По большему числу субъектов (а именно по 49) значение ИКСО по итогам 4 квартала также показало снижение. По 27 субъектам снижение значения ИКСО относительно 3 квартала составило более 10%. Снижение Индекса в данных субъектах обусловлено главным образом снижением социально-экономических показателей развития регионов, а так же негативными ожиданиями профессионалов отрасли, принявших участие в опросе. В 31 субъекте значения ИКСО продемонстрировали положительную динамику. Среди них по 8 субъектам увеличение значения ИКСО относительно 3 квартала было минимальным - не более 1,5%. Если обратить внимание на абсолютные значения ИКСО за 4 квартал 2014 года, то здесь получились следующие данные по категориям конкурентоспособности. К хорошей конкурентоспособности (значение ИКСО более 600 пунктов) были отнесены только 2 субъекта: город Москва (642 пункта) и Сахалинская область (609 пунктов). Напомним, что по итогам третьего квартала 2014 года в данном классе насчитывалось 9 субъектов. Таким образом, 5 субъектов переместились в следующий более низкий класс конкурентоспособности - удовлетворительный. К таким субъектам, например, относятся Тюменская область, Ханты-мансийский автономный округ, Ямало-ненецкий автономный округ, Республика Саха (Якутия), город Санкт-Петербург. К классу с удовлетворительной конкурентоспособностью отнесено 46 субъектов. Большая их часть (33 субъекта) продемонстрировала отрицательную динамику изменения ИКСО. Оставшиеся 13 субъектов показали рост значения ИКСО, однако он оказался явно недостаточным для вхождения в хороший класс конкурентоспособности. В третьем квартале 2014 года к данной категории было отнесено также 46 субъектов федерации. Низкий показатель ИКСО Чеченской республики связан в первую очередь с низким уровнем информационной открытости у компаний, осуществляющих строительную деятельность на данных территориях.

В ходе опроса компаний и экспертов строительного комплекса относительно ситуации, сложившейся в строительной отрасли в 4 квартале, наибольшую активность была проявлена в Архангельской области. Стоит отметить, что снижение значения ИКСО в Архангельской области связанно, в первую очередь, с негативными ожиданиями представителей опрошенных компаний из данного региона. Строителей области волнует ситуация с ухудшением платежеспособности заказчиков, удорожанием строительных материалов и снижением уровня обеспеченности заказами. Таким образом, используя значения данного индекса в качестве ориентира, региональные правительства смогут принимать меры и наглядно отслеживать их эффективность для повышения инвестиционной привлекательности региона (Карминский, Рыбалка, 2015).

Таким образом, была получена группа индексов конкурентоспособности строительной отрасли с детализацией от страны в целом до конкретного региона. Включая в себя разносторонний анализ строительного комплекса, данный инструмент окажется полезным при оценке целесообразности и своевременности запуска новых строительных объектов, а также при оценке продуктивности реализуемых надзорных мер. Ещё одна важная функция данного индекса заключается в возможности создания понятной и прозрачной системы достижения намеченных целей, путём определения ориентиров в строительной сфере страны в разрезе конкретных её субъектов. Поэтому включение ИКСО в государственные программы инвестиционного развития субъектов позволит задать вектор развития региона и оказать содействие региональному правительству в формировании привлекательного инвестиционного климата в сфере строительства, а также получать вспомогательную информацию всем заинтересованным участникам строительного рынка.

Заключение

В ходе проведенного исследования была построена logit-модель вероятности дефолта для непубличных компаний строительного комплекса. Данная модель поможет организаторам тендерных закупок, кредиторам и партнерам оценить конкурентоспособность той или иной строительной организации. Финальная модель, построенная с помощью статистического отбора переменных, после перехода к нормированным шкалам показала отличное прогнозное качество (значение AUC 0,8029). В неё вошли такие объясняющие переменные, как рентабельность активов (ROA), натуральный логарифм чистых активов (Ln_Netassets), оборачиваемость капитала (Turn_assets), имущественное положение (Property_status), фондоотдача (Capital_product), коэффициент предотвращения банкротства строительных организаций (Prevent_bank), фиктивная переменная влияния кризисного года (crisis), фиктивная переменная влияния пост кризисного периода (after_cr), квадратичная форма натурального логарифма чистых активов (Ln_Netassets^2) и квадратичная форма фондоотдачи (Capital_product^2). Данная модель показала устойчивость к переобучаемости. Также для дополнительной интерпретации полученных на её основе результатов была подготовлена рейтинговая шкала, путём калибровки рейтинговой шкалы S&P. Если сравнивать итоговую модель с предшествующими исследованиями, то стоит вновь обратить внимание на работу Татьмяниной К.М. (2013), в которой была построена модель вероятности дефолтов публичных строительных компаний. Среди объясняющих переменных той модели значатся: доля запасов в оборотных активах, коэффициент автономии, рентабельность затрат, индекс цен производителей и квадратичная форма доли запасов в оборотных активах. Качество модели в этом случае находится также на отличном уровне, но значение коэффициента AUC больше 0,82, что обусловлено меньшими рисками искажения финансовой отчетности благодаря ежегодному внешнему финансовому аудиту. Таким образом, для оценки публичных и непубличных компаний используются разный набор объясняющих переменных, что в свою очередь подтверждает актуальность и необходимость проведенного исследования.

Также в данной работе был построен ежеквартальный индекс конкурентоспособности строительной отрасли (ИКСО), который позволяет отслеживать её состояние и динамику в каждом регионе, федеральном округе и стране в целом. Расчёт индекса основывается на дистанционной оценке строительных компаний региона, опросе профессионалов отрасли и оценке конъюнктуры рынка. Исходя из полученного значения ИКСО, регион отличается низкой, удовлетворительной или хорошей конкурентоспособностью строительной отрасли. Хороший уровень конкурентоспособности региона, как правило, характеризуется умеренными административными барьерами, высокими социально-экономическими показателями, высокой информационной открытостью отрасли и высоким количеством надежных строительных компаний, что отличает данный регион, как инвестиционно-привлекательный. В качестве рекомендации заинтересованным лицам при оценке конкурентоспособности контрагента (строительной компании) и принятии окончательного решения предлагается использовать комбинацию двух методов: индекс конкурентоспособности строительной отрасли региона и модель вероятности дефолта строительной компании. Так, например, большую надежность должны вверять компании с низкой вероятностью дефолта (высокий рейтинг) и осуществляющие свою деятельность в регионе с хорошей конкурентоспособностью.

Список использованной литературы

1. Федеральный закон "О несостоятельности (банкротстве)" от 26.10.2002 N 127-ФЗ;

2. Федеральный закон от 08.08.2001 N 129-ФЗ (ред. от 30.03.2015, с изм. от 18.05.2015) "О государственной регистрации юридических лиц и индивидуальных предпринимателей";

3. Федеральный закон от 01.12.2007 N 315-ФЗ (ред. от 24.11.2014) "О саморегулируемых организациях";

4. Положение ЦБ РФ 254-П, 2004 "О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности";

5. Приказ Министерства регионального развития от 30 декабря 2009 г. N 624 «Об утверждении перечня видов работ <…> строительства»;

6. Дружков П.Н., Золотых Н.Ю., Половинкин А.Н. «Введение в R», 2013

7. Карминский А.М. Модели рейтингов промышленных компаний // Управление финансовыми рисками. - 2009. - №03(19). - С.208-223.;

8. Карминский А.М., Костров А. В., Мурзенков Т. Н. Моделирование вероятности дефолта российских банков с использованием эконометрических методов / Препринты. Высшая школа экономики. Серия WP7 "Математические методы анализа решений в экономике, бизнесе и политике". 2012. № WP7/2012/04.;

9. Карминский А.М., Полозов А.А., Ермаков С.П. Энциклопедия рейтингов: экономика, общество, спорт // 2011.-349 с.;

10. Карминский А.М. Методические вопросы построения конструктора динамических рейтингов // Вестник машиностроения. 2008. №3;

11. Карминский А.М., А.А. Пересецкий, (2007). Модели рейтингов международных агентств. Прикладная эконометрика. №1 (5). - С. 1-17.

12. Карминский А.М., Пересецкий А.А., Петров А.Е. Рейтинги в экономике: методология и практика. М.: Финансы и статистика, 2005.;

13. Карминский А.М., Фалько С.Г., Жевага А.А., Иванова Н.Ю. Контроллинг: учебник - 3-е изд., дораб. - М.: ИД «ФОРУМ»: ИНФРА-М, 2013. - 336 с. - (Высшее образование).;

14. Карминский А.М., Рыбалка А.И. Индекс конкурентоспособности строительной отрасли // Современные вызовы контроллингу и требования к контроллеру. - 2015. - С.115-121.;

15. Магнус Я.Р., Катышев П.К., Пересецкий А.А. (2007) Эконометрика: начальный курс. М.: Дело, 2007.;

16. Паклин Н. Логистическая регрессия и ROC-анализ - математический аппарат.(http://www.basegroup.ru/regression/logistic.htm.);

17. Помазанов М.В., Петров Д.А. Кредитный риск- менеджмент как инструмент борьбы с возникновением проблемной задолженности// Методический журнал. Банковское кредитование.- 2008. - №6.;

18. Ратникова Т.А. «Введение в эконометрический анализ панельных данных» // Экономический журнал ВШЭ, 2006.;

19. Тотьмянина К.М. Обзор моделей вероятности дефолта // Управление финансовыми рисками. - 2011. - №01(25). - С.12-24.;

20. Тотьмянина К.М. Моделирование вероятности дефолта корпоративных заемщиков банка. Диссертация на соискание ученой степени кандидата экономических наук. ВШЭ. Москва. - 2014. - 133 с.;

21. Шохнех А.В. «Влияние региональных особенностей на оценку возможностей наступления банкротства строительных организаций (на примере Волгоградской области)», 2012.;

22. Якимкин В.Н. Фундаментальный анализ. -- М.: Омега-Л, 2007. -- ISBN 5-365-00020-X.;

23. Akaike, Hirotugu (1974). «A new look at the statistical model identification». IEEE Transactions on Automatic Control 19 (6): 716-723

24. Altman E.I. Financial Rations. Discriminant Analysis, and the Prediction of Corporate Bankruptcy.//Journal of Finance. - 1968. - Vol.23. - P.189-209.;

25. Altman E.I. Predicting Financial Distress of Companies: Revising the Z-Score and ZETA Models. N.Y.Ineversity. July, 2000.;

26. Altman E.I. Managing Credit Risk: A Challenge for the New Millennium. //Economic Notes. - 2003.- Vol.31.- P.201-214.;

27. Basel Committee on Banking Supervision «Credit risk modeling: current practices and applications» (1999) (www.bis.org/publ/bcbs49.htm);

28. Basel Committee on Banking Supervision «A New Basel Capital Adequacy Framework» (1999) (www.bis.org);

29. Basel Committee on Banking Supervision «International regulatory framework for banks» (2011) (www.bis.org);

30. Beaver, William H., "Financial Ratios as Predictors of Failure", Journal of Accounting Research, Vol. 4, Supplement, (1966), pp. 71-111;

31. Biorn E. Estimating Economic Relations From Incomplete Cross-Section/Time Series Data // Journal of Econometrics. 1981. Vol. 16. ;

32. Bovenzi, J.F., J.A. Marino and F.E. McFadden (1983), “Commercial bank failure prediction models,” Federal Reserve Bank of Atlanta Economic Review, 68(November 1983), 14-26.;

33. Brunner A., Krahnen J.P., Weber M. Information production in lending relationships: On the role of corporate ratings in commercial banking. (2000);

34. Fox J., Andersen R. Using The R statistical computing environment to teach social statistics / Department of Sociology McMaster University, January 2005.;

35. Hanschel, Elke K. and Pierre Monnin. “Measuring and forecasting stress in the banking sector: evidence from Switzerland: Investigating the relationship between the financial and real economy”, BIS Papers no 22, April 2005;

36. Mervin C. Financing Small Corporations: in Five Manufacturing Industries. N.Y., 1962.;

37. Moody's Investors Service. Measure Private Firm Default Risk;

38. Ohlson J. Financial ratios and the probabilistic prediction of bankruptcy // Journal of Accounting Research. 18 (1980);

39. Peresetsky A.A., Karminsky A.M., Golovan S.V. (2004) Probability of default models of Russian banks // BOFIT - Institute for Economies in Transition.;

40. Peresetsky A.A., Karminsky A.M., Golovan S.V. (2011) Probability of default models of Russian banks // Economic Change and Restructuring. Vol. 44. No. 4.;

41. Ramster J., Forster L. A Demonstration of Ration Analysis // Business Research, Bulletin. №51. (1931);

42. Standard&Poor's «Международная рейтинговая шкала: определение рейтингов» (http://www.standardandpoors.com/ratings/international-scale/ru/ru/);

43. Standard & Poor's. Corporate Ratings Criteria (1999);

44. Winakor A., Smith. Changes in the Financial Structure of Unsuccessful Industrial Corporations. (1935).

Размещено на Allbest.ru