?
Прогнозирование банкротства средних и малых российских компаний
Хотя концепция кредитоспособности сама по себе не нова, интерес к ней сильно повысился в последние годы после кризиса 2008 — 2009 годов. Тема банкротств предприятий становится всё более актуальной в последнее время также в связи с требованиями, предъявляемыми базельскими соглашениями.
Прогнозирование банкротств средних и малых предприятий необходимо банкам и иным кредитным организациям, принимающим решение о предоставлении кредита фирмам на основе финансовой отчётности.
Цель работы - моделирование вероятности серьёзных финансовых трудностей средних и малых российских непубличных компаний с помощью финансовых и нефинансовых показателей. Для достижения этой цели решаются следующие задачи: сравнить различные подходы к прогнозированию вероятности; выявить различия моделей до, в течение и после кризиса 2008 — 2009 годов; проверить гипотезу о влиянии нефинансовых показателей на вероятность банкротства; проверить гипотезу о различиях моделей по отраслям и правовым формам.
Новизна работы проявляется в следующем. Впервые в одной работе сравнивается большое количество многомерных статистических методов: логит и пробит-регрессии, линейный дискриминантный анализ, квадратичный дискриминантный анализ, смешанных дискриминантный анализ, метод опорных векторов, алгоритм случайного леса. Впервые оценивается столь большой массив данных российских предприятий. В исходной выборке содержатся данные по более чем миллиону малых и средних предприятий за десять лет. Также сравниваются модели до и после кризиса 2008 — 2009 годов, что не было сделано ранее. В первый раз по российским данным сделана попытка оценить и учесть неоднородность по отраслям и формам организации предприятия.
Более того, понятие банкротства расширено до понятия закрытия из-за серьезных финансовых сложностей, не совместимых с дальнейшим продолжением деятельности компании, то есть исследуются действующие на данный момент компании, а также два типа неактивных: ликвидированные в результате банкротства и добровольно ликвидированные компании. Отличие между ними лишь в одном — банкроты накопили столько долга, что уже не могут по нему расплатиться. Важно отметить, что используется отчетность компаний, адаптированная к международным стандартам финансовой отчетности (МСФО).
Данные собраны из базы данных российских, украинских и казахских компаний Руслана. Период исследования: 2004 — 2012 годы. Следует отметить, что получение данных требует большого количества ручной работы, а количество пропусков достигает 60%. Исследуются непубличные российские компании среднего и малого бизнеса (определение размера в соответствии с федеральным законом РФ No 209-ФЗ «О развитии малого и среднего предпринимательства в Российской Федерации») — общества с ограниченной ответственностью и закрытые акционерные общества, которые относятся к одной из четырех отраслей: строительству, обрабатывающим производствам, операциям с недвижимостью, оптовой и розничной торговле (по ОКВЭД). В России средний и малый бизнес в основном представлен компаниями этих правовых форм, в то время как более крупные компании в основном представлены открытыми акционерными обществами, а для прогнозирования вероятности дефолта такого рода публичных компаний применяется другой подход.
Зависимая переменная — дефолт в следующем году, в то время как в качестве объясняющих переменных берутся значения текущего года. Проверяется два типа моделей: только с финансовыми переменными, а также модели с финансовыми переменными и нефинансовыми показателями (возраст, отрасль, правовая форма, размер, федеральный регион). Качество построенных моделей проверяется с помощью сравнения прогнозных и истинных значений вне обучающей выборки. Качество прогнозов сравнивается по количеству верно классифицированных исходов, по площади под ROC-кривой, по достигаемому значению специфичности при заданной чувствительности.
Основные результаты работы можно кратко сформулировать следующим образом:
1. Наилучшим методом прогнозирования с существенным отрывом от других оказывается алгоритм случайного леса. Связано это прежде всего с высокой нелинейностью имеющейся зависимости.
2. Модели по отраслям существенно отличаются. Гипотеза о важности нефинансовых показателей подтверждается только для некоторых отраслей. Динамика отраслей принципиально различна.
3. С использованием алгоритма случайного леса были ранжированы по важности все переменные для каждой отрасли. В целом множество наиболее важных переменных похоже на множество переменных используемых в других исследованиях.