?
Моделирование вероятности дефолта в строительном секторе: факторы корпоративного построения
В данной работе оценка вероятности дефолта крупных строительных компаний России осуществлялась на основе классического для этих целей метода – логистической регрессии. Главный вопрос исследования – улучшит ли прогнозную силу модели включение факторов корпоративного построения и последующая регуляризация модели (Lasso и Ridge). В качестве зависимой переменной нами было опробовано четыре определения дефолта и проведено их сравнение. Моделирование производилось на основе информации базы данных СПАРК, Росстата и Банка России за период 2007-2015 гг. – анализируемая выборка после устранения выбросов включала 4761 строительную компанию. В целях разработки прогнозной модели и последующего тестирования её предсказательной силы, подготовленные годовые данные были разделены на две выборки: обучающую (2007-2013 гг.) и контрольную (2014-2015 гг.). Одним из параметров модели является – годовой временной лаг, что соответствует рекомендациям Базельского комитета по банковскому надзору. Изменение прогнозного качества модели при последовательном включении факторов корпоративного построения проверяется на основе площади под ROC-кривыми (AUC) и ошибок I и II рода. На основе международного и отечественного опыта был сформирован ряд гипотез, некоторые из которых получили своё статистическое подтверждение. В частности, при прочих равных, вероятность дефолта строительной компании ниже, если её генеральный директор является также совладельцем (имеет долю в уставном капитале). Если компания является дочерней (блокирующий пакет находится у юридического лица) – вероятность её дефолта выше. С финансовыми трудностями (отрицательной рентабельностью активов по итогам года) в строительном бизнесе России лучше справляются небольшие по численности советы директоров. Не получила устойчивого подтверждения гипотеза о том, что более возрастные компании имеют меньшую вероятность дефолта. Результаты показывают, что учёт корпоративного построения компании улучшает прогностическую способность модели, а методы регуляризации подтвердили их устойчивость. С помощью теста на переобучаемость (cross-validation) подтверждена робастность коэффициентов финальной спецификации. Результаты работы в большей степени могут представлять интерес для банков, коммерческих инвесторов и партнеров-подрядчиков.