Научный журнал
Вестник Алтайской академии экономики и права
Print ISSN 1818-4057
Online ISSN 2226-3977
Перечень ВАК

СНИЖЕНИЕ РИСКА БАНКРОТСТВА НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ МОДЕЛЕЙ ОЦЕНКИ ВЕРОЯТНОСТИ БАНКРОТСТВА ПРЕДПРИЯТИЙ В РОССИЙСКОЙ ЭКОНОМИКЕ

Лямкин И.И. 1 Шершнева О.И. 1
1 Кемеровский институт (филиал) ФГБОУ ВО «РЭУ им. Г.В. Плеханова»
В данной статье рассматриваются особенности оценки вероятности банкротства российских компаний с целью оптимизации их функционирования и снижения риска банкротства. Для этого используются модели, построенные на основе мультипликативного дискриминантного анализа и модели, базирующиеся на регрессионном логистическом анализе (logit-модели). Приведены альтернативные результаты расчетов вероятности банкротства с применением пятифакторной модели Э. Альтмана, моделей Р. Таффлера, Д. Фулмера, Зайцевой О.П., Савицкой Г.В., Дж. Ольсона, Хайдаршиной Г.А. Показано, что используемые модели дают неоднозначный результат. В связи с этим сделан вывод о необходимости осуществления мероприятий по повышению эффективности функционирования предприятия. Повторный расчет вероятности банкротства с учетом выполнения предлагаемых мероприятий показал положительный результат (низкую вероятность банкротства) для всех применяемых моделей. На основе проведенного исследования предложен алгоритм действий с целью недопущения банкротства компании, включающий мониторинг функционирования предприятия на предмет возможных рисков банкротства с использованием моделей оценки вероятности банкротства, построенных на основе как мультипликативного дискриминантного анализа, так и регрессионного логистического анализа, выявление проблемных зон, разработку и осуществление необходимых мероприятий.
банкротство
риски
управленческое решение
экономические модели
1. Статистический бюллетень ЕФРСБ. 31 декабря 2018 г. [Электронный ресурс]. Режим доступа: Ошибка! Недопустимый объект гиперссылки. (дата обращения: 24.05.2019).
2. Altman Е. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // Journal of Finance. 1968. Vol. 23, № 4, (September 1968). Р. 589–609.
3. Taffler R..J Forecasting company failure in the UK using discriminant analysis and financial ratio data // Journal of the Royal Statistical Society: Series A (General). № 145 (3). 1982. P. 342–358.
4. Fulmer John G. et al.: A Bankruptcy Classification Model For Small Firms // Journal of Commercial Bank Lending, 1984. P. 25–37.
5. Зайцева О.П. Антикризисный менеджмент в российской фирме // Аваль. (Сибирская финансовая школа), 1998.
6. Савицкая Г.В. Экономический анализ: учебник. 14-е изд., испр. и доп. М.: ИНФРА-М, 2011.
7. Ohlson J.A. Financial Ratios and the Probabilistic Prediction of Bankruptcy // Journal of Accounting Research, 1980. № 18. P. 109–-131.
8. Хайдаршина Г.А. Методы оценки риска банкротства предприятия: автореферат дис. ... канд. экон. наук. М., 2009.

Введение

Согласно сведениям, представленным Федресурсом, начиная с 2014 г., примерно 13 тыс. российских компаний ежегодно признается банкротами [1, с. 5]. При этом по результатам проведения процедур банкротства удовлетворяются только 5–6 % требований кредиторов, включенных в реестр требований кредиторов [1, с. 14]. Поэтому представляется важной ранняя диагностика вероятности наступления банкротства, которая была бы доступна руководителям компаний и их контрагентам.

Цель исследования

Основная цель нашего исследования – провести оценку вероятности банкротства на примере конкретного предприятия, по результатам которой разработать алгоритм действий по снижению риска банкротства.

Материал и методы исследования

В настоящее время не только в России, но и в мире отсутствуют общепринятые методики оценки вероятности банкротств. Поэтому в целях получения более достоверных результатов мы использовали следующие наиболее известные российские и зарубежные модели:

1. Модели, построенные на основе мультипликативного дискриминантного анализа (Multiple-discriminant analysis – MDA).

1.1. Пятифакторная модель Альтмана [2].

Алгоритм расчета:

Z = 0,717х1 + 0,847х2 + 3,107х3 + + 0,42х4 + 0,995х5,

где х1 – доля собственных оборотных средств в активах; х2 – рентабельность активов; х3 – рентабельность активов по прибыли до налогообложения; х4 – коэффициент финансирования; х5 – отношение выручки к активам.

Критерии оценки вероятности банкротства: Z < 1,23 (высокая), Z = 1,23–2,89 (неопределенная), Z > 2,89 (низкая).

1.2. Модель Р. Таффлера [3].

Алгоритм расчета:

Z = 0,53х1 + 0,13х2 + 0,18х3 + 0,16х4,

где х1 – соотношение прибыли от продажи и краткосрочных обязательств; х2 – соотношение оборотных активов к заемному капиталу; х3 – удельный вес краткосрочных обязательств в активах; х4 – оборачиваемость активов.

Критерии оценки вероятности банкротства: Z < 0,2 (высокая), Z = 0,2–0,3 (неопределенная), Z > 0,3 (низкая).

1.3. Модель Д. Фулмера [4].

Алгоритм расчета:

Z = 5,528х1 + 0,212х2 + 0,073х3 + 1,27х4 + + 0,12х5 + 2,235х6 + 0,575х7 + 1,083х8 + + 0,984х9 – 3,075,

где х1 – коэффициент соотношения нераспределенной прибыли прошлых лет к итогу баланса отчетного года; х2 – оборачиваемость активов; х3 – коэффициент соотношения прибыли до налогообложения и уплаты процентов к собственному капиталу; х4 – коэффициент соотношения денежных средств к сумме краткосрочных и долгосрочных обязательств; х5 – коэффициент соотношения долгосрочных обязательств к имуществу; х6 – коэффициент соотношения краткосрочных обязательств к имуществу; х7 – значение десятичного логарифма суммы материальных активов; х8 – коэффициент соотношения оборотного капитала к обязательствам; х9 – значение десятичного логарифма общей суммы прибыли до налогообложения и процентов к уплате к сумме процентов к уплате.

Критерии оценки вероятности банкротства: Z < 0 (высокая), Z > 0 (низкая).

1.4. Модель Зайцевой О.П. [5].

Алгоритм расчета:

Kфакт = 0,25х1 + 0,1х2 + 0,2х3 + 0,25х4 + + 0,1х5 + 0,1х6;

Kнорм = 1,57 + 0,1х6 прошлого года,

где х1 – коэффициент убыточности (отношение прибыли (убытка) до налогообложения к собственному капиталу); х2 – соотношение кредиторской и дебиторской задолженностей; х3 – соотношение краткосрочных обязательств с наиболее ликвидными активами; х4 – доля прибыли до налогообложения в выручке; х5 – коэффициент капитализации (финансовый леверидж); х6 – соотношение активов и выручки.

Критерии оценки вероятности банкротства:

Kфакт < Kнорм (низкая), Kфакт > Kнорм (высокая).

1.5. Модель Савицкой Г.В. [6].

Алгоритм расчета:

Z = 0,111х1 + 13,23х2 + 1,67х3 + + 0,515х4 + 3,8х5,

где х1 – соотношение собственного капитала с оборотными активами; х2 – доля оборотного капитала в общем капитале; х3 – оборачиваемость совокупного капитала; х4 – рентабельность активов; х5 – коэффициент автономии.

Критерии оценки вероятности банкротства:

Z > 8 – риск банкротства отсутствует, 5 < Z < 8 – риск банкротства небольшой, 3 < Z <5 – риск банкротства средний, 1 < Z < 3 – большой риск банкротства, Z < 1 – максимальный риск банкротства.

2. Модели, построенные на основе регрессионного логистического анализа (logit-модели).

2.1. Модель Дж. Ольсона [7].

Алгоритм расчета:

lyamkin01.wmf

где P – вероятность банкротства (принимает значения от 0 до 1);

Y = 1,32 + 0,407х1 + 6,03х2 + 1,43х3 – – 0,0757х4 + 2,37х5 + 1,83х6 – 0,258х7 + + 1,72х8 + 0,521х9,

где х1 – натуральный логарифм отношения активов к индексу-дефлятору ВВП в стране; х2 – доля заемного капитала в активах; х3 – доля собственных оборотных средств в активах; х4 – соотношение краткосрочных обязательств и оборотных активов; х5 – рентабельность активов; х6 – отношение чистой прибыли и амортизации к заемному капиталу; х7 – фиктивная переменная (1, если чистый убыток; 0, если чистая прибыль); х8 – фиктивная переменная –1, если заемный капитал превышает активы; 0, если нет; х9 – коэффициент роста чистой прибыли.

2.2. Модель Хайдаршиной (для промышленности) [8].

Алгоритм расчета:

lyamkin02.wmf

где P – вероятность банкротства (принимает значения от 0 до 1);

Y = 10,2137 + 0,0303х1 + 6,7543х2 – – 3,7039х3 – 1,5985х4 – 0,564х5 – – 0,1254х6 – 1,3698х7 – 6,3609х8 – – 0,2833х9 + 2,5966х10 – 7,3087х11,

где х1 – «возрастная характеристика» организации (0 – если предприятие создано более 10 лет назад, 1 – если менее 10 лет); х2 – фактор «кредитной истории» организации (0 – если положительная «история», 1 – если отрицательная); х3 – коэффициент текущей ликвидности; х4 – соотношение прибыли до уплаты процентов и налогов с уплаченными процентами; х5 – натуральный логарифм собственного капитала; х6 – ставка рефинансирования ЦБ; х7 – региональная принадлежность предприятия: 0 – Москва, Санкт-Петербург; 1 – другие регионы; х8 – рентабельность активов; х9 – рентабельность собственного капитала; х10 – темп роста активов; х11 – темп роста собственного капитала.

Результаты исследования и их обсуждение

Результаты применения вышеуказанных моделей за три года до банкротства предприятия представлены в табл. 1.

Таблица 1

Результаты оценки вероятности банкротства

Модели оценки вероятности банкротства

Вероятность банкротства

3 года назад

2 года назад

1 год назад

Пятифакторная модель Э. Альтмана

Z = 1,824

Z = 2,107

Z = 1,648

Вероятность банкротства неопределенная

Модель Р. Таффлера

Z = 0,270

Z = 0,350

Z = 0,330

неопределенная

низкая

Модель Д. Фулмера

Z = 5,625

Z = 6,803

Z = 6,203

Вероятность банкротства низкая

Модель Зайцевой О.П.

Kфакт = 3,357

Kнорм = 2,990

Kфакт = 3,663

Kнорм = 2,457

Kфакт = 3,432

Kнорм = 2,701

Вероятность банкротства высокая

Модель Савицкой Г.В.

Z = 5,659

Z = 8,453

Z = 9,454

Риск небольшой

Риск банкротства отсутствует

Модель Дж. Ольсона

P = 0,001

P = 0,001

P = 0,001

Вероятность банкротства низкая

Модель Хайдаршиной Г.А.

P = 0,001

P = 0,001

P = 0,001

Вероятность банкротства низкая

 

Как видно из таблицы, полученные результаты дают противоречивую оценку вероятности наступления банкротства. Большинство моделей (модель Р. Таффлера, модель Д. Фулмера, модель Савицкой Г.В., модель Дж. Ольсона, модель Хайдаршиной Г.А.) дает низкую оценку вероятности банкротства. Пятифакторная модель Э. Альтмана дает неопределенный результат, а модель Зайцевой О.П. свидетельствует о высоком риске банкротства.

Кроме абсолютных значений показателей риска важна, на наш взгляд, и их динамика. Полученные результаты показывают, что динамика показателей у моделей, построенных на основе регрессионного логистического анализа, стабильна. Модели мультипликативного дискриминантного анализа, кроме модели Савицкой Г.В., за последний год демонстрируют отрицательную динамику, характеризующую повышение вероятности банкротства.

Учитывая вышеизложенное, полагаем, что нельзя сделать однозначный вывод о вероятности банкротства. Следуя принципу разумной осторожности следует осуществить мероприятия по повышению эффективности функционирования предприятия.

Наибольшее отрицательное влияние на результат в модели Зайцевой О.П. оказывает коэффициент соотношения краткосрочных обязательств с наиболее ликвидными активами. Поэтому с целью снижения риска банкротства необходимо улучшить работу с дебиторской задолженностью и изменить соотношение между дебиторской задолженностью и денежными средствами в пользу последних.

Взыскание дебиторской задолженности также позволит уменьшить неиспользуемые активы и снизить обязательства предприятия, что увеличит рентабельность активов и коэффициент финансирования. В результате улучшится результат по пятифакторной модели Э. Альтмана.

Результаты применения моделей оценки вероятности банкротства после осуществления вышеуказанных мероприятий представлены в табл. 2.

По данным табл. 2 видим, что предложенные мероприятия позволили обеспечить низкую вероятность банкротства в рамках всех реализованных моделей.

Заключение

Таким образом, в целях снижения вероятности банкротства руководству предприятия целесообразно постоянно проводить мониторинг функционирования предприятия на предмет возможных рисков банкротства, следуя следующему алгоритму:

1. Провести оценку вероятности банкротства предприятия с использованием моделей, построенных на основе как мультипликативного дискриминантного анализа, так и регрессионного логистического анализа.

2. Выявить модели оценки вероятности банкротства предприятия, результат которых свидетельствуют о риске банкротства.

Таблица 2

Результаты оценки вероятности банкротства предприятия после оптимизационных мероприятий

Модели оценки вероятности банкротства

Вероятность банкротства

Пятифакторная модель Э. Альтмана

Z = 2,987

Вероятность банкротства низкая

Модель Р. Таффлера

Z = 0,552

Вероятность банкротства низкая

Модель Д. Фулмера

Z = 7,287

Вероятность банкротства низкая

Модель Зайцевой О.П.

Kфакт = 1,496, Kнорм = 2,701

Вероятность банкротства низкая

Модель Савицкой Г.В.

Z = 8,145

Вероятность банкротства низкая

Модель Дж. Ольсона

P = 0,001

Вероятность банкротства низкая

Модель Хайдаршиной Г.А.

P = 0,001

Вероятность банкротства низкая

 

3. Определить показатели этих моделей, которые оказывают наибольшее отрицательное влияние на результат оценки вероятности банкротства.

4. Рассчитать величины этих показателей, обеспечивающих получение результата с низкой вероятностью банкротства при реализации соответствующей модели.

5. Разработать и осуществить мероприятия по обеспечению соответствующей величины показателей.


Библиографическая ссылка

Лямкин И.И., Шершнева О.И. СНИЖЕНИЕ РИСКА БАНКРОТСТВА НА ОСНОВЕ ИСПОЛЬЗОВАНИЯ МОДЕЛЕЙ ОЦЕНКИ ВЕРОЯТНОСТИ БАНКРОТСТВА ПРЕДПРИЯТИЙ В РОССИЙСКОЙ ЭКОНОМИКЕ // Вестник Алтайской академии экономики и права. – 2019. – № 6-1. – С. 80-84;
URL: https://vaael.ru/ru/article/view?id=595 (дата обращения: 29.03.2024).