?
Default Prediction for Russian Food Service Firms: Contribution of Non-Financial Factors and Machine Learning
Нестабильность на рынке общественного питания в связи с панде- мией COVID-19 и санкциями обострила потребность в разработке эффективного инструмента оценки рисков дефолта в этой отрасли. Качество прогнозирования дефолта в значительной степени зависит от того, насколько хорошо модель соот- ветствует конкретной среде. В связи с этим необходимо внести некоторые коррек- тивы, чтобы адаптировать классические модели прогнозирования дефолтов к рос- сийскому сектору общественного питания. В статье выдвинута гипотеза о том, что добавление нефинансовых факторов и использование современных методов про- гнозирования может существенно повысить точность моделей. Целью данного ис- следования является определение влияния включения нефинансовых факторов и современных методов моделирования на точность прогнозирования дефолтов для предприятий общественного питания в России. Тесты на выборке из 1 241 фир- мы за период с 2017 по 2021 г. показали, что создание модели прогнозирования с помощью современных методов, таких как Random Forest и XGBoost, повышает точность прогнозирования с 70 % до примерно 80 %, по сравнению со стандартной логит-моделью. Добавление в модели нефинансовых факторов также несколько повышает точность, однако не дает существенного эффекта. Важнейшими метри- ками в прогнозировании дефолта оказались коэффициент текущей ликвидности и отношение оборотного капитала к совокупным активам. Наиболее важными не- финансовыми факторами являются совокупные активы и возраст. Наши результаты согласуются с уже существующими исследованиями в этой области и формируют новый пласт знаний за счет применения в конкретной отрасли. Результаты мо- гут быть использованы банками или другими контрагентами, которые взаимодей- ствуют с предприятиями общественного питания, для оценки их кредитного риска.