Подход Э. Альтмана был впоследствии применен его последователями в ряде стран (Англия, Франция, Бразилия и т.п.). Так, Таффлер и Тишоу (Власовец, 2017), для Великобритании получили следующую зависимость:

Z = 0,53X1 + 0,13Х2 + 0,18Х3 + 0,16X4,

где Х1- прибыль от реализации /краткосрочные обязательства;

Х2- оборотный капитал/сумма обязательств;

Х3 - краткосрочные обязательства / сумма активов;

Х4- объем продаж/сумма активов.

Если Z > 0,3, то у фирмы неплохие долгосрочные перспективы, если Z<0,2, то банкротство более чем вероятно.

Модель Лиса (Власовец, 2017) представлена так:

Z = 0,063Х1 + 0,092Х2 + 0,057Х3 + 0,0014Х4 ,

где Х1 - оборотный капитал/сумма активов;

Х2 - прибыль от реализации/сумма активов;

Х3 - нераспределенная прибыль/ сумма активов;

Х4 - рыночная стоимость собственного капитала/заемный капитал.

При Z < 0,037 -- высокая вероятность банкротства.

Первым российским опытом применения подхода Э.Альтмана является разработанная модель Давыдовой-Беликова:

Z= 8.38*Х1+ Х2+ 0.054*Х3+ 0.63*Х4,

где Х1 - оборотный капитал/сумма активов;

Х2 - чистая прибыль/собственный капитал;

Х3 - объем продаж/ сумма активов;

Х4 - чистая прибыль/себестоимость

При: Z < 0 - P максимальная (0,9 - 1), 0 < Z < 0,18 -- P высокая (0,6 - 0,8), 0,18 < Z < 0,32 - P средняя (0,35-0,5), 0,32 <Z< 0,42 - P низкая (0,15-0,20), Z >0,42 - P незначительна (до 0,1) (P - вероятность банкротства) (Бернстайн, 2003).



2.2 Модель Чессера

Модель Чессера (Чессер, 1974) - это еще одна зарубежная методика прогнозирования банкротства, которая отличается от других методик своего времени тем, что помимо оценки вероятности невозврата кредита данная модель также оценивает и другие риски, коррелирующие с возможностью банкротства. В целом данная модель имеет неплохую обобщающую способность - сам Чессер проводил исследование на 37 «привлекательных» и 37 «непривлекательных» кредитах, причем данные фирм-заемщиков были взяты за год до предоставления им кредит (Власовец, 2017).

В итоге модели удалось верно предсказать судьбу 3 из 4 предоставленных кредитов.

Y = -2,0434 - 5,24*X1 + 0,0053*X2 - 6,6507*X3 + 4,4009*X4 - 0,0791*X5 -0,1220*X6,

Где: X1 - (Денежные средства + Быстрореализуемые ценные бумаги) / Совокупные активы

X2 - Нетто-продажи / (Денежные средства + Быстрореализуемые ценные бумаги)

X3 - Брутто-доходы / Совокупные активы

X4 - Совокупная задолженность / Совокупные активы

X5 - Основной капитал / Чистые активы

X6 - Оборотный капитал / Нетто-продажи

где е - 2,71828

В случае если Z ? 0,50, то клиента следует отнести к группе, которая не выполнит условий договора.

2.3 Модель Богдановой-Баклаковой

Модель логистической регрессии Богдановой Т.К. - Баклаковой А.В. - современная отечественная методика, в основе которой лежат 4 независимых финансовых показателя (X1…X4), которые позволяют получить оценку платежеспособности компании с точки зрения всех заинтересованных сторон (Т. К. Богданова, 2008). Данные показатели были выбраны вследствие анализа наиболее качественных и распространённых мировых методик прогнозирования банкротства, о которых подробно рассказывалось выше. Построенная модель была проверена на выборке из 90 наблюдений, состоящих из 23 авиакомпаний в период с 1998 по 2005 гг. В результате исследования была получена 91% точность предсказания, что заметно превосходит вышеуказанную модель Чессера (53%).

где P - вероятность банкротства авиапредприятия

Z = -0,64 - 3,79*X1 + 0,44*X2 + 2,38*X3 + 3,94*X4,

Где: Х1 - показатель оборачиваемости активов;

X2 - коэффициент текущей ликвидности;

Х3 - коэффициент рентабельности собственного капитала;

Х4 - доля активов, финансируемая за счет краткосрочных обязательств.

Сравнивая опыт иностранных и российских ученых в области прогнозирования несостоятельности, автор заключил, что данные методологии не полностью соответствуют поставленным критериям. Прежде всего, их недостатком является нечеткость или неоднозначность оценки несостоятельности (Таблица 5).



Таблица 5. Сравнительная характеристика методик оценки платежеспособности компаний.

Название показателя	Название модели
	Альтман	Чессер	Богданова-Баклакова
Оборачиваемость активов	+	-	+
Доходность активов	+	+	-
Ликвидность активов	+	-	+
Активы, финансируемые за счет займов	-	+	+
Отношение заемного капитала с собственному	+	-	-
Материальные активы	+	-	-
Прибыль до уплаты налогов	+	-	+
Оборачиваемость наиболее ликвидных активов	-	+	+
Коэффициент, показывающий долю наиболее ликвидных активов в совокупных активах	-	+	+
Коэффициент, показывающий соотношение внеоборотных и чистых активов	-	+	-
Коэффициент обеспеченности оборотными средствами	-	+	-

Набор частных показателей в зарубежных моделях, их весовые значения, шкала вероятности - все эти инструменты диагностики разработаны относительно давно и применительно к другой, высокоразвитой экономике. К экономике, для которой характерна информационная прозрачность деятельности, сложившиеся методы оценок рыночной стоимости активов и влияния инфляции, стремление показать свою инвестиционную привлекательность через показатели прибыли и т.д.

Минусы наблюдаются во всех представленных работах по формированию методики диагностики несостоятельности, которые связаны с использованием рассмотренных аналитических инструментов. Тем не менее, автор считает, что каждая методика имеет свои сильные и слабые стороны и не способна дать абсолютно точную оценку банкротства предприятий по объективным и субъективным причинам.

Автор считает, что данные модели могут быть усовершенствованы путем добавления в них показателей, отражающих нефинансовую характеристику предприятия.

Итоговым этапом проведения антикризисного анализа станет расчет оценок платежеспособности предприятия по вышеуказанным методикам.

2.4 Модель оценки платежеспособности авиапредприятий с учетом нефинансовых показателей

Как уже было сказано выше, целью данной работы является разработка новой наиболее точной предиктивной модели оценки платежеспособности авиапредприятия. Для достижения этой цели автор использовал методы машинного обучения, относящиеся к категории классифицирующих методов:

· Множественной линейной регрессии.

· Метод ближайших соседей.

· Деревья решений.

· Случайный лес.

· Наивный Байесовский классификатор.

Множественная линейная регрессия определяет связь целевой переменной факта наступления неплатежеспособности с линейной функцией зависимых переменных. Разновидностью множественной линейной регрессии является логистическая регрессия, примеры построения которой были представлены в модели Богдановой-Баклаковой. Связь в такой регрессии определяется путем сведения суммы квадратов стандартных отклонений признаков к минимуму. Ключевые признаки могут быть также определены и методом главных компонент.

Процедура классификации с помощью логистической регрессии можно представить следующим образом: целевая переменная Y - статус платежеспособности, принимает значение 1, если компания потеряла платежеспособность, и значение 0, если компания сохраняет статус платежеспособной компании. Рассмотрим логистическую регрессию вида:



где - неизвестные параметры регрессионного уравнения. Коэффициенты можно оценить с помощью метода максимального правдоподобия, тогда решающий вид правила будет выглядеть следующим образом:

То есть компанию можно отнести к числу банкротов, если вероятность попадания в этот класс не меньше 0,5.

Деревья решений - еще один метод машинного обучения, который хорошо работает на иерархических данных, воспроизводит логические схемы, решением которых являются окончательные ответы «да» или «нет». Важно понимать, что логическая схема строится таким образом, что последующий шаг однозначно зависит от ответа, полученного на предыдущем шаге. Подобные схемы используются в различных предметных областях, начиная от разведки нефтяных месторождений до постановки медицинских диагнозов. В случае оценки платежеспособности компании данный метод также применим. На Рисунке 2 представлен пример решающего дерева для данной вышеуказанной задачи. Дерево включает в себя корневую вершину, инцидентную только выходящим ребрам, внутренние вершины, инцидентные только входящему ребру и нескольким выходящим, и листья - концевые вершины, инцидентные только одному входящему ребру.



Рисунок 2. Принцип работы дерева решений.

Каждой из вершин дерева за исключением конечных вершин (листьев) соответствует вопрос, на который можно дать однозначный ответ. В зависимости от выбранного варианта ответа осуществляется переход к вершине другого уровня. Листьям присваиваются метки, указывающие на отнесение распознаваемого объекта к одному из классов. Дерево решений называется бинарным, если каждая внутренняя и конечная вершина инцидентна только двум выходящим ребрам. Бинарные деревья решений и их комбинации с другими алгоритмами особенно удобно применять в моделях с применением машинного обучения.

Случайный лес - это производный от метода решающих деревьев алгоритм, придуманный математиками Лео Брейманом и Адель Катлер во второй половине прошлого века. Данный метод практически универсален, он отлично работает на задачах классификации, регрессии, кластеризации, идентификации аномалий в данных и других задачах машинного обучения.

Случайный лес (RF, от англ. «random forest») представляет собой совокупность решающих деревьев, о которых подробно писалось выше. Применительно к данной выпускной квалификационной работе, в задаче классификации деревья строятся таким образом, что их ответы принимаются односторонним голосованием по большинству, то есть компания определяется в компоненту неплатежеспособных компаний, если строго больше половины деревьев принимают данное решение.

Алгоритм построения случайного леса выглядит следующим образом:

1. Определяем подвыборку из общей тренировочной выборки для построения дерева решений, для каждого дерева определяется собственная подвыборка.

2. Выделяем максимальное количество признаков, по которому можно разделить дерево и перейти на следующий шаг.

3. Выделяем признак по заданному критерию и переходим к началу алгоритма.

В общем случае каждое дерево строится до тех пор, пока выборка не иссякнет, то есть в конечной вершине (листе) не останется параметр единственного класса. Однако существуют вариации данного метода, когда высота и число объектов в листьях устанавливается на уровне заранее определенных значений.

Таким образом, результатом алгоритма построения случайного леса является ансамбль решающих деревьев, построенных случайным образом.

В данной выпускной квалификационной работе использовался алгоритм случайного леса, реализованный на языке Python в библиотеке scikit-learn, которая выделяет ряд необходимых параметров:

1. Количество деревьев (n_estimators)

Время подсчета данного алгоритма зависит линейно от количества деревьев, то есть увеличение числа деревьев увеличит длительность подсчета модели. Однако, в задачах, где фактор времени не играет существенной роли, увеличение числа рассматриваемых признаков может рассматриваться положительно, так как точность предсказания возрастает (Рисунок 3).



Рисунок 3. График зависимости точности предсказания от количества признаков.

2. Максимальное количество признаков (max_features).

Если представить график, отражающий зависимость качества модели смешанного леса от количества признаков, участвующих в ней, то у него будет наблюдаться одна мода, то есть до определенного количества признаков качество будет только расти. Однако преодолев «пиковое» значение, точность начнет падать. Такого рода распределения называют одномодальными распределениями, по умолчанию в библиотеке scikit-learn данный параметр равен квадратному корню из числа признаков, но его можно настраивать и самостоятельно.

3. Минимальное число объектов в листьях (min_samples_leaf).

Как уже было сказано выше, этот параметр зависит от конкретной задачи. В данной выпускной квалификационной работе целевой переменной является статус платежеспособности, которая делится на два класса, то есть в листе должно стоять одно из двух значений - 0, если компания утратила платежеспособность, и 1, если компания не утратила платежеспособность. В других задачах этот параметр может принимать любые значения от 1 до максимального значения числа признаков.

4. Максимальная глубина деревьев (max_depth).

Время подсчета модели смешанного леса линейно зависит от глубины обучаемых деревьев, чем больше глубина, тем больше времени потребуется для обучения модели. Однако при небольшой глубине деревьев есть риск получения моделей низкого качества, при использовании максимальной глубины возникает риск переобучения модели, поэтому данный показатель настраивается в ручном режиме в зависимости от задачи и качества исходных данных.

5. Критерий разделения на подвыборки (criterion).

Одним из наиболее важных параметров данного метода является параметр выбора критерия, согласно которому идет разделение обучающей выборки на подвыборки. В библиотеке scikit-learn предлагаются два основных метода оценки алгоритма - среднеквадратичная ошибка (MSE) и средняя абсолютная ошибка (MAE), которые минимизируют функцию потерь.

Для задачи классификации, решаемой в данной выпускной квалификационной работе, реализован классический критерий Джини. Данный критерий измеряет равномерность распределения на подвыборки, если p(i) - частоты распределений элементов различных классов в листе решающего дерева, то коэффициент Джини равен:

По умолчанию в библиотеке scikit-learn случайный лес строится на одном процессоре, но при желании задачу можно распараллелить путем выделения отдельных слотов памяти, поменяв значение в параметре «n_jobs». Если вычислительные характеристики компьютера позволяют обрабатывать сложные запросы, то можно поставить в данный параметр значение -1, тогда модель будет построена на максимальном возможном числе процессоров.

Случайный лес является одним из наиболее применяемых методов в задачах классификации, так как он позволяет перебрать все возможные подвыборки без ущерба точности модели. При условии, что количество признаков не слишком большое, и задача не превращается в задачу, решаемую за бесконечное количество времени.

Метод ближайших соседей или KNN(k nearest neighbors) - еще один алгоритм классификации, используемый в данной выпускной квалификационной работе.

Данный алгоритм достаточно прост и строится следующим образом:

1. На первом этапе необходимо вычислить расстояние от каждого из объектов обучающей выборки до другого объекта из этой же выборки.

2. На втором этапе происходит отбор k-наблюдений, расстояние между которыми минимально (Рисунок 4).

3. На последнем этапе определяем класс объекта - наиболее часто встречающийся среди k ближайших соседних наблюдений.

Рисунок 4. Метод ближайших соседей.

Таким образом, метод ближайших соседей - это метод классификации, который относит объекты наблюдений к классу, к которому принадлежит большинство из его k ближайших соседей. Число k, в свою очередь, представляет собой количество ближайших соседей из признакового пространства исследуемых объектов. Например, если k = 5, то каждое наблюдение сравнивается с пятью такими же наблюдениями.

В ходе обучения данной модели алгоритм запоминает значения векторов признаков и метки классов, которые им присвоены. При отсутствии метки одного из классов расстояние вычисляется между вектором предыдущего и последующего наблюдений, далее происходит выбор k ближайших к нему векторов, и данному наблюдению присваивается класс большинства из ближайших k наблюдений. При выборе значения k необходимо учитывать, чем больше это значение, тем выше точность отнесения к тому или иному классу объектов. Однако при слишком больших k, границы между классами размываются. На практике данный алгоритм показывает хорошую точность, его наиболее значимым недостатком можно назвать высокую вычислительную трудоемкость, из-за которой время подсчета модели увеличивается квадратично с ростом количества наблюдений.

Наивный байесовский классификатор (NBA, от англ. «naпve Bayes algorithm») - еще один алгоритм, используемый в данной выпускной квалификационной работе. В основе данного алгоритма лежит теорема Байеса, которая позволяет определить условную вероятность наступления одного события при условии другого с допущением о независимости данных событий (Формула 1).

Формула 1. Формула условной вероятности Байеса

P(Hi) - априорная вероятность события H

P - вероятность наступления события A при условии события Hi (апостериорная вероятность)

P(A/Hi) - вероятность наступления события А при истинности Hi

P(A) - вероятность наступления А

Другими словами, NBA подразумевает, отсутствие какого-либо признака не определяется другими признаками в классе. Например, авиакомпания может считаться банкротом, если коэффициент ликвидности ее активов меньше критического значения, доля заемных средств в капитале превышает долю собственных и средний возраст воздушных судов больше 25 лет. Даже если эти признаки взаимосвязаны, они вносят независимый вклад в вероятность того, что компания считается неплатежеспособной. Именно благодаря этому допущению алгоритм называется «наивным».

Наивный байесовский классификатор строится следующим образом:

1. Строим частотную таблицу событий для каждого класса.

2. Рассчитываем вероятности наступления отдельных событий.

3. С помощью теоремы Байеса находим апостериорную вероятность для каждого из рассматриваемых классов.

Класс, которому будет присвоена наибольшая апостериорная вероятность и будет результатом прогноза.

Среди сильных сторон данного алгоритма можно выделить:

1. Алгоритм состоит из небольшого количества операций и работает быстрее относительно других рассматриваемых алгоритмов.

2. В случае, когда допущение о независимости признаков выполняется, NBA показывает более высокую точность относительно других алгоритмов, в частности, логистической регрессии.

3. NBA отлично работает с категориальными признаками.

Среди слабых сторон данного алгоритма можно выделить:

1. В случае, когда в обучающей выборке есть пропуск в категориальном признаке, а в тестовой выборке неизвестное значение присутствует, NBA присвоит данному значению вероятность равную нулю и не сможет построить прогноз.

2. Несмотря на то, что NBA обладает достаточно хорошей классифицирующей способностью, значения вероятностей могут быть сильно смещены, если не был проведен тщательный отбор признаков на этапе обработки данных.

3. Главным недостатком данного метода является его «наивность», то есть допущение о независимости признаков. На практике данных, где признаки не зависели бы друг от друга, практически не встречаются.

Стоит также отметить, что в рамках данной выпускной квалификационной работы автор использует наивный байесовский классификатор при принятии гипотезы о нормальном распределении (GNB, Gaussian Naive Bayes), реализованный в библиотеке scikit-learn.



Глава 3. Сравнительный анализ платежеспособности предприятий авиационной отрасли с использованием статистических и интеллектуальных методов.

3.1 Информационная база исследования

Точность математической модели определяется качеством данных, которые поступают модели на вход. В данной работе использовалось несколько источников данных, в частности, такие информационные системы, как СПАРК-Интерфакс, Thomson Reuters EIKON, а также данные, собранные путем ручного поиска в сети Интернет. Выбор данного подхода по наполнению информационной базы исследования связан с тем, что на сегодняшний день не существует консолидированной базы данных способной покрыть область исследования данной выпускной квалификационной работы.

Также, стоит отметить, что используемые общедоступные базы данных СПАРК-Интерфакс и Thomson Reuters EIKON предоставляют информацию о финансовых показателях компании, в первом случае - это отечественные авиаперевозчики, во втором - зарубежные.

Информацию, касающуюся нефинансовых показателей деятельности, авиакомпании выкладывают в общий доступ в ограниченном виде или не выкладывают совсем, так как не существует законодательных норм, принуждающих к раскрытию подобной информации. Таким образом, вся нефинансовая информация собрана путем анализа ежегодных отчетов авиакомпаний, их сайтов и статей в профильных журналах.

Для сохранения целостности данных и удобства работы с ними автором была построена реляционная база данных (БД) в программной среде Microsoft SQL Server 2016. Реляционный тип базы данных представляет собой совокупность взаимосвязанных плоских таблиц, отличающихся линейной структурой записей, а также тем, что связи между таблицами устанавливаются динамически, то есть в момент выполнения запроса по равенству значений полей связи.

Этапы проектирования и внедрения БД (Приложение 1):

1. Описание предметной области.

2. Создание инфологической модели данных.

3. Нормализация таблиц и создание даталогической модели данных.

4. Миграция базы данных в облачную среду Microsoft Azure.

5. Импорт БД в среду для разработки Jupyter Notebook.

В представленной выпускной квалификационной работе предметной областью базы данных является авиационная отрасль, в нее входят как динамически изменяемые, так и статические объекты. Примером изменяемых объектов являются финансовые показатели, которые меняют свои значения с течением времени. Примером неизменяемых показателей в данной работе могут служить некоторые нефинансовые показатели такие, как страна или форма собственности авиакомпании.

Одним из этапов работы с БД является ее нормализация - приведение структуры данных в необходимую нормальную форму путем анализа функциональных зависимостей между атрибутами отношений. В большинстве теоретических источников описаны шесть видов нормальных форм реляционных баз данных. В данной выпускной квалификационной работе автор использовал третью нормальную форму (3NF), которая включает в себя первую (1NF) и вторую (2NF) нормальную формы, а также соблюдает условие отсутствия функциональной полноты.

Полное описание таблиц и схема базы данных представлены в Приложении 1.

Исходная база данных содержит в себе записи о 2799 отечественных и зарубежных компаниях за период с 2002 по 2017 год. Целевая переменная представлена бинарным категориальным признаком «Статус платежеспособности», который принимает значение 0 - если компания платежеспособна, и 1 - если компания потеряла платежеспособность. Всего в рассматриваемом наборе присутствует 246 неплатежеспособные компании.

Список признаков авиакомпаний:

1. Финансовые:

· Внеоборотные активы

· Оборотные активы

· Валовая прибыль

· Выручка

· Дебиторская задолженность

· Кредиторская задолженность

· Денежные средства

· Краткосрочные обязательства

· Долгосрочные обязательства

· Займы и кредиты

· Капитал и резервы

· Коэффициент текущей ликвидности

· Коэффициент соотношения собственных и заемных средств

· Рентабельность собственного капитала

· Показатель оборачиваемости активов

2. Нефинансовые:

· Размер компании (малые, средние, крупные)

· Численность работников (<150, 150-500, 500-1K, 1K-5K, 5K>)

· Страна

· Сектор перевозок (международный, региональный, чартерный)

· Пассажиропоток

· Организационная структура (частная, государственная, смешанная)

· Форма собственности (единичная, партнерская, корпоративная)

· Количество несчастных случаев

· Место в рейтинге авиакомпаний

· Статус платежеспособности

Гистограмма распределений признаков представлена на Рисунке 5.

Рисунок 5. Гистограмма распределений признаков.

Заметим, что большинство нефинансовых признаков демонстрируют нормальное распределение, из чего можно сделать вывод о том, что данные реалистичны и могут быть использованы для дальнейшего анализа платежеспособности компаний.

В свою очередь, динамика изменений в финансовых показателях прослеживается гораздо реже за исключением таких характеристик, как выручка, капитал и резервы, рентабельность собственного капитала.

Несмотря на это автором было принято решение оставить данные показатели для дальнейшего анализа, так как большинство экспертов в этой области ссылаются на важность учета данных показателей (Baldwin, 2013).

В ряде показателей, например, место в рейтинге и организационная структура наблюдается сильный «перекос» значений, так как большинство рейтингов учитывает только первые сто компаний, а наиболее популярная форма собственности авиапредприятий - это частная форма. В дальнейшем исследовании будет необходимо подобрать наиболее нейтральные веса для этих признаков.

На графике слева (Рисунок 6) видно, что у платежеспособных компаний коэффициент, показывающий соотношение доли заемных средств к собственным, находится в диапазоне от 0,2 до 0,4. Компании, находящиеся в зоне риска, статистически находятся в диапазоне большем, чем 0,6. Данный факт противоречит известной гипотезе Модильяни-Миллера о независимости структуры капитала и платежеспособности компании (Модильяни, 2001).

На графике справа (Рисунок 6) сравниваются показатели EF5 и RO1, большая часть их значений располагается в окрестности нуля {(-0.1;0.1);(0;0.5)}. Это качественные коэффициенты, которые отражают рост или падение объемов валовой прибыли и выручки за рассматриваемый период.



Рисунок 6. Зависимость признака EF1 от целевой переменной.

На Рисунке 7 видно количество признаков коррелирующих с целевым признаком "Статус платежеспособности". Заметно, что коэффициент корреляции у большинства признаков выше 0.85, что говорит о наличии сильной функциональной зависимости этих признаков с целевым. Этот вывод вполне соотносится с действительностью, ведь большую часть признаков составляют взаимосвязанные финансовые показатели

Рисунок 7. Корреляция признаков с целевой переменной.

Если посмотреть на гистограмму всех признаков, то можно заметить, что показатель оборачиваемости активов - самый непредсказуемый признак, поэтому было интересно соотнести его с целевым признаком "Bankrupt". В целом данный признак подтвердил свое звание "самый непредсказуемый", так как два "листа" очень похожи друг на друга - медианы практически лежат на одном уровне, дисперсии так же сопоставимы, и выделить какой-либо ценной информации из этого графика сложно (Рисунок 8).

Рисунок 8. Корреляция показателя оборачиваемости активов с целевой переменной.

Посмотрим на маску признаков, которые определили, как нормально распределенные величины. По точечным графикам видно, что большинство признаков делятся на два класса. В частности, если провести диагональную линию между точками признаков коэффициент текущей ликвидности и размер компании, то доля выбросов будет равна практически нулю, то есть происходит явное разделение на два класса (Рисунок 9).



Рисунок 9 Корреляция между признаками соответствующими распределению Гаусса.

Еще одним нестандартным показателем, рассматриваемым в данной выпускной квалификационной работе, является признак количества несчастных случаев на счету авиакомпании. По результатам исследования максимальное количество катастроф с человеческими жертвами произошла на Малазийских Авиалиниях, вторым по количеству подобных аварий является рынок США.

Стоит отметить, что место в рейтинге не напрямую или не полностью зависит от числа погибших (Рисунок 10). Другие показатели авиакомпаний также играют роль в определении места в рейтинге. Например, Малайзийские авиалинии, имеющие максимальный уровень смертности, по-прежнему занимают 24 место в рейтинге, в то время как египетские авиалинии, хотя и имеют меньшие потери, не вошли в топ-100 авиакомпаний (Рисунок 11).

Рисунок 10. Статистика авиакатастроф по регионам и отдельным компаниям с 2001 по 2016 гг.

Рисунок 11. Соотношение количества авиакатастроф с рейтингом компании.

График показывает авиакомпании и их данные относительно смертельных исходов, места в рейтинге и дальности маршрутов (Приложение 2). Как видно, сильной связи между данными признаками и платежеспособностью компании не наблюдается. То есть, количество авиакатастроф практически не влияет на платежеспособность авиакомпании. Среди компаний, лидирующих по количеству несчастных случаев можно увидеть и представителей российского рынка, в частности, Аэрофлот. К сожалению, подробных технических данных о состоянии парка воздушных судов авиакомпаний в открытых источниках найти невозможно. Поэтому точного ответа на вопрос, связана ли данная статистика с частотой рейсов, осуществляемых авиакомпанией или техническим состоянием воздушных судов, найти не представляется возможным.

Компании, которые лидируют по количеству инцидентов со смертельным исходом, продолжают довольно успешно существовать на рынке, увеличивая пассажиропоток. Однако это не означает, что таким компаниям не следует повышать уровень безопасности на своих рейсах, статистика последних лет это подтверждает.

3.2 Моделирование платежеспособности авиакомпаний

В рассматриваемых ранее исследованиях наибольшую точность при оценке платежеспособности авиакомпаний показывала модель логистической регрессии. Так, отечественная методика Богдановой-Баклаковой продемонстрировала 87% точность прогноза платежеспособности российских авиакомпаний за период 2009 - 2016 гг. (Власовец, 2017). В данной выпускной квалификационной работе автор также применяет модель логистической регрессии с добавлением нефинансовых показателей.

Данная модель является модификация модели Богдановой-Баклаковой и выглядит следующим образом:

где P - вероятность банкротства авиапредприятия

Z1 = -0,64 - 3,79*X1 + 0,44*X2 + 2,38*X3 + 3,94*X4 + 0,39*X5 + 1,74*X6 + 2,05*X7,



Где: Х1 - показатель оборачиваемости активов;

X2 - коэффициент текущей ликвидности;

Х3 - коэффициент рентабельности собственного капитала;

Х4- доля активов, финансируемая за счет краткосрочных обязательств;

X5 - размер компании;

X6 - пассажиропоток;

X7 - организационная структура компании;

Результаты представлены на Рисунке 12, мерой качества классификации выступает доля правильных ответов (accuracy). Точность (precision) показывает долю действительно платёжеспособных авиакомпаний, а полнота (recall) показывает, какая часть платежеспособных авиакомпаний была выделена классификатором.

Рисунок 12. Результаты обучения модели логистической регрессии.

Еще одной из моделей, используемых в данном исследовании, является модель решающих деревьев. В задачах классификации данный метод используется часто благодаря своей обобщающей способности. Так как в рассматриваемых данных наблюдений не слишком много, автором было принято решение построить дерево полной глубины, что положительным образом отразилось на качестве модели в целом (Рисунок 12). В ходе обучения модели было рассмотрено два критерия выбора параметров модели - энтропийный критерий и критерий Джини. Первый по результатам тестирования показал наибольшую точность.

Рисунок 12. Результаты обучения модели деревьев решений.

Исходя из хороших результатов, полученных с помощью метода решающих деревьев, автором было принято решение об апробации производного от данного метода классификатора смешанного леса. Принцип работы данного алгоритма подробно описан во второй главе данной выпускной квалификационной работы, стоит только отметить, что в полученной модели наибольшую точность показал алгоритм, использующий для отбора параметров критерий Джини. В данном методе автором было принято решение ограничить максимальную глубину деревьев числом 1500 (Рисунок 13). Данное ограничение получено экспериментально, в расчёт брались показатели скорости обучения модели с учетом использования всех ресурсов процессора и минимизации риска переобучения модели.



Рисунок 13. Результаты обучения модели случайного леса.

Наиболее простым из рассмотренных в данной выпускной квалификационной работе методов оценки платежеспособности авиапредприятий является метод ближайших соседей или KNN (Рисунок 14). Автор применил данный в виду избыточного количества финансовых показателей, так как подобные показатели всегда выражаются в виде порядковых переменных, алгоритм поиска ближайших соседей достаточно точно вычисляет расстояние между наблюдениями. Данное условие является необходимым для высокой прогнозной точности метода ближайших соседей.



Рисунок 14. Результаты обучения модели метода ближайших соседей.

Результаты прогноза наивного Байесовского классификатора можно увидеть на Рисунке 15. Изначальная гипотеза о том, что сильная зависимость признаков скажется на результатах прогнозирования, не подтвердилась, так как данный классификатор одинаково хорошо работает как с вещественными признаками, которые представляют финансовые параметры авиапредприятий, так и с категориальными признаками, к которым относится большинство нефинансовых показателей.

Рисунок 15. Результаты обучения модели наивного байесовского классификатора.

Таким образом, каждый из методов машинного обучения показал свою высокую эффективность в задаче классификации платежеспособных компаний. Стоит отметить, что автор также рассмотрел описанные во второй главе методики, не учитывающие нефинансовые показатели авиакомпаний. Среди них две зарубежные методики Э. Альтмана и Ю. Чессера, а также отечественная модель Богдановой-Баклаковой, которая обладает неявно выраженной отраслевой спецификой и показывает значительно более точные результаты прогнозирования банкротства авиапредприятий по сравнению с первыми двумя методиками Приложения 3-5. Тем не менее, влияние нефинансовых факторов значительным образом отразилось на усовершенствовании данных методик и подтвердило гипотезу о том, что нефинансовые показатели влияют на платежеспособность предприятия и должным быть учтены в ходе проведения антикризисного анализа.

3.3 Сравнительный анализ построенных оценок платежеспособности предприятий авиационной отрасли

Анализ существующих методик прогнозирования платежеспособности предприятий показал, что большинство исследователей пренебрегают использованием нефинансовых показателей в расчете своих моделей. Автор связывает это, в первую очередь, необходимостью создания собственной информационной базы исследования, так как на сегодняшний день компании не стремятся выкладывать подобного рода данные в открытый доступ и задача для исследователя во многом осложняется. Тем не менее, результаты в данной выпускной квалификационной работе показали, что влияние подобных нефинансовых факторов на итоговую точность моделей оценки платёжеспособности значительно. Если отечественная модель Богдановой-Баклаковой демонстрирует высокую обобщающую способность и дает качественный прогноз в 73%, то зарубежные методики Альтмана и Чессера в значительной степени ей уступают, так как были построены на данных из других отраслей.

Также, стоит отметить, что часть ошибок, которые совершила модель Богдановой-Баклаковой, можно отнести к ошибкам первого рода. То есть авиакомпания юридически не была признана банкротом, однако по всем показателям такою являлась. К таким ошибкам можно отнести авиакомпанию Ютэйр в 2013 году и Трансаэро в 2014 году. Первая к концу 2013 года ушла с определенного ряда направлений полетов и продала значительную часть своих активов, что дало возможность снизить кредиторскую задолженность более, чем на 15%, потерять значительную долю рынка, но остаться платежеспособной в последующий период. Вторая (Трансаэро) была ориентирована на дальнемагистральные и среднемагистральные полеты, общее падение цен на углеводороды и санкции на приток иностранного капитала ей уйти из зоны риска и уже в 2015 году компания объявила процедуру банкротства.

Другие две модели (Альтмана и Чессера) показали меньшую точность - 56,67% и 63,67 %, соответственно. Тем не менее, данные результаты также можно назвать неплохими, поскольку на временном отрезке в пять лет данные модели работали значительно хуже. (О. Власовец, 2016) Также, данные модели имеют другую отраслевую специфику, что говорит об их относительной универсальности и возможности принятия в качестве основы для создания последующих моделей.

Данная выпускная квалификационная работа показывает, что в целом все алгоритмы машинного обучения дают хорошее предсказание. Тем не менее, наиболее точным и верным выглядит алгоритм логистической регрессии. Данная модель использует опыт, полученный методиками ведущих экспертов в этой области, в частности, использует финансовые показатели, полученные исследователями Богдановой Т.К, и Баклакавой А.В. и демонстрирует 93% точность предсказания банкротства авиапредприятия. Сравнительная характеристика алгоритмов машинного обучения представлена на Рисунке 16.



Рисунок 16. Сравнительная характеристика алгоритмов машинного обучения.

Рассмотренные методы классификации такие, как наивный байесовский метод и метод ближайших соседей также показывают отличную прогностическую точность своих моделей. Однако автор связывает данные оценки с тем, что большая часть наблюдений относится к финансовым показателям компаний. Поэтому в случае отсутствия финансовых показателей, используемых в рассмотренной выпускной квалификационной работе, данные методы могут работать на порядок хуже. Очевидно, что часть нефинансовых показателей таких, как страна или форма организации с трудом поддаются методу наивного Байеса и методу ближайших соседей, так как являются категориальными признаками, между которыми сложно рассчитать расстояние.

Методы решающих деревьев и смешанного леса, напротив, универсальны и отлично работают как с вещественными, так и с категориальными признаками. В данной выпускной квалификационной работе видно, что оба этих алгоритма показывают высокую точность предсказания банкротства предприятия на уровне 90%. Однако данные алгоритмы чувствительны к размерности данных, в случае отсутствия достаточно большого количества наблюдений, рассматриваемые методы будет показывать смещенные оценки.

В противном случае, когда данных достаточно и количество признаков измеряется десятками, что возможно в условиях рассматриваемой предметной области, алгоритмы смешанного леса и решающих деревьев будет обучаться неопределенное количество времени. Подобные сложности использования данных алгоритмов подтолкнули автора к выбору модели логистической регрессии, описанной выше, так как она является наиболее универсальной и также показывает высокую прогностическую способность.

Таким образом, сравнительный анализ выбранных методик показал, что на сегодняшний день для анализа рынка авиаперевозчиков следует выбирать методику, учитывающую не только финансовые, но и нефинансовые показатели компаний. В то же время, следует принять за основу опыт ведущих исследователей данной области с целью создания универсальной модели оценки платежеспособности предприятия, которая отвечала бы потребностям быстро изменяющегося рынка, нивелировала влияние внешних факторов на принятие управленческих решений и давала точный прогноз в независимости от длины временного интервала.

Рассчитанные для исследуемых в работе предприятий значения Z-счета, зачастую, не отражают истинного положения дел, прежде всего, из-за различного понимания используемых в Z-счете коэффициентов (в России и за рубежом), специфики в оценке активов и пассивов. Речь должна идти не о механическом перенесении этих моделей в готовом виде на новые данные, а о создании условий для реализации заложенных в них перспективных идей дискриминантного анализа. Тем не менее, этот подход в антикризисном анализе может быть актуален для современной российской действительности с высокой предрасположенностью многих субъектов хозяйствования к банкротству и должен развиваться в направлении создания собственных моделей прогнозирования для каждой отрасли.

Более того, построенные модели должны ежегодно тестироваться для уточнения их прогностических качеств. Использование объективной модели оценки банкротства предприятия позволит уменьшить риск банкротства нестабильных организаций, а также предоставит возможность для развития компаний с хорошей репутацией. Применение авторской методики расчета вероятности банкротства позволит компаниям принимать взвешенные и эффективные управленческие решения, что создаст условия для развития бизнеса и, как следствие, простимулирует экономический рост предприятия в долгосрочной перспективе.



Заключение

В представленной выпускной квалификационной работе:

Даны оценки существующим определениям понятия платежеспособность, с точки зрения отечественных и зарубежных исследователей. Выделены недостатки данных определений, проведена их классификация по степени сопряженности.

Дано авторское определение платежеспособности, которое покрывает все группы недостатков существующих определений. Определение вбирает в себя все возможные активы компании, которые могут считаться ликвидными относительно существующих обязательств, все возможные пассивы компании, которые требуют своевременного погашения без возможности отсрочки, а также период проведения антикризисного анализа, обеспечивающий своевременность принятия управленческих решений по выведению компании из зоны риска.

Также, в данной работе были рассмотрены основные подходы оценки платежеспособности компании, разработанные ведущими отечественными и зарубежными экспертами. Проведен их сравнительный анализ и дана авторская классификация в соответствии с характером проводимой оценки.

Сформирована информационная база исследования, которая вбирает в себя данные из информационных баз данных СПАРК-Интерфакс и Thomson Reuters EIKON, а также нефинансовые показатели компаний авиационной отрасли за период 2002-2017 гг.

Проведен сравнительный анализ платежеспособности компаний авиационной отрасли на основе данных финансовой, бухгалтерской и статистической отчетности.

Разработана логистическая регрессионная модель оценки платежеспособности российских и зарубежных авиакомпаний на основе данных публичной финансовой отчетности с учетом нефинансовых показателей. Выявлено, что эта модель показала наилучшую прогнозную точность.

Научная новизна исследования заключается в том, что разработана логистическая регрессионная модель оценки платежеспособности российских и зарубежных авиакомпаний на основе публичной финансовой отчетности с учетом нефинансовых показателей.

Практическая значимость исследования состоит в том, что разработанная модель может быть использована в реальной практике как инвесторами, так и менеджментом авиакомпаний для оценки платежеспособности российских и зарубежных авиаперевозчиков.



Список используемой литературы

1. Баканов, М.И. Теория экономического анализа / М.И. Баканов, М.В. Мельник, А.Д. Шеремет. - М.: Финансы и статистика, 2005. - 536 с.

2. Бернстайн, JI.A. Анализ финансовой отчетности: теория, практика и интерпретация / JI.A. Бернстайн. -- М.: Финансы и статистика, 2002. - 694 с.

3. Богданова Т.К., Баклакова А.В. Инструментальные средства прогнозирования вероятности банкротства авиапредприятий. // Журнал «Бизнес-информатика», НИУ ВШЭ, 2008. - 47-67 c.

4. Богданова Т.К., Алексеева Ю.А. Прогнозирование вероятности банкротства предприятий с учетом изменения финансовых показателей в динамике. // Журнал «Бизнес-информатика», НИУ ВШЭ , 2011. - 51-60 c.

5. Власовец О. В. Оценка платежеспособности компании авиационной отрасли, Курсовая работа, НИУ ВШЭ, 2016. - 44 стр.

6. Власовец О.В. Сравнительный анализ платежеспособности отечественных и зарубежных компаний авиационной отрасли, Курсовая работа, НИУ ВШЭ, 2017. - 42

7. Вьюгин В.В. Математические основы машинного обучения и прогнозирования / МЦНМО, 2013. - 387 с.

8. Грачев, A.B. Финансовая устойчивость предприятия: анализ оценка и управление / A.B. Грачев. - М.: Дело и Сервис, 2004. -- 192 с.

9. Донцова, JI.B. Анализ финансовой отчетности / Л.В. Донцова, И.А. Никифорова. -М.:'Издательство «Дело и сервис», 2008. -- 368 с.

10. Ефимова, О.В. Анализ финансовой отчетности / О.В. Ефимова, М.В. Мельник. - М.: ОМЕГА-Л, 2006. - 408 с.

11. Жминько, С.И. Совершенствование методики анализа финансового состояния сельскохозяйственных организаций / С.И. Жминько, В.Л. Зазимко // Экономический анализ: теория и практика. - 2009. - № 27 (156). - С. 2-11.

12. Канке, A.A. Анализ финансово-хозяйственной деятельности предприятия / A.A. Канке, И.П. Кошевая. -М.: ФОРУМ: ИНФРА-М, 2004. - 288 с.

13. Маркарьян, Э.А..Финансовый анализ / Э.А. Маркарьян, Г.П. Герасименко, С.Э. Маркарьян. - М.: КноРус, 2009. - 264 с.

14. Савицкая, Г.В. Анализ хозяйственной деятельности предприятия'-/ Г.В. Савицкая. - М.: ИНФРА-М, 2009. - 544 с.

15. Хелферт, Э. Техника финансового анализа / Э. Хелферт. - М: Аудит, ЮНИТИ, 1996.-663 с.

16. Шеремет, А.Д. Комплексный экономический анализ хозяйственной деятельности / А.Д. Шеремет. - М.: ИНФРА-М., 2006. - 415 с.

17. Экклз Дж., Герц Роберт X., Киган Э. Мэри. Революция в корпоративной отчетности: Как разговаривать с рынком капитала на языке стоимости, а не прибыл. Пер. с англ. // М.: Олимп-Бизнес, 2006. - 348 с.

18. Юн Г.Б., Таль Г.К., Григорьев В.В. Словарь по антикризисному управлению. // М.: Дело, 2003. - 448 с.

19. Altman E., Hotchkiss E. Corporate Financial Distress and Bankruptcy: Predict and Avoid Bankruptcy, Analyze and Invest in Distressed Debt // John Wiley and Sons, Ltd. 2005

20. Baldwin E. A Concise Treatise Upon the Law of Bankruptcy: With an Appendix Containing the Bankruptcy // NOLO Publishing. 2015

21. Elias S. The New Bankruptcy // NOLO Publishing. 2012.

22. Gilson S. Creating Value Through Corporate Restructuring: Case Studies in Bankruptcies, Buyouts, and Breakups // Wiley finance. 2014.

23. T.Hastie, R. Tibshirani, J.Friedman // The Elements Of Statistical Learning : Data Mining, Inference and Prediction // Springer, 2003 - 552 p.

24. Bishop C.M. // Pattern Recognition and Machine Learning // Springer, 2006.

25. Mohammed J. Zaki, Wagner Meira Jr. // Data Mining and Analysis. Fundamental Concepts and Algorithms. // Cambridge University Press, 2014.



Приложение 1. Схема работы с базой данных



Приложение 2. Соотношение количества авиакатастроф с рейтингом и пассажиропотоком



Приложение 3. Расчет основных финансовых показателей, используемых в моделях Альтмана, Чессера, Богдановой-Баклаковой за 2017 год



Приложение 4. Расчет основных финансовых показателей, используемых в моделях Альтмана, Чессера, Богдановой-Баклаковой за 2002 год



Приложение 5. Расчет средних значений основных финансовых показателей, используемых в моделях Альтмана, Чессера, Богдановой-Баклаковой за период с 2002 по 2017 год

Размещено на Allbest.ru

...