Анализ и прогнозирование уровня конкурентоспособности компаний строительного комплекса

Ликвидность

Деловая активность

Финансовая устойчивость

AIC

Ln_Netassets

Ln_rev

ROA

ROE

ROS

Cur_liq

Abs_liq

Rev_cur_assets

Turn_assets

Turn_ac_rec

Turn_ac_pay

Turn_reserv

Goldrule

Liab_assets

Portion_fix_liab

CF_liab

Ac_rec_assets

Property _status

Capital_product

Work_cap_assets

Prevent_bank

Ac_recpay

Autonomy

-1,18

(0,00)

-3,04

(0,00)

1,17

(0,04)

-1,47

(0,00)

3,41

(0,00)

2399.9

-1,45

(0,00)

-2,81

(0,00)

1,12

(0,05)

-1,44

(0,00)

1,49

(0,00)

2385.9

Без учёта переменных группы ликвидности

-0,12

(0,00)

-0.02

(0,00)

-0,53

(0,00)

-0,01

(0,00)

2252.8

-0,13

(0,00)

-0,02

(0,00)

-0,69

(0,00)

-0,01

(0,00)

2269.8

-0,14

(0,00)

-0,03

(0,00)

-0,53

(0,00)

0,08

(0,63)

2277.5

-1,45

(0,00)

-3,13

(0,00)

-5,40

(0,00)

5,72

(0,00)

2272.8

-1,66

(0,00)

-2,96

(0,00)

-6,97

(0,00)

7,02

(0,00)

2300.1

-1,39

(0,00)

-3,29

(0,00)

-9,41

(0,00)

3,60

(0,05)

2376.3

-1,16

(0,00)

-2,99

(0,00)

-1,51

(0,00)

4,75

(0,01)

2403.1

-1,48

(0,00)

-3,31

(0,00)

-3,40

(0,00)

3,77

(0,04)

2358.1

-0,13

(0,00)

-0,03

(0,00)

-0,50

(0,00)

-1,06

(0,00)

2270.2

-0,14

(0,00)

-0,03

(0,00)

-0,65

(0,00)

-2,24

(0,00)

2262.4

-0,11

(0,00)

-0,03

(0,00)

-0,08

(0,00)

-1,83

(0,00)

2356

-0,10

(0,00)

-0,03

(0,00)

-0,12

(0,00)

-1,95

(0,00)

2379.2

-0,12

(0,00)

-0,03

(0,00)

-0,01

(0,00)

-2,40

(0,00)

2317.3

-0,14

(0,00)

-0,03

(0,00)

-0,53

(0,00)

0,01

(0,00)

2272.3

-0,16

(0,00)

-0,03

(0,00)

-0,68

(0,00)

0,01

(0,00)

2300.4

-0,13

(0,00)

-0,03

(0,00)

-0,09

(0,00)

0,01

(0,00)

2372.9

-0,11

(0,00)

-0,03

(0,00)

-0,14

(0,00)

0,01

(0,00)

2400.9

Размер компании

Рентабельность

Ликвидность

Деловая активность

Финансовая устойчивость

AIC

Ln_Netassets

Ln_rev

ROA

ROE

ROS

Cur_liq

Abs_liq

Rev_cur_assets

Turn_assets

Turn_ac_rec

Turn_ac_pay

Turn_reserv

Goldrule

Liab_assets

Portion_fix_liab

CF_liab

Ac_rec_assets

Property _status

Capital_product

Work_cap_assets

Prevent_bank

Ac_recpay

Autonomy

-0,14

(0,00)

-0,03

(0,00)

-0,01

(0,00)

0,01

(0,00)

2353.6

Без учёта переменных группы деловой активности

-1,44

(0,00)

-3,16

(0,00)

1,24

(0,91)

-1,79

(0,28)

2473.8

-1,44

(0,00)

-3,19

(0,00)

1,27

(0,91)

3,39

(0,06)

2472.2

-1,14

(0,00)

-3,40

(0,00)

3,56

(0,97)

-2,54

(0,00)

2426.3

-1,44

(0,00)

-3,23

(0,00)

1,33

(0,91)

3,86

(0,00)

2467.3

По результатам второго метода для дальнейшего анализа выберем две лучшие модели (наименьшее значение критерия Акаике и все переменные значимы на 5% уровне): Модель 17: Чистые активы (Ln_Netassets) + Рентабельность активов (ROA) + Коэффициент текущей ликвидности (Cur_liq) + Коэффициент оборачиваемости кредиторской задолженности (Turn_ac_pay) + Имущественное положение (Property _status) и Модель 2: Чистые активы (Ln_Netassets) + Рентабельность активов (ROA) + Коэффициент текущей ликвидности (Cur_liq) + Коэффициент оборачиваемости кредиторской задолженности (Turn_ac_pay) + Коэффициент автономии (Autonomy). Но первая не может быть использована из-за сильной корреляции между Cur_liq и Turn_ac_pay, а вторая из-за сильной корреляции Autonomy и ROA, Ln_Netassets. Так как коэффициент текущей ликвидности во время построения вышеупомянутых моделей был всегда на грани 5% уровня значимости при совместном включении переменной Turn_ac_pay из группы «Деловой активности», с которой имеется сильная парная корреляция, а при включении других переменных из этой группы коэффициент текущей ликвидности не имеет статистической значимости, то попробуем выбрать наилучшую модель без показателей ликвидности (так как абсолютная ликвидность была вообще статистически незначимой). Выберем одну из моделей с наименьшим значением критерия Акаике, всеми значимыми переменными без учёта переменных из группы ликвидность: Модель 20: Чистые активы (Ln_Netassets) + Рентабельность активов (ROA) + Коэффициент оборачиваемости оборотных активов (Rev_cur_assets) + Коэффициент автономии (Autonomy) и Модель 21: Чистые активы (Ln_Netassets) + Рентабельность активов (ROA) + Коэффициент оборачиваемости капитала (Turn_assets) + Коэффициент автономии (Autonomy). Т.к. Ln_Netassets и ROA показали статистическую значимость во всех построенных моделях и не имеют сильной парной корреляции между собой, то их фиксируем в модели, как представителей группы «Размер компании» и «Рентабельность» соответственно. В таком случае все переменные из группы «Деловая активность» могут быть включены в модель, так как не имеют сильных корреляций (выше уровня 0.3) с упомянутыми выше показателями. Что касается переменных из группы «Финансовая устойчивость», то выбор в ней коэффициент автономии (Autonomy) имеют сильную корреляцию с ROA и Ln_Netassets, а другие показатели из групп этих показателей не являются статистически значимыми для модели, значит, не включаем именно коэффициент автономии. Переменная CF_liab оказалась статистически незначимой для модели. Далее по качеству ROC-кривых в группе «Финансовая устойчивость» идёт Work_cap_assets, который сильно коррелирует с ROA и не может быть включен в модель. Проверяем возможность включение Ac_recpay. Видим, что отсутствует зависимость с уже включенными в модель ROA и Ln_Netassets, но есть ограничение на совместное включение с Turn_ac_pay из группы «Деловая активность». Проверяем объясняющую переменную Liab_assets и видим, что есть сильная корреляция с Ln_Netassets. Переменную Goldrule можно попробовать, так как нет сильных парных корреляций, но она в модели 14 оказалась статистически незначимой. Переменная Capital_product может быть включена в модель - отсутствуют сильные парные корреляции с другими переменными. По схожим рассуждениям могут быть проверены переменные Ac_rec_assets, Property_status и Prevent_bank. А переменная Portion_fix_liab не может быть включена в модель, так как имеет сильную корреляцию с Ln_Netassets и слабое качество ROC-кривой. Дополнительное ограничение на модель оказывает проведенный для каждой переменной ANOVA-тест. Так, по его результатам, в модель не могут быть включены Ac_rec_assets и Ac_recpay. Таким образом, можем протестировать модели со следующими переменными из группы «Финансовая устойчивость»: Goldrule, Capital_product, Property_status, Prevent_bank. Все четыре показателя не имеют ограничений на включение переменных из группы «Деловая активность». Переменная Goldrule как и в модели 14 осталась незначимой для всех возможных спецификаций модели.

Подытожим полученную модель вторым методом на основе поочередного включения переменных из каждой группы и с учётом качества ROC-кривых, парных корреляций и ANOVA-теста (табл. 12): Таблица 12.

Коэффициенты наилучшей модели, построенной вторым методом

№	Размер компании	Рентабельность	Ликвидность	Деловая активность	Финансовая устойчивость	Критерий AIC
Модель 29	Ln_Netassets	ROA		Turn_assets	Property _status	2262.4

Ещё одним вариантом модели является включение коэффициента текущей ликвидности и не включение переменных из группы «Деловая активность». Можем проверить ещё четыре модели (38-41 в табл. 11) с переменными из группы «Финансовой устойчивости»: Goldrule, Capital_product, Property_status, Prevent_bank. Как мы видим, ни одна из таких моделей не может быть использована, так как в них Cur_liq не является статистически значимым на любом уровне, а информационный критерий Акаике выше, чем в модели полученной без включения переменных из группы «Ликвидность». Как итог, для дальнейшего анализа оставляем модель 29 (табл. 12).

2.4 Проверка гипотезы о значимости макроэкономических переменных

При дальнейшем построении модели воспользуемся таким ограничением, как на каждую объясняющую переменную должно приходиться не менее тридцати наблюдений дефолта. Так как в обучающей выборке содержится 301 дефолт, то модель не должна включать больше, чем 10 объясняющих переменных. Проверим сначала статистическую значимость макроэкономических переменных для модели (7 объясняющих финансовых переменных), построенной первым методом на основе статистического отбора объясняющих переменных (табл. 13). Все используемые для анализа комбинации макроэкономических переменных учитывают проведенный анализ парных корреляций (табл. 6).

Таблица 13.

Включение макроэкономических переменных в модель, построенную первым методом

Финансовые переменные (статистический отбор)	Макроэкономические переменные	AIC
ROA	Ln_Netassets	Turn_assets	Turn_reserv	Property_status	Capital_product	Prevent_bank	Inv	TB	Rub	Unemp	Infl	Inf_smr	GDP	crisis	after_cr
-3,00 (0,00)	-1,46 (0,00)	-5,74 (0,00)	-2,43 (0,00)	-2,02 (0,00)	6,77 (0,00)	2,86 (0,00)	-2,40 (0,00)									2141.6
-3,22 (0,00)	-1,44 (0,00)	-6,14 (0,00)	-2,74 (0,00)	-2,07 (0,00)	6,40 (0,00)	3,10 (0,00)		7,48 (0,00)								2180.4
-3,22 (0,00)	-1,45 (0,00)	-6,24 (0,00)	-2,54 (0,00)	-2,08 (0,00)	6,35 (0,00)	3,10 (0,00)			-1,42 (0,01)							2183.9
-3,16 (0,00)	-1,48 (0,00)	-6,57 (0,00)	-1,99 (0,00)	-2,17 (0,00)	6,67 (0,00)	3,12 (0,00)				-5,22 (0,00)						2138.9
-2,75 (0,00)	-1,48 (0,00)	-6,11 (0,00)	-6,04 (0,13)	-2,34 (0,00)	6,31 (0,00)	2,50 (0,01)					-5,50 (0,00)					1965.5
-2,74 (0,00)	-1,48 (0,00)	-6,20 (0,00)		-2,37 (0,00)	6,30 (0,00)	2,48 (0,01)					-5,78 (0,00)					1966.8
-3,03 (0,00)	-1,46 (0,00)	-5,97 (0,00)	-2,07 (0,00)	-2,03 (0,00)	6,41 (0,00)	2,95 (0,00)						-4,12 (0,00)				2167.4
-3,17 (0,00)	-1,45 (0,00)	-6,16 (0,00)	-2,49 (0,00)	-2,06 (0,00)	6,38 (0,00)	3,07 (0,00)							2,86 (0,81)			2189.8
-3,08 (0,00)	-1,43 (0,00)	-5,97 (0,00)	-2,59 (0,00)	-2,08 (0,00)	6,19 (0,00)	3,00 (0,00)								-1,53 (0,00)		2164.3
-2,63 (0,00)	-1,51 (0,00)	-5,76 (0,00)	-1,07 (0,92)	-2,07 (0,00)	8,60 (0,00)	2,50 (0,01)									3,69 (0,00)	1941
-2,63 (0,00)	-1,51 (0,00)	-5,76 (0,00)		-2,07 (0,00)	8,60 (0,00)	2,50 (0,01)									3,69 (0,00)	1939
-3,04 (0,00)	-1,45 (0,00)	-5,67 (0,00)	-2,80 (0,00)	-2,05 (0,00)	6,83 (0,00)	2,86 (0,00)	-2,69 (0,00)	1,06 (0,00)								2123
-2,81 (0,00)	-1,48 (0,00)	-6,16 (0,00)	-8,85 (0,03)	-2,38 (0,00)	6,32 (0,00)	2,57 (0,01)		7,50 (0,01)		-1,66 (0,06)	-4,79 (0,00)					1959.3
-2,69 (0,00)	-1,51 (0,00)	-5,79 (0,00)	9,53 (0,89)	-2,05 (0,00)	1,08 (0,00)	2,53 (0,01)								3,93 (0,00)	5,93 (0,00)	1922.4
-2,69 (0,00)	-1,51 (0,00)	-5,79 (0,00)		-2,05 (0,00)	1,08 (0,00)	2,53 (0,00)								3,93 (0,00)	5,92 (0,00)	1920.4
-2,63 (0,00)	-1,53 (0,00)	-6,04 (0,00)	-6,10 (0,93)	-2,24 (0,00)	1,08 (0,00)	2,57 (0,01)				-5,24 (0,00)				3,48 (0,00)	5,78 (0,00)	1857.6
-2,63 (0,00)	-1,53 (0,00)	-6,04 (0,00)		-2,24 (0,00)	1,08 (0,00)	2,57 (0,01)				-5,24 (0,00)				3,48 (0,00)	5,79 (0,00)	1855.6

В ходе проведенного анализа лучшими моделями (наименьшее значение критерия Акаике и все переменные являются статистически значимыми на 5% уровне) стали (табл.14):

Таблица 14.

Наилучшие модели, построенные первым методом

с учетом макроэкономических переменных

№	Выбранные финансовые показатели	Выбранные макроэкономические показатели	Критерий AIC
Модель 12 adj	ROA	Ln_Netassets	Turn_assets	Property_status	Capital_product	Prevent_bank		crisis	after_cr	1920.4
Модель 13 adj	ROA	Ln_Netassets	Turn_assets	Property_status	Capital_product	Prevent_bank	Unemp	crisis	after_cr	1855.6

Далее проделаем всё то же самое для модели (4 объясняющих финансовых переменных), построенной вторым методом на основе поочередного включения переменных из каждой группы с учётом качества ROC-кривых, парных корреляций и ANOVA-теста (табл.15). Все используемые для анализа комбинации макроэкономических переменных учитывают проведенный анализ парных корреляций (табл. 6).

Таблица 15.

Включение макроэкономических переменных в модель, построенную вторым методом

Финансовые переменные (поочередное включение)	Макроэкономические переменные	AIC
Ln_Netassets	ROA	Turn_assets	Property_status	Inv	TB	Rub	Unemp	Infl	Inf_smr	GDP	crisis	after_cr
-0,14 (0,00)	-0,02 (0,00)	-0,62 (0,00)	-2,20 (0,00)	-2,46 (0,00)									2213.9
-0,14 (0,00)	-0,03 (0,00)	-0,65 (0,00)	-2,25 (0,00)		0,07 (0,75)								2264.4
-0,14 (0,00)	-0,03 (0,00)	-0,66 (0,00)	-2,26 (0,00)			-0,94 (0,12)							2262
-0,14 (0,00)	-0,03 (0,00)	-0,68 (0,00)	-2,33 (0,00)				-65,31 (0,00)						2183.7
-0,14 (0,00)	-0,02 (0,00)	-0,61 (0,00)	-2,43 (0,00)					-0,57 (0,00)					1972.3
-0,14 (0,00)	-0,02 (0,00)	-0,62 (0,00)	-2,16 (0,00)						-0,06 (0,00)				2213.8
-0,14 (0,00)	-0,02 (0,00)	-0,65 (0,00)	-2,22 (0,00)							-1,95 (0,09)			2261.8
-0,13 (0,00)	-0,03 (0,00)	-0,64 (0,00)	-2,27 (0,00)								-1,34 (0,00)		2246.1
-0,15 (0,00)	-0,02 (0,00)	-0,56 (0,00)	-2,13 (0,00)									3,66 (0,00)	1945
-0,14 (0,00)	-0,03 (0,00)	-0,62 (0,00)	-2,22 (0,00)	-2,60 (0,00)	0,42 (0,06)								2212.4
-0,14 (0,00)	-0,02 (0,00)	-0,62 (0,00)	-2,47 (0,00)		0,59 (0,00)		-14,61 (0,10)	-0,52 (0,00)					1969.2
-0,15 (0,00)	-0,02 (0,00)	-0,56 (0,00)	-2,12 (0,00)								3,56 (0,00)	5,57 (0,00)	1927.6
-0,15 (0,00)	-0,02 (0,00)	-0,59 (0,00)	-2,31 (0,00)				-52,16 (0,00)				3,14 (0,00)	5,45 (0,00)	1863.2

В ходе проведенного анализа лучшими (наименьшее значение критерия Акаике и все переменные статистически значимы на 5% уровне) стали модели с теми же макроэкономическими показателями (табл.16):

Таблица 16.

Наилучшие модели, построенные вторым методом

с учетом макроэкономических переменных

№	Выбранные финансовые показатели	Выбранные макроэкономические показатели	Критерий AIC
Модель 12	Ln_Netassets	ROA	Turn_assets	Property_status		crisis	after_cr	1920.4
Модель 13	Ln_Netassets	ROA	Turn_assets	Property_status	Unemp	crisis	after_cr	1855.6



2.5 Проверка гипотезы о значимости институциональных переменных

Для целей проверки гипотезы о значимости рассматриваемых нами институциональных показателей (место нахождения, задолженность по уплате налогов), в предыдущие модели с учетом финансовых и макроэкономических факторов, включались также выбранные институциональные факторы в форме dummy-переменных. Будут тестироваться только эти две переменные, так как переменные наличия нескольких совладельцев и включения в реестр недобросовестных поставщиков не показали достаточной разделительной способности. Рассмотрим влияние институциональных переменных на качество модели, построенной первым методом на основе статистического отбора объясняющих переменных (таб.17). Учитываем ограничение модели на включение не более 10 объясняющих переменных, связанное с количеством дефолтных организаций в обучающей выборке.

Таблица 17. Включение институциональных переменных

в модель, построенную первым методом

№	Финансовые переменные (статистический отбор)	Макроэкономические переменные	Институциональные переменные	Критерий AIC
	ROA	Ln_Netassets	Turn_assets	Property_status	Capital_product	Prevent_bank	crisis	after_cr	Location	Tax_arrears
1	-0,02 (0,00)	-0,15 (0,00)	-0,58 (0,00)	-2,09 (0,00)	0,01 (0,00)	0,01 (0,01)	3,93 (0,00)	5,92 (0,00)	-0,15 (0,38)		1921.6
2	-2,68 (0,00)	-1,51 (0,00)	-5,76 (0,00)	-2,04 (0,00)	1,05 (0,00)	2,46 (0,02)	3,93 (0,00)	5,93 (0,00)		3,09 (0,16)	1920.5

Как мы видим, ни одна из двух институциональных переменных не являются статистически значимыми на 5% уровне. Рассмотрим также влияние этих же институциональных переменных на вторую модель, построенную на основе поочередного включения переменных из разных групп и с учётом качества ROC-кривых, парных корреляций и ANOVA-теста (табл. 18).

Таблица 18.

Включение институциональных переменных

в модель, построенную вторым методом

№	Финансовые переменные (поочередное включение)	Макроэкономические переменные	Институциональные переменные	Критерий AIC
	Ln_Netassets	ROA	Turn_assets	Property_status	crisis	after_cr	Location	Tax_arrears
1	-0,15 (0,00)	-0,02 (0,00)	-0,57 (0,00)	-2,15 (0,00)	3,56 (0,00)	5,56 (0,00)	-0,14 (0,41)		1928.9
2	-0,15 (0,00)	-0,02 (0,00)	-0,56 (0,00)	-2,11 (0,00)	3,56 (0,00)	5,57 (0,00)		0,33 (0,12)	1927.4

В данной модели институциональные переменные также оказались статистически незначимыми на 5% уровне, поэтому в модель их включать не стоит.

2.6 Проверка функциональной формы зависимости переменных

Проверим значимость квадратичной формы переменных для двух полученных моделей. Сначала рассмотрим значимость данных преобразований для первой модели (табл. 19).



Таблица 19.

Включение квадратичной формы переменных в модель, построенную первым методом

№	Финансовые переменные (статистический отбор)	Макроэкономические переменные	Квадратичная форма объясняющих переменных
	ROA	Ln_Netassets	Turn_assets	Property_status	Capital_product	Prevent_bank	crisis	after_cr	ROA^2	Ln_Netassets^2	Turn_assets^2	Property_status^2	Capital_product^2	Prevent_bank^2
1	-2,87 (0,00)	-1,50 (0,00)	-5,74 (0,00)	-2,05 (0,00)	1,07 (0,00)	2,77 (0,00)	3,91 (0,00)	5,91 (0,00)	-2,50 (0,44)
2	-2,55 (0,00)	-3,19 (0,00)	-5,22 (0,00)	-2,16 (0,00)	1,07 (0,00)	2,52 (0,01)	3,90 (0,00)	5,91 (0,00)		1,33 (0,00)
3	-2,69 (0,00)	-1,52 (0,00)	-6,22 (0,00)	-2,04 (0,00)	1,07 (0,00)	2,52 (0,00)	3,98 (0,00)	5,98 (0,00)			8,12 (0,00)
4	-2,78 (0,00)	-1,48 (0,00)	-5,56 (0,00)	-4,51 (0,00)	1,04 (0,00)	2,51 (0,00)	3,93 (0,00)	5,93 (0,00)				3,44 (0,00)
5	-2,72 (0,00)	-1,53 (0,00)	-6,42 (0,00)	-1,84 (0,00)	8,46 (0,00)	2,55 (0,01)	4,01 (0,00)	6,02 (0,00)					-1,14 (0,00)
6	-2,83 (0,00)	-1,46 (0,00)	-5,77 (0,00)	-2,10 (0,00)	1,08 (0,00)	-1,79 (0,39)	3,92 (0,00)	5,93 (0,00)						3,98 (0,00)
7	-2,58 (0,00)	-3,28 (0,00)	-5,84 (0,00)	-1,96 (0,00)	8,60 (0,00)	2,54 (0,01)	3,99 (0,00)	6,02 (0,00)		1,38 (0,00)			-1,16 (0,00)
8	-2,55 (0,00)	-3,18 (0,00)	-5,64 (0,00)	-2,15 (0,00)	1,06 (0,00)	2,51 (0,00)	3,95 (0,00)	5,96 (0,00)		1,31 (0,00)	7,47 (0,00)
9	-2,63 (0,00)	-3,14 (0,00)	-5,01 (0,00)	-4,56 (0,00)	1,03 (0,00)	-4,56 (0,00)	3,90 (0,00)	5,91 (0,00)		1,31 (0,00)		3,34 (0,00)
10	-2,77 (0,00)	-1,49 (0,00)	-5,98 (0,00)	-4,48 (0,00)	1,03 (0,00)	2,50 (0,00)	3,98 (0,00)	5,97 (0,00)			7,86 (0,00)	3,41 (0,00)
11	-2,72 (0,00)	-1,53 (0,00)	-6,87 (0,00)	-1,83 (0,00)	8,43 (0,00)	2,54 (0,01)	4,04 (0,00)	6,05 (0,00)			8,85 (0,00)		-1,13 (0,00)
12	-1,06 (0,00)	-6,73 (0,00)	-1,66 (0,00)	3,40 (0,00)	2,92 (0,00)	1,59 (0,00)	3,48 (0,00)	3,25 (0,00)				-2,67 (0,00)	-2,98 (0,00)

Как мы видим, наилучшей моделью с точки зрения наименьшего значения информационного критерия Акаике и значимости всех переменных на 5% уровне является модель 7, с квадратичной формой Ln_Netassets и Capital_product.

Проанализируем влияние квадратичной формы переменных на качество модели, полученной на основе поэтапного включения переменных из разных групп, ROC-кривых, парных корреляций (табл. 20).

Таблица 20.

Включение квадратичной формы переменных в модель, построенную вторым методом

№	Финансовые переменные (поочередное включение)	Макроэкономические переменные	Квадратичная форма объясняющих переменных
	Ln_Netassets	ROA	Turn_assets	Property_status	crisis	after_cr	Ln_Netassets^2	ROA^2	Turn_assets^2	Property_status^2
1	-0,318 (0,00)	-0,025 (0,00)	-0,512 (0,00)	-2,227 (0,00)	3,52 (0,00)	5,55 (0,00)	0,013 (0,00)
2	-1,50 (0,00)	-2,80 (0,00)	-5,64 (0,00)	-2,12 (0,00)	3,55 (0,00)	5,55 (0,00)		-1,87 (0,66)
3	-0,151 (0,00)	-0,026 (0,00)	-0,61 (0,00)	-2,11 (0,00)	3,60 (0,00)	5,60 (0,00)			0,007 (0,00)
4	-0,148 (0,00)	-0,027 (0,00)	-0.544 (0,00)	-4,65 (0,00)	3,58 (0,00)	5,59 (0,00)				3,54 (0,00)
5	-0,311 (0,00)	-0,026 (0,00)	-0,53 (0,00)	-4,65 (0,00)	3,58 (0,00)	5,60 (0,00)	0,0128 (0,00)		0,007 (0,00)	3,41 (0,00)
6	-0,317 (0,00)	-0,025 (0,00)	-0,55 (0,00)	-2,21 (0,00)	3,56 (0,00)	5,58 (0,00)	0,013 (0,00)		0,007 (0,00)
7	-0,312 (0,00)	-0,026 (0,00)	-0,491 (0,00)	-4,68 (0,00)	3,55 (0,00)	5,57 (0,00)	0,013 (0,00)			3,44 (0,00)
8	-0,148 (0,00)	-0,027 (0,00)	-0,586 (0,00)	-4,62 (0,00)	3,62 (0,00)	5,63 (0,00)			0,007 (0,00)	3,51 (0,00)

Как видно из анализа, качество модели, построенной на основе поочередного включения переменных из разных групп улучшается при включение квадратичной формы следующих переменных: натуральный логарифм чистых активов (Ln_Netassets), оборачиваемость капитала (Turn_assets) и имущественное положение (Property_status).

Итоговые спецификации моделей и их ROC-кривые выглядят следующим образом (табл. 21):

Таблица 21.

Спецификация финальных моделей и их ROC-кривые

№

Финансовые переменные (статистический отбор)

Макроэкономические переменные

Квадратичная форма объясняющих переменных

Критерий AIC

ROC-кривая

Модель 1

ROA

Ln_Netassets

Turn_assets

Property_status

Capital_product

Prevent_bank

crisis

after_cr

Ln_Netassets^2

Capital_product^2

1876.7

№

Финансовые переменные (поочередное включение)

Макроэкономические переменные

Квадратичная форма объясняющих переменных

Критерий AIC

ROC-кривая

Модель 2

ROA

Ln_Netassets

Turn_assets

Property_status

crisis

after_cr

Ln_Netassets^2

Turn_assets^2

Property_status^2

1899

Как можем видеть из таблицы 21, обращаясь к классификации Помазанова М.В. (2013) качества моделей оценки вероятности дефолта в зависимости от значения коэффициента AUC, обе полученные модели имеют хорошее качество (значение AUC 0,7711 и 0,7805). Причём, в обоих случаях в модель вошли такие финансовые переменные, как рентабельность активов (ROA), натуральный логарифм чистых активов (Ln_Netassets), оборачиваемость капитала (Turn_assets), имущественный потенциал (Property_status) и квадратичная форма натурального логарифма чистых активов (Ln_Netassets^2). Среди макроэкономических переменных в обеих моделях подтвердили свою значимость переменные влияния кризисного года и пост кризисного периода на вероятность банкротства строительных компаний.

2.7 Переход к порядковым и нормированным шкалам

Далее предпримем попытки улучшить качество полученных моделей с помощью поочередного перехода к порядковой шкале и нормированной шкале. Полученные результаты представлены ниже в таблице 22 и 23 соответственно. Сам по себе переход к порядковым шкалам подразумевает замену значений показателей каждой из компаний на занимаемое место конкретной компании в выборке (квантиль). То есть компании ранжируются по величине каждого показателя внутри каждого года и в качестве объясняющих переменных используются их квантили (Карминский, Пересецкий, 2007). Далее строится та же logit-модель с помощью статистического пакета R.

Из таблицы 22 видно, что переход к порядковым шкалам не позволил улучшить качество моделей, напротив, значительно ухудшив его. Об этом свидетельствует слабое качество ROC-кривых, обусловленное низким значением показателя AUC = 0.511 в случае модели статистического отбора переменных, и AUC = 0.4722 в случае модели поочередного включения переменных. Такие значения говорят об очень слабой предсказательной силе, фактически являясь бесполезным классификатором (Паклин, 2008).

Такой результат может быть связан с отсутствием возможности анализа всего строительного рынка из-за недостаточной финансовой отчетности за необходимый период, что приводит к не совсем точному позиционированию строительных компаний относительно конкурентов на данном рынке. дефолт конкурентоспособность бинарный рейтинговый

Таблица 22.

Коэффициенты построенных двумя методами моделей после перехода к порядковой шкале

№	Финансовые переменные	Макроэкономические переменные	Квадратичная форма объясняющих переменных	Критерий AIC	ROC-кривая
	ROA	Ln_Netassets	Turn_assets	Property_status	Capital_product	Prevent_bank	crisis	after_cr	Ln_Netassets^2	Capital_product^2	Turn_assets^2	Property_status^2
1	2,25 (0,00)	-18,65 (0,00)	2,67 (0,00)	1,39 (0,00)	-88,12 (0,00)	0,74 (0,00)	3,38 (0,00)	5,90 (0,00)	19,92 (0,00)	87,24 (0,00)			1934.1
2	2,37 (0,00)	-21,04 (0,00)	-64,06 (0,01)	-68,45 (0,00)			3,37 (0,00)	5,79 (0,00)	22,75 (0,00)		66,04 (0,01)	69,68 (0,00)	1879.4

Теперь предпримем попытку улучшить качество моделей, перейдя к нормированной шкале (табл. 23). Суть метода заключается в замене каждого из показателей компаний на его нормированное значение, полученное путём вычитания из него среднего значения и деления полученной разницы на рассчитанную для него стандартную ошибку (Карминский, Пересецкий, 2007). Далее строится та же logit-модель с помощью статистического пакета R. Стоит отметить, что в данном случае попробуем также оценить качество модели, сформированной путём комбинации двух моделей, построенных методом статистического отбора переменных и поочередного включения переменных из каждой группы. Из таблицы 23 видно, что переход к нормированным шкалам улучшил обе модели, высоким предсказательным качеством отметилась и модель, полученная комбинацией двух подходов (значение показателя AUC = 0.8002). Судя по форме ROC-кривых и значениям показателей AUC, лучшей прогнозной моделью является первая, построенная путём статистического выбора переменных в условиях нормированных шкал. Итого, качество финальной модели вероятности дефолта строительных компаний находится на отличном уровне, о чём свидетельствует значение коэффициента AUC 0,8029 (Помазанов, 2008). Также стоит отметить, что знаки коэффициентов при переменных в моделях, полученных до перехода к нормированным шкалам и после, совпадают, а сами переменные являются значимыми на 5% уровне значимости.

Таблица 23.

Коэффициенты построенных двумя методами моделей (и их комбинация) после перехода к нормированной шкале

№	Финансовые переменные	Макроэкономические переменные	Квадратичная форма объясняющих переменных	Критерий AIC	ROC-кривая
	ROA	Ln_Netassets	Turn_assets	Property_status	Capital_product	Prevent_bank	crisis	after_cr	Ln_Netassets^2	Capital_product^2	Turn_assets^2	Property_status^2
1	-0,44 (0,00)	-1,09 (0,00)	-1,22 (0,00)	-0,45 (0,00)	0,87 (0,00)	0,27 (0,01)	3,99 (0,00)	6,02 (0,00)	0,79 (0,00)	-1,04 (0,00)			1876.7
2	-0,45 (0,00)	-1,03 (0,00)	-1,11 (0,00)	-1,07 (0,00)			3,58 (0,00)	5,60 (0,00)	0,73 (0,00)		0,44 (0,00)	0,67 (0,00)	1899
№	Финансовые переменные	Макроэкономические переменные	Квадратичная форма объясняющих переменных	Критерий AIC	ROC-кривая
	ROA	Ln_Netassets	Turn_assets	Property_status	Capital_product	Prevent_bank	crisis	after_cr	Ln_Netassets^2	Capital_product^2	Turn_assets^2	Property_status^2
12	-0,46 (0,00)	-1,07 (0,00)	-1,26 (0,00)	-0,93 (0,00)	0,83 (0,00)	0,27 (0,01)	3,95 (0,00)	5,98 (0,00)	0,77 (0,00)	-0,98 (0,00)	0,49 (0,00)	0,57 (0,00)	1869

Таким образом, модель с наилучшими характеристиками получилась на основе статистического отбора переменных и имеет следующий вид:

где:

,

ROA - Рентабельность активов для i строительной компании;

Ln_Netassets - Натуральный логарифм чистых активов для i строительной компании;

Turn_assets - Коэффициент оборачиваемости капитала для i строительной компании;

Property_status - Доля основных средств в общих активах для i строительной компании;

Capital_product - Коэффициент оборачиваемости внеоборотных активов для i строительной компании;

Prevent_bank - Коэффициент предотвращения банкротства строительных организаций;

crisis - Влияние кризисного года;

after_cr - Влияние пост кризисного периода.

2.8 Предсказательная сила финальной модели

Итак, будем тестировать модель с наилучшими характеристиками. Прогноз вне выборки проводился на основе тестовой выборки с 805 наблюдениями. В ней представлены данные 2014 года по 161 дефолтной строительной организации и 644 состоятельным организациям. Далее рассмотрим предсказательную силу финальной модели при нескольких порогах, которые являются барьером для состоятельных и несостоятельных компаний.

Если порог - дефолт, когда вероятность >= 2,5%, то в группе риска оказываются 268 компаний из 805. Данный порог позволяет правильно предсказать значительное количество дефолтов - 73% и состоятельных компаний - 77% (табл.24).

Таблица 24.

Классификационная таблица	На основе модели
	Не дефолт	Дефолт
Реально	Не дефолт	77%	23%
	Дефолт	27%	73%

Если порог - дефолт, когда вероятность >= 3%. В группе риска: 194 компании из 805. Данный порог позволяет правильно предсказать значительное количество дефолтов - 61% и состоятельных компаний - 85% (табл.25).

Таблица 25.

Классификационная таблица	На основе модели
	Не дефолт	Дефолт
Реально	Не дефолт	85%	15%
	Дефолт	39%	61%

Если порог - дефолт, когда вероятность >= 5%. В группе риска: 117 компаний из 805. Данный порог позволяет правильно предсказать 44% дефолтов и 93% состоятельных строительных организаций (табл. 26).

Таблица 26.

Классификационная таблица	На основе модели
	Не дефолт	Дефолт
Реально	Не дефолт	93%	7%
	Дефолт	56%	44%

Для наглядности сведём полученные результаты при рассмотренных порогах в единую таблицу 27.

Таблица 27.

Критерий причисления компании к группе риска: вероятность дефолта >= порога	Количество компаний, отнесенных к группе риска	Процент верно предсказанных дефолтов
Порог = 2,5%	268	73%
Порог = 3%	194	61%
Порог = 5%	117	44%

Исходя из полученных результатов, предполагается, что в данном исследовании оптимальным порогом можно считать, например, 2,5% вероятности дефолта. Он позволяет иметь сравнительно небольшие ошибки первого и второго рода, а также достаточно сбалансированные точные предсказания касательно состоятельных и дефолтных организаций. В целом, выбор порога является задачей пользователя модели и зависит от его предпочтений касательно ошибок первого и второго рода.

Также, после построения финальных моделей на данных обучающей выборки и получения прогнозных результатов на данных тестовой выборки проведем анализ ошибок первого и второго рода, чтобы сравнить прогнозную силу полученных моделей. Ошибкой первого рода принято считать случаи, когда модель предсказывала, что строительная компания является устойчивой, а на самом деле в следующем году она объявила дефолт. Ошибка второго рода, напротив, отражает случаи, когда прогнозируется, что строительная компания будет несостоятельной, а она избежала дефолта. Очевидно, что с точки зрения инвестора, надзорного органа или партнера при выборе контрагента лучше перестраховаться, поэтому для них ошибка второго рода, когда в группу риска дефолта относится больше компаний, чем есть на самом деле, не так страшна. Другое дело ошибка первого рода, когда могло оказаться доверие строительной компании на основе модели, а она утратила состоятельность. В этом случае потери инвестора или партнера будут очень серьезными. С этой точки зрения, в рамках данного исследования стоит минимизировать ошибку первого рода, чтобы избежать рисков неплатежеспособности контрагента. Для проведения анализа данных ошибок были построены графики вероятности каждой из ошибок при изменении порога дефолта. Напомним, что порогом является значение вероятности дефолта для принятия решения о будущей состоятельности строительной организации. Так, когда вероятность дефолта больше установленного порога, ожидается дефолт компании. Тем не менее, как уже отмечалось, выбор порога зависит от предпочтений пользователя модели (инвестора, надзорного органа, партнера) (Bovenzi et al., 1983). Таким образом, алгоритм построения графиков заключается в нахождении для каждого порога пары вероятности ошибки первого рода и вероятности ошибки второго рода. В данном исследовании вычисление вероятности каждой из ошибок на основе тестовой выборки производилось 1000 раз для каждой модели. Что касается оценки полученных графиков, то предсказательная сила лучше у той модели, чей график находится ниже (Peresetsky et al., 2004).

Графики ошибок первого и второго рода были построены для:

- модель, построенная на основе статистического отбора переменных без перехода к нормированной шкале (красный цвет);

- модель, построенная на основе статистического отбора переменных с переходом к нормированной шкале (чёрный цвет);

- модель, построенная на основе поочередного включения переменных без перехода к нормированной шкале (синий цвет);

- модель, построенная на основе поочередного включения переменных с переходом к нормированной шкале (зелёный цвет).

Сравнение графиков для модели, построенной первым методом (рис. 1), ещё раз подтверждает правильность перехода к нормированной шкале.

Рисунок 1. Сравнение первой модели (статистический отбор переменных), с нормализацией (чёрный) и без (красный)

Так же как и сравнение графиков для модели, построенной вторым методом (рис. 2), где график модели после нормирования шкалы находится ниже, чем без нормирования.

Рисунок 2. Сравнение второй модели (поочередное включение переменных), с нормализацией (зелёный) и без (синий)

Что касается сравнения двух финальных моделей, полученных как раз после нормирования шкал, то рисунок 3 показывает, что большей предсказательной силой, несмотря на несколько пересечений графиков, обладает модель статистического отбора переменных, так как она при значительно большем количестве порогов находится ниже альтернативного графика.

Рисунок 3. Сравнение 1ой (чёрный) и 2ой (зелёный) модели в нормализованных шкалах

Рисунок 4. Общий график ошибок 1 и 2 рода



На общем графике также видно, что присутствует довольно большая область, где ниже всех расположена модель, построенная на основе статистического отбора переменных с переходом к нормированной шкале (чёрный цвет). Эта же модель показала наилучшую форму ROC-кривой, где коэффициент AUC имеет значение 0,8029. Значит и данный подход указывает на её достаточно сильную предсказательную способность.

2.9 Сравнение финальной модели с предшествующими исследованиями

Теперь, когда в рамках данного исследования была получена модель с наилучшими характеристиками для непубличных строительных компаний, полученные результаты можно сравнить с предшествующими исследованиями данной отрасли.

Для этого сначала по нашей тестовой выборке, которая насчитывает данные по 805 строительным компаниям за 2014 год (161-дефолт, 644 - не дефолт), определим также прогнозную силу коэффициента предотвращения банкротства строительных организаций, предложенного Шохнех А.В. (2012). Напомним, что данный показатель рассматривался в ходе исследования как объясняющая переменная, оказался статистически значимым и вошёл в финальную модель. Коротко вспомним, что он рассчитывается по формуле

КпбСО = ЗС/СС х ЗС/(ВА+ОА)

где ЗС - заемные средства; СС - собственные средства; ВА - внеоборотные активы; ОА - оборотные активы.

Прогнозная сила данного подхода отражена в следующей таблице 28:



Таблица 28.

Классификационная таблица	На основе модели
	Не дефолт	Дефолт
Реально	Не дефолт	37%	63%
	Дефолт	15%	85%

Итак, для более наглядного сравнения прогнозных характеристик данного метода и полученной финальной модели будем использовать понятие чувствительности и специфичности модели. Определение данных понятий вытекает, в том числе, из уже рассмотренных ошибок первого и второго рода. Определим ещё несколько необходимых понятий:

TN (True negative) - количество правильно предсказанных случаев не дефолтов строительных компаний;

FP (False positive) - количество неправильно предсказанных случаев дефолтов строительных компаний (ошибка 2 рода);

FN (False negative) - количество неправильно предсказанных случаев не дефолтов строительных компаний (ошибка 1 рода);

TP (True positive) - количество правильно предсказанных случаев дефолтов строительных компаний.

Таким образом, под чувствительностью подразумевается доля правильно предсказанных дефолтов в общем количестве дефолтов на основе тестовой выборки. А специфичность модели заключается в количестве верно определенных состоятельных компаний в общем количестве состоятельных компаний тестовой выборки (Паклин, 2008).

Так, используемые для определения предсказательной силы модели таблицы имеют следующее теоретическое обоснование (табл. 29):



Таблица 29.

Классификационная таблица	На основе модели
	Не дефолт	Дефолт
Реально	Не дефолт	Специфичность	Ошибка 2 рода
	Дефолт	Ошибка 1 рода	Чувствительность

Теперь, определив необходимые понятия, перейдем непосредственно к сравнению моделей. На основе таблицы 28 можно сделать вывод, что коэффициент предотвращения банкротства строительных компаний является весьма чувствительным тестом - 85% правильно идентифицированных случаев дефолта при достаточно большой ошибке второго рода - 63% строительных компаний ложно были отнесены к дефолтным организациям, серьезно расширив границы группы риска. То есть, данный подход заточен на максимальное предотвращение случаев пропуска дефолтов строительных компаний. Что касается чувствительности финальной модели, полученной в данном исследовании, то она находится на уровне 73% при выбранном пороге идентификации дефолта - 2,5% (табл. 24). При таком пороге модель выглядит достаточно сбалансированной с точки зрения размера группы риска - она позволяет верно определить значительное количество, как состоятельных компаний (77%), так и дефолтных компаний (73%). При этом пользователь модели в зависимости от своих предпочтений и целей может изменить порог отсечения и изменить предсказательные характеристики. Так, например, финальная модель исследования при изменении порога с 2,5% на 1,41% показывает чувствительность уже на уровне 90%, превышая данную характеристику коэффициента предотвращения банкротства строительных компаний.

Также стоит сравнить эти две модели с той точки зрения, что при одинаковом уровне чувствительности (например, 85%) модель данной работы имеет меньшую ошибку второго рода (49%), выявляя меньший размер группы риска (компаний, относительно которых есть подозрение о дефолте в течение следующего года). Для сравнения коэффициент, разработанный Шохнех А.В. (2012) при таком же уровне чувствительности имеет ошибку второго рода на уровне 63% и, соответственно, имеет меньшую долю верных прогнозов касательно состоятельных компаний - 37% против 51% у финальной модели вероятности дефолта строительных компаний. Данный результат был достигнут при установке порога определения события «дефолт» в построенной модели на уровне большем 1,75% (табл. 30).

Таблица 30.

Классификационная таблица	На основе модели
	Не дефолт	Дефолт
Реально	Не дефолт	51%	49%
	Дефолт	15%	85%

Отдельно необходимо остановиться на предшествующем исследовании Татьмяниной К.М. (2014), касающегося построения модели вероятности дефолта публичных строительных компаний, в отличие от данной работы, в которой исследование проводилось для непубличных строительных компаний. Автором была построена logit - модель с такими переменными, как доля запасов в оборотных активах и его квадрат, коэффициент автономии, рентабельность затрат и индекс цен потребителей. Построение производилось на основе метода статистического отбора переменных. В свою очередь в итоговую модель данного исследования вошли такие переменные, как рентабельность активов, натуральный логарифм чистых активов и его квадрат, оборачиваемость капитала, доля основных средств в активах, оборачиваемость внеоборотных активов и его квадрат, коэффициент предотвращения банкротства строительных компаний и влияние кризисного и пост кризисного периода. Как мы видим, для публичных и непубличных строительных компаний разный набор показателей имеет ключевое значение при определении вероятности их дефолта. Прогнозные характеристики модели Татьмяниной К.М. находятся на очень высоком уровне, о чём свидетельствует форма ROC-кривой. Так, показатель AUC (Area Under Curve) той модели равен 0,82, что немного больше, чем коэффициент AUC модели данного исследования равный 0,80. Это говорит о большей предсказательной силе модели дефолтов публичных строительных компаний, чем модели дефолтов непубличных компаний. В первую очередь, данное различие обусловлено как раз тем, что в предшествующей работе анализировались публичные компании, которые ежегодно проходят аудит финансовой отчетности, а значит, имеют большую степень её правдоподобности и меньшие риски искажения, чем в непубличных компаниях. Тем не менее, ещё раз стоит отметить, что полученная в ходе данного исследования модель также отличается отличным качеством по классификации показателя AUC (Помазанов и др., 2008). Таким образом, данная работа дополняет полученные ранее результаты анализа состоятельности строительных организаций.

2.10 Тест на переобучаемость финальной модели

Как отмечалось в ходе исследования, logit-модель может характеризоваться сильной зависимостью от обучающей выборки. Поэтому чтобы быть уверенным в высокой степени универсальности предложенной финальной модели необходимо провести тестирование на устойчивость знаков и значимости, полученных коэффициентов. Для этого в R был реализован алгоритм, который прогонял финальную модель 100 раз в условиях случайного выбора 80% состоятельных строительных компаний из обучающей выборки и 100% выбора дефолтных компаний из обучающей выборки на каждом этапе. Далее анализировались полученные знаки и значимость коэффициентов на каждом этапе. Полученные результаты продемонстрированы в таблице 31.



Таблица 31.

Тестирование на переобучаемость финальной модели

Константа	ROA	Ln_Netassets	Turn_assets	Property_status	Capital_product	Prevent_bank	crisis	after_cr	Ln_Netassets^2	Capital_product^2
Сколько раз коэффициент был положительным
0	0	1	1	3	100	97	98	100	97	2
Сколько раз коэффициент был значимым
100	100	100	100	100	100	98	98	98	100	98

Таким образом, можно сделать вывод, что полученная модель достаточно устойчива и не подлежит серьезной переобучаемости. Так, все коэффициенты финальной модели сохраняют знак как минимум в 97% случаев. А значимость данных коэффициентов сохранялась в ходе анализа как минимум в 98% случаев. Значит, построенная модель вероятности дефолта непубличных компаний строительного комплекса в нормализованных шкалах является достаточно универсальной и может использоваться для оценки их конкурентоспособности в совокупности с другими инструментами.

2.11 Калибровка рейтинговой шкалы для оценки конкурентоспособности

Для дополнительной наглядности полученных результатов предлагается подготовить рейтинговую шкалу, которая отмечала бы, какие значения вероятности дефолта строительной организации соответствуют каждой категории. За основу была взята кредитная рейтинговая шкала международного рейтингового агентства Standard&Poor's. Она выглядит следующим образом (табл. 32):



Таблица 32. Рейтинговая шкала S&P

Если результаты, полученные в ходе оценки финальной модели на тестовой выборки, наложить на рейтинговую шкалу S&P, то распределение рейтингов будет выглядеть следующим образом (Рис.5):



Рисунок 5. Распределение полученных рейтингов на шкале S&P

Как мы видим, в категории BB (сравнительно небольшая уязвимость в краткосрочной перспективе) находится слишком много компаний из тестовой выборки (почти 600), которая насчитывает 805 непубличных строительных компаний. В этой связи для использования её в условиях нашей страны предложено немного откалибровать полученные распределения рейтингов так, чтобы они располагались по категориям чуть более равномерно. Полученные результаты в соответствии с национальной рейтинговой шкалой представлены на рисунке 6.

Рисунок 6. Откалиброванная рейтинговая шкала

Полученное таким образом сопоставление значения вероятности дефолта рейтинговой шкале выглядит следующим образом:

Категория	Вероятность дефолта, %
AAA	0
AA	0.05
A	0.3
BBB	0.56
BB	1.7
B	5
CCC	15
CCC-/C	33

2.12 Интерпретация финальной модели

Перейдем к интерпретации построенной модели для непубличных строительных компаний, так как она представляет не меньший интерес, чем прогнозное качество модели. Итак, в модель вошли такие финансовые переменные, как рентабельность активов, натуральный логарифм чистых активов и его квадрат, оборачиваемость капитала, доля основных средств в общих активах, оборачиваемость внеоборотных активов и его квадрат, коэффициент предотвращения банкротства строительных компаний.

Рентабельность активов (ROA) включена в финальную модель с отрицательным знаком коэффициента, то есть, чем выше значение данной переменной, тем меньше вероятность дефолта строительной непубличной компании. Данный показатель характеризует эффективность использования имеющихся у строительной компании активов для получения чистой прибыли. Строительный бизнес обусловлен длительным производственным циклом, является очень ресурсоемким, поэтому эффективное распоряжение активами является важной составляющей состоятельности и конкурентоспособности компании относительно других участников строительной отрасли.

Натуральный логарифм чистых активов (Ln_Netassets) характеризует размер строительной организации и входит в итоговую модель тоже с отрицательным знаком. Значит, при увеличении размера компании вероятность дефолта становится менее вероятной. Но в данном случае значимой оказалась и квадратичная форма данного показателя, которая имеет коэффициент с положительным знаком. Таким образом, мы имеем дело с U-образной зависимостью. Очень большой и очень малый размер строительной компании увеличивает вероятность её дефолта. Это связано с тем, что только лишь размер компании не может являться гарантом устойчивости. Следовательно, ситуация, присущая банковской системе, «Слишком большой, чтобы потерпеть неудачу» здесь не проявила себя.

Оборачиваемость капитала (Turn_assets) характеризует скорость его оборота и, как следствие, общую деловую активность строительной компании. Чем больше данная активность, тем менее вероятен дефолт организации. Если компания имеет сформированный пул заказчиков и регулярно пополняемый портфель проектов, то она обладает достаточной диверсификацией и загруженностью. Значит, такая строительная компания является достаточно устойчивой к возможным негативным макроэкономическим изменениям или временной неплатежеспособности одного из контрагентов.

Имущественное положение (Property_status) имеет коэффициент с отрицательным знаком. Доля основных средств в общих активах отражает удельный вес основных средств в активах строительной организации. Ее высокое значение, как правило, характеризует ориентацию на создание материальных условий расширения текущей деятельности предприятия, что, безусловно, снижает вероятность дефолта строительной организации.

Фондоотдача (Capital_product) характеризуется оборачиваемостью внеоборотных активов. Данный показатель имеет положительный знак коэффициента, который указывает на увеличение вероятности несостоятельности компании при увеличении данного показателя, что возможно связано с невысоким удельным весом основных средств в активах. В тоже время, значимой оказалась и квадратичная форма данного показателя с отрицательным знаком при коэффициенте. Это отмечает наличие -образной зависимости данного показателя: низкое значение данного показателя может говорить об обоснованном увеличении производственного потенциала строительной компании и обновлении основных средств, что позитивно сказывается на состоятельности компании, снижая вероятность дефолта. В свою очередь, очень высокое значение данного показателя также снижает вероятность дефолта строительных компаний, потому что характеризует большую эффективность использования производственного потенциала.

Коэффициент предотвращения банкротства строительных компаний (Prevent_bank) входит в модель с положительным знаком, что означает увеличение вероятности дефолта строительной организации при увеличении значения данного показателя, что интуитивно понятно. Сама суть данного метода и заключается именно в такой интерпретации.

Также свою статистическую значимость подтвердили макроэкономические переменные влияния кризисного года и пост кризисного периода. В каждый из этих периодов вероятность дефолта строительных компаний больше, чем до кризисных событий. Причём в ближайшие годы после кризисного события вероятность дефолта даже больше, чем в кризисный год, что в первую очередь связано с запаздывающей реакцией строительных компаний на экономическую напряженность. Строительные компании обладают длинным производственным циклом, поэтому во время кризиса компании недобирают проектов в свой портфель заказов на среднесрочную перспективу, что скажется как раз в пост кризисное время. Безусловно, в кризисный год строительные компании сталкиваются с неплатежеспособностью контрагентов и увеличением цен на строительные материалы, что также способствует увеличению вероятности их дефолта. Стоит отметить, что в ходе анализа не было выявлено целесообразности включения рассмотренных институциональных переменных. Так, не оказались значимыми для определения состоятельности строительной компании переменные, указывающие на месторасположение, наличие нескольких совладельцев, вхождение в реестр недобросовестных поставщиков и реестр задолженности по уплате налогов. Очевидно, что вхождение в вышеупомянутые реестры негативно сказывается на состоятельности компании, но их значимость не была подтверждена в рамках данной работы, скорее всего, из-за не очень высокой доли таких компаний в общей выборке. Важно также обратить внимание не то, что принципиального значения не оказывает и форма допуска на строительный рынок. Переход к саморегулированию от лицензирования, осуществленный в начале 2009 года, не выявил дополнительной уязвимости для строительных компаний ни в год перехода на новую систему, ни до перехода, ни позже.



ГЛАВА 3. ИНДЕКС КОНКУРЕНТОСПОСОБНОСТИ СТРОИТЕЛЬНОЙ ОТРАСЛИ

3.1 Предпосылки построения индекса

Строительная отрасль России характеризуется очень большим объёмом строительных компаний и объёмом работ, выполненных по виду деятельности «Строительство». Ежегодно проводится порядка 75 тысяч тендерных закупок по этому направлению. Такое количество компаний разных категорий бизнеса позволяет создать репрезентативную выборку для разностороннего анализа происходящих процессов в отрасли и общего уровня конкурентоспособности. В данной работе под конкурентоспособностью понимается эффективность использования компанией своих материальных и человеческих ресурсов, высокий уровень которой поможет достичь низкой вероятности финансовой несостоятельности компании и, как следствие, высокого позиционирования себя на профильном рынке. В мировой практике роль инструмента, помогающего ориентироваться в перспективности тех или иных инвестиций в отрасль или конкретный субъект, играют разнообразные индексы: Dow Jones, S&P500, NASDAQ и т.д. В России же такими ориентирами выступают среди прочего отраслевые индексы ММВБ-РТС: Нефть и газ, Телекоммуникации, Машиностроение и др. Отдельно стоит отметить индекс предпринимательской уверенности в строительстве, рассчитываемый Федеральной службой государственной статистики и по своей сути являющийся индексом типа PMI (purchasing managers index), который выявляет мнение директоров ведущих компаний отрасли об экономической ситуации и перспективах развития бизнеса (Якимкин, 2007). Что же такое индекс - это число (а иногда символ или набор символов), указатель места элемента в совокупности или показатель активности, производительности, развития или изменения чего-либо (Карминский А.М., 2011). Индексы формируют важнейшие экономические показатели экономики страны и ее отдельных отраслей и субъектов. Таким образом, данная глава будет посвящена построению и использованию прозрачного и объективного индекса (группы индексов) конкурентоспособности строительной отрасли (далее - ИКСО). Отметим, что значение ИКСО показывает текущее состояние, а его изменение - общие тенденции динамики развития строительной отрасли России.

3.2 Поэтапное построение индекса

Как показывает практика, чтобы любой инструмент стал широко используемым, он должен либо пройти через сито мнений экспертов отрасли, для анализа которой применяется этот самый инструмент, либо уже содержать в себе экспертное мнение и оценки. Поэтому индекс будет состоять как из количественной оценки с помощью рейтинговой оценки, так и из качественной оценки, основанной на опросе профессионального сообщества о состоянии отрасли и происходящих в ней процессах. Третьей составляющей индекса будет анализ конъюнктуры строительного рынка.

Для начала построения системы индексов осталось ещё раз отметить, что полный цикл строительства характеризуется тремя базовыми этапами: изысканиями, проектированием и строительством.

Первый этап построения индекса.

Репрезентативная выборка для расчета индекса включает в себя:

- компании из каждого субъекта РФ;

- изыскательские компании, проектные компании и строительные компании;

- компании всех категорий бизнеса (микро - выручка до 60 млн.руб.; малый - 60-400 млн.руб.; среднего - 400-1000 млн.руб.; крупного - более 1 млрд.руб.).

Строительные компании по своей сути являются многофункциональным сложным организмом, поэтому они должны оцениваться всесторонне с учетом отраслевой специфики - на основе анализа кадрового и производственного обеспечения, финансового состояния, качества управления компанией и деловой репутации. Рейтинги являются универсальным инструментом, который должен содержать в себе анализ, как тенденций развития самого субъекта, так и положения субъекта в соответствующем секторе экономики. Для этих целей будет использован конструктор динамического рейтинга (далее - КДР), методология расчета которого включает в себя внутреннее состояние оцениваемой компании (внутренний рейтинг), положение данной компании относительно других участников данного сектора рынка (внешний рейтинг), а также их совместную оценку (Карминский, 2008).

Сильной стороной данного метода также является то, что технология КДР полностью прозрачна и его составляющие могут определяться дистанционно. Хорошей основой для расчета дистанционного рейтинга является информационно-аналитические системы, с помощью которых осуществляется непрерывный мониторинг финансовых показателей (данные для анализа в рамках данной статьи были взяты из системы СПАРК агентства «Интерфакс»). Полученные рейтинговые оценки распределены в интервале [0;1] и соотносятся с установленной рейтинговой шкалой, которая наглядно демонстрирует, в какой группе находится компания (Карминский, Пересецкий, 2005).