлена в СПАРК

Вторую часть анализируемой выборки составляли финансово устойчивые компании. Они выбирались, исходя из заявленного в базе кредитного и финансового рейтинга - он должен был быть наибольшим. Таким образом было отобрано еще 30 компаний.

Итоговая совокупность составила 60 компаний (Приложение 2). Структура выборки по отраслям представлено на рис. 2.

Дальнейшее исследование осуществлялось с применением финансовых коэффициентов, наиболее часто встречающихся в моделях прогнозирования банкротства. Для построения ряда коэффициентов было изучено десять моделей Были изучены модели: двухфакторная, Z, Z” и ZETA модели Э. Альтмана, модель Р. Таффлера, модель Д. Фулмера, модель Дж. Ольсона, модель О.П. Зайцевой, модель Сайфуллина-Кадыковой, модель Иркутской ГЭА. прогнозирования банкротства, как зарубежных, так и российских. Выводы были обобщены с результатами исследования П.А. Туктаровой и Б.С. Туктарова П.А. Туктарова. Регрессионные модели определения риска банкротства предприятий. 2013. С. 81-83.. В результате, было выбрано девять показателей:

1. К1 - Оборотные активы/Краткосрочные обязательства;

2. К2 - Заемные средства/Активы;

3. К3 - Основные средства/Активы;

4. К4 - Нераспределенная прибыль/Активы;

5. К5 - Прибыль до выплаты процентов/Активы;

6. К6 - Собственный капитал/ Заемные средства;

7. К7 - Выручка/Активы;

8. К8 - Прибыль до выплаты процентов и налогов/Совокупные процентные платежи;

9. К9 - Собственные оборотные средства/Активы.

Рисунок 2. Структура анализируемой выборки по отраслям и характеристике финансового состояния компаний

Задачей исследования на данном этапе было выявить основные различия данных показателей по двум группам: банкротов и действующих предприятий.

Следующий этап исследования проводился с использованием трех статистических моделей прогнозирования банкротства предприятий:

1. Четырехфакторная модель Э. Альтмана;

2. Логит-модель Е.А. Фёдоровой, Е.В. Гиленко, С.Е. Довженко;

3. Логит-модель М.В. Евстропова.

Четырехфакторная модель Альтмана для развивающихся рынков была выбрана для данного исследования как один из наилучших примеров зарубежной МДА-модели. Многие исследователи отмечают, что, несмотря на появление новых, усовершенствованных методов прогнозирования банкротства, старые зарубежные модели остаются конкурентоспособными и достаточно точными См. например: Федорова, Е.А. Указ. соч..

Э. Альтман стремился уменьшить влияние отраслевой специфики на конечный результат за счет исключения из модели показателя оборачиваемости. Он предполагал, что модель может использоваться для оценки вероятности банкротства не только промышленных компаний.

Модель включает четыре базовых показателя:

1. X1 = Собственные оборотные средства/Активы;

2. X2 = Накопленная нераспределенная прибыль/Активы;

3. X3 = Операционная прибыль/Активы;

4. X4 = Собственный капитал в учетной оценке/Учетная стоимость долга.

Сама дискриминантная функция выглядит так:

Z'' = 6,56*X1 + 3,26*X2 + 6,72*X3 + 1,05*X4 (1)

При значении показателя Z менее 1,1 вероятность компании стать банкротом высока. При значении более 2,6 вероятность низка. Основной минус модели - существование «пустой» зоны - промежуток от 1,1 до 2,6, когда не известно, к какой категории отнести компанию.

Две другие модели принадлежат российским авторам. Первая из них разработана Е.А. Фёдоровой, Е.В. Гиленко, С.Е. Довженко Федорова, Е.А. Указ. соч. С. 87.. В ней восемь показателей. Данная модель является логит-моделью. Показатель FGD1 вычисляется на основе регрессии:

FGD1 = -6,2ЧX1 -5,649ЧX2 - 0,818ЧX3 - 1,08ЧX4 - 0,638ЧX5-1,932ЧX6 - 0,928ЧX7 - 2,249ЧX8+10,3, (2)

где:

1. X1 - денежные средства / оборотные средства;

2. X2 - чистая прибыль / (краткосрочные + долгосрочные обязательства);

3. X3 - десятичный логарифм материальных активов;

4. X4 - коэффициент ликвидности при мобилизации средств (запасы/краткосрочные обязательства);

5. X5 - выручка / (краткосрочные + долгосрочные обязательства);

6. X6 - внеоборотные активы/стоимость всех активов баланса;

7. X7 - валовая прибыль/себестоимость;

8. X8 - оборотные средства / (краткосрочные + долгосрочные обязательства).

Вероятность наступления банкротства определяется путем сравнения полученного показателя FGD1 с нулем: если показатель больше нуля, то вероятность предприятия обанкротится высока, в ином случае - низкая.

Последняя модель, автором которой является М.В. Евстропов, так же, как и предыдущая, относится к логит-моделям Евстропов, М.В. Указ. соч. С. 25.. Вероятность наступления банкротства рассчитывается по формуле:

(3)

Интерпретация весьма однозначна: чем выше значение показателя, тем выше вероятность. Сам автор установил пороговым значение вероятность в 50% - если полученная вероятность превышает 0,5, то она, как и при интерпретации предыдущей модели, считается высокой.

Показатель Y рассчитывается исходя из уравнения:

Y = 0,54 - 14,92*R1 + 0,05*R2 - 1,37*R3 - 0,91*R4 - 91,04*R5 (4)

где:

1. X1 - Отношение операционной прибыли к совокупным активам;

2. X2 - Коэффициент оборачиваемости дебиторской задолженности;

3. X3 - Отношение выручки к заемному капиталу;

4. X4 - Коэффициент роста выручки;

5. X5 - Коэффициент абсолютной ликвидности.

Данная модель является модификацией другой модели того же автора, и используется для прогнозирования банкротства в течение ближайших двух лет (а не четырех, как было в предыдущей модели) после отчетного периода Евстропов, М.В. Указ. соч. С. 25..

3.2 Результаты коэффициентного анализа предприятий выборки

Для начала рассмотрим результаты коэффициентного анализа, методика которого прокомментирована выше. В табл. 2 представлены усредненные показатели по двум группам анализируемых компаний.

Таблица 2. Средние значения коэффициентов по двум группам анализируемых компаний

Коэффициенты	Средние по банкротам	Средние по действующим компаниям
Оборотные активы/Краткосрочные обязательства	40,80%	318,78%
Заемные средства/Активы	18553,70%	46,40%
Основные средства/Активы	25,74%	29,52%
Нераспределенная прибыль/Активы	-1354,22%	3,78%
Прибыль до выплаты процентов/Активы	-1,45%	6,32%
Собственный капитал/ Заемные средства	-49,67%	310,03%
Выручка/Активы	41,16%	196,94%
Прибыль до процентов и налогов/Совокупные процентные платежи	-317,80%	27,44%
Собственные оборотные средства/Активы	-61,98%	27,63%

Как мы видим, значения коэффициентов по двум группам значительно различаются. Здесь стоит уточнить, что при получении первичных результатов, возникает необходимость уточнить полученные значения. Так, становится ясно, что значения коэффициента, показывающего отношение заемных средств к активам, равное 18553,70% нерелевантно. Поэтому на следующем этапе анализа необходимо было исключить выбросы.

Для каждого коэффициента были построены графики распределения. Пример приведен ниже (рис. 3). Остальные графики можно увидеть в Приложении 3.



Рисунок 3. Распределение значений доли оборотных средств в активах анализируемых компаний

Из данного графика можно заметить, что существует как минимум 6 точек, которые значительно удалены от линии тренда. Подобные точки исключались при дальнейшем расчете средних. Итоговый, скорректированный вариант результатов коэффициентного анализа можно увидеть в табл. 3.

Таблица 3. Скорректированные средние значения коэффициентов по двум группам анализируемых компаний

Коэффициенты	Средние по банкротам_корр	Средние по действующим_корр	Значения для банкротов Отметим, что в данном случае сравнивались показатели компаний-банкротов по отношению к финансово устойчивым компаниям.
K1	31,56%	164,38%	меньше
K2	207,40%	37,29%	больше
K3	8,84%	25,60%	меньше
K4	-18,24%	3,78%	меньше
K5	-6,94%	6,32%	меньше
K6	-49,67%	149,39%	меньше
K7	8,41%	122,68%	меньше
K8	-0,62%	13,04%	меньше
K9	15,58% Среднее лишь по трем компаниям, которые имели положительный показатель собственных оборотных средств.	22,42%	меньше

Исходя из полученных результатов, можно отметить, что почти все показатели по группе банкротов, за исключением одного, меньше по сравнению с другой группой. Только соотношение заемных средств и активов у несостоятельных компаний превышает аналогичный показатель у финансово устойчивых предприятий почти в 5,6 раз. Данный показатель стоит рассматривать в сочетании с коэффициентом, показывающим отношение собственного капитала и заемных средств. Среднее по последнему показателю является отрицательным. Это доказывает, что большинство неблагополучных компаний за два года до банкротства имеют отрицательное значение собственного капитала. Соотношение компаний, имеющих отрицательный собственный капитал и компаний с положительным собственным капиталом представлено на рис. 4.

Рисунок 4. Соотношение анализируемых компаний по уровню собственного капитала

Как мы можем наблюдать, всего лишь немногим более 15% компаний-банкротов имеют положительное значение собственного капитала (то есть 5 компаний). Их доля незначительна, а доля собственного капитала в валюте баланса у данных компаний не превышает и 20%. Это объясняется огромным накопленным убытком у большинства неблагополучных компаний: лишь 4 компании из 30 имеют накопленную прибыль и еще у 3 прибыль равна нулю. В итоге отрицательный показатель собственного капитала приводит к относительно низкому значению валюты баланса, и, исходя из всего вышеперечисленного, соотношение заемных средств и активов в среднем превышает 200%.

Рассмотрим также показатель текущей ликвидности. В то время, как средний показатель по устойчивым компаниям превышает 1,6, то группа потенциально финансово несостоятельных показывает, что в среднем оборотные активы составляют лишь чуть более 30% от краткосрочных обязательств. Очевидно, что при таком соотношении показатель собственных оборотных средств (СОС) будет отрицательным у превалирующей неблагополучной части выборки, что верно. Лишь три компании из группы банкротов показали положительное значение СОС - среднее значение данного показателя по этим компаниям составляет 15,58%.

Отдельно поясним значения показателей K5 и K8 - они оба имеют отрицательное значение для неблагополучных предприятий, что связано с тем, что около 77% будущих банкротов имели в 2013 г. отрицательное значение прибыли до выплаты процентов и налогов, и при этом большинство компаний не имело расходов по выплате процентов - они были равны нулю.

Последний показатель, требующий особого внимания - отношение выручки к активам. Треть компаний потенциальных банкротов не имела выручки за 2013 г., у 15 компаний из оставшихся 20 данный показатель не превышал 50%, даже учитывая то, что, значение валюты баланса не было столь высоким.

По итогам коэффициентного анализа, можно сделать вывод о том, что подсчет наиболее часто встречающихся в моделях прогнозирования банкротства коэффициентов, способен показать, что компания может стать банкротом в ближайшем будущем. Однако более точные прогнозы, как обычно предполагается, обеспечиваются моделями оценки вероятности банкротства.

3.3 Результаты оценки вероятности банкротства анализируемых предприятий

Теперь стоит сопоставить полученные результаты с результатами анализа, который проводился с использованием моделей прогнозирования банкротства. Как говорилось выше, для анализа были отобраны три модели, одна из которых зарубежная, две других - российские. Итог проводимого исследования представлен в табл. 4.

Таблица 4 Прогнозная точность тестируемых моделей прогнозирования банкротства, %

Модель	Точность определения банкротов	Точность определения устойчивых компаний	Общая
Альтмана	90,00	83,33	86,67
Е.А. Федоровой, Е.В. Гиленко, С.Е. Довженко	83,33	63,33	73,33
М.В. Евстропова (2 года)	66,67	100,00	83,33

Результаты, как видно из таблицы, весьма противоречивы. По общей точности модель Э. Альтмана превалирует над остальными. Однако если говорить о ее точность в определении финансово устойчивых компаний, она оказалась ниже, чем у модели М.В. Евстропова. Отметим, что точность модели Е.А. Федоровой и соавторов в определении потенциальных банкротов ненамного ниже, чем у модели Альтмана. Однако процент ошибок при определении финансово устойчивых компаний высок - около 45%, что в целом снижает общую точность.

Теперь подробнее рассмотрим итоговые значения коэффициентов по моделям.

Рассмотрим показатели модели Э. Альтмана (табл. 5).

Таблица 5 Значение коэффициентов модели Альтмана по отраслям

	Обрабатывающее	Сельское хозяйство	Торговля	Строительство	Иное	Среднее по выборке
Показатели компаний-банкротов
Х1	0,207	0,506	0,181	0,206	0,065	0,291
Х2	-6,393	-4,693	-2,005	-5,876	-0,309	-4,829
Х3	-0,140	-0,103	0,398	-0,068	-0,001	0,021
Х4	-0,648	-0,175	-0,426	-0,675	0,210	-0,438
Z"	-21,107	-12,851	-3,123	-18,836 Показатели данной отрасли скорректированы. Изначальное значение по модулю превышало 1000, ввиду того, что у компании ООО «Интердорсервис» значение коэффициента Х2 составляет -5423.	-0,362	-14,070
Показатели финансово устойчивых компаний
Х1	0,267	0,336	0,307	0,171	0,531	0,30
Х2	0,340	0,023	0,352	0,030	0,538	0,32
Х3	0,091	0,041	0,021	0,020	0,063	0,06
Х4	2,417	0,088	5,680	0,204	4,622	3,10
Z"	6,008	2,650	9,267	1,573	10,515	6,664

Мы видим, что все показатели, кроме первого существенно различаются по двум группам. Так, вне зависимости от отрасли, почти все коэффициенты у банкротов и устойчивых компаний имеют знаки разной направленности. Однако, если анализировать отрасли в целом, то наибольшим запасом прочности обладают кампании, занятые в торговле: как у потенциально несостоятельных, так и у финансово устойчивых компаний, показатели по отрасли в целом лучше, чем средние по выборке.

Обратное можно сказать про компании строительной отрасли. Их показатели хуже, чем средние по выборке. Также из непосредственно неблагополучных компаний самые низкие показатели наблюдаются у компаний обрабатывающей отрасли. А среди финансово устойчивых компаний низкие показатели так же у компаний, занятых в сельском хозяйстве.

Отдельно стоит рассмотреть удельные веса коэффициентов в итоговом значении показателя Z” (табл. 6).

Таблица 6 Доли взвешенных финансовых коэффициентов в значениях Z''-счета, %

	Обрабатывающее	Сельское хозяйство	Торговля	Строительство	Иное	Среднее
Показатели компаний-банкротов
Х1	-0,98	-3,94	-5,80	-1,09	-18,05	-2,07
Х2	30,29	36,51	64,21	31,20	85,23	34,25
Х3	0,66	0,80	-12,74	0,36	0,22	-0,15
Х4	3,07	1,36	13,65	3,58	-58,03	3,05
Z"	100,00	100,00	100,00	100,00	100,00	100,00
Показатели финансово устойчивых компаний
Х1	4,44	12,70	3,31	10,89	5,05	4,43
Х2	5,67	0,88	3,80	1,90	5,12	4,82
Х3	1,52	1,54	0,23	1,30	0,60	0,95
Х4	40,24	3,32	61,30	13,00	43,96	46,53
Z"	100,00	100,00	100,00	100,00	100,00	100,00

Здесь отметим, что наибольший вес в случае группы неблагополучных компаний имеет показатель Х2, равный соотношению накопленной нераспределенной прибыли и активов. При этом, не имеет значения, к какой отрасли принадлежит та или иная компания. Данный результат вполне закономерен - он лишь подтверждает выводы, сделанные по предыдущему анализу, когда сравнивались отдельные показатели.

Однако другая ситуация наблюдается в группе финансово устойчивых компаний: здесь наибольший удельный вес в значении Z'' приходится на показатель Х4, который равен отношению собственного капитала в учетной оценке к учетной стоимости долга. Только в отрасли сельского хозяйства наибольший вес приходится на первый показатель.

Таким образом, исходя по итогам анализа базовых финансовых коэффициентов тестируемой модели Э. Альтмана, мы можем сделать несколько выводов. Во-первых, несмотря на то, что модель не отличается новизной, ее точность все же крайне высока, иногда она превосходит точность российских логит-моделей. Во-вторых, мы можем заметить, что в целом процесс, ведущий к банкротству, «уравнивает» компании - ухудшение показателей наблюдается в общем по выборке, вне зависимости от отрасли.

Далее проанализируем особенности результатов оценки вероятности банкротства по модели Е.А. Федорова, Е.В. Гиленко, С.Е. Довженко. Напомним, что это логит-модель, и, следовательно, она рассчитывает вероятность банкротства компании по формуле (3). Зависимая переменная обозначается как FGD1 и рассчитывается по ранее приведенной в первом параграфе формуле (2). Сами авторы установили подобную зависимость: если показатель больше нуля, то существует высокая вероятность, что компания станет банкротом. В ином случае данная вероятность низка.

Общая точность данной модели составила 73,3%. Мы постараемся понять, почему, несмотря на высокую точность определения потенциально несостоятельных компаний, общий процент ниже, чем у других моделей.

Для начала стоит выявить «ошибки I рода» - компании, которые фактически являются неблагополучными, но по итогам прогнозирования признаны финансово устойчивыми. Для этот построим график распределения значений показателя FGD1 (рис. 5).

На данном графике все обозначенные точки являются интегральным показателем модели. Все значения, которые располагаются ниже оси ординат являются ошибками. Таких точек мы обнаружим пять. Для более точного выявления причин данных ошибок стоит рассмотреть показатели данных пяти компаний (табл. 7). Все компании относятся к разным отраслям, поэтому гипотезу о корреляции итогового показателя с какой-либо отраслью стоит отклонить.

Рисунок 5 Распределение значений показателя FGD1 по группе банкротов

Таблица 7. Значение коэффициентов неверно определенных компаний-банкротов

Коэффициент/№	12	13	19	26	30	Средние по выборке
X1	0,000	2,354	6,047	0,732	0,027	0,308
X2	-0,241	0,027	-0,001	0,052	-0,351	-0,128
X3	4,046	4,781	5,432	4,382	4,123	1,159
X4	0,031	0,000	0,000	0,030	0,000	0,045
X5	0,009	0,039	0,000	0,020	0,272	0,144
X6	0,000	0,269	0,009	0,238	0,065	0,381
X7	14,168	-0,145	0,000	5,060	36,674	1,786
X8	0,000	0,004	0,003	0,117	0,079	0,135
FGD1	-4,836	-8,776	-31,652	-3,578	-25,768	0,308

Цветом выделены коэффициенты, которые имеют наибольший удельный вес в итоговом показателе. Мы видим, что из пяти компаний у трех больший вес имеет коэффициент Х7, который равен отношению валовой прибыли к себестоимости.

Если проследить за данными показателями у всех 30 компаний, то определится, что компании, обозначенные номерам 12, 26, 30 (ОАО «Волгодорстрой», ООО «Мостопромстрой» и ЗАО ФИП «Компас») одни из немногих имеют положительную валовую прибыль, которая превышает себестоимость в несколько раз (у последней компании в 36 раз). Также отметим, что почти у всех компаний, вероятность наступления банкротства, согласно модели, была низкой, а значения показателя Х3 (десятичный логарифм материальных активов) значительно превышают средние по выборке. В общем случае как минимум два коэффициента больше, чем общие средние. В целом, это может являться причиной неточного прогнозирования.

Однако интересна и обратная ситуация: когда финансово устойчивые компании показывают большую вероятность банкротства по результатам анализа, чем это соответствует фактической ситуации (так называемые «ошибки II рода»). Таких компаний больше, чем в первом случае - 11, и это более одной трети всех благополучных компаний. Показатели таких компаний можно наблюдать в табл. 8.

Таблица 8. Значение коэффициентов неверно классифицированных финансово устойчивых компаний по модели Е.А. Федоровой, Е.В. Гиленко, С.Е. Довженко

К-т/№	1	2	3	4	7	13	14	15	17	24	28	Средние по выборке
X1	0,005	0,093	0,068	0,006	0,004	0,005	0,006	0,229	0,001	0,006	0,232	0,359
X2	0,007	0,001	0,049	0,010	0,018	0,057	0,001	0,042	0,012	0,000	-0,011	0,831
X3	5,791	5,387	4,949	5,499	5,376	4,888	5,910	5,545	5,781	6,801	6,765	5,503
X4	1,001	0,627	1,869	1,080	0,657	1,738	0,004	1,439	0,585	0,117	0,187	1,491
X5	3,220	1,092	1,911	0,661	1,879	1,636	0,194	0,981	2,542	0,274	0,743	5,983
X6	0,072	0,084	0,225	0,200	0,428	0,639	0,939	0,470	0,388	0,618	0,051	0,372
X7	0,122	0,210	0,127	0,137	0,330	0,275	0,028	0,251	0,156	0,527	0,042	0,552
X8	0,065	0,084	0,379	0,265	0,366	0,607	0,983	0,282	0,764	0,733	0,020	0,899
FGD1	1,953	3,390	0,908	3,010	1,914	0,172	1,242	0,155	0,633	1,070	2,528	-14,796

Так как все показатели в регрессии умножаются на отрицательные коэффициенты, то в данном случае нужно искать показатели, которые имеют наименьшее значение. Каждая из представленных компаний имеет по меньшей мере 5 или 6 подобных коэффициентов - неудивительно, что общее значение интегрального показателя FGD1 положительно, и компании, фактически устойчивые, были определены моделью как потенциальные банкроты.

Последней рассматриваемой моделью была логит-модель М.В. Евстропова. В целом данная модель показала более высокую точность, чем предыдущая, однако ее способность верно определять потенциально несостоятельные компании значительно ниже, чем у предыдущих моделей: треть выборки классифицирована неверно (табл. 9).

Таблица 9. Значение коэффициентов неверно классифицированных несостоятельных компаний по модели М.В. Евстропова

К-т/№	3	8	9	10	12	17	19	22	26	28	Средние по выборке
X1	-0,05	-0,40	-0,01	-0,01	-0,04	0,00	0,00	0,00	0,01	2,54	-0,01
X2	2,52	1,50	6,73	33,67	0,06	0,01	0,00	0,00	0,07	0,00	0,49
X3	0,07	0,25	0,07	0,05	0,01	0,00	0,00	0,00	0,02	2,73	0,14
X4	17,76	14,56	71,33	81,10	1,44	0,00	-1,00	-1,00	-0,28	0,00	0,84
X5	0,00	0,03	0,00	0,00	0,00	0,14	0,02	0,06	0,09	0,47	0,03
Y	-14,88	-9,34	-64,05	-71,50	-0,49	-12,28	-0,28	-3,90	-7,17	-83,65	0,16

Итак, можно заметить, что в выборку ошибок попали компании, которые были ошибочно определены как финансово устойчивые в прошлой модели (выделены цветом), что неудивительно: один из коэффициентов у моделей совпадает (отношение выручки к заемному капиталу), остальные коррелируют.

В регрессии коэффициенты при всех показателях, кроме второго отрицательны, наибольший коэффициент в регрессии у пятого показателя (табл. 10).

Таблица 10. Доли взвешенных финансовых коэффициентов в значениях интегрального показателя Y в модели М.В. Евстропова, %

К-т/№	3	8	9	10	12	17	19	22	26	28
X1	0	4	0	0	8	0	1	0	0	-3
X2	-17	-16	-11	-47	-13	0	0	0	-1	0
X3	0	-3	0	0	-2	0	0	0	0	-3
X4	-119	-156	-111	-113	-296	0	358	26	4	0
X5	0	0	0	0	-1	-1	-7	-2	-1	-1
Y	100	100	100	100	100	100	100	100	100	100

Однако мы видим, что почти у всех ошибочно классифицированных компаний он не превышает 0,01. Два наиболее значимых показателя - второй (оборачиваемость дебиторской задолженности) и четвертый (показатель роста выручки), имеют в регрессии наименьшие доли. Однако именно за счет этих двух показателей и получаются в итоге положительные значения. Стоит отметить, что только у ошибочно классифицированных компаний (за исключением трех) из всей выборки банкротов рост выручки был значительным. При этом показатель средней дебиторской задолженности ниже, чем у оставшихся 20 компаний.

Таким образом, рассмотрев несколько моделей прогнозирования банкротства, можно сделать следующие выводы. Основные показатели у компаний-банкротов и финансово устойчивых компаний в среднем значительно различаются. Так, даже анализ с использованием нерегрессионных методов скорее всего поможет определить, что компания находится на пороге банкротства, хотя бы за два года.

Тестируемые классические иностранные модели прогнозирования банкротства предприятий в целом не теряют своей точности. И, несмотря на попытки построить более точную модель на основе выборки российских предприятий, точность подобных моделей зачастую уступает зарубежным. Для наиболее точного прогнозирования необходимо использовать две или три модели. Однако все равно остается риск неверного прогнозирования ввиду того, что отдельные неблагополучные компании имеют показатели такие же, как и финансово устойчивые компании.

Заключение

Суммируя, все ранее перечисленное, можно сделать несколько наиболее значимых выводов. Банкротство является важным и необходимым институтом рыночной экономики. Однако на данный момент не существуют единой концепции банкротства, которое позволило бы исчерпывающим образом описать сущность данного явления.

В литературе весьма часто используется концепция банкротства, которые дана в законодательстве. Так, законодательно установлены основные критерии, по которым должника можно признать несостоятельным, но в данной трактовке преобладает принцип приоритета юридической формы над экономическим содержанием, и поэтому экономисты определяют несколько иные критерии, в которых основное значение, как правило, отводится финансовой составляющей. В свою очередь, банкротство можно рассматривать как состояние и как процесс, на который оказывает влияние многие факторы, как внешние, так и внутренние. При этом, основное значение заключается именно во внутренних факторах.

Для того, чтобы не пропустить критический момент, когда предприятие становится несостоятельным, применяются методы прогнозирования банкротства. Существует немалое количество различных методов, позволяющих проанализировать финансовое состояние предприятия с использованием различных показателей. Каждый метод обладает своими достоинствами и недостатками, однако основными методами уже несколько десятилетий остаются МДА и логит-анализ, которые впервые были предложены в целях прогнозирования банкротства предприятий зарубежными экономистами.

Существует не так много российских моделей прогнозирования банкротства компаний, которые преимущественно являются адаптированными версиями иностранных моделей. По сравнению с российскими моделями, иностранные в общем случае показывают большую точность, несмотря на то, что они основаны на показателях финансовой отчетности зарубежных компаний.

Тем не менее, наблюдается тенденция к развитию альтернативных методов прогнозирования банкротства, ввиду их большей точности по сравнению с классическими методами. Однако их широкое использование еще затруднено, ввиду недостаточности информации и ресурсов - в особенности профессионалов, которые могли бы безошибочно пользоваться данными методами.

Практика применения нескольких моделей прогнозирования банкротства показала, что даже относительно простой коэффициентный анализ, проведенный в целях прогнозирования вероятности банкротства предприятия, может помочь в выявлении слабых сторон функционирования компании, так как основные показатели у компаний-банкротов и финансово устойчивых компаний в среднем значительно различаются. Для того, чтобы анализ давал более-менее точный результат, необходимо использовать не менее 6-7 показателей, значения которых могут сравниваться как с результатами анализа за прошлые периоды, так и со значениями подобных показателей других компаний.

Более структурированными и простыми в применении являются модели прогнозирования банкротства, основанные на статистических методах. Они дают более точные и объективные результаты и могут непосредственно спрогнозировать вероятность наступления банкротства.

Однако все равно остается риск возникновения ошибок - того, что для некоторых предприятий прогноз будет неверным. Это происходит из-за того, что отдельные несостоятельные компании за несколько лет до признания их банкротами имеют показатели такие же, как и финансово устойчивые компании. В подобном случае необходимо учитывать специфику отрасли, специфику деятельности самой компании и другие экономические и неэкономические факторы. Поэтому для наиболее точного прогнозирования целесообразно сочетать две или три модели прогнозирования банкротства.

Список использованных источников

1. Федеральный Закон «Об акционерных обществах» от 26.12.1995 г. №208_ФЗ.

2. Федеральный Закон «О несостоятельности (банкротстве)» от 26.10.2002 г. №127_ФЗ.

3. Постановление Правительства РФ от 25 июня 2003 г. № 367 «Об утверждении Правил проведения арбитражным управляющим финансового анализа».

4. Бобылева А.З. Модернизация института банкротства как ключевой фактор повышения эффективности рыночной экономики//Вестник московского университета, Серия 21. Управление (государство и общество). - 2010. - № 3. - С. 39-60.

5. Богданова Т.К., Прогнозирование вероятности банкротства предприятий с учетом изменения финансовых показателей в динамике/Богданова Т.К., Алексеева Ю.А//Бизнес-информати...