Анализ и прогнозирование финансового состояния предприятий оптовой торговли сельхозпродукцией

И как итог данного исследования напрашивается вывод о слабых прогностических способностях как отечественных, так и иностранных моделей применимо к сельскому хозяйству в России. Именно поэтому данная тема остаётся актуальной для исследований и особенно актуальной в условиях сложившегося кризиса АПК.

Глава 3. Логистическая регрессионная модель оценки вероятности банкротства предприятий сельскохозяйственной отрасли

3.1 Структура информационной базы исследования

Независимо от размера или ценности сделок между предприятиями независимо от их отраслевой принадлежности, важно располагать информацией о своих партнёрах и быть уверенными, что партнёр сможет выполнить свои обязательства надлежащим образом. Одно из основных средств для мониторинга положения дел своих партнёров или контрагентов является ежегодная финансовая отчётность предприятий, и, в частности, общедоступные форма №1 и форма №2 бухгалтерского баланса. Для построения модели анализа вероятности банкротства предприятий сельскохозяйственной отрасли России используется выборка из 40 предприятий, 20 из которых являются банкротами. Используются финансовые показатели предприятий бухгалтерского баланса (форма №1 и форма №2) за 2014 - 2017 года. Рассматриваемый период начинается с 2014 года, так как особенно важен контекст тех изменений, которые произошли на фоне санкций в сельском хозяйстве и необходимо оценить их влияние. Выборка значений сформирована на основе следующих критериев: для предприятий-банкротов взяты показатели этих предприятий за 2 года до банкротства (для того, чтобы увеличить вероятность хорошей прогностической способности модели), а для платежеспособных компаний в большинстве случаев взяты балансы 2016 года, так как данных по 2018 году нет и пока неясно проявятся ли признаки банкротства у этих предприятий. Для построения модели были использованы следующие финансовые показатели, представленные в таблице 12.

Таблица 12. Финансовые показатели предприятий сельскохозяйственной отрасли.

Из проведенного анализа наиболее известных моделей прогнозирования банкротства предприятий были выявлены определённые закономерности использования коэффициентов и выделены наиболее часто встречающиеся и оказывающие максимальное влияние на итоговую модель прогнозирования. В таблице 13 представлены все коэффициенты для построения модели прогнозирования банкротства предприятий, а также формулы расчёта данных показателей на основе переменных бухгалтерского баланса. Помимо числовых переменных из таблицы 13, в модели также используется номинальная переменная «Class» (1 обозначает предприятия-банкроты, а 2 платежеспособные).

Таблица 13. Коэффициенты модели и формулы их расчёта.

3.2 Проверка на нормальность распределения

Для применения большинства методов статистического анализа важно знать распределение переменных. Наиболее известным и статистически важным распределением является нормальное. Для проверки анализируемых коэффициентов на нормальность распределения используется критерий Колмогорова-Смирнова.

Нулевой гипотезой данного критерия считается гипотеза о нормальности распределения критерия. Из результатов в Приложении 1 видно, что данная гипотеза отвергается для всех анализируемых коэффициентов, а, следовательно, поэтому для выявления зависимостей между переменными, измеренными в номинальной и количественной шкале, используются непараметрические тесты.

Сравнение средних значений показателей для банкротов и платежеспособных предприятий

Для определения значимости в различии между средними значениями финансовых коэффициентов банкротов и платежеспособных предприятий, используется U-тест Манна и Уитни. Данные тестирования представлены в таблице 14.

Таблица 14. Тест Манна-Уитни на различия средних двух выборок.

Нулевая гипотеза U-теста Манна-Уитни заключается в предположении о наличии только случайных различий между значениями одного и того же критерия для двух независимых выборок, то есть гипотеза состоит в отсутствии каких-либо закономерных различий для двух выборок. Нулевая гипотеза отвергается на уровне значимости менее 7%, а, следовательно, для следующих коэффициентов различия в значениях для банкротов и платежеспособных предприятий статистически незначимы:

коэффициент абсолютной ликвидности (К_абс_ликв);

коэффициент быстрой ликвидности (К_быстр_ликв);

коэффициент маневренности (К_маневр);

коэффициент соотношения заемных и собственных средств (К_заем_собств);

рентабельность собственного капитала (Рент_кап);

оборачиваемость собственного капитала (Обор_ск);

отношение денежных средств к выручке (Ден_выр);

отношение денежных средств к активам (Ден_акт);

отношение долгосрочных обязательств к активам (Дол_акт).

Рисунок 1 демонстрирует различия средних для выборок предприятий банкротов и действующих предприятий для коэффициентов со значимым различием средних.

Рисунок 1. Различия значений средних для показателя Class.

Из диаграммы следует, что для предприятий банкротов характерны более высокие показатели отношения долгосрочных обязательств к активам (Дол_акт) и отношения краткосрочных обязательств к активам (Кр_акт), то есть доля долговых обязательств по отношению к активам в данных предприятиех выше, чем в действующих, что выглядит довольно логично.

Также стоит подчеркнуть, что средние значения остальных коэффициентов предприятий банкротов ниже средних значений действующих предприятий. Особенно хорошо эта разница средних видна на показателях «Коэффициент текущей ликвидности» (К_тек_ликв) и «Оборачиваемость оборотного капитала» (Обор_обкап), где разница средних отличается в несколько раз. Это, в свою очередь, свидетельствует о том, что доля оборотных активов по сравнению с краткосрочными обязательствами и доля выручки от продажи в сравнении с оборотными активами для действующих предприятий в несколько раз выше, чем для предприятий банкротов, что представляется довольно логичным.

3.3 Анализ мультиколлинеарности переменных модели

Для анализа корреляций между показателями со значимыми различиями в средних значениях использовался коэффициент корреляции по Спирману, так как распределение переменных выборки не является нормальным.

В Приложении 2 приведены результаты корреляционного анализа. Между 11-ю показателями со значимыми различиями в средних значениях наблюдается средняя мультиколлинеарность, но тем не менее из дальнейшего анализа были исключены 4-е переменные, так как они имеют наиболее сильную корреляцию с остальными коэффициентами, а также была исключена переменная «Отношение собственного капитала к активам» (Отн_ск_акт) из-за сильной корреляции с более значимой для анализа переменной «Отношение краткосрочных и долгосрочных заемных средств к активам (Крдолг_акт)» (таким же образом были исключены из анализа переменные «Коэффициент оборота активов» (К_об_ак) и «Отношение краткосрочных обязательств к активам» (Кр_акт)).

Оставшиеся 5 коэффициентов были отобраны для последующего анализа и разработки модели:

Коэффициент текущей ликвидности (К_тек_ликв);

Оборачиваемость внеоборотных активов (Обор_внеоб);

Оборачиваемость оборотного капитала (Обор_обкап);

Отношение собственного капитала к активам (Отн_ск_акт);

Отношение краткосрочных и долгосрочных заемных средств к активам (Крдолг_акт).

Результаты парной корреляции между этими показателями по Спирману представлены в таблице 15.

Таблица 15. Корреляция по Спирману.

Построение модели оценки вероятности банкротства предприятия

Методом построения модели является метод логит-регрессии, который использует за основу сравнение данных с логистической кривой и присваивает вероятностные значения возникновения событий. Основное преимущество применения модели логистической регрессии заключается в возможности оценивать вероятность наступления того или иного события.

При построении логит-регрессии был использован метод пошагового включения для отбора коэффициентов модели. Зависимой переменной является дихотомическая переменная, состоящая из двух категорий:

1 - банкрот;

0 - не банкрот.

Рассмотрим итоговое уравнение модели прогнозирования вероятности банкротства. Коэффициенты уравнения представлены в таблице 16.

Таблица 16. Переменные итогового уравнения модели и их коэффициенты.

Итоговая модель имеет вид:

,

где Pj -вероятность банкротства предприятия j;

e - экспонента.

Модель классификации компаний на основе значения результирующего P критерия подчиняется следующим правилам: при Р меньше 0,5, предприятие относится к категории банкротов, в противном случае предприятие относится к категории платежеспособных предприятий.

Прогностическая точность модели на исследуемой выборке равна 85% для предприятий банкротов и 75% (Таблица 17) для действующих предприятий, что является достаточно хорошим показателем (то есть модель неправильно определила 8 предприятий из 40).

Таблица 17. Результаты прогнозирования.

Ещё одним важным показателем качественно составленной модели является R квадрат Нэйджелкерка, который для данной модели имеет значение в 0,634, что также является хорошим показателем и означает, что переменные построенной модели объясняют порядка 64% изменений в значениях анализируемых коэффициентов.

Заключение

В результате проделанной работы:

Собраны и проанализированы данные российских компаний оптовой торговли сельским хозяйством и определены ключевые факторы, оказывающие сильное влияние на вероятность банкротства предприятий сельскохозяйственной отрасли;

Проанализированы российские и зарубежные модели прогнозирования вероятности банкротства предприятий и выделены методы, наиболее подходящие для анализа предприятий в сфере сельского хозяйства;

Разработана собственная логит-модель прогнозирования вероятности банкротства предприятий оптовой торговли сельского хозяйства России, включающая пять переменных: коэффициент текущей ликвидности, оборачиваемость внеоборотных активов, оборачиваемость оборотного капитала, отношение собственного капитала к активам и отношение краткосрочных и долгосрочных заемных средств к активам.

Построенная модель обладает в целом высокой точностью прогнозирования - 80%, при этом прогноз предприятий банкротов осуществляется с точностью 85%, а действующих предприятий - с точностью 75%.

Научная новизна проведенного исследования состоит в том, что разработана новая модель прогнозирования вероятности банкротства предприятий оптовой торговли сельского хозяйства России.

Практическая значимость модели заключается в том, что модель может быть использована контрагентами для оценки финансового состояния партнера.

Список литературы

Дерябина М. Государственно-частное партнерство: теория и практика // Вопросы экономики. 2008. № 8. С. 61-77.

Стоянов Е.А., Стоянова Е.С. Экспертная диагностика и аудит финансово-хозяйственного положения предприятия. М.: Перспектива, 1992. 250 с.

Плотников В.А. Риски реализации кластерной политики // Вопросы безопасности. 2015. № 2. С. 8-24.

Плотников В.А., Федотова Г.В. Государственная бюджетная политика в условиях кризиса: региональный аспект // Управленческое консультирование. 2015. № 4. С. 59-69.

Плотников В.А., Федотова Г.В., Пролубников А.В. Государственно-частное партнерство и его реализация в регионах России // Экономика и управление. 2015. № 1. С. 38-43.

Сазонов С.П. Формирование рыночной структуры регионального АПК // Экономика сельского хозяйства России. 1994. № 10. С. 6.

Плотников В.А. Государственное стимулирование инновационного производства / Экономика

Пеньков П.Е., Сазонов С.П. на региональном уровне как пример эффективного направления развития экономики РФ / Экономическая безопасность России и стратегии развития ее регионов в современных условиях: м-лы науч.-практ. конф. Волгоград: ВолгГТУ, 2015. С. 145-147.

Давыдова Г.В., Беликов А.Ю. Методика количественной оценки риска банкротства предприятий // Управление риском. 1999. № 3. С. 13-20.

Еремина Н., Алексеева О. Страховщики могут уйти с рынка. URL: http://www.gazeta.ru/business/2013/10/03/5680481 .shtml.

Зайцева О.П. Антикризисный менеджмент в российской фирме // Сибирская финансовая школа. 1998. № 11-12.

Минаев Э.С., Панагушин В.П. Антикризисное управление: учеб. пособие. М.: Приор, 1998. 432 с.

Федорова Е.А., Гиленко Е.В., Довженко С.Е. Модели прогнозирования банкротства: особенности российских предприятий // Проблемы прогнозирования. 2013. № 2. С. 85-92.

Akimova, E. M., Stein, E. M., & Prokhorova, Y. S. (2015). System analysis in the investment processes management and theoretical principles of the investments assessment. Journal of Advanced Research in Law and Economics, 472-487.

Altman E.I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // Journal of finance. 1968. № 23. R 589-609.

Beaver W. Financial ratios as predictors of failure. Empirical research in accounting selected studies // Journal of accounting research (Suppl.). 1966. №4. R 71-111.

Chlson J. Financial ratios and the probabilistic prediction of bankruptcy // Journal of accounting research. 1980. № 18. P. 109-131.

Credit Suisse. Credit risk: a credit risk management framework, Credit Suisse Financial Products, New York, NY, 1997.

Dey, P. (2016). Integrated project evaluation and selection using multi-attribute decisionmaking technique. International Journal of Production Economics, 90-103.

Enea, M., & Piazza, T. (2014). Project selection by constrained fuzzy AHP. Fuzzy Optimization and Decision Making. Rome: R&D Management.

Falkenstein E., Boral A., Cartey L. RiskCal- cTM for private companies: Moody's default model // Moody's Investor Service: Global Credit Research. 2000. May. P. 3-86.

Fulmer J., Moon J., Gavin Т., Erwin M. A bankruptcy classification model for small firms // Journal of commercial bank lending. 1984. July. P. 25-37.

Laha, D., & Mandal, P. (2011). Handbook of computational intelligence in manufacturing and production management. New York: IGI Global.

Mohamed, S., & McCowan, A. K. (2012). Modelling project investment decisions under uncertainty using possibility theory. International Journal of Project Management, 231-241.

PostinK., HarmonK., GramlichJ.A. Test of financial ratios as predictors of turnaround versus failure among financially distressed firms // Journal of applied business research. 1994. № 10. P. 41-56.

Shakhsi-Niaei, M., Torabi, S. A., & Iranmenesh, S. H. (2011). A comprehensive framework for project selection problem under uncertainty and real-world constraints. Computers & Industrial Engineering, 226-237.

Приложение 1

Приложение 2

Размещено на Allbest.ru