Показатели банкротства предприятия: критерии, методы, зачем нужен и что дает оценка банкротства предприятия?

Содержание

модели, методики и принципы анализа и оценки

Признаки банкротства возникают не сразу. Многие организации, находящиеся в тяжелом финансовом положении, не могут адекватно спрогнозировать, возможно ли банкротство. Основным признаком несостоятельности является неплатежеспособность, то есть невозможность погасить долги перед кредиторами. Для раннего выявления финансовой несостоятельности проводится оценка вероятности банкротства. Разберем, что такое оценка вероятности банкротства, какие задачи она решает, какие принципы, модели и методики применяются при оценке. Также рассмотрим количественные методы оценки, показатели, используемые при анализе, а также пятифакторную модель оценки.

Актуальность

Если у вас возникнут вопросы, можете бесплатно проконсультироваться в чате с юристом внизу экрана или позвонить по телефону 8 (800) 302-57-35 Бесплатный звонок для всей России.

В статье расскажем:

Что такое оценка вероятности банкротства предприятия и какие задачи решает?

Оценка вероятности банкротства – это прогнозирование возможности ухудшения платежеспособности и ликвидности организации до таких показателей, при которых обязательства перед кредиторами не могут быть погашены.

Анализ вероятности финансовой несостоятельности организации решает следующие задачи:

  • выявляет, в каком финансовом положении находится компания;
  • устанавливает, возможно ли восстановить платежеспособность организации и из каких источников;
  • показывает, какие способы выхода из кризиса могут быть применены.

В процессе анализа оцениваются активы и пассивы организации, что позволяет выявить признаки банкротства и причины их возникновения.

Важно! Первые признаки финансовой несостоятельности появляются до того, как компания решит объявить себя банкротом. Для контроля за изменением ситуации желательно проводить анализ на регулярной основе.

Это позволяет вовремя предпринять меры по выходу из кризиса.

Принципы анализа вероятности банкротства

При оценке вероятности банкротства компании необходимо придерживаться следующих принципов:

  • руководителю рекомендуется разработать меры безопасности, позволяющие предотвратить финансовую несостоятельность компании;
  • в организации должен быть внедрен механизм, позволяющий регулировать финансовое положение;
  • компании должна быть предоставлена возможность продолжить хозяйственную деятельность после модернизации;
  • руководителю необходимо разработать систему мер по возобновлению деятельности и получению прибыли;
  • должна быть обеспечена правовая защита от финансовой несостоятельности фирмы.

Таким образом, анализ вероятности банкротства позволяет не только оценить риски, но и разработать план выхода из кризиса, чтобы компания восстановила свою деятельность наиболее щадящим способом.

Какие модели применяются при анализе вероятности банкротства?

Для оценки вероятности банкротства применяются проверенные наукой модели:

  1. Модель Альтмана. Представляет собой показатели, из которых видно, какой экономический потенциал имеется у компании и каковы результаты ее работы за истекший период. Качественная методика, помогающая увидеть, насколько организация близка к банкротству.
  2. Модель Ковалева В.В. Разработана двухфакторная система показателей, описывающая различные направления хозяйственной деятельности компании. Основана на данных бухгалтерской отчетности и внутренней информации организации.
  3. Модель Пареной и Долгалева. Дает прогноз вероятности банкротства организации на один год. Строится с помощью множественного дискриминантного анализа. Классифицирует компанию как банкрота или не банкрота по интегральному показателю, полученного из суммы финансовых коэффициентов с удельными весами, определенными статистически.

Специалисты подбирают конкретную модель оценки вероятности банкротства в зависимости от особенностей деятельности предприятия.

Надоело читать?Расскажем по телефону и ответим на ваши вопросы

Какие методики используются при оценке вероятности банкротства?

Для прогнозирования финансовой несостоятельности организации активно используются классические методы оценки деятельности бизнеса.

Методика считается наиболее оптимальной, поскольку дает наиболее реальный прогноз потенциального банкротства.

Также, на практике используются другие методики:

  1. Методика Бивера. Для определения вероятности банкротства чистая прибыль делится на сумму всех обязательств компании. Если полученный коэффициент не превышает 0,2, то структура баланса организации неудовлетворительная. Специалисты считают ее не слишком удачной для РФ, так как она не учитывает особенности деятельности российских фирм.
  2. Методика Давыдова-Беликова. Разработана российскими специалистами, наиболее эффективно определяет риск банкротства отечественных компаний. Основана на моделях Альтмана и Таффлера. Используется при анализе вероятности финансовой несостоятельности торговых предприятий.
  3. Методика Федотовой. Используется для оперативного определения признаков финансовой несостоятельности. Опирается на коэффициент текущей ликвидности и долю заемных средств в валюте баланса. Часто выдает погрешности.

При оценке вероятности банкротства предприятия рекомендуется использовать несколько методик, что позволит получить наиболее объективную картину финансового состояния.

Количественные методы оценивания

В каждой компании следует периодически проводить диагностику убытков, чтобы своевременно вывести бизнес из кризиса. Прежде, чем проводит анализ хозяйственного риска банкротства, необходимо сначала оценить количественные показатели.

Основанием для количественного метода оценивания служат данные бухгалтерской отчетности. В случае снижения показателей можно говорить об ухудшении финансового состояния и риска наступления банкротства.

Источниками данных для выявления вероятности банкротства используются следующие показатели бухгалтерского баланса:

  • оборотные активы;
  • отложенные налоговые обязательства;
  • краткосрочные обязательства;
  • валюта баланса.

Важно сопоставить сроки обязательств со сроками оборотных активов и отложенных налоговых платежей. В случае необходимости погасить долги за полгода в расчет не берется дебиторская задолженность за три месяца.

По каким показателям оценивается вероятность банкротства?

В процессе оценки вероятности финансовой несостоятельности во внимание берутся следующие показатели:

  • уменьшение доходов;
  • нерегулярность прибыли;
  • небольшая рентабельность;
  • снижение коэффициента ликвидности;
  • снижение стоимости акций, облигаций и других ценных бумаг;
  • увеличение суммы долга по кредитным обязательствам.

Благодаря расчету названных показателей в количественной форме сразу можно увидеть, существует ли риск финансовой несостоятельности и насколько он реален. Если по всем позициям получены нормальные значения, можно говорить о финансовом благополучии бизнеса. При выявлении отклонения хотя бы по одному показателю следует проводить анализ эффективности использования ресурсов, оптимальности организации деятельности.

Пятифакторная модель оценки риска банкротства компании

В настоящее время повсеместно применяется пятифакторная модель Альтмана, которая наиболее точно определяет признаки банкротства компаний. Методика включает пять коэффициентов, рассчитанным по специальным формулам.

Модель Альтмана

Позже была разработана измененная пятифакторная модель Альтмана для организаций, акции которых не котируются на бирже:

Пятифакторная модель Альтмана для организаций

Пятифакторная модель позволяет выявить признаки финансовой несостоятельности фирмы за два года до момента реального банкротства.

Заключение эксперта

Подведем итоги:

  1. Оценка вероятности банкротства позволяет спрогнозировать ухудшение платежеспособности и ликвидности организации до состояния банкротства.
  2. Для раннего выявления признаков банкротстве следует разработать и внедрить в организации механизмы, позволяющие регулировать ее финансовое положение, модернизировать хозяйственную деятельность, обеспечить правовую защиту от банкротства.
  3. Для оценки вероятности банкротства компании применяются несколько моделей и методик. Желательно анализировать деятельность компании сразу по нескольким, чтобы получить объективную картину.
  4. Прежде, чем оценивать вероятность банкротства, следует проанализировать количественные показатели бухгалтерского баланса (оборотные активы, отложенные налоговые обязательства, краткосрочные обязательства, валюта баланса).
  5. Наиболее точным методом определения вероятности банкротства является пятифакторная модель Альтмана. Она позволяет спрогнозировать возможную финансовую несостоятельность за два года.

Руководителям и учредителям компаний следует периодически проверять компанию на возможность банкротства. Желательно привлечь квалифицированного специалиста, обладающего опытом решения подобных вопросов. Юристы нашего сайта всегда готовы проконсультировать предприятия по всем вопросам, связанным с оценкой вероятности банкротства. Оставьте заявку и получите консультацию.

Снежана Погонцева

Юрист, автор-редактор сайта
(Семейное право, стаж 12 лет)

Задать вопрос

Прогнозирование вероятности банкротства предприятий с учетом изменения финансовых показателей в динамике Текст научной статьи по специальности «Экономика и бизнес»

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ

ПРОГНОЗИРОВАНИЕ ВЕРОЯТНОСТИ БАНКРОТСТВА ПРЕДПРИЯТИЙ С УЧЕТОМ ИЗМЕНЕНИЯ ФИНАНСОВЫХ ПОКАЗАТЕЛЕЙ В ДИНАМИКЕ

Т. К. Богданова,

кандидат экономических наук, доцент, заместитель заведующего кафедрой «Бизнес-аналитика» Национального исследовательского университета «Высшая школа экономики». e-mail: [email protected]

Ю.А. Алексеева,

аспирантка кафедры «Бизнес-аналитика» Национального исследовательского университета «Высшая школа экономики», e-mail: [email protected]

Адрес: г. Москва, ул. Кирпичная, д. 33/5.

Предлагается комплекс логистических регрессионных моделей прогнозирования вероятности банкротства предприятий, учитывающих динамику изменения основных финансовых показателей, характеризующих финансовое состояние предприятий. Проводится сравнительный анализ прогнозной точности предлагаемых моделей, построенных на обучающей и контрольной выборках на реальных данных по предприятиям обрабатывающего производства.

Ключевые слова: логистическая регрессионная модель, финансовое состояние предприятия, прогнозирование вероятности банкротства, обучающая выборка, контрольная выборка, динамика изменения финансовых показателей.

1. Введение

Проблема оценки финансового состояния предприятий, и в частности, предсказания их возможного банкротства была и остается актуальной, поскольку в этом заинтересованы и внутренние и внешние контрагенты предприятия.

Каждый участник экономического сообщества должен быть уверен в надежности и финансовой состоятельности своих партнеров, в противном случае любой имеет возможность использовать механизм банкротства как средство возврата долга неплатежеспособными партнерами. В связи с этим

50

БИЗНЕС-ИНФОРМАТИКА №1(15)-2011 г.

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ

руководители предприятий, менеджеры различных уровней управления должны уметь своевременно определять неудовлетворительное финансовое состояние предприятий-контрагентов на основе результатов проведенного финансового анализа, и при необходимости воспользоваться своим правом, в судебном порядке применить процедуры банкротства к должнику.

Идентификация факторов, приводящих к банкротству, и своевременное прогнозирование банкротства могут позволить руководству предприятий, испытывающих финансовые трудности, выявить причины и своевременно принять необходимые меры по оздоровлению финансового состояния предприятия.

Эта проблематика занимает умы экономистов-теоретиков и практиков-аналитиков уже на протяжении более полувека. Существует большое количество как зарубежных, так и отечественных методик, для оценки и прогнозирования финансового состояния. Тем не менее, как показывают исследования, к сожалению, зачастую они дают противоречивые результаты. Что касается зарубежных методик, то, во-первых, они базируются на зарубежной статистике 60-80 годов прошлого столетия, а во-вторых, не учитывают специфику российских предприятий. Относительно методик, предлагаемых российскими исследователями, дело обстоит по-другому. Основной причиной противоречивости результатов является то, что в основном они базируются на статистике, собранной по предприятиям розничной торговли, т.е. косвенно учитывают специфику, присущую данной отрасли. Однако в явном виде отраслевая специфика не учитывается ни одной из известных моделей. Вместе с тем, исследования показывают, что такая специфика существует [1]. Таким образом, разработка модели для оценки и прогнозирования финансового состояния российских предприятий, является весьма актуальной.

2. Постановка проблемы

Первые попытки анализа деятельности фирм-банкротов были предприняты в 30-е годы, в наиболее законченном виде методика и техника прогнозирования банкротства представлена в работах Эдварда Альтмана и Уильяма Бивера. Исследования зарубежных ученых в области предсказания банкротства предприятий позволяют сделать вывод о том, что из множества используемых коэффици-

ентов можно выбрать лишь несколько полезных и достаточно точно предсказывающих банкротство. Однако анализ даже небольшого количества показателей требует от аналитика достаточно высокой квалификации, т.к. зачастую результаты носят противоречивый характер. Это послужило толчком к разработке моделей, которые позволяют прогнозировать банкротство предприятий, основываясь на значении одного интегрального показателя, рассчитанного по совокупности нескольких. Наиболее известными является ряд моделей, построенных на основе дискриминантного анализа: модель Альтмана [2], Р. Тафлера и Г. Тишоу [3], Фулмера, Сприн-гейта [4], Лиса и др., и модели, использующие для оценки вероятности банкротства логистический анализ, это модели Ольсона, Чессера и Гилбрейта. Но всех их объединяет одна общая черта. Предсказание банкротства предприятия делается на данных одного периода времени. Т.е. ни в одной из известных моделей не используются данные за ряд временных промежутков, предшествующих наступлению факта банкротства.

Тем не менее, с точки зрения здравого смысла представляется целесообразным предположить, что банкротство предприятия не является неожиданным, за исключением, наверное, тех случаев, когда оно является преднамеренным. Т.е. факту банкротства предприятия должны предшествовать события, которые могут сигнализировать об ухудшении финансового состояния предприятия, и это должно найти свое отражение в официальной финансовой отчетности и в динамике изменения финансовых показателей.

Таким образом, проблема состоит в том, чтобы выявить те финансовые показатели деятельности предприятия, изменение которых в динамике будет свидетельствовать о том, что финансовое состояние предприятия становится неудовлетворительным, построить модель, учитывающую динамику изменения финансовых показателей за несколько лет до банкротства предприятия и оценить временные горизонты прогнозирования вероятности банкротства.

3. Построение статической модели прогнозирования банкротства предприятия

При построении модели прогнозирования вероятности банкротства предприятия, в качестве целевой переменной целесообразно использовать индикатор банкротства, т.е. переменную, прини-

БИЗНЕС-ИНФОРМАТИКА №1(15)-2011 г

51

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ

мающую значение 1 в случае официального банкротства предприятия и 0 — в противном случае. В пользу логистической регрессии говорит возможность моделирования бинарных целевых переменных, а также ее активное применение в области прогнозирования банкротства: примером могут служить модель Чессера, а также модель Богдановой, обеспечивающая высокую прогнозную точность в предсказании банкротств авиапредприятий

[5].

Для исследования были использованы финансовые данные за период с 2000 по 2009 годы по 1357 предприятиям, деятельность которых, согласно Единому классификатору видов деятельности (ЕКВД), относится к обрабатывающему производству. Из них 173 предприятия официально были признаны банкротами в период с 2008 года по 2010 год, финансовое состояние 1184 предприятий официально считается удовлетворительным.

Для построения статической модели прогнозирования банкротства предприятий использовалась обучающая выборка, состоящая из 333 предприятий, при этом 117 предприятий в 2009 году были официально признаны банкротами, а 216 предприятий имели удовлетворительное финансовое состояние. Эти 216 предприятий, отобранные для включения в обучающую выборку из числа 1184 предприятий, официально не являющихся банкротами, были признаны имеющими удовлетворительное финансовое состояние как минимум, по 6 из 7

основных методик прогнозирования вероятности банкротства.

Оценка проводилась по следующим семи методикам: пятифакторной модели Альтмана, модели Таффлера и Тишоу, модели Фулмера для классификации банкротств, модели Чессера надзора над судами, методики Лиса, методики Спрингейта, методики Иркутской государственной экономической академии, методики Р.С. Сайфулина и Г.Г. Кадыкова. В табл. 1 приводятся результаты оценки финансового состояния 1357 предприятий по вышеназванным 7 методикам. Как видно из табл.1, 94 предприятия или 7,9% от общего числа официально считаются имеющими удовлетворительное финансовое состояние, а, тем не менее, ни одна из вышеназванных методик таковым его не признает. С другой стороны, из числа предприятий официально признанных банкротами в 2008 году 80% были признаны имеющими удовлетворительное финансовое состояние от 1 до 5 методик.

Для построения статической модели прогнозирования вероятности банкротства предприятия была выбрана логистическая регрессия. г со 526 216 1184

7,9% 29,4% 44,4% 18,2% 100,0%

Стало банкротом в 2008 году 7 22 6 0 35

20,0% 62,9% 17,1% ,0% 100,0%

Стало банкротом в 2009 году 13 90 14 0 117

11,1% 76,9% 12,0% ,0% 100,0%

52

БИЗНЕС-ИНФОРМАТИКА №1(15)-2011 г

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ

где P — вероятность банкротства предприятия j;

X j — общая оборачиваемость активов предприятия j;

X — отношение чистой прибыли к активам предприятия j;

X3 j — отношение краткосрочных и долгосрочных заемных средств к активам предприятия j;

X4 j — отношение долгосрочных обязательств к активам предприятия j;

X5 j — натуральный логарифм выручки предприятия j.

Данная модель была названа статической, т.к. она не учитывает динамику изменения финансовых показателей в течение ряда лет.

Результаты тестирования точности статической модели на обучающей выборке предприятия показали, что модель правильно спрогнозировала 202 из 216 предприятий (94%), имеющих удовлетворительное финансовое состояние и 102 из 117 предприятий (87%), которые были официально признаны банкротами в 2009 году. Всего были правильно классифицированы 91% предприятий.

Разработанная статическая модель показала достаточно высокую прогнозную точность при тестировании на контрольной выборке. В контрольную выборку вошло 381 предприятие1 с удовлетворительным финансовым положением и 56 предприятий, ставших банкротами в 2008 и 2010 годах. Даже за 3 года до расчетного периода модель правильно спрогнозировала свыше 73 % предприятий, ставших банкротами, причем точность прогноза с каждым годом увеличивалась вплоть до 91% в год банкротства. Даже за 5 лет до начала процедуры банкротства модель правильно идентифицировала свыше 50% предприятий-банкротов. В отношении предприятий с удовлетворительным финансовым состоянием модель правильно классифицировала 296 из 381 предприятия. Таким образом, точность классификации предприятий составила 78%.

Улучшение качества логистической регрессии при включении переменных было подтверждено с помощью одного из индикаторов качества подгонки — логарифма правдоподобия. Для построенной модели с пятью переменными-регрессорами начальное значение -2LL=349,346 было уменьшено на 248,725, и стало равным 100,621, что свидетель-

ствует о значительном улучшении качества модели. Также качество построенной модели было подтверждено псевдо R2 Нагелькерка, высокой на уровне 1% значимостью критерия хи-квадрат и критерием Хосмера и Лемешова.

4. Выявление основных сценариев развития банкротства предприятий

Была выдвинута следующая гипотеза. Процедуре банкротства предприятий могут предшествовать разные сценарии развития событий. Эти сценарии, так или иначе, найдут свое отражение в динамике изменения финансовых показателей, вошедших в регрессионную статическую модель. Если при построении модели, прогнозирующей вероятность банкротства предприятия, учесть сценарии развития событий, то такая модель может дать существенно более высокую точность прогнозирования.

Для выявления возможных сценариев изменения финансовых показателей предприятия в динамике, закончившихся его банкротством, все предприятия, обанкротившиеся в 2009 году, с использованием метода иерархической кластеризации были разделены на группы, и для каждой из групп предприятий был проведен анализ характера изменения финансовых показателей за несколько лет до банкротства.

В качестве переменных для разбиения предприятий на кластеры были взяты вероятности банкротства предприятий за период с 2004 по 2009 годы, рассчитанные для каждого предприятия-банкрота по полученной статической модели (1).

Для анализа использовалось 3-х кластерное решение. В первый кластер вошли 35 предприятий, во второй — 46, в третий — 36 предприятий. По каждому из трех кластеров была рассчитана средняя вероятность банкротства предприятий. На рис. 1 показано изменение средних значений вероятности банкротства в период с 2000 по 2009 годы для каждой кластерной группы.

Как видно из рис. 1, к кластеру №1 относятся предприятия, у которых вероятность банкротства на протяжении первых пяти лет с 2000 г. до 2004 г. была невысокая, более того, даже уменьшалась вплоть до 2004 года, затем она резко выросла в 2005 году и ежегодно увеличивалась, пока ситуация не завершилась банкротством предприятия в 2009 году.

1 Из 1184 предприятий с удовлетворительным финансовым положением 216 предприятий вошли в выборку для построения модели. Из оставшихся 968 предприятий было выбрано 381 предприятие, финансовое состояние которых было оценено как устойчивое по 4 или 5 из 7 основных методик.

БИЗНЕС-ИНФОРМАТИКА №1(15)-2011 г

53

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ

Вероятность банкротства

з — сценарий банкротства №3

Рис. 1. График изменения средней вероятности банкротства предприятий для каждой кластерной группы в динамике.

В кластер №2 попали предприятия, у которых финансовое состояние оставалось неудовлетворительным на протяжении всех десяти лет. Т.е. прогнозная вероятность банкротства была выше 0,8. Тем не менее, банкротство этих предприятий фактически наступило только в 2009 году.

К кластеру №3 отнесены предприятия, вероятность банкротства которых в 2000 и 2001 годах являлась достаточно высокой, хотя явно прослеживалась

тенденция к уменьшению вероятности банкротства. Начиная с 2002 по 2004 годы, наблюдалась тенденция к улучшению финансового состояния, что нашло отражение в прогнозном значении вероятности банкротства. Однако в 2005 году прогнозная вероятность банкротства резко выросла и оставалась практически постоянной на протяжении нескольких лет вплоть до банкротства в 2009 году.

Нарис. 2 хорошо видны кластеры, на которые распалась анализируемая выборка из 117 предприятий-банкротов. Т.е. подтверждается выдвинутая гипотеза о том, что изменение финансового состояния предприятия в течение ряда лет носит не хаотический характер, а развивается по вполне определенному сценарию. Отсюда было выдвинуто предположение, что можно улучшить статическую модель прогнозирования банкротства, если учесть изменение финансовых показателей за несколько лет до наступления банкротства, т.е. учесть, по какому из трех выявленных сценариев, развивается ситуация, способная с течением времени привести каждое конкретное предприятие к возможному банкротству.

5. Построение комплекса динамических моделей

Для построения комплекса динамических моделей использовались следующие переменные:

4- вероятность банкротства предприятия в 2005 году;

Вероятность банкротства

— среднее (сценарий №1) — 25 процентиль (сценарий №1) — 75 процентиль (сценарий №1)

— среднее (сценарий №2) — — — — — — 25 процентиль (сценарий №2) — 75 процентиль (сценарий №2)

— среднее (сценарий №3) — — — — — — 25 процентиль (сценарий №3) ………..- 75 процентиль (сценарий №3)

Рис. 2. График изменения средней вероятности банкротства предприятий для каждой кластерной группы в динамике.

54

БИЗНЕС-ИНФОРМАТИКА №1(15)-2011 г

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ

4 вероятность банкротства предприятия в 2006 году; 4- вероятность банкротства предприятия в 2007 году; 4 вероятность банкротства предприятия в 2008 году; 4 отношение вероятности банкротства предприятия в 2005 году по сравнению с 2004 годом;

4 отношение вероятности банкротства предприятия в 2006 году по сравнению с 2005 годом;

4 отношение вероятности банкротства предприятия в 2007 году по сравнению с 2006 годом;

4 отношение вероятности банкротства предприятия в 2008 году по сравнению с 2007 годом

В результате в соответствии с каждым из трех сценариев была построена логистическая модель прогнозирования вероятности банкротства предприятия, учитывающая сценарий развития событий на протяжении 10 лет, приводящий предприятие к банкротству в 2009 году. Т.е. косвенно в полученных моделях было учтено изменение финансовых показателей в динамике за десятилетний период.

В приведенных ниже моделях используются следующие обозначения:

P — вероятность банкротства предприятия j в год t.

Pjt+1 -‘

1

-(9,912’P.t+j+0,213——Xxj -3,58)

1 + e

.-1

год

Рис. 3. Динамическая модель №1 прогнозирования вероятности банкротства предприятий с учетом того, что изменение финансового состояния происходит по сценарию №1.

Pjt+1

1

1 + e-(6,782■ Р^ +4,803■ Pj,-2-6,211)

год

Рис. 4. Динамическая модель №2 прогнозирования вероятности банкротства предприятий с учетом того, что изменение финансового состояния происходит по сценарию №2.

вероятность банкротства

Pjt+1

1

1 + e-(12,944■ Pj, -8,412)

год

Рис. 5. Динамическая модель №3 прогнозирования вероятности банкротства предприятий с учетом того, что изменение финансового состояния происходит по сценарию №3.

БИЗНЕС-ИНФОРМАТИКА №1(15)-2011 г

55

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ

6. Результаты тестирования динамических моделей

Оценка качества комплекса динамических моделей прогнозирования вероятности банкротства проводилась на обучающей и контрольной выборках.

a. Оценка качества динамических моделей на обучающей выборке

Проверка точности динамических моделей

на выборке предприятий, банкротство которых развивалось по сценарию №1

В выборку для тестирования вошли 35 предприятий, ставших банкротами в 2009 году и попавших в результате процедуры кластеризации в кластер №1, и 104 предприятия, финансовое состояние которых было признано удовлетворительным по семи методикам.

В год банкротства все три модели с высокой точностью идентифицировали предприятий — банкротов. Однако при увеличении количества лет до банкротства точность модели №1 оказалась значительно выше точности моделей №2 и №3.

За 4 года до банкротства динамическая модель №1 корректно прогнозировала высокую вероятность банкротства у 77% предприятий, в то время как точность модели №2 и модели №3 оказалась равной 26% и 11% соответственно.

Проверка точности динамических моделей на выборке предприятий, банкротство которых развивалось по сценарию №2

В выборку для тестирования вошли 46 предприятий, ставших банкротами в 2009 году и попавших в результате процедуры кластеризации в группу №2, и 104 предприятия, финансовое состояние которых было признано удовлетворительным по семи методикам.

Как видно из рис. 7, все три динамические модели с высокой точностью идентифицировали предприятий — банкротов на каждом временном промежутке тестирования моделей. У анализируемых предприятий в течение многих лет средние значения финансовых показателей значимо отличались от средних значений показателей успешных предприятий отрасли. Это позволило спрогнозировать высокую вероятность банкротства для таких предприятий со 100% точностью даже за 4 года до банкротства.

Соотношение сценария изменения вероятности банкротства и точности динамических моделей №1, №2, №3. :

БИЗНЕС-ИНФОРМАТИКА №1(15)-2011 г

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ

Соотношение сценария изменения вероятности банкротства и точности динамических моделей №1, №2, №3.

100% 100% 100%

100% 100% 100%

100%

98%

96%

94%

92%

90%

88%

86%

84%

4 года до банкротства 3 года до банкротства 2 года до банкротства 1 год до банкротства год банкротства | Динамическая модель №1 Q Динамическая модель №2 ^ Динамическая модель №3 ^ Вероятность банкротства

Рис. 7. Проверка точности динамических моделей №1, №2, №3 на выборке предприятий, банкротство которых развивалось по сценарию №2.

Соотношение сценария изменения вероятности банкротства и точности динамических моделей №1, №2, №3.

100% 100% 100% 100% 100%

100%

100% 100% 100%

100%

98%

96%

94%

92%

90%

88%

86%

84%

82%

80%

I I I ■

4 года до банкротства 3 года до банкротства 2 года до банкротства 1 год до банкротства год банкротства | Динамическая модель №1 Q Динамическая модель №2 ^ Динамическая модель №3 Вероятность банкротства

Рис. 8. Проверка точности динамических моделей №1, №2, №3 на выборке предприятий, банкротство которых развивалось по сценарию №3.

БИЗНЕС-ИНФОРМАТИКА №1(15)-2011 г

57

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ

Проверка точности динамических моделей на выборке предприятий, банкротство которых развивалось по сценарию № 3

В выборку для тестирования вошли 36 предприятий, ставших банкротами в 2009 году и попавших в результате процедуры кластеризации в группу №3, и 104 предприятия, финансовое состояние которых было признано удовлетворительным по семи методикам.

Как видно из рис. 8, результаты тестирования динамических моделей в данном случае аналогичны результатам тестирования моделей на финансовых данных предприятий из кластера №2. Это объясняется тем, что, начиная с 2005 года, финансовое положение предприятий кластера №3 резко ухудшилось, и стало сопоставимо с финансовым состоянием предприятий из кластера №2.

Сравнение точности динамических моделей при идентификации предприятий с удовлетворительным финансовым состоянием

100%

98%

96%

94%

92%

90%

88%

86%

‘99% —99% —99%———————99% 99% —

2006 2007 2008 2009 год

| Динамическая модель №1 Q Динамическая модель №2

Динамическая модель №3

Рис. 9. Проверка точности динамических моделей №1, №2, №3 при идентификации предприятий с удовлетворительным финансовым состоянием.

Проверка точности динамических моделей на выборке предприятий, имеющих удовлетворительное финансовое положение

В обучающую выборку для проверки точности классификации предприятий с удовлетворительным финансовым состоянием вошли 104 предприятия, финансовое состояние которых было признанно устойчивым по семи методикам оценки. Как видно из рис. 9, все три динамические модели правильно классифицируют предприятия, признанных имеющими удовлетворительное финансовое состояние. За 4-х летний период точность классификации не менее 91%. Так в 2009 году динамическая модель №1 корректно идентифицировала 95 из 104 предприятий (91%), динамические модели №2 и №3 правильно классифицировали 103 из 104 предприятий (99%).

Помимо высокой точности классификации предприятий, качество всех трех динамических моделей

58

было подтверждено псевдо R2 Нагелькерка, высокой значимостью критерия хи-квадрат и критерием Хосмера и Лемешова

b. Оценка качества динамических моделей на контрольной выборке

Далее прогнозная точность комплекса динамических моделей была проверена на данных, которые не использовались при построении модели. В контрольную выборку вошли 514 предприятий, из них: 21 предприятие, ставшее банкротом в 2010 году, и 493 предприятия, финансовое состояние которых было признано удовлетворительным по четырем, пяти или шести методикам оценки финансового состояния.

На рис.10 приведен сравнительный анализ точности прогнозирования вероятности банкротства предприятий с использованием динамических моделей в различные периоды времени до официального признания банкротства в 2010 году.

БИЗНЕС-ИНФОРМАТИКА №1(15)-2011 г

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ

100%

80%

60%

40%

20%

0%

81% 81% 81%

4 года до банкротства 3 года до банкротства 2 года до банкротства 1 год до банкротства

В Динамическая модель №1 Q Динамическая модель №2 ^ Динамическая модель №3

Рис. 10. Динамика изменения точности моделей при идентификации предприятий-банкротов за разное количество лет до банкротства.

100%

80%

60%

40%

20%

0%

80%

_77%.

66%

С по/

-77%

80%

74% ■

81%

85%

82%

85%

2006

2007

2008

2009

| Динамическая модель №1 Q Динамическая модель №2

Динамическая модель №3

год

Рис. 11. Изменение точности динамических моделей при идентификации предприятий с удовлетворительным финансовым состоянием за период с 2006 по 2009 год.

Из трех моделей наиболее точной оказалась модель №1, учитывающая темп изменения вероятности банкротства во времени. При увеличении количества лет до банкротства точность всех трех моделей снижалась.

В отношении предприятий с удовлетворительным финансовым положением по данным 2009 года динамическая модель №1 правильно классифицировала 361 из 493 (73%) предприятий, динамическая модель №2 — 405 из 493 (82%) предприятий, динамическая модель №3 — 419 из 493 (85%) предприятий.

Таким образом, можно сделать вывод, что разработанный комплекс динамических моделей, учитывающих изменение финансовых показателей во времени, обладает высокой прогнозной точностью на длительном временном промежутке.

Заключение

В данной статье был предложен методологический подход для прогнозирования вероятности банкротства предприятий обрабатывающего производства, учитывающий динамику изменения финансовых показателей. Этот подход может быть использован для прогнозирования вероятности банкротства производственных предприятий и других отраслей.

В зависимости от сценария изменения вероятности банкротства можно прогнозировать вероятность банкротства предприятия за период от года до четырех лет до банкротства с достаточно высокой степенью точности. Для этого был авторами разработан и апробирован на выборке предприятий обрабатывающего производства ком-

БИЗНЕС-ИНФОРМАТИКА №1(15)-2011 г

59

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ

плекс моделей оценки финансового состояния и прогнозирования вероятности банкротства предприятия, учитывающих динамику изменения

финансовых показателей и обладающих высокой прогнозной точностью на длительном временном промежутке.

Литература

1. Богданова Т.К. Применение методов многомерного статистического анализа для прогнозирования вероятности банкротства российских предприятий // Труды IX Международной конференции «Применение многомерного статистического анализа в экономике и оценке качества» (24-26 августа 2010 г.). — ГУ-ВШЭ, 2010. — с. 64—67.

2. Ковалев В.В. Финансовый анализ. — М.: Финансы и статистика, 2000. — 512 с.

3. Зевайкина С.Н. Диагностика вероятности банкротства организации. — М.: Финансы и статистика, 2002. — 412 с.

4. Арутюнян А.Б. Опыт применения моделей Фулмера и Спрингейта в оценке венгерских предприятий сельского хозяйства // Аудит и финансовый анализ, 2002, №2. — с. 200—204.

5. Богданова Т.К., Баклакова А.В. Инструментальные средства прогнозирования вероятности банкротства авиапредприятий // Бизнес-информатика, 2008, №1. — с. 45—61.

6. Данилова Ю.А Проблемы прогнозирования банкротства // Проблемы теории и практики управления, 2009, №9. — с. 65-70.

7. Богданова Т.К., Данилова Ю.А Моделирование финансового состояния компаний // Сборник научных трудов международной научно-практической конференции «Перспективные инновации в науке, образовании, производстве и транспорте», 2010, Т.19. — с. 82-87.

8. Бююль А., Цефель П. SPSS: искусство обработки информации. Анализ статистических данных и восстановление скрытых закономерностей. — М.: Диасофт, 2005. — 602 с.

9. Яковлева И.Н. Как спрогнозировать риск банкротства компании в системе риск- менеджмента // Справочник экономиста, 2008, №4.

В.В. Липаев

ОТЕЧЕСТВЕННАЯ

ПРОГРАММНАЯ

ИНЖЕНЕРИЯ:

ФРАГМЕНТЫ ИСТОРИИ И ПРОБЛЕМЫ

Издательство «Синтез» выпустило новую книгу Владимира Васильевича Липаева, профессора кафедры управления программной инженерии НИУ-ВШЭ и главного научного сотрудника Института системного программирования РАН «Отечественная программная инженерия: фрагменты истории и проблемы».

В монографии проанализированы этапы отечественной истории развития вычислительной техники с акцентом на методы и процессы программирования. Первая глава отражает развитие в стране автоматизации программирования в 50-60-е гг. Представлены процессы, начальные проекты отечественной вычислительной техники, развитие программирования и роль ведущих специалистов, заложивших основы в этой области. Выделены особенности развития специализированных вычислительных машин и программирования для оборонных систем реального времени. Формированию программной инженерии в 70-е гг. посвящена вторая глава. В третьей главе отражено развитие программной инженерии в 80-е гг. Изложена история развития экономики, методов и процессов программной инженерии в 70-80-е гг. Значительное внимание уделено реализации ПРОМЕТЕЙ-технологии программной инженерии для создания крупных комплексов программ реального времени оборонных систем. В четвертой главе подведены итоги развития программной инженерии и формирования ее методологии. Представлены проблемы расширения состава и совершенствования международных стандартов и инструментария программной инженерии, а также проблемы обучения методологией программной инженерии студентов и специалистов.

Книга предназначена для специалистов по вычислительной технике и программной инженерии, студентов и аспирантов, интересующихся историей развития и проблемами отечественной науки и техники в этой области.

J

60-

БИЗНЕС-ИНФОРМАТИКА №1(15)-2011 г.

МОДЕЛИ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА ПРЕДПРИЯТИЙ СТРОИТЕЛЬНОЙ ОТРАСЛИ И ОТРАСЛИ СЕЛЬСКОГО ХОЗЯЙСТВА | Федорова

В странах с развитой экономической систе­мой законодательство о несостоятельности (банкротстве) является необходимым элементом механизма правового регулирования рыночных отношений. В настоящее время в экономике Рос­сии наблюдаются ухудшение инвестиционного климата, ужесточение кредитно-денежных отно­шений, спад промышленности, что, несомненно, приводит к несостоятельности хозяйствующих субъектов. Экономический кризис 2008 года по­казал, насколько уязвимы коммерческие орга­низации не только в России, но и во всем мире. Количество заявлений в арбитражные суды Рос­сийской Федерации о признании должников несо­стоятельными (банкротами) в 2012 году выросло на 20% по сравнению с кризисным 2008 годом — с 34367 до 40864 заявлений. В 2012 году по ре­шению арбитражного суда 14072 компании были признаны банкротами, что на 10% больше, чем в 2011 году. Статистика по делам о банкрот­стве (табл. 1) убедительно подтверждает, что се­годня необходима разработка модели прогнози­рования банкротства предприятий, учитывающей особенности российской экономики.

В 2010-2013 годах в Высший арбитражный суд РФ поступило 146413 заявлений о призна­нии должников несостоятельными (банкротами), принято к производству около 82,8% заявлений. Примечательно, что около 50% дел, по которым вводилось наблюдение, в том же году заверша­лись принятием решения о признании должника банкротом и открытии конкурсного производства. Из года в год оставались единичными случаи, ког­да в отношении должников вводилось финансо­вое оздоровление (всего 344 случая за че­тыре года, в среднем — 86 случаев в год, или 0,24%), внешнее управление вводилось в среднем по 905 делам (в среднем 2,56% от общего числа дел, по которым вводи­лось финансовое оздоровление, внешнее управление или открывалось конкурсное производство). На наш взгляд, подобная тенденция может свидетельствовать о том, что кризисное состояние, в котором на­ходились предприятия, было настолько глубоким, что выбраться из него пред­ставлялось невозможным, причем глубина кризиса, вероятно, во многом обусловлена отсутствием возможности его прогнозиро­вания.

 

Таблица 1

Статистика по делам о банкротстве

Параметр

2010

2011

2012

2013

Поступившие заявления о признании должников несостоятельными (банкротами)

40 243

33 385

40 864

31 921

Дела, по которым проводилась процедура: финансового оздоровления

91

94

92

67

внешнего управления

908

986

922

803

Решения о признании должника банкротом и об открытии конкурсного производства

16 009

12 794

14 072

13 144

Завершенные производства по делам о несостоятельности (банкротстве)

31 195

26 132

30 159

23 721

Количество дел, по которым ежегодно вводят­ся процедуры по восстановлению платежеспособ­ности, по сравнению с числом дел, по которым принимается решение об открытии конкурсного производства, очень мало. За 2010-2013 годы финансовое оздоровление и внешнее управление введены по 3963 делам, только 87 из них завер­шились удачно, то есть погашением задолженно­сти и удовлетворением требований кредиторов. За эти же четыре года арбитражные суды субъ­ектов РФ приняли 56 019 решений о признании должников банкротами и открытии конкурсного производства.

В мировой и отечественной экономической науке и в реальной практике используется множе­ство моделей оценки банкротства, построенных на различных принципах и методах. Эффектив­ность той или иной модели зависит не только от специфики, особенностей развития националь­ной системы рыночных отношений, разработан­ных правил и норм, регулирующих несостоятель­ность экономических субъектов, но и от набора инструментов, возможности раннего выявления признаков банкротства и умения выбрать наибо­лее эффективные инструменты.

В 1991 году страна переходит на рыночную экономику. В 1992 году на предприятие возло­жена вся мера ответственности за использова­ние находящихся в его распоряжении ресурсов (Федеральный закон 2002). В этих условиях стал значимым вопрос о финансовой устойчи­вости. В 1994 году правительство Российской Федерации приняло постановление, где была установлена система критериев, на основании которых предприятие должно признаваться бан­кротом (Постановление 1994). Данный акт обла­дал рядом недостатков и не учитывал всей специ­фики процедуры банкротства, его нельзя было уверенно использовать для оценки финансового состояния предприятия. Однако после утверждения правительством РФ новой системы анализа предприятий (Постановление 2003) принятое в 1994 году постановление утратило свою силу. В новом документе приводится десять различ­ных показателей, необходимых для оценки фи­нансового состояния предприятия, но отсутству­ют их рекомендуемые нормативные значения. Вывод о финансовом состоянии предприятия де­лает арбитражный управляющий на основе своих оценок. Базой для сравнения выступают значе­ния соответствующих коэффициентов за пред­шествующие периоды.

Помимо традиционного коэффициентного анализа, проводится анализ возможности (не­возможности) безубыточной деятельности долж­ника, анализируются внешние и внутренние условия функционирования, оценивается его по­ложение на товарных рынках. Такой подход по­зволяет арбитражному управляющему получать необходимую информацию и на ее основе делать объективные выводы о возможности или невоз­можности восстановления платежеспособности компаний-должников. Одним из преимуществ данной методики финансовой диагностики яв­ляется сочетание различных методических под­ходов (качественного и количественного, фор­мализованного и неформализованного). Если методика № 31 -р (Методические положения 1994) разрабатывалась для внутреннего пользо­вания Федерального управления по делам о не­состоятельности, а арбитражный управляющий использовал рекомендации по своему усмотре­нию, то действующая методика разработана для обязательного использования арбитражными управляющими.

 

Таблица 2

Список показателей из постановления Минэкономики РФ № 118

Финансовый показатель

Нормативное значение

Показатели ликвидности

 

Текущая ликвидность

1-2

Быстрая ликвидность

>1

Ликвидность при мобилизации средств

0,5-0,7

Показатели финансовой устойчивости

 

Соотношение заемных и собственных средств

<0,7

Обеспеченность собственными оборотными средствами

>0,1

Маневренность собственных оборотных средств

0,2-0,5

Интенсивность использования ресурсов

 

Рентабельность собственного капитала

>0

Рентабельность затрат

Показатели деловой активности

 

Оборачиваемость оборотного капитала

Оборачиваемость собственного капитала

Мы также будем анализировать 10 различных показателей для финансового анализа предприя­тий, в частности 6 нормативных значений показа­телей одной из наиболее распространенных мето­дик оценки финансового состояния предприятия (Приказ 1997). В со­ответствии с данным документом компания имеет неудовлетво­рительную структуру баланса и, как след­ствие, высокую веро­ятность банкротства, если значения финансовых показателей компании лежат вне обла­сти рекомендуемых значений.

В качестве эмпирической базы мы будем использовать базу компаний отраслей строи­тельства и сельского хозяйства. На их примере построим модели прогнозирования банкрот­ства. Для проверки прогностических способ­ностей существующих зарубежных и отече­ственных моделей из баз данных «СПАРК» и «Руслана» была получена финансовая отчет­ность 1965 российских предприятий. Анализ выборки представлен в табл. 3.

Признание должника банкротом сопрово­ждается открытием конкурсного производства, заканчивающегося ликвидацией предприятия, таким образом, в данном исследовании кри­терием отбора предприятий-банкротов яв­ляется введение конкурсного производства. Далее первоначальная выборка российских предприятий была разделена случайным об­разом на две подвыборки: тренировочную (обучающую) (90% наблюдений), на которой проводится построение модели, и контрольную (проверочную) (10% наблюдений), по которой оценивается точность прогнозирования постро­енной модели. Такое процентное разделение со­ответствует общей практике, принятой в совре­менной литературе.

Финансовые показатели, входящие в модели, были рассчитаны по всем предприятиям за год до банкротства. Путем сравнения вычисленного интегрального показателя с установленным по­роговым значением критерия по каждой зарубеж­ной и отечественной модели был сделан вывод о вероятности наступления банкротства предприятий. Расчет общей вероятности прогнозирования в разрезе известных отечественных и зарубежных моделей представлен в табл. 4 и 5.

 

Таблица 3

Анализ выборки

Качество

Сельское хозяйство

Строительство

Банкроты

107

85

Здоровые

917

856

Всего

1024

941

 

Таблица 4

Модели по показателям (Постановление 2003) (логит-модель)

Показатель

Строительство

Сельское хозяйство

Коэффициент

Ст. ошибка

Значимость

Коэффициент

Ст. ошибка

Значимость

Абсолютная ликвидность

0,260

0,111

0,020

 

 

 

Рентабельность активов

— 10,153

2,217

0,000

— 7,056

1,069

0,000

Степень платежеспособности по текущим обязательствам

0,697

0,266

0,009

Коэффициент автономии (финансовой независимости)

— 1,067

0,396

0,007

Показатель отношения дебиторской задолженности к совокупным активам

2,452

0,554

0,000

4,094

0,642

0,000

Обеспеченность собственными оборотными средствами

— 0,082

0,024

0,001

Константа

— 3,506

0,303

0,000

— 3,260

0,216

0,000

R2

0,396

0,418

Знач. (LR-статистика)

0,000

0,000

 

Таблица 5

Модели по показателям из Приказа Минэкономики РФ № 118 (логит-модель)

Показатель

Строительство

Сельское хозяйство

Коэфф.

Ст. ошибка

Знач.

Коэфф.

Ст. ошибка

Знач.

Оборачиваемость оборотных активов

-0,714

0,252

0,005

 

 

 

Обеспеченность собственными оборотными средствами

-0,363

0,152

0,017

-0,036

0,023

0,119

Маневренность собственных оборотных средств

0,278

0,097

0,004

Рентабельность затрат

-3,972

1,135

0,000

-4,351

0,733

0,000

Ликвидность при мобилизации средств

-1,881

0,690

0,006

-1,606

0,353

0,000

Константа

-1,524

0,344

0,000

-1,374

0,250

0,000

R2

0,357

0,417

Знач. (LR-статистика)

0,000

0,000

Таким образом, итоговые модели имеют сле­дующие формулы.

Постановление 2003

Строительство

FD1=0,26X1-10,15X2+0,69X3-1,07X4+2,45X5-3,51,

где X1 — абсолютная ликвидность; X2 — рента­бельность активов; X3 — степень платежеспособ­ности по текущим обязательствам; X4 — коэффи­циент автономии (финансовой независимости), X5 — показатель отношения дебиторской задол­женности к совокупным активам. Если FD1 боль­ше 0, то предприятие является банкротом, если меньше 0, то это здоровое предприятие.

Сельское хозяйство

FD2= -7,0IX1+4,09X2-0,08X3-3,26,

где X1 — рентабельность активов; X2 — пока­затель отношения дебиторской задолженности к совокупным активам; X3 — обеспеченность соб­ственными оборотными средствами. Если FD2 больше 0, то предприятие является банкротом, если меньше 0, то это здоровое предприятие.

Приказ 1997

Строительство

FD3=0,71X1-0,36X2+0,28X3-3,97X4-1,88X5-1,52,

где X1 — оборачиваемость оборотных активов; X2 — обеспеченность собственными оборотными средствами; X3 — маневренность собственных оборотных средств; X4 — рентабельность затрат; X5 — ликвидность при мобилизации средств.

Сельское хозяйство

FD4= –0,04X1–4,35X2–1,61X3–1,37

где X1 — обеспеченность собственными обо­ротными средствами; X2 — рентабельность затрат; X3 — ликвидность при мобилизации средств.

Данная функция означает: при Y > 0 компа­ния имеет высокую вероятность стать банкротом в течение следующего года, при Y < 0 на данный момент времени рассматриваемое предприятие можно отнести к финансово устойчивым.

Анализируя отрасль строительства и моде­ли на основе (Постановление 2003), стоит отме­тить, что в полученной модели на 5%-ном уров­не значимости оказались значимыми только 5 из 10 исходных показателей. В первую очередь, по анализу формулы модели можно отметить, что все знаки при показателях оказались ожида­емыми. В построенной модели «1» означает бан­кротство, «0» — предприятие здоровое. Соответ­ственно, чем выше значения любого из данных показателей, тем ниже вероятность банкротства. Положительный знак при коэффициенте степени платежеспособности по текущим обязательствам объясняется тем, что данный показатель рассчи­тывается как отношение краткосрочных обяза­тельств к среднемесячной выручке. Чем выше его значение, тем выше закредитованность и, соот­ветственно, выше вероятность банкротства пред­приятия. Вместе с тем показатель отношения де­биторской задолженности к совокупным активам также имеет положительный знак при коэффици­енте (см. табл. 4). Этот показатель характеризует, какая величина денежных и иных финансовых средств компании отвлечена из оборота в пользу третьих лиц. Значение показателя 0,4 и более яв­ляется нежелательным. Средняя прогнозная сила модели составила 81,6%.

 

Таблица 6

Сравнительная характеристика прогностических способностей моделей для отрасли строительства

Модель

Качество классификации, %

Общая прогнозная сила, %

здоровых

банкротов

Альтман (Altman1968)

61,1

82,6

71,9

Фулмер (Fulmer J., Moon J., Gavin T. et al.1984)

77,5

67,3

72,4

Спрингейт (Springate1978)

22,4

97,6

60,0

Таффлер (Taffler, Tisshaw 1977)

42,7

89,7

66,2

Змиевский (Zmijewski 1984)

33,2

83,4

58,3

Сайфуллин (Минаев, Панагушин 1998)

27,9

75,4

51,7

Зайцева (Зайцева 1998)

28,1

79,2

53,7

Иркутский университет (Давыдова, Беликов 1999)

68,5

57,9

63,2

Модель на основе (Постановление 2003)

87,3

75,9

81,6

Модель на основе (Приказ 1997)

81,7

79,3

80,5

 

Таблица 7

Сравнительная характеристика прогностических способностей моделей для отрасли сельского хозяйства

Модель

Качество классификации , %

Общая прогнозная сила, %

здоровых

банкротов

Альтман (Altman1968)

62,5

77,1

69,8

Фулмер(Ти1тег J., Moon J., Gavin T. et al. 1984)

55,4

75,2

65,3

Спрингейт (Springate1978)

33,4

97,8

65,6

Таффлер (Taffler, Tisshaw 1977)

60,0

94,2

77,1

Змиевский (Zmijewski 1984)

44,5

89,7

67,1

Сайфуллин (Минаев, Панагушин 1998)

45,4

79,8

62,6

Зайцева (Зайцева 1998)

86,3

30,8

58,6

Иркутский университет (Давыдова, Беликов 1999)

79,2

72,1

75,7

Модель на основе (Постановление 2003)

88,6

80,6

84,6

Модель на основе (Приказ 1997)

92,1

72,8

82,4

Наша модель в целом является значимой, по­скольку значение вероятности для LR-статистики равно 0,00. Значение коэффициента R2McF равно 0,396, что свидетельствует о наличии средней связи между объясняющими переменными и за­висимой переменной и характеризует построен­ную модель как адекватную.

В модели отрасли сельского хозяйства значи­мыми оказались только 3 из 10 рекомендуемых показателей. Все знаки при показателях оказа­лись ожидаемыми. Отрицательный знак при ко­эффициенте обеспеченности собственными оборотными средствами можно объяснить тем, что наличие у предприятия достаточного объема собственных оборотных средств (собственного оборотного капитала) является одним из главных условий его финансовой устойчивости. При уве­личении значения данного показателя снижает­ся вероятность его банкротства. Модель в целом является значимой, поскольку значение вероят­ности для LR-статистики равно 0,00. Коэффи­циент R2McF равен 0,418, что свидетельствует о наличии средней связи между объясняющими переменными и зависимой переменной и харак­теризует построенную модель как адекватную. Средняя прогнозная сила модели составила 84,6%. 

В табл. 6 и 7 представлены расчеты на примере отрасли строительства и отрасли сельского хозяй­ства. Анализируя отрасль строительства и модели на основе (Постановление 2003), стоит отметить, что в полученной модели на 5%-ном уровне значи­мости оказались значимыми также только 5 из 10 исходных показателей. В модели сельского хозяй­ства значимыми являются только 3 из 10 показате­лей. Полученные модели являются значимыми, по­скольку значение вероятности для LR-статистики равно 0,00. Значение коэффициента R2McF равно 0,357 и 0,417 соответственно для строительства и сельского хозяйства, что характеризует постро­енные модели как адекватные. Средняя прогнозная сила моделей составила 80,5 и 82,4%.

Таким образом, во-первых, по результатам по­строенных моделей очевидна некоторая специфи­ка. В моделях отрасли сельского хозяйства значи­мыми в обоих случаях являются только 3 из 10 рекомендуемых для оценки финансового состоя­ния, в моделях строительства — только 5. Можно сделать вывод о необходимости спецификации списка показателей и формировании показате­лей, способных более основательно оценивать финансовое состояние компаний в строительстве, а тем более в сельском хозяйстве.

Во-вторых, стоит отметить, что рентабель­ность активов, показатель отношения дебитор­ской задолженности к совокупным активам, обеспеченность собственными оборотными средствами, рентабельность затрат, ликвидность при мобилизации средств являются универсаль­ными при прогнозировании банкротства и оценке финансового состояния отраслей строительства и сельского хозяйства (данные показатели явля­ются значимыми на 5%-ном уровне значимости для обеих отраслей).

В-третьих, средняя прогнозная сила моделей составила 83,1% (Постановление 2003) и 81,5% (Приказ 1997). Кроме того, данные модели по­казывают значительно более высокие результаты классификации по сравнению с классическими западными и отечественными моделями про­гнозирования банкротства. Построенные модели также можно использовать для экспресс-диагно­стики банкротства предприятия.

На основании полученных результатов можно рекомендовать компаниям использовать модель для текущего финансового анализа, прогнозиро­вания риска банкротства и принятия эффектив­ных управленческих решений. Так как модель не учитывает качественные данные внешней и внутренней среды компании, для всестороннего анализа следует применять ее вместе с методом экспертных оценок. Кроме того, модель может быть использована банками и кредитными орга­низациями при анализе кредитоспособности за­емщика.

1. Altman E. I. (1968) Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // Journal of Finance. N 23. P. 589–609.

2. Fulmer J., Moon J., Gavin T. et al. (1984) A Bankruptcy Classification Model For Small Firms // Journal of Commercial Bank Lending. July. P. 25–37.

3. Springate G. L. V. (1978) Predicting the Possibility of Failure in a Canadian Firm: Unpublished M. B. A. Research Project / Simon Fraser University. Jan.

4. Taffler R. J., Tisshaw H. J. (1977) Going, Going, Gone, Four Factors Which Predict // Accountancy. № 88 (1003). P. 50–52, 54.

5. Zmijewski M. E. (1984) Methodological issues related to the estimation of financial distress prediction models // Journal of Accounting Research (Suppl.). N 22. P. 59–82.

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

7. Зайцева О. П. (1998) Антикризисный менеджмент в российской фирме // Аваль (Сибирская финансовая школа). № 11–12.

8. Методические положения по оценке финансового состояния предприятий и установлению неудовлетворительной структуры баланса, утверждены распоряжением Федерального управления по делам о несостоятельности (банкротстве) от 12.08.94 № 31‑р // Консультант Плюс. URL: http://base.consultant.ru / cons / cgi / online.cgi?base=LAW&n=16449&req=doc.

9. Минаев Э. С., Панагушин В. П. (1998) Антикризисное управление: Учеб. пос. для техн. вузов. М.: Приор. 432 с.

10. Постановление Правительства РФ от 20.05.1994 № 498 (ред. от 03.10.2002) «О некоторых мерах по реализации законодательства о несостоятельности (банкротстве) предприятий» // Консультант Плюс. URL: http://www.consultant.ru / document / cons_doc_LAW_39034 / .

11. Постановление Правительства РФ от 25.06.2003 г. № 367 «Об утверждении правил проведения арбитражным управляющим финансового анализа» // Консультант Плюс. URL: http://base.consultant.ru / cons / cgi / online.cgi?req=doc;base=LAW;n=42901;div=LAW;dst=100003, – 1; rnd=0.6704683754411786.

12. Приказ Минэкономики РФ от 01.10.1997 № 118 «Об утверждении Методических рекомендаций по реформе предприятий (организаций)» (01 октября 1997 г.) // Консультант Плюс. URL: http://www.consultant.ru / document / cons_doc_LAW_16859 / .

13. Федеральный закон «О несостоятельности (банкротстве)» от 26.10.2002 № 127‑ФЗ // Консультант Плюс. URL: www.consultant.ru / popular / bankrupt / .


Оценка вероятности банкротства предприятия | Банкротство в 2021 году

Понятие «банкротство» появилось в обиходе с момента появления рыночных отношений. Основным признаком того, что предприятие обанкротилось, считается его неплатежеспособность – невозможность выполнить обязательства по финансовым задолженностям. В этом случае размер долга превышает стоимость имущества юридического лица.

Ситуация неплатежеспособности возникает в случае, когда предприятие функционирует, но его деятельность не приносит прибыли. Это означает, что неминуемо возникновение риска банкротства. Итогом несостоятельности может стать ликвидация организации, поэтому во избежание нежелательного финала, необходимо проводить процедуру оценки вероятности банкротства предприятия.

Анализ оценки вероятности банкротства предприятия

Первые признаки неплатежеспособности предприятия проявляются задолго до того, как оно намерится объявить себя банкротом, поэтому целесообразно регулярное проведение анализа наличия признаков банкротства. Это помогает руководству держать руку на пульсе финансовой ситуации и избежать несостоятельности, восстановить платежеспособность, пока ситуация не зашла в тупик.

Задачи анализа оценки вероятности банкротства предприятия:

  1. Диагностика финансового положения.
  2. Определение источников восстановления платежеспособности.
  3. Определение путей оздоровления организации.

Объектами анализа становятся активные и пассивные ресурсы предприятия. Анализ оценки несостоятельности юридического лица проводится поэтапно и определяет:

  1. Признаки банкротства.
  2. Причины появления признаков финансовой несостоятельности.
  3. Прогноз банкротства предприятия.
  4. Выбор формы финансового оздоровления.

При проведении анализа деятельности организации оценивается ее состояние и динамика. Это дает возможность выявить причины неплатежеспособности, начать оздоровление предприятия.

Принципы оценивания риска несостоятельности организации

Оценка вероятности банкротства предприятия – научно организованное мероприятие, которое производится по принципам:

  1. Создание механизма регулирования финансовой ситуации.
  2. Введение системы мер безопасности, гарантирующих предотвращение банкротства юридического лица.
  3. Предоставление возможности продолжить экономическую деятельность в новом формате.
  4. Создание системы мероприятий по возобновлению производства с получением прибыли.
  5. Остановка процесса движения к несостоятельности.
  6. Создание правового поля для обеспечения защиты предприятия от движения к несостоятельности.

Этот перечень принципов позволяет проводить процедуру отслеживания вероятности возникновения неплатежеспособности безболезненно.

Модели оценки вероятности банкротства

Банкротство – это последствие конкуренции в эпоху рыночных отношений. При грамотном руководстве, умении прогнозировать опасность наступления неплатежеспособности помогут руководству компании миновать несостоятельность. Существуют научно обоснованные модели оценки вероятности банкротства фирмы.

Наибольшую известность получила методика Э.Альтмана, который вывел формулу расчета кредитоспособности. Она позволяет разделить компании на тех , кто близок к категории банкротов и тех, кто далек от этого. Модель Альтмана имеет 4 разновидности. Модель Таффлера – учитывает современные тенденции бизнеса и состояние финансовых показателей.

Отечественные методики, ориентированные на российскую действительность:

  • модель Ковалева В.В. – базируется на оценке бухгалтерской отчетности предприятия;
  • модель Пареной и Долгалева – при расчете кризисная ситуация прогнозируется, если уже имеются ее явные признаки.

Не существует универсальной модели оценки вероятности банкротства компании, который можно применить в любой отрасли экономики, но специалисты подбирают подходящую модель мониторинга для конкретного предприятия.

Методики оценивания несостоятельности компании

Для того чтобы прогнозировать возможность банкротства предприятия, широко используются классические методы оценки. С их помощью проводится классификация, которая относит компанию к категории потенциальных банкротов или определяет, что их финансовое положение благоприятно. Методика Альтмана считается самой совершенной, дающей оптимальный вариант прогноза о близости к несостоятельности. Она применима для предприятий, имеющих акции на рынке ценных бумаг.

Другие методики:

  1. Методика Бивера – специалисты считают ее неприменимой в РФ, так как при расчетах не учитывается специфика отечественных предприятий.
  2. Методика оценивания несостоятелбности Давыдовой-Беликова – учитывает российскую специфику, применима для оценки предприятий.
  3. Методика оценки банкротства предприятия Федотовой – отличается простотой проведения расчетов, применима для контроля наличия признаков неплатежеспособности, но часто выдает погрешности.

Специалисты советуют при проведении оценки вероятности несостоятельности использовать несколько методик, чтобы получить оптимальный результат.

Количественные методы оценивания

Раннюю диагностику наступления финансовых потерь необходимо периодически проводить на каждом предприятии для того, чтобы вовремя принять меры по оздоровлению компании. Анализ хозяйственного риска предприятия требует трудовых и финансовых издержек, поэтому логично сначала провести количественную оценку риска банкротства предприятия.

Для этого экономисты развитых стран используют 2-х, 5 и 7-факторные модели Альтмана. В России использовалась 5-факторная методика, начиная с 1992 года. Экономисты, которые практиковали количественные методики оценки вероятности банкротства предприятия в России, пришли к выводу, что другие модели неприемлемы для использования в РФ из-за несоответствия их условиям развития экономики и наличия факторов:

  • налогового стресса;
  • информационной закрытости;
  • отсутствия полноценного рынка недвижимости;
  • иной энергоемкости производства.

В связи с этим успешные методики в РФ не дают реального результата, поэтому сегодня используются модели диагностики от отечественных экономистов.

Показатели оценки вероятности банкротства

По результатам оценки вероятности банкротства выявляются факторы, которые характеризуют предприятие:

  • снижение доходов;
  • нестабильность прибыли;
  • низкая рентабельность;
  • падение коэффициента ликвидности;
  • падение стоимости ценных бумаг;
  • наличие большого количества кредитных обязательств.

Показатели рассчитываются в количественной форме, поэтому наглядно видно, насколько велик риск банкротства. В зависимости от того, сколько факторов выявляется в результате применения методики, руководство делает вывод , насколько близко находится компания к процедуре объявления себя банкротом.

При отсутствии всех позиций можно говорить о благополучности фирмы. Если по показателям выявляется хотя бы один из названных пунктов, необходим анализ эффективности использования ресурсов, правильной организации работы.

Пятифакторная модель оценки риска несостоятельности юридического лица

Профессор Э.И. Альтман применил пятифакторную модель оценки вероятности банкротства предприятия, который считается точным и применяется повсеместно. Методика основывается на количественных показателях. В расчет включено 5 финансовых коэффициентов, которые анализируются по выведенным Альтманом формулам.

Мировые финансовые эксперты признали его методику работоспособной , с ее помощью максимально точно определяются компании, у которых велика вероятность финансовых проблем. Преимущество пятифакторного метода Альтмана заключается в том, что он предсказывает появление признаков несостоятельности за 2 года до возможности обанкротиться.

 

Зарубежные методики оценки вероятности банкротства

Специалисты выделяют две эффективные модели оценивания рисков банкротства: У. Бивера и Э.Альтмана. В чистом виде они неприменимы к отечественной ситуации, так как существует факторы, которые необходимо учитывать при проведении расчетов, а они присутствуют в недостаточном количестве в финансовых показателях российский компаний.

Работа Бивера – первая попытка использовать различные коэффициенты для составления прогнозов. Он вывел коэффициент Бивера – отношение доходов к сумме долга и производил расчеты, взяв его за основу.

Э Альтман основывает расчеты на 5 главных коэффициентах:

  • отношение активов к их стоимости;
  • рентабельность;
  • доходность;
  • соотношение кредитного и собственного капитала;
  • оборачиваемость активов.

Его метод получил широкую известность и распространение.

Модели банкротства (диагностика и оценка вероятности банкротства)

Банкротство – это процедура признания арбитражным судом неспособности субъекта исполнять обязанности по уплате платежей (подробнее о процедуре банкротства). Неспособность предприятия выполнять требования кредиторов в течение 90 календарных дней со дня наступления сроков платежей – является основным признаком предбанкротного состояния компании. По истечению 3х месяцев с даты ожидаемого платежа, кредиторы имеют право подать заявление в арбитражный суд о признаний заемщика несостоятельным (банкротом). Соблюдение платежной дисциплины предельно внимательно контролируется при проведении финансового анализа, и особенно при осуществлении кредитного анализа в банке или ином кредитном учреждении (в том числе, платежная дисциплина и риски наступления банкротства (риск потери платежеспособности) контролируется лизинговыми, страховыми и инвестиционными компаниями). Стоит отметить, что разделяют два вида банкротства: действительное и преднамеренное банкротство. Так же различают по виду собственности: банкротство юридических лиц и банкротство физических лиц.

Диагностика банкротства

Диагностика банкротства позволяет выявить показатели потоков платежей (текущих и перспективных), а также оценить производственную, инвестиционную и финансовую деятельность предприятия. Оценка вероятности банкротства является неотъемлемой частью кредитного анализа заемщика. Существует целый ряд моделей прогнозирования банкротства, позволяющих оценить и диагностировать перспективную степень платежеспособности предприятия. Основной задачей диагностики является своевременное обеспечение принятия управленческих решений в целях снижения влияния негативных финансовых процессов.Так как ни одну модель банкротства нельзя считать совершенной, для объективности общего анализа рассматриваются сразу несколько моделей. Только комплексное рассмотрение описанных ниже моделей сможет дать объективную и полную оценку финансовой состоятельности предприятия.
Разделяют два подхода к оценке степени вероятности банкротства:

  • качественный;
  • количественный.

Количественные модели банкротства

Двухфакторная модель Альтмана – простая и не требовательная к большому количеству исходной аналитической информации модель, разработанная на основе анализа деятельности 19 американских компаний. Основным учитываемым фактором является возможность прекращения (сокращения) финансирования деятельности компании за счет заемных средств.

Пятифакторная модель Альтмана – разработана для организаций с акционерной формой капитала, акции которых представлены на фондовом рынке. Точность данной модели в перспективе составляет порядка 95% для одного года и 83% на два года, что в принципе является ее достоинством.

Четырехфакторная модель Таффлера — также предназначена для оценки организаций, зарегистрированных как Отрытое Акционерное Общество. В совокупности, коэффициенты данной модели дают объективную картину о риске банкротства в будущем и платежеспособности на текущий момент.

Четырехфакторная модель Спрингейта — разработанная Гордоном Спрингейтом на основе модели Альтмана. Из 19 показателей финансового положения предприятия автором было отобрано 4 основных, которые были включены в расчет. Каждому показателю в данной модели присваивается свой «вес» в итоговой оценке.

Модель несостоятельности Чессера — выведенная Д. Чессером на основе детального анализа 37 успешных и 37 неуспешных ссуд, выданных банком. Проанализировав балансовые показатели заемщиков, Чессер вывел формулу, в 3 из 4 случаев верно определяющую возврат/невозврат ссуды.

Система показателей Бивера — постоена без интегральных показателей и учета веса коэффициентов. Соотвественно, не расчитывается и итоговая оценка. Результатом оценки пяти показателей является присвоенная категория вероятности банкротств предприятия: «Благоприятное состояние», «5 лет до банкротства», «1 год до банкротства».

Прогнозирование банкротства и диагностика финансового состояния предприятия: оценка и анализ риска

Неспособность компании вести финансово-хозяйственную деятельность в условиях кризиса, является тревожным сигналом в преддверии банкротства. В связи с таким явлением одной из важнейших задач является своевременное прогнозирование возможных рисков, и выявление причин нестабильности бизнеса.

Содержание статьи

Для чего нужен анализ вероятности банкротства

Прогнозную оценку общего финансового состояния компании необходимо проводить на регулярной основе. Постоянный контроль соотношения собственных и заёмных средств поможет фирме своевременно устранить возможные негативные последствия. Предвестником того, что предприятие рискует оказаться на грани банкротства, служит показатель превышения заёмных средств над активами компании.

Ситуация, когда фирма не может удовлетворить требования своих кредиторов, а также нарушение структуры баланса неизменно приводят к процедуре банкротства. В результате начинается принудительная распродажа активов фирмы с последующей ликвидацией юридического лица.

Чтобы не допустить гибели компании, экономистами были разработаны различные сравнительные методики, на основании которых строится прогноз финансового состояния предприятия в будущем.

Даже если банкротство станет неизбежным, стратегический анализ поможет сделать эту процедуру менее затратной и болезненной для всех участников бизнеса.

Факторы, способствующие потенциальному банкротству

Риск возникновения банкротства всегда продиктован определёнными факторами, которые могут быть вызваны плохо продуманным бизнес-планом, высокой конкуренцией, непредвиденными форс-мажорными ситуациями, а также недостаточным вниманием к развитию бизнеса руководства фирмы и её сотрудников.

Факторы, которые имеют наиболее негативное влияние на развитие бизнеса, можно разделить на отдельные группы:
  • Снижение текущих и оборотных активов может произойти по причине неблагоприятной экономической ситуации в стране, несвоевременной модернизации производственных мощностей, использовании неквалифицированной рабочей силы.
  • Уменьшение прибыли и потеря спроса на продукцию происходит в связи с неправильным выбором сегмента рынка, недостаточным качеством выпускаемой продукции, экономии на рекламной компании.
  • Недостаточно ответственное отношение к налоговым платежам, которые имеют неприятное свойство стремительно накапливаться. Позднее осознание того, что с финансами компании происходит что-то неладное, а также отчаянная попытка всё исправить, только усугубляют ситуацию, и налоги принимают статус отложенных платежей.

Стать банкротом по причине отдельно взятого факта практически невозможно, обычно причиной нестабильности становится целый комплекс причин. Для оценки риска используются экономические модели, которые определяют значение того или иного фактора, и прогнозируют степень угрозы.

Предпосылки наступления финансового кризиса

Данные отраслевой статистики позволяют оценить деятельность того или иного предприятия путём сравнения аналогичных показателей по отрасли. Но что делать, если статистическая база отсутствует? В этом случае экономистам компании приходится самостоятельно выявлять расхождения, которые могут привести к финансовому кризису.

Как показывает практика, перед тем как потерпеть полное крушение фирма проходит несколько кризисных этапов:

  • Начинается всё с первой стадии, которая имеет довольно скрытый характер. Для этого этапа характерно визуальное снижение деловой активности, ухудшение рентабельности, падение показателей прибыли и эффективности работы капитала.  В результате происходит постепенное снижение общих финансовых показателей, сокращаются источники текущих активов.
  • На второй стадии достаточно отчётливо проявляется убыточность компании. Стратегическое решение проблемы направлено на реструктуризацию бизнеса, в результате чего можно успеть спасти предприятие по частям.
  • Следующая ступень отличается полным отсутствием собственных средств. При такой ситуации становится довольно сложно спрогнозировать положительные перспективы развития бизнеса. Значительная часть денежного потока и оборотных активов направляется на погашение возрастающей кредиторской задолженности и убытков производства.
  • Если в результате произошедшего падения показателей не было принято своевременное решение, то наступает четвёртая стадия, при которой компания уже не в состоянии профинансировать даже сокращение производства, в связи с чем платежи по обязательствам продолжают создавать финансовую дыру в бюджете. В этот период возникает реальная угроза банкротства с последующим полным прекращением деятельности.

Очевидно, что схема такого экономического краха требует своевременного вмешательства. И чем раньше это произойдёт, тем больше будет у компании шансов удержаться в определённом сегменте. Для качественной санации бизнеса требуются научно-методические разработки, направленные на своевременное прогнозирование предпосылок финансового краха.

Недостатки зарубежной методики

В результате кропотливых исследований финансового анализа было разработано множество методик прогнозирования банкротства, но на практике оказалось, что далеко не все разработки способны предоставить эффективное решение при негативной оценке кредитоспособности компании.

Причём стоит заметить, что наши разработки наиболее адаптированы к особенностям российского бизнеса, и поэтому значительно выигрывают у зарубежных моделей.

Если рассматривать методы западных экономистов, то наиболее часто применяемыми можно назвать модели Уильяма Бивера, Таффлера, Эдварда Альтмана. Работа последнего автора является наиболее востребованной в условиях экономического кризиса. В основе метода Альтмана лежит простая двухфакторная модель, в которой используются коэффициент текущей ликвидности и показатели финансовой зависимости. Если итоговый показатель, вычисляемый по формуле, окажется выше нулевого значения, то вероятность банкротства фирмы очень велика, в обратном случае, при минусовом значении,  компания может расслабиться и немного скорректировать показатели.

Если рассматривать эту модель с точки зрения многокомпонентности современного бизнеса, то можно сделать вывод, что такой метод слишком примитивен для современной экономики. В этом расчете упускаются такие важные факторы, как рентабельность, деловая активность и фондоотдача. В связи с этим погрешность может быть слишком большой, а это недопустимо для специфики ведения бизнеса в России.

Наиболее удачные методы российских экономистов

Несмотря на то, что основоположниками теории развития бизнеса были западные учёные, отечественные экономисты внесли не меньший вклад в методику прогнозирования финансового кризиса.

У российских разработчиков основными критериями оценки экономической ситуации были финансовое положение фирмы и кредитоспособность заёмщика. Иными словами жизнеспособность предприятия определялась с помощью качественного и количественного анализа.

Экономисты Сайфуллин Р.С. и Кадыков Г.Г. попытались адаптировать модель Альтмана к отечественным условиям. Было предложено использовать комплексный показатель, который высчитывался путём сложения коэффициентов ликвидности, рентабельности собственного капитала и продукции, оборачиваемости активов и обеспеченности собственными средствами. В результате должно получиться рейтинговое число равное единице. Такой показатель свидетельствует о том, что финансовое состояние компании находится в удовлетворительном состоянии. Отрицательное значение заставит руководителя задуматься о прогнозе на будущее.

Существует ещё один метод, который заслуживает отдельного внимания. Аналитическая модель была разработана российским экономистом Донцовой-Никифоровой. Её сущность состоит в том, что компания классифицируется по степени риска её финансовых показателей.

Практически все российские методики прогнозирования банкротства основаны на мультипликационном анализе, и как следствие не дают точной оценки несостоятельности компании. В связи с этим рассматривая наиболее удачные методы прогнозирования кризисной ситуации, можно выделить положительные и отрицательные стороны.

К преимуществам можно уверенно отнести тот факт, что все модели адаптированы под российский бизнес и законодательство. Все показатели довольно просто интерпретируются. В результате анализа точно определяются сроки выполнения финансового плана. Оценку экономической нестабильности можно проводить удалённо.

К недостаткам можно причислить недостаточно глубокий анализ макроэкономических факторов, и упущение особенностей финансово-хозяйственной деятельности того или иного предприятия.

Скрытые недостатки прогнозирования

Предсказание финансовой несостоятельности может быть проведено двумя способами. Первый основывается на текущих показателях компании, а второй строится на статистических данных обанкротившихся фирм, путём определения причины кризиса.

Как ни странно, способ оценки текущих показателей имеет несколько важных недостатков. Во-первых, многие компании умышленно задерживают публикацию отчётов, с целью сокрытия кризисной ситуации. Такая тактика только усугубляет положение, так как упускается драгоценное время.

Во-вторых, по различным причинам руководство предприятия умышленно фальсифицирует данные отчётности так, что даже опытные специалисты не способны сразу обнаружить преднамеренное искажение итогов.

Третий недостаток прогнозирования связан с неточным определением основных факторов. Довольно часто положительные показатели не позволяют распознать скрытую причину ухудшения финансового состояния.

Нефинансовые показатели преднамеренного банкротства | Городилов

1. Гринкевич Л. С., Набеева Н. Г. Методика диагностики преднамеренного банкротства путем моделирования баланса расчетно-редукционным способом. Сибирская финансовая школа. 2015;6(113):180–184.

2. Гринкевич Л. С., Набеева Н. Г. Выявление фиктивных сделок: возможности современной российской информационной системы. Сибирская финансовая школа. 2017;6(125):51–54.

3. Котов В. В. О совершенствовании методики определения признаков фиктивного и преднамеренного банкротства. Вестник Московского финансово-юридического университета. 2017;2:21–31.

4. Басалаева Е. В. Инновации в экономическом анализе, бухгалтерском и управленческом учете как формирование нового подхода к финансовому менеджменту. Международный бухгалтерский учет. 2015;24:34–45.

5. Русавская А. В., Гладков И. В. Исследование факторов, определяющих финансовую устойчивость предприятий. Ученые записки Российской Академии предпринимательства. 2015;42:117–125.

6. Яхъяев М. А., Гладков И. В. Совершенствование практики выявления и предотвращения преднамеренного банкротства предприятий. Путеводитель предпринимателя. 2014;22:212–219.

7. Чистопашина С. С., Полисюк Г. Б. Мошенничество при банкротстве: выявление, административная и уголовная ответственность. Национальные интересы: приоритеты и безопасность. 2012;24:42–46.

8. Велдкамп Б. П., де Вре Т. Выявление мошенничества с банкротством в голландских организациях. In IADIS European Conference. Интеллектуальный анализ данных. 2008:63–66.

9. Каденс Е. Дело Питкина: исследование мошенничества в раннем английском банкротстве. Американский журнал о банкротстве. 2010;84:483–570.

10. Брейтуэйт Дж. Преступление белых воротничков. Ежегодный обзор социологии. 2015;11(1):1–25.

Предупреждающих знаков компании в беде

Как финансовый консультант, вы обязаны следить за инвестициями клиента и следить за инвестициями, которые могут потерпеть неудачу. Узнайте, как определить, находится ли компания на грани банкротства или столкнулась с серьезными финансовыми трудностями. Также несложно научиться анализировать прибыль.

Предупреждающие знаки проблемной компании

Уменьшение денежных средств или убытков

Компании, которые теряют деньги квартал за кварталом, быстро расходуют свои деньги.Обязательно просмотрите баланс компании и отчет о движении денежных средств, чтобы определить, как они расходуются. Кроме того, сравните текущие денежные потоки и остатки денежных средств с тем же периодом предыдущего года, чтобы определить, есть ли тенденция.

Если компания тратит деньги из-за увеличения инвестиционной активности, это может означать, что компания инвестирует в свое будущее. Однако, если в отчете о движении денежных средств компания вкладывает денежные средства в операционную деятельность и все еще не получает прибыли, это может вызывать беспокойство.Кроме того, следите за значительным увеличением денежных средств, поскольку компания могла продать актив, таким образом увеличив свою денежную позицию для покрытия убытков.

Компании также должны иметь нераспределенную прибыль, то есть деньги, оставшиеся после получения прибыли в течение определенного периода. Фактически, RE — это сберегательный счет для корпораций, которые со временем накапливают прибыль, которую можно использовать для реинвестирования в компанию, выплаты дивидендов или обратного выкупа акций. Если RE не увеличивается или отсутствует, то при отсутствии дивидендов и обратных выкупов компания либо нерентабельна, либо еле выживает.

Выплата процентов в вопросе

Отчет о прибылях и убытках компании покажет, сколько она платит для обслуживания долга. Может ли компания продолжать терять деньги и у нее еще остается достаточно средств для выплаты процентов? Обеспечивает ли текущий рост доходов достаточный доход для обслуживания долга компании?

Существуют показатели и коэффициенты, которые измеряют способность компании покрывать свои долговые обязательства. Коэффициент текущей ликвидности (или коэффициент наличности) — это расчет, который помогает определить способность компании выплачивать краткосрочные долговые обязательства.Он рассчитывается путем деления текущих активов на краткосрочные обязательства. Коэффициент выше единицы указывает на то, что у компании будет высокий шанс погасить свой долг, тогда как коэффициент меньше единицы указывает на то, что компания не сможет выплатить свой долг. Также можно использовать коэффициент кислотного теста, разница заключается в том, что он исключает инвентаризацию и счета предоплаты из текущих активов.

Аудиторы коммутации

Все публичные компании должны проходить аудит бухгалтерских книг сторонней бухгалтерской фирмой.И хотя компании нередко меняют фирму время от времени, внезапное увольнение аудитора или бухгалтерской фирмы без видимой причины должно вызывать тревогу. Обычно это признак того, что есть разногласия по поводу того, как регистрировать доход или конфликт с членами управленческой команды. И это тоже не хороший знак.

Также ознакомьтесь с письмом аудитора. В рамках доверенности (компании также иногда включают эту информацию в 10-килобайтные и годовые отчеты) аудиторы напишут письмо, в котором укажут, что, по их мнению, информация о доходах, денежных потоках или балансе была представлена ​​достоверно и точно описывает финансовое положение компании, по крайней мере, насколько им известно.Однако, если аудитор задается вопросом, имеет ли компания возможность продолжать «непрерывно свою деятельность», или отмечает некоторые другие несоответствия в практике бухгалтерского учета, в частности, в том, как она учитывает выручку, это также должно служить серьезным предупреждающим знаком.

Дивидендная доля

Компании, которые сокращают или отменяют выплату дивидендов акционерам, не обязательно находятся на грани банкротства. Однако, когда компании переживают трудные времена, дивиденды обычно уходят в первую очередь.Маловероятно, что руководство снизит дивиденды, если в этом нет крайней необходимости, поскольку любое сокращение может значительно снизить стоимость акций компании. В результате рассматривайте любое сокращение дивидендов или отмену дивидендов как признак того, что впереди трудные времена.

Важно учитывать другие подтверждающие доказательства, чтобы определить, означает ли сокращение дивидендов темные времена для компании. А именно, следите за снижающейся или переменной прибыльностью, дивидендной доходностью по сравнению с другими компаниями в той же отрасли и отрицательным свободным денежным потоком.Мудрые инвесторы также осторожны; убедитесь, что ваши дивиденды не подвержены риску .

Дефекты высшего руководства

Обычно, когда дела в компании серьезно ухудшаются, старшие члены управленческой команды уходят, чтобы устроиться на работу в другую компанию. Между тем, нынешние сотрудники с меньшим стажем займут места руководителей высшего звена. Если дезертирство менеджмента устойчиво, это редко бывает хорошей новостью.

Big Insider Selling

Инвесторы с умными деньгами, то есть институциональные и исполнительные держатели акций, обычно сбрасывают свои акции до подачи заявления о банкротстве или действительно трудных времен.Будьте в курсе инсайдерских продаж.

Однако в ходе обычной деятельности некоторые инсайдеры могут время от времени продавать акции. По сути, вам следует обращать внимание на необычно крупные или частые транзакции, особенно на те, которые происходят во время или примерно в то время, когда появляются негативные новости.

Продажа флагманских продуктов

Если бы у вас были тяжелые времена, вы, вероятно, использовали бы свои сбережения. И когда вы через это пройдете, вы, вероятно, подумаете о продаже некоторых из своих активов, чтобы собрать деньги.Но вы бы не стали продавать свои личные сувениры, если бы не пришлось. Что ж, та же логика применима к компании. Итак, если вы видите, что компания продает крупное подразделение или продуктовую линейку, чтобы заработать деньги, будьте осторожны!

Сокращение перков

В трудные времена компании будут стремиться значительно урезать свои медицинские льготы, пенсионные планы или другие льготы. Глубокие и внезапные порезы, особенно когда они происходят в сочетании с другими вышеупомянутыми проблемами, являются признаком того, что впереди могут быть проблемы.

Итог

Компании нередко сталкиваются с неровностями дороги и вынуждены затягивать ремни. Однако будьте осторожны, если компания чрезмерно затягивает этот пояс или возникает более одного из вышеперечисленных сценариев.

Следите за тем, чтобы эти статьи были в выпуске новостей или ежегодном проспекте эмиссии.

Страница не найдена

  • Образование
    • Общий

      • Словарь
      • Экономика
      • Корпоративные финансы
      • Рот ИРА
      • Акции
      • Паевые инвестиционные фонды
      • ETFs
      • 401 (к)
    • Инвестирование / Торговля

      • Основы инвестирования
      • Фундаментальный анализ
      • Управление портфелем
      • Основы трейдинга
      • Технический анализ
      • Управление рисками
  • Рынки
    • Новости

      • Новости компании
      • Новости рынков
      • Торговые новости
      • Политические новости
      • Тенденции
    • Популярные акции

      • Яблоко (AAPL)
      • Тесла (TSLA)
      • Amazon (AMZN)
      • AMD (AMD)
      • Facebook (FB)
      • Netflix (NFLX)
  • Симулятор
  • Ваши деньги
    • Личные финансы

      • Управление благосостоянием
      • Бюджетирование / экономия
      • Банковское дело
      • Кредитные карты
      • Домовладение
      • Пенсионное планирование
      • Налоги
      • Страхование
    • Обзоры и рейтинги

      • Лучшие онлайн-брокеры
      • Лучшие сберегательные счета
      • Лучшие домашние гарантии
      • Лучшие кредитные карты
      • Лучшие личные займы
      • Лучшие студенческие ссуды
      • Лучшее страхование жизни
      • Лучшее автострахование
  • Советники
    • Ваша практика

      • Управление практикой
      • Непрерывное образование
      • Карьера финансового консультанта
      • Инвестопедия 100
    • Управление благосостоянием

      • Портфолио Строительство
      • Финансовое планирование
  • Академия
    • Популярные курсы

      • Инвестирование для начинающих
      • Станьте дневным трейдером
      • Торговля для начинающих
      • Технический анализ
    • Курсы по темам

      • Все курсы
      • Курсы трейдинга
      • Курсы инвестирования
      • Финансовые профессиональные курсы

Представлять на рассмотрение

Извините, страница, которую вы ищете, недоступна.Вы можете найти то, что ищете, используя наше меню или параметры поиска.

дом
  • О нас
  • Условия эксплуатации
  • Словарь
  • Редакционная политика
  • Рекламировать
  • Новости
  • Политика конфиденциальности
  • Свяжитесь с нами
  • Карьера
  • Уведомление о конфиденциальности Калифорнии
  • #
  • А
  • B
  • C
  • D
  • E
  • F
  • г
  • ЧАС
  • я
  • J
  • K
  • L
  • M
  • N
  • О
  • п
  • Q
  • р
  • S
  • Т
  • U
  • V
  • W
  • Икс
  • Y
  • Z
Investopedia является частью издательской семьи Dotdash.

Страница не найдена

  • Образование
    • Общий

      • Словарь
      • Экономика
      • Корпоративные финансы
      • Рот ИРА
      • Акции
      • Паевые инвестиционные фонды
      • ETFs
      • 401 (к)
    • Инвестирование / Торговля

      • Основы инвестирования
      • Фундаментальный анализ
      • Управление портфелем
      • Основы трейдинга
      • Технический анализ
      • Управление рисками
  • Рынки
    • Новости

      • Новости компании
      • Новости рынков
      • Торговые новости
      • Политические новости
      • Тенденции
    • Популярные акции

      • Яблоко (AAPL)
      • Тесла (TSLA)
      • Amazon (AMZN)
      • AMD (AMD)
      • Facebook (FB)
      • Netflix (NFLX)
  • Симулятор
  • Ваши деньги
    • Личные финансы

      • Управление благосостоянием
      • Бюджетирование / экономия
      • Банковское дело
      • Кредитные карты
      • Домовладение
      • Пенсионное планирование
      • Налоги
      • Страхование
    • Обзоры и рейтинги

      • Лучшие онлайн-брокеры
      • Лучшие сберегательные счета
      • Лучшие домашние гарантии
      • Лучшие кредитные карты
      • Лучшие личные займы
      • Лучшие студенческие ссуды
      • Лучшее страхование жизни
      • Лучшее автострахование
  • Советники
    • Ваша практика

      • Управление практикой
      • Непрерывное образование
      • Карьера финансового консультанта
      • Инвестопедия 100
    • Управление благосостоянием

      • Портфолио Строительство
      • Финансовое планирование
  • Академия
    • Популярные курсы

      • Инвестирование для начинающих
      • Станьте дневным трейдером
      • Торговля для начинающих
      • Технический анализ
    • Курсы по темам

      • Все курсы
      • Курсы трейдинга
      • Курсы инвестирования
      • Финансовые профессиональные курсы

Представлять на рассмотрение

Извините, страница, которую вы ищете, недоступна.Вы можете найти то, что ищете, используя наше меню или параметры поиска.

дом
  • О нас
  • Условия эксплуатации
  • Словарь
  • Редакционная политика
  • Рекламировать
  • Новости
  • Политика конфиденциальности
  • Свяжитесь с нами
  • Карьера
  • Уведомление о конфиденциальности Калифорнии
  • #
  • А
  • B
  • C
  • D
  • E
  • F
  • г
  • ЧАС
  • я
  • J
  • K
  • L
  • M
  • N
  • О
  • п
  • Q
  • р
  • S
  • Т
  • U
  • V
  • W
  • Икс
  • Y
  • Z
Investopedia является частью издательской семьи Dotdash.

Республика Аризона

Расс Уайлс | Республика | azcentral.com

Количество банкротств резко сократилось за последние три года, так как набор сотрудников постепенно улучшается, и все больше людей оплачивают свои счета. Например, количество заявок на регистрацию в области Феникс за первую половину 2014 года снизилось на 54 процента по сравнению с тем же периодом 2013 года, при этом аналогичная тенденция прослеживается по всему штату и стране.

Но это не значит, что у всех хорошее финансовое положение. Многие обремененные долгами люди не заявляют о банкротстве, потому что не могут позволить себе оплатить судебные издержки и судебные издержки.Вот некоторые индикаторы финансового стресса, предоставленные Credit.com, которые могут указывать на то, что вы можете балансировать на грани.

— Вам уже не хватает платежей. Это самый простой знак. Если вы не можете оплатить счета в срок, это может означать, что ваш долг стал чрезмерным. Это особенно беспокоит, если вы не можете вовремя выполнить основные обязательства, такие как платеж по ипотеке или автокредиту. (Аризона занимает второе место по ставке авторепо, уступая только Неваде, сообщает кредитное бюро Experian.Счета по кредитным картам — еще одна лакмусовая бумажка. Если вы не можете справиться даже с минимальными ежемесячными платежами, будьте осторожны.

— Вы не можете претендовать на управление долгом. Некоторые потребители обращаются за помощью, записавшись в план кредитного консультирования или управления долгом, когда компания или некоммерческая группа работает от вашего имени, чтобы определить приоритетность счетов, упорядоченно оплачивать их и связаться с кредиторами для получения какой-либо помощи. Но для участия в этих программах вам нужны активы или, особенно, доход. Если у вас их нет, вы не сможете записаться.Если вам нужна кредитная помощь, рассмотрите направление от Национального фонда кредитного консультирования на nfcc.org.

— Вы исчерпали свой собственный капитал. Ссуду под залог жилья можно использовать для погашения других видов долгов, таких как остатки по кредитной карте, которые имеют более высокие процентные ставки. «Уловка состоит в том, чтобы погасить кредитные карты и не использовать их снова», — сказал Credit.com. Если вы не прояснили другие свои долговые проблемы после выбора опции домашнего капитала, вы можете оказаться в еще худшей форме.С другой стороны, ссуда под залог жилья не подходит даже для каждого третьего домохозяйства, которое не владеет жилищем — или для других с отрицательным капиталом.

— Вам звонят сборщики долгов. Другой красный флаг связан с письмами с угрозами или требованиями телефонных звонков от сборщиков долгов. «Обычно это происходит, когда ваши долги просрочены на 30–90 дней», — сказал Credit.com. «Вы также можете получать уведомления о том, что в вашем кредитном отчете была указана просроченная учетная запись, она была передана в инкассо или списана как не подлежащая взысканию.«Недавнее исследование Urban InstituteCQ показало, что почти 39 процентов жителей Аризоны имеют задолженность по взысканиям, что почти на четыре процентных пункта выше среднего по США.

— Вы исчерпали свои кредитные карты. Credit.com называет это ключевым моментом банкротства . Как только вы наберете максимально допустимый остаток на своих кредитных картах, вы в конечном итоге столкнетесь с препятствием, не имея возможности увеличить эти максимумы и получить одобрение для других типов ссуд. Еще один плохой признак — полагаться на кредитные карты для покрытия основные расходы, такие как продукты или бензин, потому что источник дохода недоступен.

— Вы обратились в кредиты с высокими затратами. Достаточно плохо использовать кредитные карты для заполнения краткосрочных пробелов в финансировании, но обращение к ссудам до зарплаты или ссуде на право собственности на автомобиль может быть хуже. «Многие из этих ссуд имеют непомерные процентные ставки, и они часто могут ввергнуть вас в цикл задолженности, когда вы перекладываете одну ссуду на другую, — сказал Credit.com. «В этих условиях банкротство может показаться единственным выходом».

— Вы не можете оправиться от серьезной финансовой неудачи. Многие американцы не имеют запаса наличных на случай непредвиденных обстоятельств — примерно двое из пяти американцев не смогли наскрести даже 2000 долларов за месяц, согласно исследованию FINRA, регулирующего органа финансовой отрасли. Вот почему большой невыплаченный счет за лечение, развод, потеря работы или другие финансовые потрясения могут подтолкнуть людей к банкротству. Лучше планировать заранее, прежде чем случится бедствие.

(PDF) КЛЮЧЕВЫЕ ФИНАНСОВЫЕ ПОКАЗАТЕЛИ ДЛЯ ОЦЕНКИ РИСКА БАНКРОТСТВА НА ОСНОВЕ ВЫБРАННЫХ ОБЩЕСТВЕННЫХ ТОРГОВЛЕЙ КОМПАНИИ

Основная цель исследования данной статьи — изучить прогнозное значение финансовых показателей

, таких как: коэффициент текущей ликвидности, коэффициент быстрой ликвидности , коэффициент долга, дебиторская задолженность

, период взыскания, товарооборот, EBIT и величина выручки от продаж для

расследование риска банкротства заемщика.Основная гипотеза исследования: ключевые финансовые коэффициенты

имеют очень высокую прогностическую ценность при изучении риска банкротства

компаний, котирующихся на фондовой бирже. Проверка вышеприведенной исследовательской гипотезы

является основной целью данной статьи.

2. Банкротство в экономическом и правовом аспекте

В литературе банкротство определяется как последний этап жизни компании в связи с ее несостоятельностью

.[12] С точки зрения экономики основанием для банкротства является несостоятельность

компании и ее неспособность продолжать деятельность самостоятельно без получения

внешней поддержки. Такая помощь может принимать форму погашения части долга

, продления срока погашения обязательств, подписания благоприятного соглашения

, касающегося реструктуризации долга, государственной помощи, рекапитализации и приобретения предприятия

другим лицом [13].В отличие от экономического банкротства, банкротство в правовом аспекте

определяется в судебном порядке. Он определяется как особый вид принуждения к удовлетворению требований

, который допустим в случае неплатежеспособности должника и адресован

всему его имуществу. Следовательно, понятие банкротства с юридической точки зрения следует отождествлять с судебным разбирательством, которое включает определенные процедуры, такие как подача заявления о банкротстве

хозяйствующего субъекта и проведение процедуры банкротства

[11].

В литературе чаще всего используются четыре термина для определения банкротства: банкротство,

несостоятельность, прекращение выплаты обязательств и банкротство [1] Банкротство не является внезапным процессом

и развивается в течение нескольких лет, поэтому процесс

предсказуемо. Таким образом, чем раньше будут обнаружены сигналы предварительного предупреждения, тем выше шансы руководства на противодействие кризису на последующих этапах [9]:

• Первая фаза — «кризисный инкубатор» — эта фаза незаметна для

руководителей компании.На этом этапе возникают первые финансовые трудности.

• Второй этап — «финансовое затруднение» — на этом этапе руководство компании

признает проблемы, связанные с финансовым состоянием компании

, но из-за ограниченной способности немедленного реагирования на потребности

денежных средств , он не может принять решительные корректирующие меры. Если ликвидности

активов недостаточно для выполнения текущих обязательств, эта фаза

может быстро превратиться в третью фазу кризиса.

• Третья фаза — «финансовая несостоятельность» — эта фаза развивается с увеличением текущих обязательств

и уменьшением ликвидности активов, и, как следствие

, снижается способность производить текущие выплаты банковских займов и

торговых кредитов . Предприятия, которые находятся в этой фазе кризиса, все еще имеют шанс

преодолеть его, но для достижения успеха требуются решительные усилия со стороны

правления компании; в противном случае компания входит в четвертую фазу

кризиса.

• Четвертая фаза — это «полная неплатежеспособность» — эта фаза происходит, когда стоимость

общих обязательств

превышает общую сумму активов. Компания в такой ситуации

не способна избежать банкротства.

Финансовые показатели и показатели корпоративного управления в прогнозировании банкротства: комплексное исследование

Автор

Включено в список:
  • Лян, Дерон
  • Лу, Чиа-Чи
  • Цай, Чих-Фонг
  • Ши, Гуань-Ань

Реферат

Эффективное прогнозирование банкротства имеет решающее значение для финансовых учреждений при принятии соответствующих решений о кредитовании.В общем, входные переменные (или характеристики), такие как финансовые коэффициенты, и методы прогнозирования, такие как статистические методы и методы машинного обучения, являются двумя наиболее важными факторами, влияющими на производительность прогнозирования. В то время как во многих связанных работах предлагались новые методы прогнозирования, очень немногие анализировали дискриминационную силу функций, связанных с прогнозированием банкротства. В литературе, помимо финансовых коэффициентов (FR), показатели корпоративного управления (CGI) были признаны еще одним важным типом входных переменных.Однако эффективность прогнозирования, полученная путем комбинирования CGI и FR, не была полностью исследована. В связанных исследованиях использовались только некоторые выбранные CGI и FR, и выбранные функции могут отличаться от исследования к исследованию. Таким образом, цель данной статьи — оценить эффективность прогнозирования, полученную путем комбинирования семи различных категорий FR и пяти различных категорий CGI. Результаты экспериментов, основанные на реальном наборе данных из Тайваня, показывают, что категории платежеспособности и прибыльности FR, а также категории CGI структуры совета директоров и структуры собственности являются наиболее важными характеристиками при прогнозировании банкротства.В частности, наилучшая производительность модели прогнозирования достигается при сочетании точности прогнозирования, ошибок типа I / II, кривой ROC и стоимости ошибочной классификации. Однако эти результаты могут быть неприменимы на некоторых рынках, где определение проблемных компаний неясно, а характеристики показателей корпоративного управления не очевидны, например, на китайском рынке.

Предлагаемое цитирование

  • Лян, Дерон и Лу, Чиа-Чи и Цай, Чи-Фонг и Ши, Гуань-Ань, 2016.« Финансовые коэффициенты и показатели корпоративного управления в прогнозировании банкротства: всестороннее исследование », Европейский журнал операционных исследований, Elsevier, vol. 252 (2), страницы 561-572.
  • Обозначение: RePEc: eee: ejores: v: 252: y: 2016: i: 2: p: 561-572
    DOI: 10.1016 / j.ejor.2016.01.012

    Скачать полный текст от издателя

    Поскольку доступ к этому документу ограничен, вы можете поискать его другую версию.

    Список литературы в IDEAS

    1. Рави Кумар, П.И Рави, В., 2007. « Предсказание банкротства в банках и фирмах с помощью статистических и интеллектуальных методов — обзор », Европейский журнал операционных исследований, Elsevier, vol. 180 (1), страницы 1-28, июль.
    2. repec: hrv: faseco: 30747162 не указан в IDEAS
    3. Беркман, Хенк и Коул, Ребел А. и Фу, Лоуренс Дж., 2009. « Экспроприация через гарантии по займам связанным сторонам: данные из Китая ,» Журнал банковского дела и финансов, Elsevier, vol.33 (1), страницы 141-156, январь.
    4. Олбринг, Сьюзан и Робинсон, Далия и Робинсон, Майкл, 2014 г. « Аудиторский комитет по финансовой экспертизе, корпоративному управлению и добровольному переходу от налоговых услуг, предоставляемых аудиторами, на неаудиторские услуги », Достижения в бухгалтерском учете, Elsevier, т. 30 (1), страницы 81-94.
    5. Лян, Ци и Сюй, Писун и Джирапорн, Порнзит, 2013. «Характеристики платы и производительность китайского банка », Журнал банковского дела и финансов, Elsevier, vol.37 (8), страницы 2953-2968.
    6. Бивер, Wh, 1966. « Финансовые показатели как предикторы неудач », Журнал бухгалтерских исследований, Wiley Blackwell, vol. 4, страницы 71-111.
    7. Йе, Инь-Хуа и Воидтке, Трейси, 2005. « Обязательства или закрепление ?: Контролирующие акционеры и состав совета директоров », Журнал банковского дела и финансов, Elsevier, vol. 29 (7), страницы 1857-1885, июль.
    8. Эдвард И. Альтман, 1968 г. « Финансовые показатели, дискриминантный анализ и прогноз корпоративного банкротства », Журнал финансов, Американская финансовая ассоциация, т.23 (4), страницы 589-609, сентябрь.
    9. Рафаэль Ла Порта и Флоренсио Лопес-де-Силанес и Андрей Шлейфер, 1999. « Корпоративная собственность во всем мире », Журнал финансов, Американская финансовая ассоциация, т. 54 (2), страницы 471-517, апрель.
    10. Олсон, Джа, 1980. « Финансовые показатели и вероятностное прогнозирование банкротства », Журнал бухгалтерских исследований, Wiley Blackwell, vol. 18 (1), страницы 109-131.
    11. Cheung, Yan-Leung & Chung, Cheong-Wing & Tan, Weiqiang & Wang, Wenming, 2013 г.« Объединенный совет директоров: благословение или проклятие? », Журнал банковского дела и финансов, Elsevier, vol. 37 (8), страницы 3227-3242.
    12. Цун-Сиу Ли и Инь-Хуа Йе, 2004 г. « Корпоративное управление и финансовые затруднения: свидетельства из Тайваня », Корпоративное управление: международный обзор, Wiley Blackwell, т. 12 (3), страницы 378-388, июль.
    Полные ссылки (включая те, которые не соответствуют элементам в IDEAS)

    Самые популярные товары

    Это элементы, которые чаще всего цитируют те же работы, что и эта, и цитируются в тех же работах, что и эта.
    1. Лян, Дерон и Цай, Чих-Фонг и Лу, Хун-Юань (Ричард) и Чанг, Ли-Шин, 2020. « Сочетание показателей корпоративного управления со стекированными ансамблями для прогнозирования финансового кризиса », Журнал бизнес-исследований, Elsevier, vol. 120 (C), страницы 137-146.
    2. Polsiri, Piruna & Jiraporn, Pornsit, 2012. « Политические связи, структура собственности и банкротство финансового учреждения ,» Журнал международного финансового менеджмента, Elsevier, vol.22 (1), страницы 39-53.
    3. Лу, Ян-Ченг и Шэнь, Чунг-Хуа и Вэй, Ю-Чен, 2013 г. « Пересмотр сигналов раннего предупреждения корпоративного кредитного дефолта с использованием лингвистического анализа ,» Финансовый журнал Тихоокеанского бассейна, Elsevier, vol. 24 (C), страницы 1-21.
    4. Ле, Хонг Хан и Вивиани, Жан-Лоран, 2018. « Прогнозирование банкротства банка: улучшение за счет применения подхода машинного обучения к классическим финансовым коэффициентам », Исследования в области международного бизнеса и финансов, Elsevier, vol.44 (C), страницы 16-25.
    5. Ахсан Хабиб и Мабель Д’Коста и Хеди Цзяин Хуанг и Мэри Борхан Уддин Бхуян и Ли Сун, 2020. « Детерминанты и последствия финансового кризиса: обзор эмпирической литературы ,» Бухгалтерский учет и финансы, Ассоциация бухгалтерского учета и финансов Австралии и Новой Зеландии, т. 60 (S1), страницы 1023-1075, апрель.
    6. Mousavi, Mohammad M. & Ouenniche, Jamal & Xu, Bing, 2015. « Оценка эффективности моделей прогнозирования банкротства: ориентированная на сверхэффективность основанная на DEA структура », Международный обзор финансового анализа, Elsevier, vol.42 (C), страницы 64-75.
    7. Кумар, Рахул и Деб, Сумья Гуха и Мукерджи, Шубхадип, 2020. « Раскрывают ли слова скрытую правду? Выявление коммуникативных моделей корпоративных неудачников », Журнал поведенческих и экспериментальных финансов, Elsevier, vol. 26 (С).
    8. Амин Джан и Маран Маримуту и ​​Мухаммад Кашиф Шад и Хасиб ур-Рехман и Мухаммад Захид и Ахмад Али Янв, 2019. « Профиль банкротства исламских и традиционных банков в Малайзии: анализ посткризисного периода », Экономические изменения и реструктуризация, Springer, т.52 (1), страницы 67-87, февраль.
    9. Баумель, Эдуард и Ивасаки, Ичиро и Коченда, Эвжен, 2020. « Выживание фирм в новых странах-членах ЕС », Экономические системы, Elsevier, vol. 44 (1).
      • Баумель, Эдуард и Ивасаки, Ичиро и Коченда, Эвжен, 2017. « Выживание фирм в новых странах-членах ЕС », Серия рабочих документов CEI 2017-5, Центр экономических институтов, Институт экономических исследований, Университет Хитоцубаши.
      • Эдуард Баумоль, Ичиро Ивасаки и Евзен Коценда, 2019.« Выживание фирм в новых странах-членах ЕС », Рабочие и дискуссионные документы WP 4/2019, Департамент исследований, Национальный банк Словакии.
    10. Тамара Айес, Армандо Ленин и Виллегас, Гладис Сесилия и Леонес Кастро, Мария Кристина и Салазар Боканегра, Хуан Антонио, 2018. « Modelaci — n del riesgo de insolvencia en empresas del сектор salud empleando modelos logit || Моделирование риска неплатежеспособности в компаниях сектора здравоохранения с использованием логит-моделей ,» Revista de Métodos Cuantitativos para la Economía y la Empresa = Журнал количественных методов экономики и делового администрирования, Университет Пабло де Олавиде, Департамент количественных методов экономики и делового администрирования, том.26 (1), страницы 128–145, Diciembre.
    11. Браво-Уркиса, Франсиско и Морено-Уреба, Елена, 2021 г. « Помогает ли соблюдение кодексов корпоративного управления смягчить финансовые трудности? », Исследования в области международного бизнеса и финансов, Elsevier, vol. 55 (С).
    12. Су Ён Ким, 2018. « Прогнозирование финансовых затруднений в сфере гостеприимства с помощью ансамблевых моделей: на примере американских отелей, ресторанов, развлечений и отдыха », Сервисный бизнес, Springer; Пан-Тихоокеанская бизнес-ассоциация, т.12 (3), страницы 483-503, сентябрь.
    13. Оливер Лукасон и Арт Андрессон, 2019. « Налоговая задолженность по сравнению с финансовыми показателями при прогнозировании банкротства «, Журнал рисков и финансового менеджмента, MDPI, Open Access Journal, vol. 12 (4), страницы 1-13, декабрь.
    14. Лу, Ян-Ченг и Вэй, Ю-Чен и Чанг, Цанг-Яо, 2015. « Влияние и применимость сообщений финансовых СМИ о корпоративных рейтингах дефолта », Международное обозрение экономики и финансов, Elsevier, vol.36 (C), страницы 69-87.
    15. Карло Казерио, Делио Панаро и Сара Трукко, 2014 г. « Статистический анализ достоверности заключений аудиторов как предикторов банкротства ,» Документы для обсуждения 2014/174, Dipartimento di Economia e Management (DEM), Пизанский университет, Пиза, Италия.
    16. Коэн В. де Бок, 2017. « Лучшее из двух миров: баланс силы модели и понятности при прогнозировании бизнес-неудач с использованием ансамблей сплайн-правил », Пост-печать хал-01588059, HAL.
    17. Ходжа, Лайла и Чипулу, Максвелл и Джаясекера, Ранадева, 2019. « Анализ финансового кризиса в разных странах: использование макроэкономических, промышленных показателей и данных бухгалтерского учета ,» Международный обзор финансового анализа, Elsevier, vol. 66 (С).
    18. Дагмар Чамска и Иржи Клецка, 2020. « Сравнение моделей прогнозирования, применяемых в период экономического спада и роста », Журнал рисков и финансового менеджмента, MDPI, Open Access Journal, vol.13 (3), страницы 1-16, март.
    19. Манзанеке, Монтсеррат и Приего, Альба Мария и Мерино, Елена, 2016. « Влияние корпоративного управления на вероятность финансового кризиса: данные из Испании », Revista de Contabilidad — Испанский обзор бухгалтерского учета, Elsevier, vol. 19 (1), страницы 111-121.
    20. Чих ‐ Чун Чен и Чун ‐ Да Чен и Дональд Лиен, 2020 г. « Модель прогнозирования финансового кризиса: влияние индикаторов корпоративного управления », Журнал прогнозирования, John Wiley & Sons, Ltd., т. 39 (8), страницы 1238-1252, декабрь.

    Исправления

    Все материалы на этом сайте предоставлены соответствующими издателями и авторами. Вы можете помочь исправить ошибки и упущения. При запросе исправления укажите идентификатор этого элемента: RePEc: eee: ejores: v: 252: y: 2016: i: 2: p: 561-572 . См. Общую информацию о том, как исправить материал в RePEc.

    По техническим вопросам, касающимся этого элемента, или для исправления его авторов, заголовка, аннотации, библиографической информации или информации для загрузки, обращайтесь:.Общие контактные данные провайдера: http://www.elsevier.com/locate/eor .

    Если вы создали этот элемент и еще не зарегистрированы в RePEc, мы рекомендуем вам сделать это здесь. Это позволяет связать ваш профиль с этим элементом. Это также позволяет вам принимать потенциальные ссылки на этот элемент, в отношении которых мы не уверены.

    Если CitEc распознал библиографическую ссылку, но не связал с ней элемент в RePEc, вы можете помочь с этой формой .

    Если вам известно об отсутствующих элементах, цитирующих этот элемент, вы можете помочь нам создать эти ссылки, добавив соответствующие ссылки таким же образом, как указано выше, для каждого элемента ссылки. Если вы являетесь зарегистрированным автором этого элемента, вы также можете проверить вкладку «Цитаты» в своем профиле RePEc Author Service, поскольку там могут быть некоторые цитаты, ожидающие подтверждения.

    По техническим вопросам, касающимся этого элемента, или для исправления его авторов, названия, аннотации, библиографической информации или информации для загрузки, обращайтесь: Кэтрин Лю (адрес электронной почты указан ниже).Общие контактные данные провайдера: http://www.elsevier.com/locate/eor .

    Обратите внимание, что исправления могут занять пару недель, чтобы отфильтровать различные сервисы RePEc.

    8 индикаторов Банкротство — это правильно

    8 индикаторов банкротства — это правильно (и как уменьшить стресс!)

    Часто бывает трудно понять, подходит ли вам банкротство. Если у вас есть один или несколько из этих индикаторов, вы должны немедленно позвонить нам по телефону (480) 422-1850, чтобы назначить бесплатную консультацию лично или по телефону.

    1. Живое от зарплаты до зарплаты

    Если у вас заканчиваются деньги до следующей зарплаты, это может означать, что вы обслуживаете слишком большую сумму долга. Если бы вы могли избавиться от своих кредитных карт, машины или даже дома, вы могли бы начать откладывать деньги в сбережения и уменьшить свой стресс.

    2. Занять у Петра, чтобы заплатить Павлу?

    Это один из важнейших индикаторов того, что может потребоваться банкротство. ЕСЛИ вы постоянно перемещаете деньги, чтобы заплатить тому или иному кредитору, вам обязательно нужно поговорить с адвокатом по банкротству, чтобы вы могли остановить карусель долгов и постоянно беспокоиться об этом.

    3. Чем бы вы ни занимались, ваш долг не уменьшается

    Вы добросовестно выплачиваете свой долг в течение многих лет, и кажется, что вы не можете его наверстать. Кажется, что ваш общий долг вообще не уменьшается. Вы всегда вносите минимальный платеж и платите только проценты по кредитной карте. Если это звучит знакомо, банкротство поможет вам.

    4. Постоянные телефонные звонки с угрозами из банков, имеющих задолженность
    .

    Когда вам звонят несколько раз в день, трудно избавиться от стресса, вызванного долгами.Если вы еще не сделали этого, вы всегда можете заблокировать эти звонки. Нет необходимости разговаривать с этими людьми, чтобы усилить стресс, однако, возможно, пришло время поговорить с адвокатом по банкротству.

    5. Максимальное количество кредитов по кредитным картам

    Это связано с номерами 2 и 3 выше. Если вы не можете продвинуться по своим кредитным картам, это означает, что у вас возникли проблемы с их оплатой. Эти вещи имеют огромные процентные ставки, поэтому снижение их ставок кажется невозможным.

    6. Использование пенсионных денег для выплат (Немедленно прекратите это и обратитесь к юристу!)

    Если вы получали пенсионные ссуды или просто вытаскивали деньги из своих 401K для погашения долга, то вам определенно нужно поговорить с нами.Вы берете то, что называется освобожденным от налогообложения активом, что означает, что ваши кредиторы не могут воспользоваться им, и отдаете деньги вашим кредиторам. НЕ делайте этого, вы можете стать причиной налоговых обязательств и прочего. Пожалуйста, позвоните и поговорите с нами или другим квалифицированным юристом по банкротству, прежде чем вы это сделаете.

    7. Ваш дом под водой

    Это было гораздо более распространенным явлением несколько лет назад во время экономического спада. Тем не менее, некоторые дома все еще находятся под водой и не получили того признания, которое другие получили за последние 3–4 года.Если это похоже на вас, отказ от дома может быть вашим лучшим способом избавиться от этого серьезного беспокойства.

    8. У вас ужасный кредитный рейтинг

    Хотите верьте, хотите нет, банкротство может улучшить ваш кредитный рейтинг. ЕСЛИ вы хотите узнать о самых быстрых методах восстановления своего кредита, нажмите здесь!

    Итак, что вам нужно сделать, это перестать беспокоиться о своих финансах, позвоните нам, и мы позаботимся о вас! Все еще хотите узнать больше? Отправьте нам свой адрес электронной почты, и мы отправим вам мою бесплатную электронную книгу!

    ЕСЛИ вы хотите узнать, как быстро избавиться от долга, нажмите здесь.

    .

    Добавить комментарий

    Ваш адрес email не будет опубликован. Обязательные поля помечены *