Анализ толерантности к риску системообразующих компаний России

Размещено на http://www.allbest.ru/

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет «Санкт-Петербургская школа экономики и менеджмента»

Выпускная квалификационная работа

БАКАЛАВРСКАЯ РАБОТА

по направлению подготовки 38.03.01 «Экономика»

студентки группы № 141

образовательная программа «Экономика»

АНАЛИЗ ТОЛЕРАНТНОСТИ К РИСКУ СИСТЕМООБРАЗУЮЩИХ КОМПАНИЙ РОССИИ

Кислякова Софья Денисовна

Санкт-Петербург 2018



Введение

Нестабильность российской экономики в последние годы и участившиеся мировые финансовые кризисы диктуют необходимость эффективного и гибкого управления компаниями. Банкротства крупных представителей финансового или реального сектора создают множество проблем как для экономики в целом, так и для отдельных её участников. Особенно это касается организаций, относимых к числу системообразующих. Крах подобных предприятий способен породить так называемый «эффект домино», то есть возникновение серии потерь компаний, связанных с ними тесными экономическими отношениями. В связи с этим рассматривают особый вид предпринимательского риска, риск несостоятельности организации.

Факт существования компаний «слишком крупных, чтобы обанкротиться» (Too-big-to-fail) вынуждает государство оказывать им финансовую и иную поддержку в кризисных ситуациях. В России взаимоотношения Правительства и системно важных нефинансовых организаций законодательно регулируются Перечнем системообразующих предприятий. Компании, причисленные к Перечню, имеют возможность получить государственные гарантии и материальную поддержку из бюджета страны. Подобные меры порождают проблему стимулов руководства организации к самостоятельному решению возникших трудностей.

Увеличение общего уровня риска предприятия связывают с его толерантностью к риску, которая выражается в действиях или бездействии менеджеров. В научной литературе большое внимание уделяется вопросам предсказания риска банкротства и выявлении критичных факторов, приводящих к краху компании. В этой связи актуальным становится вопрос о том, оказывает ли факт возможной государственной поддержки негативное воздействие на текущий уровень риска предприятий.

Несмотря на обширность литературы по схожей тематике, большая часть исследований концентрируются на анализе TBTF финансовых компаний. Для отечественной науки данная работа актуальна также потому, что среди факторов риска крупных предприятий ранее не рассматривалась принадлежность к Перечню системообразующих.

Таким образом, цель данного исследования - разработка и оценка модели влияния характеристик организации на уровень толерантности к риску несостоятельности на примере системообразующих и обычных крупных предприятий России.

Для достижения поставленной цели необходимо выполнить следующие задачи:

1. Изучить экономическую и финансовую литературу по выбранной теме;

2. Провести анализ наиболее значимых факторов риска несостоятельности;

3. Сформировать представительную выборку компаний, которые будут задействованы в анализе;

4. Разработать статистическую модель зависимость уровня риска от характеристик организации;

5. Оценить разработанную модель с помощью релевантных эконометрических методик;

6. Выбрать наиболее подходящую модель и проинтерпретировать полученные результаты;

7. Сформулировать выводы о значимости тех или иных факторов риска;

Объектом данной дипломной работы являются крупные компании Российской экономики, как включенные в Перечень системообразующих, так и отсутствующие в нём. Предмет исследования - взаимосвязь индивидуальных характеристик предприятия и уровня толерантности к риску.

Теоретической базой дипломной работы стали статьи и книги в области риск-менеджмента и корпоративных финансов. Значительную часть использованной литературы составляют работы зарубежных авторов, поскольку проблема прогнозирования и оценки риска несостоятельности, а также существования TBTF компании получила там больший отклик. Большинство фундаментальных теоретических наработок в этой области - вклад иностранных исследователей, таких как Beaver H.W., Altman E.I., Leaven L., Levine R. и других. Основные концепции предпринимательского риска, используемые в данной работе, базируются на работах отечественных авторов: Ступакова В.С., Токаренко Г.С. и Швеца С.К.

Практическая значимость работы состоит в том, что корректная оценка факторов риска, связанных с финансовой неустойчивостью компаний будет полезна для предотвращения усугубления экономической ситуации в последующие экономические кризисы.

В первой главе рассматривается понятие системообразующего предприятия и подробно раскрывается проблема moral hazard, возникающая из-за государственной поддержки таких компаний. Далее описываются основные теоретические понятия, такие неопределённость и риск, а также определяется переменная, отвечающая за уровень толерантности к риску.

Во второй главе раскрывается методология данного исследования и описываются факторы, влияние которых будет оценено далее.

В заключительной главе представлен дескриптивный анализ полученных данных по компаниям и выполняется эконометрический с использованием методов, рассмотренных в главе 2. Кроме того, третья глава содержит выводы о значимости всех факторов.



Глава 1. Теоретические аспекты риска в деятельности системообразующих предприятий

1.1 Системообразующие предприятия как объект государственного контроля

Термин «системообразующее предприятие» был введён в законодательство Российской Федерации в 2008 году в связи с утверждением первого варианта перечня подобных компаний. Список разрабатывался и утверждался Правительственной комиссией по повышению устойчивости Российской экономики с целью предупреждения банкротства этих компаний в условиях очередного финансового кризиса. Актуальный перечень был разработан еще в 2015 году и содержит 197 организаций, принадлежащих к различным отраслям и характеризующихся разными организационно-правовыми формами. Наибольшая доля в списке (40%) приходится на представителей четырех отраслей: металлургической, энергетической, транспортной и агропромышленной (пищевой). Также немало компаний из нефтегазовой, химической и ракетно-космической сферы. Значительно меньшую долю занимают предприятия, ведущую свою деятельность в иных направлениях, таких как розничная торговля и автомобильная промышленность.

Системообразующее предприятие - это предприятие, функционирование которого оказывает существенное влияние на социально-экономическую стабильность определенной территории, субъекта РФ, либо стабильность конкретной отрасли хозяйствования. Компании, принадлежащие к числу системообразующих, являются представителями крупного бизнеса, на долю которого приходится 70% ВВП страны, и значительная доля объема производимой продукции или оказанных услуг. Для включения в список, предприятию достаточно удовлетворить одному из представленных качественных критериев, в частности, обладать весомым технологическим потенциалом, участвовать в реализации перспективных и значимых инвестиционных проектов, либо иметь высокий удельный вес экспортных поставок в совокупных продажах

Тем не менее, при формировании списка, ключевым оказывалось соответствие не только описанным качественным характеристикам, но и количественным показателям выручки, занятости и налоговых отчислений. В частности, граница для годовой выручки по итогам отчётного 2014 года была установлена в размере 10 млрд. рублей (в сельском хозяйстве -4 млрд. рублей), объемы отчисления в бюджет за последние 3 года должны были находиться на уровне 5 млрд. рублей (в сельском хозяйстве -2 млрд. рублей), а численность наёмного персонала компании составлять не менее 4 тыс. человек (в сельском хозяйстве - не менее 1,5 тыс. человек).

Поскольку главной целью создания Перечня является поддержание финансовой устойчивости российской экономики путем господдержки его фигурантов, утверждённые предприятия попадают под постоянный контроль финансово-экономического состояния, организованный соответствующей Межведомственной комиссией. При этом в сообщениях Министерства экономического развития особо подчеркивается, что включение организации в список системообразующих не является гарантией предоставления государственной поддержки, равно как и отсутствие организации в перечне не исключает подобной возможности. Кроме того, компаниям, получившим государственную поддержку, выдвигаются требования о выполнении плана их финансового «оздоровления», программ реструктуризации и повышения эффективности, а также иных условий, выдвигаемых Комиссией.

В качестве основных механизмов государственной поддержки оговариваются различные кредитные инструменты, субсидирование процентных ставок, реструктуризация налогового бремени, государственный заказ, льготная таможенно-тарифная политика, государственные гарантии и др. Для получения государственной гарантии в обеспечение обязательств по кредиту (облигационному займу), компании необходимо соответствовать нормам, регламентированным в постановлении Правительства РФ от 10 мая 2017 года №549 «О государственных гарантиях РФ по кредитам или облигационным займам, привлекаемым юридическими лицами на цели, установленные Правительством РФ в рамках мер, направленных на решение неотложных задач по обеспечению устойчивости экономического развития.»

Примечательно, что первый вариант списка, опубликованный в самый пик финансово-экономического кризиса 2008-2010 годов, включал в себя 304 компании, значительную долю при этом занимали предприятия отраслей энергетика - 36, металлургическая и добывающая промышленность - 33, пищевая промышленность и агропромышленный комплекс - 36. В конце 2009 года Правительством Российской Федерации были разработаны основные направления антикризисных действий, которые, среди прочего, включали в себя положения о государственной поддержке как отдельных предприятий, так и группы системообразующих компаний. Так, из общей суммы средств федерального бюджета, выделенных на реализацию антикризисных мер, 22,42% планировалось потратить на субсидирование и погашение задолженностей организаций, а 20,51% направлялись на оказание поддержки компаний из Перечня.

Описанные в постановлении антикризисные меры преимущественно включали следующие способы воздействия:

1) реструктуризация и/или погашение задолженности перед кредиторами;

2) выделение денежных субсидий на возмещение части затрат, выдача льготных кредитов;

3) предоставление налоговых кредитов (налоговых каникул);

4) реструктуризация задолженности по налогам (взносам);

5) предотвращение отключения предприятий от источников энергоснабжения;

6) целевое выделение средств, предусмотренных в областном бюджете по статье «бюджетные кредиты». [24]

В целом меры поддержки, оказываемой Правительством РФ, были направлены на сохранение стабильного состояния компаний в период кризиса или предотвращение их банкротства. Сама программа действий разрабатывалась и осуществлялась как ответная реакция на сложившуюся в экономике ситуацию, по этой причине селективные меры не всегда оказывались пригодны и эффективны для решения проблем. Главным недостатком целевой поддержки предприятий можно назвать то, что она была реализована без учёта долгосрочного и стратегического развития компаний. Таким образом нарушался естественный порядок «обновления» предприятий в период кризиса, направленный на оптимизацию внутренних экономических процессов. При получении господдержки снижался потенциал модернизации и повышения эффективности хозяйственных процессов, менеджмента, финансового контроля и т.п.

Результаты, полученные от реализации антикризисных мероприятий, обнаружили проблему, которая стала ключевой для текущего исследования. Системообразующие компании, не имевшие собственной комплексной антикризисной политики, для решения возникших экономических проблем в большей степени полагались на поддержку со стороны Правительства. Меры, принимаемые менеджментом компаний, зачастую носили локальный характер и были прежде всего ориентированы на ужесточение кредитной политики. В ситуации, когда государство возмещает затраты организации, покрывает кредитные обязательства и финансирует её текущую хозяйственную деятельность, ослабляется внутренний контроль компании за уровнем принимаемых рисков.

Проблема государственной поддержки экономически значимых компаний давно известна мировой общественности и с 1984 года носит название «Too big to fail» (слишком крупный, чтобы обанкротиться). TBTF характеризует компании, системная значимость которых настолько высока, что их банкротство повлечёт серьезные негативные последствия для национальной экономики. После беспрецедентного случая банкротства крупнейшего американского инвестиционного банка Lehman Brothers Holdings в 2008 году, проблема TBTF стала рассматриваться преимущественно в контексте финансовых институтов, в частности, вопросов контроля банковской деятельности. Так, в после кризисный период, 2010-2011 годах был утверждён новый документ Базельского комитета по банковскому надзору (Базель III), содержащий методические рекомендации в области регулирования банковской деятельности и направленный на повышение качества управления рисками.

Впрочем, не существует ограничений по отнесению только финансовых компаний к группе TBTF. Само понятие системообразующих предприятий и факт их государственной поддержки означает, что им присущи характеристики TBTF организаций. Определяющей чертой существования подобных компаний можно назвать появление так называемого морального риска (moral hazard) или риска недобросовестности. Находясь под государственной защитой на случай кризиса, менеджмент крупных компаний будет действовать иначе, чем в отсутствие такой защиты.

По мнению экономистов, существование организаций too big to fail нарушает естественную конкуренцию - на рынке должны быть представлены только компании, способные самостоятельно решать свои проблемы. Риски, которые они на себя принимают, ни при каких условиях не должны покрываться за счет средств налогоплательщиков. [6.54]

На данном этапе важно прояснить один момент касательно государственной поддержки, предоставляемой Правительством РФ. Как было описано ранее, принадлежность компании к числу системообразующих, не является стопроцентной гарантией получения любого рода помощи. Кроме того, существуют базовые условия предоставления и исполнения государственных гарантий, что также накладывает дополнительные ограничения на компании. Однако, можно утверждать, что особенных трудностей в подаче заявления на господдержку у предприятий из Перечня не возникает, и этому есть ряд подтверждений.

Во-первых, требования о повышении эффективности или реструктуризации в случае получения поддержки, носит скорее рекомендательный, нежели обязательный характер. Несмотря на то, что системно значимые предприятия попадают под государственный мониторинг финансовой и экономической деятельности, по факту, господдержку получали и те, кого однозначно нельзя отнести к экономически эффективным субъектам. [3]

Во-вторых, дополнительными требованиями к организациям для предоставления гарантий являются:

-- отмена премиальных и бонусных выплат высшему менеджменту;

-- обеспечение прозрачности финансовой и хозяйственной деятельности;

-- выполнение работодателем обязательств при увольнении работников, а также сохранение рабочих мест для инвалидов и других социально уязвимых категорий работников; [23]

Из-за того, что данные требования имеют скорее морально-психологическую направленность, нельзя сказать, что они действительно способствуют контролю над потенциальными получателями гарантий.

Исходя из вышеизложенного, можно заключить, что проблема TBTF и moral hazard может быть отнесена на нефинансовые системно значимые предприятия России. Следовательно, необходимо провести анализ рисков, принимаемых компаниями, а далее выяснить, существует ли взаимосвязь между размером компании, принадлежности её к Перечню и уровнем этих рисков.

толерантность регрессия экономический

1.2 Анализ предпринимательских рисков компании

Последнее десятилетие происходит усиленная интеграция финансовой системы России в мировую финансовую систему. Вместе с тем, не уменьшается зависимость экономики страны от экспортно-импортных потоков. Эти факторы обусловили существенное усиление влияния финансовых и коммерческих рисков на результаты экономической деятельности российских компаний.

В современной науке существует множество трактовок понятия «риск». Это связано с разнообразием проявления рисков, которые являются объектом исследования и которые необходимо объединить в рамках общего подхода. Однако, несмотря на вариативность терминов, в содержательной части они близки между собой и зачастую содержат общие ключевые понятия, такие, как «неопределённость», «возможность», «вероятность», «ущерб». Исходя из можно этого заключить, что риск - возможность или вероятность наступления рискового события под влиянием неопределённости и воздействием каких-либо факторов риска.

Факторы риска - условия, обстоятельства, в рамках которых реализуются причины риска и которые приводят к негативным последствиям. Главной причиной появления рисков является неопределённость предпринимательской среды, а значит любая экономическая деятельность напрямую связана с разнообразными рисками. Выявления, оценка и управление предпринимательских рисков составляет объект дисциплины риск-менеджмента, который составляет неотъемлемую часть современного финансового менеджмента. [4]

Существование в России промышленных гигантов, относимых к числу системообразующих, порождает повышенные требования к обеспечению стабильности и безопасности их функционирования. Масштабы хозяйственной деятельности подобных компаний создают дополнительные риски, в том числе, и для экономики страны. С наличием большого числа TBTF организаций связывают рост систематического риска (systematic risk; market risk), порождаемый изменениями конъюнктуры всего финансового рынка под влиянием макроэкономических факторов. Считается, что риски системообразующих компаний (в особенности финансовых институтов) накладываются на общее экономическое состояние страны, а поэтому в определённой мере должны регулироваться государством. [19;13]

Разнообразие действующих рисков, свойственных деятельности коммерческих организаций, велико. Кроме того, их число постоянно растет в процессе эволюции финансовой системы, усложнения бизнес-процессов и роста числа контрагентов компаний. Всё вышеперечисленное способствует усложнению архитектуры рисковых событий. Из широкого спектра предпринимательских рисков особо выделяются финансовые риски, возникающие в процессе управления денежными потоками предприятия. Стало быть, под финансовым риском понимают возможность недополучения ожидаемой выгоды или появления непредвиденных расходов в результате принятого финансового решения.

С учетом специфической природы решений, формирующих рассматриваемую вероятность, выделяются следующие основные виды финансовых рисков:

· валютные;

· кредитные;

· ликвидности;

· рыночные.

Особенное место среди предпринимательских рисков занимает риск банкротства или несостоятельности компании (Insolvency risk, Bankruptcy Risk), то есть невозможности расплатиться по своим обязательствам. Общая несостоятельность предприятия является критической точкой, реализация которой возможна при воздействии целого ряда провоцирующих факторов, связанных с внутренней и внешней средой хозяйствования.

Основной движущей силой несостоятельности выступают финансовые риски, реализация которых зависит от особенностей организации и эффективности коммерческой деятельности предприятия. Недостаточная квалификация руководящего персонала, нехватка собственного капитала, нерациональное распределение прибыли, неэффективная система риск-менеджмента и другие причины могут привести к банкротству. Важно, что при своевременном выявлении внутренние факторы банкротства могут быть успешно предупреждены. Вместе с тем, вывести предприятие из состояния экономического равновесия может влияние факторов внешней среды (политических, экономических, социальных, экологических и др.) Такого рода обстоятельства не могут быть устранены компанией.

На фоне нестабильности мировой экономики и продолжающихся стагнационных процессов в отдельных отраслях народного хозяйства России качественный аудит финансового состояния организаций и прогнозирование вероятности банкротства становится объективной необходимостью. В первую очередь это касается крупных хозяйствующих субъектов, являющихся основой экономики страны. Экономическо-социальные последствия от ликвидации системообразующего предприятия чрезвычайно тяжелы для общества. Привлекая значительные трудовые ресурсы по ходу своей деятельности и обеспечивая рабочими местами тысячи человек, подобные компании несут серьёзную социальную ответственность.

В настоящее время российские компании нередко оказываются в кризисных ситуациях, что в значительной мере обусловлено отсутствием неэффективной системы управления предприятием и количественных методов оценки риска банкротства. Более того, в отечественной экономической литературе достаточно редко раскрываются методики оценки риска несостоятельности. Большая часть работ по данной тематике сосредоточена на анализе и адаптации зарубежных методик к условиям российской экономики.

Для оценки риска банкротства наиболее популярными являются четыре подхода: [5]

1. Рейтинговые системы, основанные на анализе отчётности и получении ряда компонентов (иногда интегральных), на основе которых вычисляется итоговый рейтинг банкротства.

2. Комплексная оценка риска;

3. Экспертные методы, построенные на заключении эксперта, в роли которого может выступать специалист финансовой службы компании.

4. Статистические модели, в том числе:

Параметрические модели:

– Двухфакторные или многомерные, представленные моделями рейтинговых оценок (R-модели) Р.С. Сайфуллина и Г.Г. Кадыкова, моделью ИГЭА; [2]

– Модели мультипликативного дискриминантного анализа (Multiple-discriminant analysis), или модели Z-счета. Первоначально представленные в работах Beaver и Altman, а затем дополненные и адаптированные многими авторами, в числе которых Taffler, R.J. и Tisshaw, H., Fulmer, J.G. (H-score, Fulmer score), Legault, J. (CA Score) и др.; [10;8;22;16]

– Logit-probit регрессионные модели;

– SVM-модели (Support Vector Machines или модели поддерживающих векторов);

Скоринговые математические или статистические модели, с помощью которых на основе доступной статистической информации, экономических данных и экспертных заключений, оценивается вероятность банкротства предприятий;

В данной работе в качестве меры риска будет использована переменная Z-score, получившая широкое распространение при оценке риска несостоятельности финансовых институтов [14;18;11]; Формула расчёта Z-score выглядит следующим образом:



ROA - коэффициент рентабельности активов, показывает, сколько денежных единиц чистой прибыли приносит каждая единица активов, имеющихся в распоряжении предприятия.

Чистая прибыль -- показатель отчёта о финансовых результатах, средняя стоимость активов -- среднее арифметическое активов на начало и на конец года (рассчитывается на основе показателей баланса).

Стандартное отклонение рентабельности активов компании за год у(ROA) рассчитывается как среднеквадратическое отклонение квартальных значений коэффициента ROA, полученных из бухгалтерской отчётности.

В данной работе, согласно разработкам Laeven and Levine (2009) и Houston et al (2010), коэффициент отношения капитала к активам (CAR) рассчитывается на основе консолидированного отчёта о финансовом положении по формуле: [19;17]

Более высокое значение z-score указывает на большую стабильность, и необходим для того, чтобы определить уровень толерантности компании к риску. Толерантность к риску- количество риска и неопределенности, которое компания в целом или ее отдельные бизнес-единицы готовы принять для достижения долгосрочных целей. Таким образом, компании с высоким z-score обнаруживают большую толерантность к риску несостоятельности, нежели компании с низким z-score. При этом важно понимать, что готовность и возможность принять риск в данном случае не тождественны. Если уровень риска окажется выше приемлемого, существует угроза реализации рискового события, то есть банкротства компании.

Главный исследовательский вопрос, на который предстоит найти ответ по ходу данной работы: каким образом определённый набор факторов влияет на толерантность компании к риску. В следующей главе подробно описаны статистические методы выявления взаимосвязей между характеристиками предприятия и z-score.



Глава 2. Анализ взаимосвязи характеристик компании и риска ее несостоятельности

2.1 Описание переменных

Как было описано ранее, в качестве переменной, описывающей уровень толерантности к риску, выступает z-score, базовый показатель риска несостоятельности. Из формулы (1) видно, что переменная может принимать отрицательные значения, поскольку, в случае убытка, рентабельность активов ROA будет давать минус. В связи с этим, в дальнейшем было невозможно использование нормированного (логарифмированного) значения z-score, несмотря на то, что многие исследователи советуют работать именно с натуральным логарифмом z-score из-за сильного перекоса и разброса величин. Тем не менее, в ходе регрессионного анализа этот факт будет приниматься во внимание. [19;17]

Выбор контрольных переменных для модели основывался на обзоре литературы, посвященном детерминантам риска несостоятельности. Как следствие, в модель попали показатели размера компании (TA), корпоративного управления (медианная сумма владения обыкновенными акциями компании), рыночный коэффициент P/B и возраст компании. Стоит отметить, что выбор объясняющих переменных в значительной степени зависел от наличия необходимых данных в отчетностях крупных российских компаниях для их расчета.

Для определения размера компании возможно применение как бухгалтерских (величина активов или общей выручки), так и рыночных показателей (например, капитализация). Принимая во внимание выводы, сделанные в работах по схожей тематике, масштаб фирмы будет измерен величиной активов. Поскольку размер фирмы положительно коррелирует с вероятностью быть TBTF, по мере того, как фирмы становятся более крупными, они с большей вероятностью будут подвергаться чрезмерному риску. Вследствие чего, ожидается негативное влияние этой переменной на z-score. [9]

Обособленным вопросом для исследования в данной работе является взаимосвязь корпоративного управления и риска организации. Важнейшим элементом системы корпоративного управления выступает Совет директоров, деятельность которого влияет на повышение инвестиционной привлекательности предприятия. Совет директоров обладает контрольными, управленческими полномочиями, производит планирование деятельности компании, а также реализует решения, принятые на общем собрании акционеров. На текущий момент существует значительный объем разнородных и противоречивых эмпирических исследований о влиянии совета директоров на финансовую эффективность компании. Впервые тезис об отделении собственности от контроля был сформулирован в работе А. Берле и Г.Минза «Современная корпорация и частная собственность». Из него следовало, что деконцентрация собственности может порождать трудноразрешимые проблемы и отрицательно сказываться на экономической эффективности компании. Эту идею можно изложить следующим образом: качественно управлять предприятием могут только его собственники, и, владея акциями компании, член Совета директоров становится более заинтересованным в её стабильном развитии и росте капитализации. Логично предположить, что эта причастность мотивирует к принятию менее рискованных решений, и положительно влияет на общий уровень риска компании. Чтобы проверить данную гипотезу, необходимо ввести в анализ переменную, отражающую степень концентрации собственности в руках директоров. Для этой цели будет использована медианная сумма владения обыкновенными акциями компании (МСВ). Данный показатель был разработан Bhagat и Bolton в 2008 году, и затем получил широкое распространение в научной англоязычной средe. [13]

Для расчёта МСВ необходима информация о доле обыкновенных акций, принадлежащей директорам и членам коллегиального исполнительного органа. Эти данные содержатся в списке аффилированных лиц, официальном документе, ежеквартально публикуемом акционерными обществами.

Итоговое значение рассчитывается по формуле:

- медианное значение;

- доли владения, %;

(market capitalization) - рыночная капитализация компании на конец года, млн. руб.

Поскольку доли владения в большинстве своём оказывались в интервале [0;1], итоговые суммы требовали нормирования, и с этой целью помножались на тысячу, так, что выражается в тысячах рублей.

Преимущество этого коэффициента состоит в том, что он прост в расчётах, интуитивно понятен и фактически не подвержен ошибкам измерений. К тому же, использование рыночной капитализации позволяет отразить реальную сумму денежных средств, которой обладает держатель доли обыкновенных акций предприятия.

В соответствии с описанной ранее гипотезой, предполагается наличие положительной взаимосвязи между z-score и МСВ.

Дабы с большей достоверностью определить влияние отдельных переменных, дополнительным риск-фактором в модели будет рассматриваться коэффициент P/B (price-to-book, market-to-book). Он выступает распространенным способом оценки компании и соотносит её рыночную и балансовую стоимость. При этом балансовую стоимость организации можно определять по-разному, например, как собственный капитал компании по балансу или сумму общих активов.

Коэффициент не предоставляет никакой информации о способности компании генерировать прибыль, но даёт представление о том, что останется от компании в случае её незамедлительного банкротства. Для анализа толерантности компании к риску этот показатель важен, поскольку ряд эмпирических исследований указывают на то, что фирмы с высоким соотношением P/B с большей вероятностью окажутся в финансовом бедствии (акции торгуются ниже балансовой стоимости). Таким образом, ожидается негативное воздействие этой переменной на z-score, то есть увеличение риска несостоятельности. [18]

В данном исследовании показатель price-to-book выражается формулой:

(market capitalization) - рыночная капитализация компании на конец года, млн. руб.;

- общие обязательства, млн. руб.;

- общие активы, млн.руб.

Дополнительно, в качестве уточняющей контрольной переменной для прибыльности фирмы используется ROA (рентабельность активов), и соотношение TA/TL для финансового левериджа. Предполагается снижение толерантности к риску с ростом рентабельности и обратный эффект при увеличении доли собственного капитала в компании (т.е., увеличении масштабов фирмы). Поскольку можно предположить, что более «опытные» компании лучше справляются с риск-менеджментом и контролируют уровень риска, вспомогательным регрессором в модель вводится общий возраст фирмы. Соответственно, его влияние на z-score ожидается положительным.



2.2 Спецификация модели толерантности к риску

Главной задачей исследования является оценка уровня риска для двух независимых групп компаний: принадлежащих к Перечню системообразующих, и не принадлежащих (обычных). Та часть статистических выводов, которая касается сравнения выраженности параметров, делится на параметрические (сравнение средних величин) и непараметрические (сравнение рангов значений, измеренных с помощью порядковых шкал). Главной проблемой применения параметрических критериев сравнения является то, что в их основе лежит целый набор допущений, которым должны удовлетворять данные, в том числе, форма распределения выборочных статистик, равенство дисперсий и др. В случае, когда какие-либо из описанных допущений нарушаются, возможно использование непараметрического аналога.

Для первичной проверки гипотезы о равенстве средних будет использован базовый параметрический t-критерий Стьюдента для независимых выборок. Как описано выше, одно из важных условий корректного применения этого критерия состоит в том, что анализируемые выборки должны принадлежать нормально распределённым генеральным совокупностям. В случае несоблюдения этого условия, вместо критерия Стьюдента будет использован непараметрический критерий Колмогорова-Смирнова или U-критерий Манна- Уитни.

Основным статистическим методом, применяемым в данной работе для исследования влияния характеристик компании на толерантность к риску несостоятельности, является регрессионный анализ. Несмотря на то, что все большую популярность в прикладном анализе данных обретают так называемые непараметрические ядерные методы (например, бутстреп и кросс-валидация), которые не требуют спецификации функциональных форм оцениваемых переменных, их реализация связана с рядом вычислительных трудностей и требует определённой подготовки в области компьютерного программирования.

В связи с этим, для решения проблемы чувствительности традиционного МНК к выбросам и структурным отклонениям, необходимо использовать альтернативные, робастные методы оценки параметров. К числу таких процедур относят аддитивные модели, квантильные и модальные регрессии, обобщенный МНК (GLS), метод взвешенных наименьших квадратов (WLS) и другие. Таким образом, в данной работе для базового анализа взаимосвязи будет оценён обобщённый МНК, метод урезанных квадратов (LTS) и квантильная регрессия. Примечательно, что оценки LTS будут устойчивы к выбросам, но не стабильны. Кроме того, они не эффективны, если данные нормально распределены.

Кроме того, специфика панельных данных позволяет учитывать и анализировать индивидуальные отличия между экономическими единицами, что нельзя сделать в рамках стандартных регрессионных моделей. Для этого можно проанализировать три линейные статические модели: объединенную модель панельных данных (Pooled model), модель с детерминированными эффектами (Fixed effect model) и модель со случайными эффектами (Random effect model).

В общем виде спецификации модели уровня риска предприятия могут быть записаны следующим образом:

- оценки коэффициентов регрессии;

- фактор размера компании (общие активы);

- коэффициент «price-to-book»;

- показатель МСВ;

- возраст компании;

- дамми-переменная, принимающая значение 1, если предприятие входит в Перечень системообразующих;

Далее, будет осуществляться диагностика оценённых регрессионных моделей на соответствие классическим предположениям Гаусса-Маркова:

· Нормальность распределения остатков и их постоянная дисперсия (тест на гетероскедастичность);

· Отсутствие автокорреляции ошибок;

· Независимость регрессоров, отсутствие сильной корреляции между ними (тест на мультиколлинеарность);

Последующий выбор спецификации модели будет производиться на основе результатов статистических тестов. Для анализа данных и построения модели толерантности к риску используется статистический пакет R.



Глава 3. Результаты анализа риска системообразующих предприятий

3.1 Предварительный анализ данных

Для исследования было отобрано 30 компаний из официального Перечня системообразующих компаний, которые должны были удовлетворять следующим критериям:

1. Иметь опубликованную в открытом доступе финансовую отчётность по МСФО за период 2013-2017 гг.

2. Опубликованную ежеквартальную бухгалтерскую отчётность за период 2013-2017 гг.

3. Быть публичной компанией и котироваться на крупнейшей бирже России - Московской бирже.

Чтобы изучить различия в уровне принимаемых рисков системно значимых и простых крупных предприятий, по тем же критериям было отобрано 15 организаций. Главной проблемой в этой части исследования стала ограниченность представителей несистемных компаний, поскольку подавляющее большинство крупных публичных предприятий уже фигурируют в Перечне. Полный список компаний, включенных в выборку, представлен в Приложении 1, Таблице 1.

Распределение предприятий по отраслям можно видеть на круговой диаграмме (Рисунок 1). Стоит отметить, что многие компании функционируют в нескольких сферах экономики, и были отнесены к одной из отраслей в соответствии с ключевым видом деятельности. Вполне ожидаемо, наиболее представленной в выборке оказалась топливная промышленность (ТЭК). В топливно-энергетический комплекс входят:

· нефтяная промышленность;

· газовая промышленность;

· угольная промышленность;

· электроэнергетика;

Именно предприятия топливной промышленности представляют собой наиболее крупных «игроков» российской экономики и составляют её основу.

Рисунок 1. Отраслевое распределение анализируемых компаний

Следует также подчеркнуть, что в отрасль «Добывающая и обрабатывающая промышленность» были включены такие направления, как чёрная и цветная металлургия. В разделе «Другое» представлены предприятия транспорта, пищевой и авиационной промышленности.

Основным источником данных о компаниях стала финансовая и бухгалтерская отчётность, представленная на сервере раскрытия информации Интерфакс http://www.e-disclosure.ru/. Сведения о годовой капитализации эмитентов были взяты с официального сайта Московской биржи https://www.moex.com/. Данные собирались вручную, ввиду того, что необходимые показатели находятся в различных формах отчётности. По этой причине выборка содержит ограниченное число компаний из Перечня, хотя и может претендовать на репрезентативность.

В результате, данные представляют собой сбалансированную панель, состоящую из 225 наблюдений и пяти временных периодов с 2013 по 2017 гг. Базовые статистические характеристики зависимой и независимых переменных представлены в Таблице 1.

Таблица 1. Описательные статистики исследуемых переменных.

Как видно из Таблицы 1, значения некоторых переменных сильно варьируются, что дает основание предполагать наличие выбросов в выборке. Однако, на данном этапе исключение выбросов производится не будет, поскольку это может существенно сократить выборочную совокупность. Кроме того, присутствие подобных значений может определённым образом характеризовать данные, что требует дальнейшего изучения.

По полученным данным, средняя компания обладает активами на 2 885 миллиардов рублей со стандартным отклонением в 15 809 миллиардов. Медианная компания имеет на балансе 246 миллиардов активами, а максимальным количеством активов среди всех компаний за пятилетний период стал показатель в 141 367 миллиардов рублей. Вместе с тем, минимальная сумма владения активами: 3 миллиарда рублей, что дополнительно указывает на значительный разброс переменной. Этот факт побуждает дальнейшее использование логарифмированных значений, целесообразность данной трансформации подтверждает гистограмма распределения TA и Assets (логарифм TA) на рисунке 2.



Рисунок 2. Гистограммы и ядерные плотности количественных переменных

Гистограмма распределения для медианной суммы владения обыкновенными акциями (переменная RUB) характеризуется положительной асимметрией. Обусловлено это тем, что во многих компаниях члены Совета директоров не являются держателями акций, а значительная доля владения принадлежит крупному собственнику, в частности, государству. Нормирование данной переменой приведёт к серьёзной потере значений, и в моделях она будет использована в первоначальном виде.

Для графической проверки характера распределения зависимой переменной z-score, можно построить так называемый график квантилей (q-q plots, quantile-quantile plots). На графике изображаются квантили двух распределений - эмпирического (т.е. построенного по анализируемым данным) и теоретически ожидаемого стандартного нормального распределения. При нормальном распределении z-score точки на графике квантилей должны выстроиться в прямую линию, исходящую под углом 45 градусов из левого нижнего угла графика. Полученный результат отражён на рисунке 3.



Рисунок 3. Сравнение квантилей эмпирического и нормального распределений

На графике можно обнаружить значительные группы точек, которые выходят за пределы доверительной полосы огибающих с g = 0.95, что заставляет сомневаться в согласии эмпирического и нормального распределений. К тому же, наблюдаются точки, сильно выбивающиеся из последовательности значений z-score. Однако, тест Граббса не идентифицирует данные наблюдения как выбросы (тестировались максимальное 9.77 и минимальное значения -4.5207).

Для того, чтобы дополнительно определить, в каких диапазонах анализируемой переменной наблюдаются отклонения, можно построить альтернативный график распределений, представленный на рисунке 4.

Рисунок 4. Выборочная и теоретическая функции распределения



По графику видно, что эмпирическая функция плотности имеет более тяжёлые «хвосты», и пик острее, чем у нормального распределения, что больше напоминает логистическое распределение. Результаты формального теста на нормальность Шапиро-Уилка также подтверждают описанные выводы, p-value = 7.07e-08, принимается альтернативная гипотеза о том, что закон распределения z-score не является нормальным. Это значит, что далее необходимо использовать эконометрические методы, устойчивые к типу распределения переменных.

Чтобы оценить зависимость (связь) между двумя переменными, обычно вычисляют коэффициент линейной корреляции Пирсона. Для ненормально распределенных переменных, а также при наличии нелинейной связи между переменными, используют непараметрический коэффициент корреляции Спирмена. В отличие от своего аналога, этот вариант коэффициента корреляции работает не с исходными значениями переменных, а с их рангами. Оценённые коэффициенты корреляции между всеми регрессорами и зависимой переменной z-score, а также соответствующие p-value представлены в таблице 2.

Таблица 2. Выборочные коэффициенты корреляции Спирмена

Результаты показали наличие статистически значимой связи уровня риска со всеми переменными, кроме возраста фирмы. Тем не менее, все предикторы первично будут включены в базовую модель. Далее, в случае незначимости регрессоров будет использован метод последовательного исключения переменных из модели. В конечном счёте, целесообразность работы с «короткой» моделью возможно оценить с помощью тестов на спецификацию (F-test, тест Рамсея).

Распределение z-score относительно системообразующих и «обычных» компаний показано на рисунке 5. Можно видеть, что компаниям из Перечня более свойственны отрицательные величины z-score, и минимальное значение также принадлежит системно значимому предприятию. Наоборот, обыкновенные крупные компании добились трёх максимальных уровней z-score, что означает их большую стабильность по выборке.

Рисунок 5. Гистограмма распределения z-score по двум группам компаний

Для оценки среднего значения риска у двух подгрупп можно воспользоваться стандартным средним арифметическим, либо его устойчивой к отклонениям альтернативой, медианой:

· Системообразующие компании: медиана= 2.888, среднее= 2.505;

· Обычные компании: медиана= 3.008, среднее= 3.537;

По результатам применения t-testa, p-value = 0.0001756, что свидетельствует о статистически значимых различиях в среднем уровне риска у двух групп компаний. Отвергая нулевую гипотезу о равенстве этих средних значений, мы рискуем ошибиться с вероятностью лишь около 0.15%. При этом истинная разница между средними значениями с вероятностью 95% находится в диапазоне от 0.5005148 до 1.5650366.

Тестирование непараметрическим критерием Манна-Уитни также подтверждает альтернативную гипотезу о различии средних:

data: z.score by Syst

W = 6661, p-value = 0.02447

alternative hypothesis: true location shift is not equal to 0

Поскольку p-value <0.05, уровень риска банкротства у системно значимых и обычных компаний статистически значимо различается. Следовательно, на данном этапе можно утверждать, что гипотеза о большей толерантности к риску системообразующих компаний, измеренной с помощью z-score, находит своё подтверждение.

3.2 Построение регрессионной зависимости

Дальнейшее исследование факторов уровня риска связано с проведением регрессионного анализа. На основании того, что выборочное распределение регрессанта и объясняющих переменных не подчиняется нормальному закону, статистически более оправданным будет использование обобщённого МНК в качестве базовой модели и сравнение её с различными робастными процедурами.

В таблице 3 представлены сводные результаты по трём моделям. Примечательно, что для всех моделей, помимо свободного члена, значимыми оказались переменные Assets, RUB и Syst. К тому же, в обобщённой модели значимость получил регрессор P/B. «Опытность» предприятия, выраженная в его возрасте, имеет незначимые оценки коэффициентов во всех моделях.



Таблица 3. Результаты оценивания GLM, Robust и LTS

Все вышеописанные методы оценки коэффициентов являются устойчивыми к аномальным значениям и типу эмпирического распределения. Учитывая, что по ним были получены примерно схожие результаты, приоритетную модель можно выбрать по доли объясненной вариации z. score, то есть по R². Стоит отметить, что невысокое значение коэффициента детерминации характерно для такого рода данных. При этом наибольший R² у модели GLM, проверим её на соответствие базовым предпосылкам Гаусса-Маркова.

Важным этапом анализа оцененной модели является обнаружение мультиколлинеарности, т.е. наличия линейной зависимости сразу между несколькими переменными. Классический способ выявления этой проблемы - расчёт показателя «вздутия дисперсии» VIF. Результаты для базовой линейной модели показаны в таблице 4.

Таблица 4. Коэффициенты VIF для регрессоров

Принято считать, что значения VIFj от 1 до 2 означают отсутствие проблемы мультиколлинеарности для регрессоров, что, следовательно, справедливо для базовой модели. В то же время, так как панельные данные содержат наблюдения за одними и теми экономическими единицами в разные периоды времени, может возникнуть проблема автокорреляции. Проверим гипотезу о наличии автокорреляции остатков стандартным тестом Дарбина-Уотсона. Поскольку значение d-статистики на уровне значимости 5% оказывается меньше d_L=1.57, имеет место положительная автокорреляция первого порядка со значением с=0.35. Следовательно, в базовую модель необходимо включить лагированный z-score, что приведёт к снижению числа наблюдений до 180.

lag Autocorrelation D-W Statistic p-value

1 0.3498673 1.29932 0

Alternative hypothesis: rho != 0

Между тем, в модели GLM один регрессор остаётся незначимым, проверим его ценность F-тестом на линейные ограничения. Остаточная вероятность теста оказалась равной 0.6538636, что больше критического уровня. Нулевая гипотеза о том, что коэффициент Age незначим, принимается, и его можно исключить из модели. Таким образом, итоговая GLM-модель содержит пять объясняющих переменных, среди которых предыдущее значение z. Score (Таблица 5).



Таблица 5. Итоговая GLM-регрессия

На втором этапе проверяется нормальность распределения ошибок модели, в частности, исследуется постоянство дисперсии. Так, по результатам формальной проверки тестом Шапиро-Уилка, остаточная вероятность оказалась равной 0.01036, а это значит, что при б=10% нулевую гипотезу о нормальном распределении можно принять (учитывая размер выборки). Эту гипотезу также подтверждает гистограмма ошибок базовой модели (Таблица 6).

Таблица 6. Тестирование ошибок регрессии на нормальность

Проблему неоднородности дисперсии отклонений можно предположить, зная специфику анализируемых данных. Среди регрессоров особое внимание привлекает переменная МСВ (медианная сумма владения), поскольку с ростом личной заинтересованности директоров их поведение становится менее предсказуемым, что может привести к большим колебаниям уровня толерантности к риску относительно ожидаемого значения. Эта идея подтверждается графиком зависимости стандартизированных остатков от МСВ (Рисунок 6). Следовательно, для проверки гипотез о значимости коэффициентов GLM регрессии необходимо использовать стандартные ошибки в форме Уайта, состоятельные при гетероскедастичности (Приложение 1, Таблица 2). При такой модификации свою снижается значимость коэффициента при Syst и незначимым остаётся регрессор P/B.

Рисунок 6. Графическое определение гетероскедастичности

В результате мы видим, что остатки модели GLM имеют распределение, близкое к нормальному, а проблема гетероскедастичности решается применением робастных стандартных ошибок. В связи с этим, выбор итоговой модели будет основан на значимости переменных и адекватности знаков оценок коэффициентов для дальнейшей содержательной интерпретации.

Особый интерес для исследования представляют квантильные регрессии, которые оценивают линейную зависимость между объясняющими переменными и заданным уровнем квантили объясняемой переменной. Такие модели также менее чувствительны к выбросам в данных и к нарушениям предположений о характере распределений. Стандартно в качестве регрессанта рассматривается квантиль порядка 10%, 50% (медианная регрессия) и 90%. Соответственно, 10%-ый квантиль характеризуется наименее рискованными компаниями (уровень риска ниже имеют лишь 10% фирм), а 90%-ый квантиль, наоборот, включает наиболее толерантные к риску предприятия. Оцененные коэффициенты разных квантилей можно видеть в Таблице 7.

Таблица 7. Квантильные регрессии для уровня риска

Примечательно, что в регрессии для tau=0.1 статистически значимыми оказались лишь две переменные, в то время как при tau=0.9, значимость получило наибольшее число регрессоров. В связи с этим, предпочтение для последующего анализа отдаётся регрессии 90%-го квантиля. В отношении незначимых факторов данной модели также проведём проверку линейных ограничений на параметры. Критическое значение F Фишера для уровня статистической значимости б=0.01 и заданных степеней свободы равно 6.76. Соответствующие расчётные статистики представлены в таблице 8.



Таблица 8. F-test для незначимых переменных квантильной регрессии

Таким образом, можно сделать вывод о том, что предыдущий уровень риска оказывает существенное влияние на текущий z-score, и его нельзя исключить из модели, в то время как рыночный коэффициент price-to-book остаётся незначимым, и его можно далее не рассматривать. Итоговую регрессию, оценённую для 90%-го квантиля можно видеть в Таблице 9.

Таблица 9. Итоговая квантильная регрессия

С помощью теста Рамсея проверим гипотезу о наличии пропущенных переменных в модели. Поскольку p-value = 0.151, принимается нулевая гипотеза о верной спецификации квантильной регрессии, а значит её можно использовать для дальнейшей интерпретации и анализа.

Интересно, что ключевой фактор исследования, принадлежность компании к Перечню системообразующих, можно признать значимым лишь на уровне 10%, что, однако, считается допустимым при небольшом объеме выборки. Если говорить о знаках коэффициентов, то все они согласуются с выдвинутыми предположениями. Среди наиболее толерантных к риску компаний (что соответствует 90%-му квантилю) z-score выше у системообразующих фирм. На 5% уровне значимости величина компании оказывает негативное влияние на z-score, то есть увеличивает риск несостоятельности. В то же время большая заинтересованность членов Совета директоров (МСВ) снижает толерантность компании к риску.