WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

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: tanbog@hse.ru.

Ю.А. Алексеева, аспирантка кафедры «Бизнес-аналитика» Национального исследовательского университета «Высшая школа экономики», e-mail: danilova_yuliya@mail.ru.

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

Предлагается комплекс логистических регрессионных моделей прогнозирования вероятно сти банкротства предприятий, учитывающих динамику изменения основных финансовых по казателей, 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, прогно зирование вероятности банкротства, обучающая выборка, контрольная выборка, динамика изменения финансовых показателей.

1. Введение Каждый участник экономического сообщества должен быть уверен в надежности и финансовой роблема оценки финансового состояния состоятельности своих партнеров, в противном предприятий, и в частности, предсказания случае любой имеет возможность использовать П их возможного банкротства была и остает механизм банкротства как средство возврата долга ся актуальной, поскольку в этом заинтересованы и внутренние и внешние контрагенты предприятия. неплатежеспособными партнерами. В связи с этим БИЗНЕС-ИНФОРМАТИКА №1(15)–2011 г.

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ руководители предприятий, менеджеры различных ентов можно выбрать лишь несколько полезных и уровней управления должны уметь своевременно достаточно точно предсказывающих банкротство.

определять неудовлетворительное финансовое со- Однако анализ даже небольшого количества по стояние предприятий-контрагентов на основе ре- казателей требует от аналитика достаточно высо зультатов проведенного финансового анализа, и кой квалификации, т.к. зачастую результаты носят при необходимости воспользоваться своим правом, противоречивый характер. Это послужило толчком в судебном порядке применить процедуры бан- к разработке моделей, которые позволяют прогно кротства к должнику. зировать банкротство предприятий, основываясь на значении одного интегрального показателя, рас Идентификация факторов, приводящих к бан считанного по совокупности нескольких. Наиболее кротству, и своевременное прогнозирование известными является ряд моделей, построенных на банкротства могут позволить руководству пред основе дискриминантного анализа: модель Альтма приятий, испытывающих финансовые трудности, на [2], Р. Тафлера и Г. Тишоу [3], Фулмера, Сприн выявить причины и своевременно принять необ гейта [4], Лиса и др., и модели, использующие для ходимые меры по оздоровлению финансового со оценки вероятности банкротства логистический стояния предприятия.

анализ, это модели Ольсона, Чессера и Гилбрейта.

Эта проблематика занимает умы экономистов- Но всех их объединяет одна общая черта. Предска теоретиков и практиков-аналитиков уже на про зание банкротства предприятия делается на данных тяжении более полувека. Существует большое одного периода времени. Т.е. ни в одной из извест количество как зарубежных, так и отечественных ных моделей не используются данные за ряд вре методик, для оценки и прогнозирования финан менных промежутков, предшествующих наступле сового состояния. Тем не менее, как показывают нию факта банкротства.

исследования, к сожалению, зачастую они дают Тем не менее, с точки зрения здравого смысла противоречивые результаты. Что касается зару представляется целесообразным предположить, бежных методик, то, во-первых, они базируются что банкротство предприятия не является неожи на зарубежной статистике 60-80 годов прошлого данным, за исключением, наверное, тех случаев, столетия, а во-вторых, не учитывают специфику когда оно является преднамеренным. Т.е. факту российских предприятий. Относительно методик, банкротства предприятия должны предшествовать предлагаемых российскими исследователями, дело события, которые могут сигнализировать об ухуд обстоит по-другому. Основной причиной противо шении финансового состояния предприятия, и это речивости результатов является то, что в основ должно найти свое отражение в официальной фи ном они базируются на статистике, собранной по нансовой отчетности и в динамике изменения фи предприятиям розничной торговли, т.е. косвенно нансовых показателей.

учитывают специфику, присущую данной отрасли.

Однако в явном виде отраслевая специфика не учи- Таким образом, проблема состоит в том, чтобы тывается ни одной из известных моделей. Вместе с выявить те финансовые показатели деятельности тем, исследования показывают, что такая специфи- предприятия, изменение которых в динамике будет ка существует [1]. Таким образом, разработка моде- свидетельствовать о том, что финансовое состоя ли для оценки и прогнозирования финансового со- ние предприятия становится неудовлетворитель стояния российских предприятий, является весьма ным, построить модель, учитывающую динамику актуальной. изменения финансовых показателей за несколько лет до банкротства предприятия и оценить времен ные горизонты прогнозирования вероятности бан 2. Постановка проблемы кротства.

Первые попытки анализа деятельности фирм банкротов были предприняты в 30-е годы, в наи 3. Построение статической модели более законченном виде методика и техника про прогнозирования банкротства предприятия гнозирования банкротства представлена в работах Эдварда Альтмана и Уильяма Бивера. Исследова- При построении модели прогнозирования ве ния зарубежных ученых в области предсказания роятности банкротства предприятия, в качестве банкротства предприятий позволяют сделать вывод целевой переменной целесообразно использовать о том, что из множества используемых коэффици- индикатор банкротства, т.е. переменную, прини БИЗНЕС-ИНФОРМАТИКА №1(15)–2011 г.

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ мающую значение 1 в случае официального бан- основных методик прогнозирования вероятности кротства предприятия и 0 – в противном случае. В банкротства.

пользу логистической регрессии говорит возмож Оценка проводилась по следующим семи мето ность моделирования бинарных целевых перемен дикам: пятифакторной модели Альтмана, модели ных, а также ее активное применение в области Таффлера и Тишоу, модели Фулмера для класси прогнозирования банкротства: примером могут фикации банкротств, модели Чессера надзора над служить модель Чессера, а также модель Богдано судами, методики Лиса, методики Спрингейта, вой, обеспечивающая высокую прогнозную точ методики Иркутской государственной экономи ность в предсказании банкротств авиапредприятий ческой академии, методики Р.С. Сайфулина и Г.Г.

[5].

Кадыкова. В табл. 1 приводятся результаты оценки Для исследования были использованы финансо- финансового состояния 1357 предприятий по вы вые данные за период с 2000 по 2009 годы по 1357 шеназванным 7 методикам. Как видно из табл.1, предприятиям, деятельность которых, соглас- предприятия или 7,9% от общего числа официаль но Единому классификатору видов деятельности но считаются имеющими удовлетворительное фи (ЕКВД), относится к обрабатывающему производ- нансовое состояние, а, тем не менее, ни одна из вы ству. Из них 173 предприятия официально были шеназванных методик таковым его не признает. С признаны банкротами в период с 2008 года по 2010 другой стороны, из числа предприятий официаль год, финансовое состояние 1184 предприятий офи- но признанных банкротами в 2008 году 80% были циально считается удовлетворительным. признаны имеющими удовлетворительное финан совое состояние от 1 до 5 методик.

Для построения статической модели прогнози рования банкротства предприятий использовалась обучающая выборка, состоящая из 333 предпри Для построения статической модели прогнозиро ятий, при этом 117 предприятий в 2009 году были вания вероятности банкротства предприятия была официально признаны банкротами, а 216 пред выбрана логистическая регрессия.

приятий имели удовлетворительное финансовое Уравнение прогнозной вероятности банкротства состояние. Эти 216 предприятий, отобранные для предприятия имеет следующий вид:

включения в обучающую выборку из числа предприятий, официально не являющихся банкро тами, были признаны имеющими удовлетворитель ное финансовое состояние как минимум, по 6 из Таблица 1.

Оценка финансового состояния предприятий по 7 основным методикам Предприятие Предприятие Предприятие Предприятие Официальная не признано признано признано признано характеристика удовлетворительным Всего удовлетворительным удовлетворительным удовлетворительным предприятий ни по одной по 1-2 методикам по 3-5 методикам по 6-7 методикам из 7 методик 94 348 526 216 Имеет удовлетворительное финансовое состояние 7,9% 29,4% 44,4% 18,2% 100,0% 7226 0 Стало банкротом в 2008 году 20,0% 62,9% 17,1%,0% 100,0% 13 90 14 0 Стало банкротом в 2009 году 11,1% 76,9% 12,0%,0% 100,0% БИЗНЕС-ИНФОРМАТИКА №1(15)–2011 г.

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ ствует о значительном улучшении качества мо где Pj – вероятность банкротства предприятия j;

дели. Также качество построенной модели было X1, j – общая оборачиваемость активов предпри подтверждено псевдо R2 Нагелькерка, высокой ятия j;

на уровне 1% значимостью критерия хи-квадрат и X2, j – отношение чистой прибыли к активам пред критерием Хосмера и Лемешова.

приятия j;

X3, j – отношение краткосрочных и долгосрочных 4. Выявление основных сценариев заемных средств к активам предприятия j;

развития банкротства предприятий X4, j – отношение долгосрочных обязательств к ак Была выдвинута следующая гипотеза. Процедуре тивам предприятия j;

банкротства предприятий могут предшествовать X5, j – натуральный логарифм выручки предпри разные сценарии развития событий. Эти сценарии, ятия j.

так или иначе, найдут свое отражение в динамике Данная модель была названа статической, т.к. она изменения финансовых показателей, вошедших в не учитывает динамику изменения финансовых по регрессионную статическую модель. Если при по казателей в течение ряда лет.

строении модели, прогнозирующей вероятность Результаты тестирования точности статической банкротства предприятия, учесть сценарии раз модели на обучающей выборке предприятия по вития событий, то такая модель может дать суще казали, что модель правильно спрогнозировала ственно более высокую точность прогнозирования.

из 216 предприятий (94%), имеющих удовлетвори Для выявления возможных сценариев изменения тельное финансовое состояние и 102 из 117 пред финансовых показателей предприятия в динамике, приятий (87%), которые были официально призна закончившихся его банкротством, все предприятия, ны банкротами в 2009 году. Всего были правильно обанкротившиеся в 2009 году, с использованием ме классифицированы 91% предприятий.

тода иерархической кластеризации были разделены Разработанная статическая модель показала до на группы, и для каждой из групп предприятий был статочно высокую прогнозную точность при тести проведен анализ характера изменения финансовых ровании на контрольной выборке. В контрольную показателей за несколько лет до банкротства.

выборку вошло 381 предприятие1 с удовлетво В качестве переменных для разбиения предприя рительным финансовым положением и 56 пред тий на кластеры были взяты вероятности банкрот приятий, ставших банкротами в 2008 и 2010 годах.

ства предприятий за период с 2004 по 2009 годы, Даже за 3 года до расчетного периода модель пра рассчитанные для каждого предприятия-банкрота вильно спрогнозировала свыше 73 % предприятий, по полученной статической модели (1).

ставших банкротами, причем точность прогноза с каждым годом увеличивалась вплоть до 91% в год Для анализа использовалось 3-х кластерное ре банкротства. Даже за 5 лет до начала процедуры шение. В первый кластер вошли 35 предприятий, банкротства модель правильно идентифицировала во второй – 46, в третий – 36 предприятий. По каж свыше 50% предприятий-банкротов. В отношении дому из трех кластеров была рассчитана средняя предприятий с удовлетворительным финансовым вероятность банкротства предприятий. На рис. состоянием модель правильно классифицировала показано изменение средних значений вероятно 296 из 381 предприятия. Таким образом, точность сти банкротства в период с 2000 по 2009 годы для классификации предприятий составила 78%. каждой кластерной группы.

Улучшение качества логистической регрессии Как видно из рис. 1, к кластеру №1 относятся при включении переменных было подтверждено с предприятия, у которых вероятность банкротства помощью одного из индикаторов качества подгон- на протяжении первых пяти лет с 2000 г. до 2004 г.

ки – логарифма правдоподобия. Для построенной была невысокая, более того, даже уменьшалась модели с пятью переменными-регрессорами на- вплоть до 2004 года, затем она резко выросла в чальное значение -2LL=349,346 было уменьшено году и ежегодно увеличивалась, пока ситуация не за на 248,725, и стало равным 100,621, что свидетель- вершилась банкротством предприятия в 2009 году.

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.

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ Вероятность банкротства тенденция к уменьшению вероятности банкротства.

1, Начиная с 2002 по 2004 годы, наблюдалась тенден ция к улучшению финансового состояния, что на шло отражение в прогнозном значении вероятности 0, банкротства. Однако в 2005 году прогнозная вероят ность банкротства резко выросла и оставалась прак 0, тически постоянной на протяжении нескольких лет вплоть до банкротства в 2009 году.

0, На рис.2 хорошо видны кластеры, на которые рас палась анализируемая выборка из 117 предприятий 0,2 банкротов. Т.е. подтверждается выдвинутая гипо теза о том, что изменение финансового состояния год предприятия в течение ряда лет носит не хаотиче ский характер, а развивается по вполне определен 2000 2001 2002 2003 2004 2005 2006 2007 2008 ному сценарию. Отсюда было выдвинуто предпо 1 – сценарий банкротства № ложение, что можно улучшить статическую модель 2 – сценарий банкротства № – сценарий банкротства № прогнозирования банкротства, если учесть измене ние финансовых показателей за несколько лет до Рис. 1. График изменения средней вероятности банкротства наступления банкротства, т.е. учесть, по какому из предприятий для каждой кластерной группы в динамике.

трех выявленных сценариев, развивается ситуация, способная с течением времени привести каждое В кластер №2 попали предприятия, у которых конкретное предприятие к возможному банкрот финансовое состояние оставалось неудовлетвори ству.

тельным на протяжении всех десяти лет. Т.е. про гнозная вероятность банкротства была выше 0,8.

5. Построение комплекса Тем не менее, банкротство этих предприятий фак динамических моделей тически наступило только в 2009 году.

К кластеру №3 отнесены предприятия, вероят Для построения комплекса динамических моде ность банкротства которых в 2000 и 2001 годах явля лей использовались следующие переменные:

лась достаточно высокой, хотя явно прослеживалась вероятность банкротства предприятия в 2005 году;

Вероятность банкротства 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 год – 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.

БИЗНЕС-ИНФОРМАТИКА №1(15)–2011 г.

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ вероятность банкротства предприятия в 2006 году;

В результате в соответствии с каждым из трех сце нариев была построена логистическая модель про вероятность банкротства предприятия в 2007 году;

гнозирования вероятности банкротства предприя вероятность банкротства предприятия в 2008 году;

тия, учитывающая сценарий развития событий на отношение вероятности банкротства предприя протяжении 10 лет, приводящий предприятие к тия в 2005 году по сравнению с 2004 годом;

банкротству в 2009 году. Т.е. косвенно в получен отношение вероятности банкротства предприя ных моделях было учтено изменение финансовых тия в 2006 году по сравнению с 2005 годом;

показателей в динамике за десятилетний период.

отношение вероятности банкротства предприя В приведенных ниже моделях используются сле тия в 2007 году по сравнению с 2006 годом;

дующие обозначения:

отношение вероятности банкротства предприя тия в 2008 году по сравнению с 2007 годом Pj,t – вероятность банкротства предприятия j в год t.

вероятность банкротства 1, 0, Pjt +1 = 0, Pjt -(9,912Pjt +1+0,213 X1, j -3,58) Pjt - 0, 1+ e 0, год 2000 2001 2002 2003 2004 2005 2006 2007 2008 Рис. 3. Динамическая модель №1 прогнозирования вероятности банкротства предприятий с учетом того, что изменение финансового состояния происходит по сценарию №1.

вероятность банкротства 1, 0, 0, Pjt +1 = jt - 1+ e-(6,782P +4,803Pjt -6,211) 0, 0, год 2000 2001 2002 2003 2004 2005 2006 2007 2008 Рис. 4. Динамическая модель №2 прогнозирования вероятности банкротства предприятий с учетом того, что изменение финансового состояния происходит по сценарию №2.

вероятность банкротства 1, 0, Pjt +1 = 0, jt 1+ e-(12,944P -8,412) 0, 0, год 2000 2001 2002 2003 2004 2005 2006 2007 2008 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.

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ 6. Результаты тестирования За 4 года до банкротства динамическая модель №1 корректно прогнозировала высокую вероят динамических моделей ность банкротства у 77% предприятий, в то время Оценка качества комплекса динамических мо как точность модели №2 и модели №3 оказалась делей прогнозирования вероятности банкротства равной 26% и 11% соответственно.

проводилась на обучающей и контрольной вы борках.

Проверка точности динамических моделей на выборке предприятий, банкротство которых a. Оценка качества динамических моделей развивалось по сценарию № на обучающей выборке В выборку для тестирования вошли 46 предприятий, Проверка точности динамических моделей ставших банкротами в 2009 году и попавших в резуль на выборке предприятий, банкротство которых тате процедуры кластеризации в группу №2, и развивалось по сценарию № предприятия, финансовое состояние которых было признано удовлетворительным по семи методикам.

В выборку для тестирования вошли 35 предприя Как видно из рис. 7, все три динамические моде тий, ставших банкротами в 2009 году и попавших в ли с высокой точностью идентифицировали пред результате процедуры кластеризации в кластер №1, приятий – банкротов на каждом временном про и 104 предприятия, финансовое состояние которых межутке тестирования моделей. У анализируемых было признано удовлетворительным по семи мето предприятий в течение многих лет средние значе дикам.

ния финансовых показателей значимо отличались В год банкротства все три модели с высокой точ от средних значений показателей успешных пред ностью идентифицировали предприятий – бан приятий отрасли. Это позволило спрогнозировать кротов. Однако при увеличении количества лет до высокую вероятность банкротства для таких пред банкротства точность модели №1 оказалась значи- приятий со 100% точностью даже за 4 года до бан тельно выше точности моделей №2 и №3. кротства.

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

97% 100% 94% 91% 90% 77% 80% 74% 70% 60% 54% 54% 51% 50% 46% 43% 40% 40% 30% 26% 26% 26% 20% 11% 10% 0% 4 года до банкротства 3 года до банкротства 2 года до банкротства 1 год до банкротства год банкротства Динамическая модель №1 Динамическая модель №2 Динамическая модель №3 Вероятность банкротства Рис. 6. Проверка точности динамических моделей №1, №2, №3 на выборке предприятий, банкротство которых развивалось по сценарию №1.

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% 98% 98% 96% 96% 96% 96% 93% 94% 91% 92% 90% 89% 88% 87% 86% 84% 4 года до банкротства 3 года до банкротства 2 года до банкротства 1 год до банкротства год банкротства Динамическая модель №1 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% 97% 97% 97% 97% 96% 94% 92% 92% 90% 88% 86% 84% 83% 82% 80% 4 года до банкротства 3 года до банкротства 2 года до банкротства 1 год до банкротства год банкротства Динамическая модель №1 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.

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ Проверка точности динамических моделей Как видно из рис. 8, результаты тестирования на выборке предприятий, банкротство которых динамических моделей в данном случае аналогич развивалось по сценарию № ны результатам тестирования моделей на финан совых данных предприятий из кластера №2. Это В выборку для тестирования вошли 36 предприятий, объясняется тем, что, начиная с 2005 года, финан ставших банкротами в 2009 году и попавших в резуль совое положение предприятий кластера №3 резко тате процедуры кластеризации в группу №3, и ухудшилось, и стало сопоставимо с финансовым предприятия, финансовое состояние которых было признано удовлетворительным по семи методикам. состоянием предприятий из кластера №2.

Сравнение точности динамических моделей при идентификации предприятий с удовлетворительным финансовым состоянием 100% 99% 99% 99% 99% 99% 98% 97% 96% 96% 95% 94% 94% 93% 93% 92% 91% 90% 88% 86% 2006 2007 2008 2009 год Динамическая модель №1 Динамическая модель №2 Динамическая модель № Рис. 9. Проверка точности динамических моделей №1, №2, № при идентификации предприятий с удовлетворительным финансовым состоянием.

Проверка точности динамических моделей было подтверждено псевдо R2 Нагелькерка, высо на выборке предприятий, кой значимостью критерия хи-квадрат и критерием имеющих удовлетворительное Хосмера и Лемешова финансовое положение b. Оценка качества динамических моделей В обучающую выборку для проверки точности на контрольной выборке классификации предприятий с удовлетворитель ным финансовым состоянием вошли 104 предпри Далее прогнозная точность комплекса динамиче ятия, финансовое состояние которых было при ских моделей была проверена на данных, которые знанно устойчивым по семи методикам оценки.

не использовались при построении модели. В кон Как видно из рис. 9, все три динамические модели трольную выборку вошли 514 предприятий, из них:

правильно классифицируют предприятия, при 21 предприятие, ставшее банкротом в 2010 году, и знанных имеющими удовлетворительное финан- 493 предприятия, финансовое состояние которых совое состояние. За 4-х летний период точность было признано удовлетворительным по четырем, классификации не менее 91%. Так в 2009 году дина- пяти или шести методикам оценки финансового мическая модель №1 корректно идентифицировала состояния.

95 из 104 предприятий (91%), динамические модели На рис.10 приведен сравнительный анализ точ №2 и №3 правильно классифицировали 103 из ности прогнозирования вероятности банкротства предприятий (99%).

предприятий с использованием динамических мо Помимо высокой точности классификации пред- делей в различные периоды времени до официаль приятий, качество всех трех динамических моделей ного признания банкротства в 2010 году.

БИЗНЕС-ИНФОРМАТИКА №1(15)–2011 г.

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ 100% 81% 81% 81% 76% 80% 71% 71% 71% 71% 67% 57% 57% 60% 48% 40% 20% 0% 4 года до банкротства 3 года до банкротства 2 года до банкротства 1 год до банкротства Динамическая модель №1 Динамическая модель №2 Динамическая модель № Рис. 10. Динамика изменения точности моделей при идентификации предприятий-банкротов за разное количество лет до банкротства.

100% 85% 85% 80% 80% 82% 81% 77% 77% 74% 73% 80% 69% 66% 60% 40% 20% 0% 2006 2007 2008 2009 год Динамическая модель №1 Динамическая модель №2 Динамическая модель № 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 мо Заключение дель №1, учитывающая темп изменения вероят В данной статье был предложен методологиче ности банкротства во времени. При увеличении ский подход для прогнозирования вероятности количества лет до банкротства точность всех трех банкротства предприятий обрабатывающего про моделей снижалась.

изводства, учитывающий динамику изменения В отношении предприятий с удовлетворитель финансовых показателей. Этот подход может быть ным финансовым положением по данным использован для прогнозирования вероятности года динамическая модель №1 правильно класси банкротства производственных предприятий и дру фицировала 361 из 493 (73%) предприятий, дина гих отраслей.

мическая модель №2 – 405 из 493 (82%) предпри ятий, динамическая модель №3 – 419 из 493 (85%) В зависимости от сценария изменения вероят предприятий.

ности банкротства можно прогнозировать веро ятность банкротства предприятия за период от Таким образом, можно сделать вывод, что разра ботанный комплекс динамических моделей, учи- года до четырех лет до банкротства с достаточно высокой степенью точности. Для этого был авто тывающих изменение финансовых показателей во времени, обладает высокой прогнозной точностью рами разработан и апробирован на выборке пред на длительном временном промежутке. приятий обрабатывающего производства ком БИЗНЕС-ИНФОРМАТИКА №1(15)–2011 г.

МОДЕЛИРОВАНИЕ И АНАЛИЗ БИЗНЕС-ПРОЦЕССОВ плекс моделей оценки финансового состояния и финансовых показателей и обладающих высокой прогнозирования вероятности банкротства пред- прогнозной точностью на длительном временном приятия, учитывающих динамику изменения 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 авиа предприятий // Бизнес-информатика, 2008, №1. – с. 45–61.

6. Данилова Ю.А. Проблемы прогнозирования банкротства // Проблемы теории и практики управления, 2009, №9. – c. 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, произ водстве и транспорте», 2010, Т.19. – с. 82–87.

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

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

БИЗНЕС-ИНФОРМАТИКА №1(15)–2011 г.




© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.