Размещено на http://www.allbest.ru/

7

ПЕРМСКИЙ ФИЛИАЛ ФЕДЕРАЛЬНОГО ГОСУДАРСТВЕННОГО АВТОНОМНОГО ОБРАЗОВАТЕЛЬНОГО УЧРЕЖДЕНИЯ ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет экономики, менеджмента и бизнес-информатики

Выпускная квалификационная работа - БАКАЛАВРСКАЯ РАБОТА

студента образовательной программы бакалавриата «Экономика»

по направлению подготовки 38.03.01 Экономика

МОДЕЛИРОВАНИЕ ВЕРОЯТНОСТИ ДЕФОЛТА ПУБЛИЧНЫХ СУДОВЫХ КОМПАНИЙ

Городилов Алексей Андреевич

Рецензент

Дьячкова Наталья Федоровна

Руководитель

Доцент, к.э.н.

Лозинская Агата Максимовна

Пермь, 2019 год



Оглавление

Аннотация

Введение

1. Обзор литературы

2. Постановка исследовательской проблемы

3. Данные и их предварительный анализ

4. Методология исследования

5. Эмпирические результаты

6. Заключение

Список использованной литературы

Приложение 1. Гистограммы

Приложение 2. Корреляционная матрица

Приложение 3. Оценки коэффициентов восьми наилучших логит-моделей без макропараметра

Приложение 4. Оценки коэффициентов восьми наилучших логит-моделей с макропараметром



Аннотация

На протяжении последнего десятилетия мировая судоходная промышленность переживает серьезный спад, сопровождающийся ростом числа случаев финансовой несостоятельности. В работе с использованием логистических регрессий и на примере выборки из 359 публичных судовых компаний за 2000-2015 гг. были построены модели прогнозирования вероятности дефолта. Предсказательные способности полученных моделей были протестированы на данных за 2016 год и оценены с помощью таких метрик прогнозного качества, как площадь под ROC кривой (AUC) и специфичность при заданном уровне чувствительности. Среди 1136 моделей без макроэкономического предиктора наилучшие прогнозные качества имеет модель, включающая возраст судовой компании, бухгалтерские и рыночные показатели. Ее значения площади под ROC кривой и специфичности при заданном уровне чувствительности, равной 0,90, составляют 0,87 и 0,82 соответственно. Также было получено, что группы бухгалтерских показателей прибыльность, активность и размер имеют наибольший вклад в вероятность дефолта судовых компаний. Ключевым результатом работы является возможность улучшения прогнозных качеств модели путем включения нефинансовой переменной возраст судовой компании, рыночных и макроэкономических предикторов.

During the last decade, the global shipping industry has experienced a severe recession, accompanied by an increase in the number of financial distress. In this study using logistic regressions, models for predicting the probability of default were constructed on a sample of 359 listed shipping companies for the 2000-2015 period. The predictive abilities of the obtained models were tested on the data for 2016 and were estimated using metrics of predictive quality such as an area under the ROC curve (AUC) and specificity at a given sensitivity's level. Among the 1136 models without a macroeconomic variable, the best predictive qualities have a model that includes a non-financial variable age of shipping company, accounting and market indicators. Its area under the ROC curve and specificity at a given sensitivity's level of 0.90 are 0.87 and 0.82 respectively.It has also been found that groups of accounting variables profitability, activity and size have the greatest contribution to the probability of default of shipping companies. The key finding of this work is the possibility of improving the forecast qualities of the model by including a non-financial variable age of shipping company, market and macroeconomic predictors.



Введение

В последние несколько лет компании судоходной отрасли испытывают финансовые трудности на рынке морских грузоперевозок. Например, в феврале 2015 г. китайскаяWinland Ocean Shipping Corp, одна из крупнейших судовых компаний, занимающаяся перевозкой сухих грузов, добровольно подала заявление в суд о начале процедуры банкротства. Это решение было принято после того, как низкие фрахтовые ставки (цена морской перевозки) и волатильные рыночные условия вынудили компанию сократить флот с одиннадцати до трех кораблей, на двое из которых был впоследствии наложен арест. Обязательства компании на момент подачи заявления составляли 48 миллионов долларов США.

В январе 2016 г. ведущая индийская международная компания MercatorLines (Singapore) Ltd. заявила о выходе из бизнеса перевозки сыпучих грузов и продаже своего флота в рамках процедуры реструктуризации долговых обязательств. По итогам 2015 г. компания показала рекордный убыток в размере 125 миллионов долларов США при наличии долга в сумме 148 миллионов долларов США.

Рассмотренные выше случаи являются далеко не единственными в этой отрасли. Эксперты рейтингового агентства Moody'sтакжеотмечают нарастающую неплатежеспособность судовых компаний и связывают ее с наличием избыточных мощностей: общая грузоподъемность судов выросла на 8,6% за 2015 г., в то время как рост мировой торговли составил всего 2,6%. Это привело к снижению фрахтовых ставок и увеличению риска дефолта.

Кроме того, журналисты агентства Reutersотмечают, что слабый спрос в Китае и избыток кораблей привел к сильнейшему спаду в отрасли за последние 30 лет, а балтийский фрахтовых индекс (BalticDryIndex, BDI), являющийся показателем уровня фрахтовых ставок, в начале 2015 года достиг исторического минимума за весь период своего существования с 1 ноября 1999 года.

Специалисты Allianz Global Corporate&Specialty подчеркивают, что усугубляет ситуацию в судовой отрасли как рост операционных рисков, так и изменения отраслевой и макроэкономической среды. Например, ужесточение экологического законодательства в разных странах, в частности, увеличение размера штрафов за его нарушение, учащение случаев пиратства и кибертерроризма; низкая квалификация экипажа; некачественное обслуживание судов; коррупция и климатические изменения.

Таким образом, актуальным становится прогнозирование вероятности дефолта судовых компаний с учетом финансовых, нефинансовых, отраслевых и макроэкономических показателей, что и является целью текущей работы.

Для достижения поставленной цели необходимо выполнить следующие задачи:

1) Провести сравнительный анализ существующих методов оценки вероятности дефолта компаний, функционирующих на различных рынках, в том числе и на рынке судовых грузоперевозок;

2) Выдвинуть основные гипотезы исследования;

3) Собрать информацию по финансовым показателям из финансовых отчетностей судовых компаний,по отраслевым и макроэкономическим показателям, а такжепо датам объявления дефолта судовыми компаниями;

4) Провести предварительный анализ данных: удаление статистических выбросов, графический и корреляционный анализы;

5) Разработать регрессионные моделибинарного выбора для вероятности дефолта судовой компании и оценить их с использованием собранных данных;

6) Оценить качество прогнозов, полученных по регрессионным моделям бинарного выбора, и выбрать наилучшую спецификацию;

7) Интерпретировать полученные результаты и верифицировать гипотезы;

8) Описать основные ограничения исследования и направления дальнейшей работы.

Структуру работы можно представить следующим образом. Первая часть посвящена обзору релевантной литературы. Во второй части проводится постановка исследовательской проблемы. Затем представляется выборка исследования и проводится ее анализ. Далееобсуждается методология исследования. После представлены эмпирические результаты. В заключении подводится итог исследования. Объем работы без приложений составляет 57 страниц. Число источников - 31.

судовые грузоперевозки регрессионная модель дефолт



1. Обзор литературы

Согласно Базельскому комитету по банковскому надзору (TheBaselCommitteeonBankingSupervision) дефолт наступает при наступлении хотя бы одного из следующих событий:

1) Финансовый институт (например, банк) считает вероятность погашения должником своих обязательств крайне низкой;

2) Должник не исполнил любое существенное кредитное обязательство перед финансовым институтом по прошествии 90 дней со дня срока погашения.

Обычно под дефолтом понимается нарушение условий договора между кредитором и заемщиком. Существует понятие технического дефолта, которое имеет место в случаях просрочки платежа и невыполнения ковенантпо кредиту. Также дефолт может запустить процессы реструктуризации долга или банкротства.

В рамках данной работы к дефолту относятся следующие события:

1) Банкротство, в том числе его стадии (наблюдение, финансовое оздоровление, внешнее управление, конкурсное производство и др.). Данное определение используется в большинстве работ на тему финансовой несостоятельности (Kumar, Ravi, 2007; Alakaetal., 2018);

2) Добровольная ликвидация компании или части ее бизнеса, связанного с морскими грузоперевозками (Balcaen, Ooghe, 2006);

3) Реструктуризация долгов - это связанная с изменением структуры обязательств деятельность компании как средство возможного устранения ущерба кредиторам. Реструктуризация может проходить по соглашению между должником и кредиторами, либо через суд. Например, данное определение было использовано в работе (Taffler, Agarwal, 2007).

Первой моделью прогнозирования дефолта, использующей финансовые показатели компаний, была одномерная модель дискриминантного анализа Бивера (Beawer, 1967). В одномерной модели дискриминантного анализа для каждого финансового показателя находится его оптимальное значение с целью минимизации ошибки классификации. Система финансовых показателей состоит из рентабельности активов, финансового рычага, коэффициента покрытия активов чистым оборотным капиталом, коэффициента текущей ликвидности и коэффициента Бивера, рассчитывающегося как отношение суммы чистой прибыли и амортизации и суммы краткосрочных и долгосрочных обязательств. Коэффициент Бивера показывает, какая доля совокупных обязательств покрывается денежным потоком компании, генерируемым от всех видов деятельности.

Модель Бивера не требует каких-либо статистических знаний и чрезвычайно проста в применении: прогнозирование банкротства осуществляется путем расчета финансовых отношений и сравнений получившихся значений с оптимальными. С другой стороны, предпосылка о строгой линейной связи между всеми финансовыми показателями и статусом компании в реальности не применима.

В работе Альтмана (Altman, 1968) была предложена статистическая модель для прогнозирования вероятности банкротства, результатом которой стало регрессионное уравнение, позволившее отнести компанию к группе банкротов в зависимости от значения Z-счета. Позднее, Олсон (Ohlson, 1980) отметил наиболее существенные недостатки подхода Альтмана и предложил использовать логистическую регрессию для прогнозирования банкротства, обладающую рядом статистических преимуществ:

1. Отсутствуют требования, касающиеся распределительных свойств предикторов;

2. Прогнозируемая величина находится в промежутке от 0 до 1, что позволяет интерпретировать ее как вероятность наступления банкротства;

3. Отсутствует необходимость подбирать компании по определенным критериям (величина активов, выручки и т.п.).

Исследование Кумара и Рави(Kumar, Ravi, 2007), целью которого являлась категоризация методов прогнозирования банкротства по работам, опубликованным в период 1968-2005 гг., показало, что логистическая регрессия уступает по критерию точности прогнозирования практически всем методам машинного обучения: нейронные сети, деревья решений, эволюционные подходы, неточные множества, метод опорных векторов, метод нечеткой логики и другие.

Подтверждение этого факта было найдено в работе Алаки и др. (Alaka et al., 2018), где был представлен обзор исследований за период 2010-2015 гг. по прогнозированию вероятности банкротства. Средняя точность верно классифицированных компаний по рассмотренным работам для генетического алгоритма составила 86,0%, в то время как для логистической регрессии - 79,0%. Аналогично, метод опорных векторов, деревья решений и нейронная сеть показали среднюю точность в размере 81,0%, 78,0% и 80,0%, а логит-модель - 74,0%, 76,5% и 76,0% соответственно (Таблица 1).

Таблица 1 Средняя точность прогноза из исследований, сравнивающих метод логистической регрессии с другим методом

Показатель качества/ Сравниваемый метод	Множественный дискриминантный анализ	Генетический алгоритм	Деревья решений	Метод опорных векторов	Нейронная сеть
Точность сравниваемого метода, %	72,5	86,0	78,0	81,0	80,0
Точность логистической регрессии, %	73,0	79,0	76,5	74,0	76,0

Примечание: составлено по источнику (Alakaetal., 2018).

Алака и др. (2018) также определили тринадцать наиболее популярных критериев, которые учитываются авторами исследований в области прогнозирования вероятности банкротства при разработке моделей, и отнесли указанные критерии к одной из трех групп:

1. Результаты:

· Точность: процент верно классифицированных фирм.Чем выше точность, тем лучше метод;

· Прозрачность: интерпретируемость полученных результатов. Чем лучше результаты поддаются интерпретации, тем лучше метод;

· Недетерминированность:на одних итех же данных метод демонстрирует различное поведение при каждом запуске, что является недостатком его использования;

2. Данные:

· Размер выборочной совокупности:должен быть использован оптимальный размер выборки для применяемого метода;

· Дисперсия данных: метод должен обладать способностью обрабатывать как равномерно, так и неравномерно распределенные данные;

· Выбор переменной:должен быть использован подходящий инструмент выбора переменных для оптимальной работы метода. На данный момент существует множество инструментов выбора переменных для моделей прогнозирования вероятности банкротства: ЛАССО (LASSO, leastabsoluteshrinkageandselectionoperator), эластичная сеть, классификационные и регрессионные деревья, алгоритм случайного леса и т.д.;

· Мультиколлинеарность: чувствительность метода к наличию высоко коррелирующих переменных. Чем меньше чувствительность, тем лучше метод;

· Тип переменной: способность метода анализировать как количественные, так и качественные (дискретные или бинарные) переменные. Чем больше возможности метода в анализе различных типов переменных, тем лучше метод;

3. Свойства метода:

· Связь переменной: ограничения метода в анализе линейно и нелинейно заданных переменных. Чем шире возможности метода в применении линейно и нелинейно заданных предикторов, тем лучше метод;

· Допущения относительно метода:дополнительные требования к выборочной совокупности для оптимальной работы метода. Чем меньше требований к данным, тем лучше метод;

· Переобучение:случай, когда модель, построенная с помощью метода, имеет высокие показатели качества на обучающей выборке и низкие качества на тестовой выборке. Чем легче метод поддается переобучению, тем хуже метод;

· Время разработки и возможность обновления:степень сложности расчета модели с использованием метода и с добавлением новых данных. Чем легче произвести указанный расчет, тем лучше метод;

· Способность к интеграции: степень сложности интеграции метода с другим методом. Чем легче провести интеграцию метода с другим, тем лучше метод.

В результате анализа Алака и др. (2018) пришли к выводу, что ни один из рассмотренных авторами в работе методов (множественный дискриминантный анализ, логистическая регрессия, нейронная сеть, метод опорных векторов, метод неточных множеств, метод рассуждений на основе прецедентов, деревья решений и генетический алгоритм) априори не является лучше других. Каждый метод имеет свои преимущества и недостатки, и его применение зависит от целей исследования. Так, Алака и др. (2018)рекомендовали использовать логистическую регрессию в случае, если требуются средняя точность прогноза, слегка уступающая полученной методами машинного обучения точности, и высокая прозрачность результатов, что подразумевает возможность интерпретации вклада переменных в объяснение вероятности банкротства компаний.

Для прогнозирования вероятности банкротства используются и более изощренные методы(Kumar, Ravi, 2007): неточные множества, линейное программирование, анализ среды функционирования, квадратичное программирование, метод нечеткой логики и другие.

В современных работах на тему прогнозирования вероятности банкротства используются различные группы факторов: бухгалтерские, рыночные, нефинансовые, отраслевые и макроэкономические. Важность отраслевых переменных была показана в исследованиях Бандиопадхай (Bandyopadhyay, 2006), Бимани и др. (Bhimanietal., 2010) и Агравал и Махешвари (Agrawal, Maheshwari, 2019). В работах на стыке тем банкротства и судовых компаний авторы Грамменос и др. (Grammenosetal., 2008), Митроусси и др. (Mitroussietal., 2016) и Кавуссанос и Цоукнидис (Kavussanos, Tsouknidis, 2016) также выделяют отраслевые индикаторы.

Грамменос и др. (2008)исследовали 50 высокодоходных облигаций, выпущенных судовыми компаниями в период 1992-2004 гг., по тринадцати из которых был объявлен дефолт. Прогнозирование вероятности дефолта по облигациям осуществлялось с использованием логит-модели бинарного выбора. Зависимая переменная принимала значение 1, если не произошло своевременной выплаты процентов и тела долга держателям облигаций, и 0 в противном случае. Авторами был обнаружен значимый отрицательный эффект отраслевой переменной, представляющей собой разность текущего значения индекса и среднего значения этого индекса за предыдущие три года, гдеиндекс равен взвешенным по массе полезного груза фрахтовым ставкам. В модели также использовались бухгалтерские показатели: отношение оборотного капитала и совокупных активов, отношение нераспределенной прибыли и совокупных активов, отношение долгосрочных обязательств и совокупных активов и отношение объема выпуска облигаций и совокупных активов, - показавшие статистически значимое влияние на вероятность дефолта по облигациям.

Митроусси и др. (2016)был проведен анализ 30 банковских займов, выданных греческими банками на покупку судов в период 2005-2009 гг. Статус дефолта присваивался в случае невыплаты кредита в срок. В качестве отраслевой переменной авторы используют балтийский фрахтовый индекс (BalticDryIndex,BDI) как альтернативу фрахтовым ставкам, однако не находят ее статистически значимого эффекта на вероятность дефолта по банковскому займу. Этот результат устойчив как в логит-модели, так и в линейной пробалистической модели. В качестве контрольных показателей, оказавших статистически значимое влияние на вероятность дефолта по займу, учитывались возраст судовой компании (shipowner'sexperience), отношение суммы предоставленного кредита и стоимости покупаемого в кредит судна, процент стоимости находящихся в залоге у банков судов от общей стоимости флота, размер займа, доходность банка по займу, срок погашения займа и процент последнего по графику платежа от суммы займа.

Кавуссанос и Цоукнидис (2016)исследовали вероятность дефолта 128 банковских займов, выданных судовым компаниям в период 1997-2011 гг. Статус дефолта присваивался в случае задержки в выплате процентов или суммы долга более чем на 90 дней. В работе авторы использовали мировой индекс капитала (MSCIWorldIndex), рассчитанный MSCIInc. на основе 1 500 акций из 23 развитых экономик мира, и предположили, что высокие значения мирового индекса капитала сигнализируют об устойчивости глобальной экономики, активности морской торговли, высоких фрахтовых ставках и, как следствие, низкой вероятности дефолта по займам, выданным судовым компаниям. Применив логистическую регрессию, авторы получили статистически значимый на 1%-ом уровне положительный эффект мирового индекса капитала вероятность дефолта. Результат противоречил их гипотезе и впоследствии не был объяснен. В модель были также включены бухгалтерские показатели отношение совокупных обязательств и совокупных активов, отношение прибыли до вычета процентов, налогов и амортизации (EBITDA) и выручки, отношение совокупных обязательств и EBITDA, отношение денежных средств и совокупных активов, а также возраст судовой компаний.

Дробец и др. (Drobetzetal., 2013; Drobetzetal., 2016) изучали влияние макроэкономических и отраслевыхиндикаторов на корпоративный систематический риск, а также решения по структуре капитала на примере международных судовых компаний и отметили некоторые особенности судоходной отрасли, которые могут помочь в построении прогнозной модели дефолта. Во-первых, судовые компании являются капиталоемкими, иными словами, затрачивают относительно большие суммы денежных средств на пополнение флота и его ремонт. Во-вторых, ведение подобного рода бизнеса несет в себе повышенные риски, так как спрос на морские грузоперевозки напрямую зависит от глобальной торговли и фазы бизнес-циклов. Последнее, на что обратил внимание Дробец и др. (2013, 2016), это высокие финансовые и операционные левериджи судовых компаний.

Лозинская и др. (Lozinskaiaetal., 2017) исследовали влияние бухгалтерских, рыночных, нефинансовых, отраслевых и макроэкономических факторов на вероятность дефолта судовых компаний на данных 192 публичных судовых компаниях, 16 из которых объявили о дефолте в период 2001-2016 гг. Применив логит-модель для оценки вероятности дефолта, авторы пришли к следующим результатам:

1. Судовая отрасль характеризуется высокой капиталоемкостью. В связи с этим логарифм совокупных активов имеет отрицательный эффект на вероятность дефолта;

2. Коэффициент Тобина и EBITDAположительно влияют на вероятность дефолта;

3. Финансовые результаты деятельности судовых компаний во многом зависят от состояния экономики страны, в которой они зарегистрированы. Чем выше перспективы роста ВВП, тем меньше вероятность дефолта.

В ходе обзора релевантной литературы было также обнаружено перспективное приложение моделей прогнозирования дефолта.Например, в работе (Dichev, 1998) изучался вопрос о том, является ли риск банкротства систематическим, и обнаружил, что фирмы с высоким риском банкротства имеют доходность ниже средней. В качестве меры риска банкротства были использованы значения K-scoreиз модели Альтманаи O-score из модели Олсона.

После работы Дичева (1998) множество исследователей (Campbelletal., 2008; Gaoetal., 2018) занялись проблемой определения взаимосвязи доходности акций компаний и риском ее дефолта, используя для этого различные методы его прогнозирования.

В указанной теме наибольшую популярность среди всех методов прогнозирования приобрела дискретная модель шансов Шумвэя (Shumway, 2001), что подтверждается высокой цитируемостью статьи в размере 2470 единиц по данным GoogleScholar.

Дискретная модель шансов как и логит-модель оценивается по методу максимального правдоподобия, однако функция правдоподобия дискретной модели шансов включает функцию выживания и функцию шанса вместо функции плотности. Функция выживания определяет вероятность выживания до момента времени t, а функция шанса - вероятность банкротства в момент времени t при условии выживания до t.

В своей работе Шумвэй (2001) выделял следующие преимущества дискретной модели шансов:

1) Статичные модели не могут контролировать риск каждой фирмы в каждом периоде. Одни компании могут годами испытывать финансовые трудности, другие способны обанкротиться в течение одного года, при том что явных признаков для этого не было. Модели шансов учитывают изменяющийся в течение периода риск дефолта автоматически с помощью функции шансов;

2) В отличие от статичных моделей возможно использование переменной, принимающей одно и то же значение для всех фирм в момент времени t;

3) Модели шансов показывают более эффективные прогнозы на тестовой выборке в сравнении со статичными моделями.

Недостатками дискретной модели шансов является сложная практическая реализация, так как требуется большой массив исходных данных. Например, Шумвэй (2001) использовал данные, собранные из the CRSP, the Wall Street Journal Index, the Capital Changes Reporter, the Compustat Research File, the Directory of Obsolete Securities и Nexis, и конечная выборка включала в себя 2496 фирм или 28226 фирм-лет и 229 случаев несостоятельности в период 1962-1992 гг.

Шумвэй (2001) сравнил точности прогнозирования вероятности банкротства по дискретной модели шансов с результатами прогнозирования по наиболее популярным моделям Альтмана (1968) и Змижевски (Zmijewski, 1984) на одной выборке. Точность модели шансов равна 67,6% и 55,0% с соответственными наборами переменных из модели Альтмана, точность которой составила 42,3%, и модели Змижевски, точность которой - 54,1%. Шумвэй (2001) отметил, что главное отличие спецификации Альтмана от спецификацииЗмижевски заключается в наличии рыночной переменной, чем объясняется достаточно высокая точность первой спецификации в дискретной модели шансов. Для того чтобы получить более мощную модель прогнозирования банкротства, Шумвэй (2001) включил рыночные и бухгалтерские показатели, к которым относятся отношение чистой прибыли и совокупных активов, отношение совокупных обязательств и совокупных активов, натуральный логарифм отношения рыночной капитализации компании и общей капитализации NYSEили AMEX, разница между доходностью и взвешенным CRSPNYSE или AMEX индексом доходности за предыдущий год, а также стандартное отклонение доходности. Точность модели с указанной спецификацией достигла 75,0%.

С помощью дискретной модели шансов Кэмпбелл и др. (2008) изучали детерминанты корпоративной несостоятельности и ценообразование акций неплатежеспособных американских компаний. Авторы рассматривали несостоятельность как в узком смысле (т.е. процедура банкротства проходит в рамках главы 7 или 11 закона о банкротстве США), так и в широком смысле(несостоятельность включает в себя банкротство, делистинг, присвоение рейтинга D акции ведущим рейтинговым агентством).В зависимости от используемого определения несостоятельности менялся период выборки ввиду особенностей данных, собранных из the Kamakura RiskInformation Services, COMPUSTATи CRSP. Соответственно, при рассмотрении несостоятельности в узком смысле период составил с января 1963 года по декабрь 1998 года, а в широком смысле - с января 1963 года по декабрь 2003 года. Всего в выборку вошли 1695036 фирм-месяцев.

Авторы повторили спецификацию модели Шумвея (2001) и получили статистически значимые коэффициенты с ожидаемым знаком. Они также попытались предложить альтернативную модель, в которую вошли показатели отношение чистой прибыли и рыночной стоимости совокупных активов и отношение совокупных обязательств и рыночной стоимости совокупных активов вместо отношения чистой прибыли и совокупных активов и отношения совокупных обязательств и совокупных активов из спецификации моделиШумвэя (2001), а также отношение суммы денежных средств и краткосрочных инвестиций к рыночной стоимости совокупных активов, отношение рыночной капитализации к бухгалтерской стоимости капитала компании (market-to-bookvalue) и натуральный логарифм цены акции. Последние три предиктора являются значимыми и имеют следующее влияние на вероятность дефолта: отношение суммы денежных средств и краткосрочных инвестиции к рыночной стоимости совокупных активов отрицательное, отношение рыночной капитализации к бухгалтерской стоимости капитала компании положительное и натуральный логарифм цены акции отрицательное. Остальные переменные сохранили свой знак за исключением рыночной капитализации, который стал оказывать слабое положительное влияние. Авторы объясняют это наличием сильной и статистически значимой корреляцией между рыночной капитализацией и ценой акции. Тем самым, эффект рыночной капитализации выступает в роли корректировки сильного отрицательного эффекта цены акции.

Кроме того, Кэмпбелл и др. (2008)обнаружили аномалию риска несостоятельности (distressriskanomaly, distresspuzzle), заключающуюся в получении низкой доходности акциями тех компаний, имеющих высокую вероятность стать банкротами.Гао и др. (2018) подтвердили результаты Кэмпбелла и др., показав наличие аномалии риска несостоятельности преимущественно среди развитых стран и акций с небольшой капитализацией. Для этого они использовали данные агентства Moody'sпо показателю ожидаемая вероятность дефолта (ExpectedDefaultFrequency, EDF) в качестве меры риска банкротства и выборку из 4295651 акций-месяцев из 38 стран за период январь 1992 - июнь 2013.

Другой работой на тему аномалии риска несостоятельности является исследование Нам и др. (Nametal., 2017). Риск дефолта был рассчитан с помощью модели Альтмана (Altman, 1995), специально разработанной для корейских компаний. В качестве прокси стоимости компании был выбран показатель рентабельности активов, рассчитанный как отношение операционной прибыли и совокупных активов. Такой способ расчета указанного показателя объясняется тем, что использование операционной вместо чистой прибыли необходимо во избежание влияния прочих доходов и расходов. Данные включают в себя судовые компании, зарегистрированные в Корейской ассоциации судовладельцев (Korean Ship Owner's Association, KSOA). Финансовые отчетности были собраны с помощью системы DART, созданной Комиссией по финансовому надзору Кореи (Korean Financial Supervisory Commission, KFSC), и предоставлены KSOA. Конечная выборка состоит из 281 судовой публичной и непубличной судовой компании за период 2003-2012 года (2755 фирм-лет). Тип данных - панельный.

Нам и др. (2017) обнаружили положительную и статистически значимую на 1%-ом уровне связь между K-score Альтмана и рентабельностью активов. В связи с тем, что K-score Альтмана имеет пороговые значения, позволяющие классифицировать фирму к одной из трех групп (банкроты, нейтральные, активные), то авторы предприняли попытку разделить выборку на две подвыборки с низким (активные) и высоким (банкроты) риском дефолта и на каждой из них оценить коэффициенты. В результате они получили положительную и статистически значимую на 1%-ом уровне связь между рентабельностью активов и низким риском дефолта и отрицательную статистически значимую на 1%-ом уровне связь между рентабельностью активов и высоким риском дефолта. Однако и в модели K-score Альтмана учитывается размер компании как натуральный логарифм совокупных активов, и K-score Альтмана входит в качестве регрессора в уравнение рентабельности активов наравне с финансовым рычагом и тем же натуральным логарифмом совокупных активов, что должно приводить к смещенным оценкам коэффициентов.

Таким образом, исследователи при прогнозировании вероятности банкротства используют различные подходы к определению понятия банкротства, методы и критерии их состоятельности, группы предикторов и инструменты для их выбора, а также изучают взаимосвязь между риском дефолта и доходностью акций компаний. Кроме того, существует множество моделей банкротства для таких отраслей экономики как строительство, авиаперевозки, банковская сфера и другие, тогда как для судовой отрасли было найдено сравнительно небольшое число исследований, преимущественно изучавших вероятность дефолта по банковским займам. Также в рассмотренных работах отмечались особенности судоходной отрасли, которые показали важность построения прогнозной модели только для компаний указанной отрасли.

2. Постановка исследовательской проблемы

Текущее исследование является продолжением работы Лозинской и др. (2017), однако в нем предпринята попытка построить прогнозную модель прогнозирования вероятности вместо определения факторов, влияющих на вероятность дефолта публичных судовых компаний. С этой целью был увеличен размер исследуемой выборочной совокупности за счет включения азиатских игроков.

В последнее десятилетие компании судоходной отрасли переживают серьезные финансовые трудности даже несмотря на то, что после кризиса 2008 года мировая экономика показывала устойчивый рост. Часть экспертов отмечают нарастающую неплатежеспособность судовых компаний в связи с наличием избыточного количества кораблей во флоте, другие указывают на увеличение количества операционных рисков, вызванное ужесточением экологического законодательства, учащением случаев пиратства и кибертерроризма, климатическими изменениями. Следовательно, актуальным становится прогнозирование вероятности дефолта публичных судовых компаний с учетом финансовых и нефинансовых переменных, отраслевых особенностей и макроэкономических индикаторов.

Финансовые переменные. В исследованиях на тему банкротства (Altman, 1968; Park, Hancer, 2012; Tserngetal., 2014) принято разделять финансовые показатели, рассчитанные на основе рыночных и бухгалтерских данных. Последние в свою очередь подразделяются на следующие группы: ликвидность, прибыльность (рентабельность), кредитоспособность, леверидж (финансовый рычаг) и активность. Охарактеризуем каждую группу финансовых бухгалтерских показателей.

Показатели ликвидности характеризуют скорость превращения материальных или иных ценностей в денежные средства для покрытия краткосрочных обязательств. Чем больше компания имеет неликвидных активов, тем ей труднее вовремя расплачиваться по текущим обязательствам.

Показатели прибыльности (рентабельности) характеризуют уровень доходности использования материальных, трудовых, денежных и других ресурсов. Иными словами, с помощью показателей рентабельности можно комплексно оценить эффективность деятельности компании.

Показатели кредитоспособности (способности обслуживать долг) характеризуют, какую долю денежного потока компания направляет на погашение текущего долга и краткосрочных процентов.

Показатели левериджа (финансового рычага) характеризуют отношение собственных и заемных источников средств. Они отражают степень финансовой устойчивости компании.

Показатели активности характеризуют уровень деловой активности, иными словами, усилия компании, направленные на продвижение на рынке сбыта, в финансовой деятельности и на рынке труда.

Беллловари и др. (Bellovaryetal., 2007) провелианализ работ на тему банкротства, опубликованных в период 1930-2007 гг., и выбрали наиболее часто используемые исследователями в области оценки вероятности банкротства бухгалтерские показатели. Показатель рентабельность активов, рассчитывающийся как отношение чистой прибыли и совокупных активов, является самым распространенным: он встречался в 54 исследованиях. В 51 работе использовался коэффициент текущей ликвидности, равный отношению наименее ликвидных активов и краткосрочных обязательств. Показатели отношение оборотного капитала и совокупных активов, отношение нераспределенной прибыли и совокупных активов, отношение прибыли до уплаты процентов и налогов и совокупных активов, а также отношение выручки и совокупных активов применялись авторами моделей банкротства более чем в 30 опубликованных статьях.

В данной работе была использована дамми-переменная dni, принимающая значение 1 в случае получения судовой компании чистого убытка в течение двух последних лет и 0 в противном случае. Указанный предиктор входит в модель, разработанную Олсоном (1980).

Кроме того, были рассчитаны финансовые показатели, которые с учетом обозначенной в работах (Drobetzetal., 2013; Drobetzetal., 2016)отраслевой специфики могут придать дополнительную прогнозную силу модели оценки вероятности дефолта. К таким переменным относятся отношение капитальных затрат и чистой прибыли, оборачиваемость основных средств и натуральный логарифм совокупных активов, отвечающие за активность и размер судовой компании.

Также были рассчитаны рыночные показатели, к которым относятся натуральный логарифм рыночной капитализации,коэффициент Тобина и доходность акций, характеризующие отношение инвесторов к судовой компании.Шумвэй (2001) утверждал, что добавление рыночных предикторов в модель оценки вероятности банкротства увеличивает точность предсказаний, поэтому

Н1: включение в спецификацию рыночных переменных приведет к увеличению прогнозной силы модели.

Нефинансовая переменная возраст судовой компании характеризует опыт ее хозяйственной деятельности на рынке морских грузоперевозок. Статистически значимое на 5%-ом уровне отрицательное влияние возраста на вероятность дефолта банковских займов, выданных судовым компаниям на покупку флота, было обнаружено в работе Митроусси и др.(2016).

Н2: включение в спецификацию нефинансовой переменной возраст судовой компании приведет к увеличению прогнозной силымодели.

Отраслевые переменные. Кавуссаноси Цоукнидис (2016) в своем исследовании и предположили, что высокие значения мирового индекса капитала приводят к повышению фрахтовых ставок. В связи с этим в этой работе вместо значений фрахтовых ставок будет использоватьс ямировой индекс капитала, отражающий ситуацию на мировом фондовом рынке. Высокое значение мирового индекса капитала свидетельствует об устойчивом состоянии мировой экономики.

Кроме того, отраслевая специфика может быть учтена с помощью балтийского фрахтового индекса, ежедневно рассчитывающегося балтийской фондовой биржей и отражающего стоимость перевозок сухогрузами по 20 морским торговым маршрутам. Митроусси и др. (2016) выявили отрицательное влияние балтийского фрахтового индекса на вероятность дефолта судовых компаний.

Н3: включение в спецификацию отраслевых переменных мировой индекс капитала и балтийский фрахтовый индекс приведет к увеличению прогнозной силы модели.

Макроэкономическая переменная. Автором этой работы используется показатель натурального логарифма реального валового внутреннего продукта (ВВП) в ценах 2010 года, рассчитанного по паритету покупательной способности в долларах США. Увеличение реального ВВП свидетельствует о росте экономики страны и благоприятных условиях для развития бизнеса. Лозинская и др. (2017)обнаружили отрицательное влияние ВВП на вероятность дефолта судовых компаний.

Н4: включение в спецификацию макроэкономической переменной натуральный логарифм реального ВВП приведет к увеличению прогнозной силы модели.

3. Данные и их предварительный анализ

Используемые в работе данные были получены с использованием информационной системы Thomson Reuters Eikon. Они включают в себя показатели финансовой отчетности и информацию о дате регистрации 359публичных судовых компаний из 53 стран за период 2000-2017 гг.Из таблицы 2 видно, что три четверти наблюдений в выборке составляют компании, занимающиеся морскими перевозками и логистикой. Более половины судовых компаний зарегистрированы в Восточной Азии и Океании, чуть менее трети - в Европе и Центральной Азии.

Таблица 2 Отраслевая и региональная специфика

Отраслевая специфика
Морскиеперевозки и логистика	269
Судостроительство	90
Итого	359
Региональная специфика
ВосточнаяАзия и Океания	192
Европа и ЦентральнаяАзия	103
ЮжнаяАзия	22
СевернаяАмерика	19
ЛатинскаяАмерика и Карибы	12
Ближний Восток и Африка	11
Итого	359

Первичный анализ полученной выборки выявил следующие проблемы:

1) Финансовые отчетности судовых компаний составлены на различные даты: 31 января, 28 (29) февраля, 31 марта, 31 мая, 30 июня, 31 июля, 30 сентября, 30 ноября, 31 декабря. Данные показывают, что некоторые судовые компании меняли отчетные даты от одного до двух раз;

2) Неточности. Например, столбец с названием “FY-1” (т.е. 2017 год) может содержать отчетную дату 31.12.2016 вместо 31.12.2017;

3) В данных отсутствуют показатели финансовой отчетности в те года, когда по имеющейся информации судовая компания имела активный статус.

Поаналогии с работой (Lozinskaiaetal., 2017) в случае обнаружения составления финансовой отчетности на дату, отличную от 31 декабря, строки бухгалтерского баланса, отчета о финансовых результатах и отчета о движении денежных средств пересчитывались по следующим формулам:

· для балансовых показателей (например, для совокупных активов компании (TotalAssets), чей финансовый год заканчивается 31.03.2018):

·

· для показателей отчета о финансовых результатах (например, для выручки компании (TotalRevenue), чей финансовый год заканчивается 30.09.2017):



· для показателей отчета о движении денежных средств (например, для операционного денежного потока компании (OperatingCashFlow), чей финансовый год заканчивается 30.11.2017):

Проблема с неточностями исходных данных была решена путем соотнесения показателей с их действительными отчетными датами.

Последняя проблема может являться следствием неполноты информации в базе данных ThomsonReutersEikon. Возможным решением представляется поиск финансовой отчетности на официальном сайте судовой компании и заполнением пропущенных значений на основе информации, содержащейся в указанной отчетности. Тем не менее в рамках данной работы это рассматривается как направление деятельности будущего исследования, потому что текущего количества данных, на котором будет строиться модель, достаточно для получения результатов.

Далее исследуемые судовые компании были классифицированы на активные и дефолтные/неактивные. Статус дефолта присваивался в том случае, если компания была признана судом банкротом (в том числе в процессе банкротства), ликвидирована, либо объявила о реструктуризации долгов в указанный период. Соответствующая бинарная зависимая переменная принимала значение 1 в случае дефолта и 0 в противном случае. Для определения статуса дефолта использовались новостные отраслевые ресурсы, например, WorldMaritimeNews, официальные сайты судовых компаний и сайт одного из ведущих поставщиков финансовой информации Bloomberg. По результатам было выявлено 27 случаев дефолта,преимущественно после мирового кризиса 2008 года(Рисунок 1, таблица 3).С 2000 по 2007 гг. пришелся расцвет судовой отрасли, чем объясняется небольшое количество дефолтов до мирового финансового кризиса 2008 года.

Рисунок 1. Распределение случаев дефолта за 2000-2017 гг.

Таблица 3 Распределение активных и дефолтных судовых компаний

Год	Количество	Доля, %
	Активные	Дефолт в следующемгоду	Активные	Дефолт в следующемгоду
2000	85	0	100%	0%
2001	96	0	100%	0%
2002	103	1	99%	1%
2003	109	0	100%	0%
2004	123	0	100%	0%
2005	143	0	100%	0%
2006	151	0	100%	0%
2007	181	1	99%	1%
2008	197	0	100%	0%
2009	207	1	100%	0%
2010	224	2	99%	1%
2011	229	2	99%	1%
2012	237	1	100%	0%
2013	236	4	98%	2%
2014	244	5	98%	2%
2015	252	7	97%	3%
Итого	2817	24	99%	1%

Примечание: распределение после удаления статистических выбросов.

Затем были взяты значения полученных бухгалтерских показателей баланса, отчета о финансовых результатах и отчета о движении денежных средств, на основе которых были рассчитаны наиболее часто используемые исследователями прогнозирования вероятности банкротства за период 1930-2007 гг. финансовые отношения (Bellovaryetal., 2007).

Важно отметить, что практически у всех дефолтных судовых компаний отсутствуют данные финансовой отчетности за год, в котором был объявлен дефолт. Это делает невозможным иллюстрацию отличийпо переменным в разрезе активных и дефолтных судовых компаний в указанный год. В связи с этим дальнейший анализ и построение моделей будут приводиться на данных по переменным за период 2000-2015 года и по показателю дефолт на следующий год.

С целью получения более точных результатов оценивания моделей был проведен анализ всех предикторов на наличие статистических выбросов. Обнаружив статистические выбросы среди финансовых переменных (за исключением предиктора, входящего в группу размер) путем построения гистограмм, ящиков с усами и анализа описательных статистик, автор данной работы оставил только те наблюдения активных судовых компаний, по которым значения указанных детерминант попали в промежуток 0,5% и 99,5% перцентили. Удаление статистических выбросов не применялось к наблюдениям, включающим случаи дефолта, так как у таких наблюдений зачастую были экстремальные значения финансовых переменных, что свидетельствовало об их неустойчивом положении.

Распределения переменных имеют тяжелые хвосты, в связи с чем средние значения предикторов и их стандартные отклонения не могут служить хорошими показателями для сравнения активных и дефолтных компаний. Подтверждение данного факта можно найти на представленных в Приложении 1 гистограммах, даже несмотря на то, что фактический диапазон значений этих переменных шире. В связи с этим выводы по описательным статистикам будут сделаны на основании таких показателей, как выборочная медиана и медианное абсолютное отклонение. Последнее рассчитывается по формуле:

где: - медианное абсолютное отклонение;

- медиана; - переменная;

-i-оенаблюдение переменной .

Умножение на константу 1,4826 используется для того, чтобы нормально распределенные предикторы имели равные медианное абсолютное отклонение и выборочное стандартное отклонение.

В таблице 4 приведена расшифровка бухгалтерских, рыночных и нефинансовых показателей. Деление на группы проводилось на основе анализа прочитанных статей.

Таблица 4 Расшифровка бухгалтерских, рыночных и нефинансовых показателей

Показатель	Обозначение	Количествонаблюдений	Медиана (Медианноеабсолютноеотклонение)
			Активные	Дефолтные
Бухгалтерскиепоказатели
Группаликвидность
Отношение оборотных активов и краткосрочных обязательств	current ratio	2839	1,203 (0,656)	0,567 (0,611)
Группаприбыльность
Отношение прибыли до выплаты процентов и налогов и выручки	ebit/sales	2839	0,072 (0,097)	-0,151 (0,328)
Отношение прибыли до выплаты процентов и налогов и совокупных активов	ebit/ta	2839	0,040 (0,048)	-0,038 (0,065)
Отношение операционной прибыли и выручки	margin	2839	0,068 (0,107)	-0,157 (0,283)
Отношение чистой прибыли и совокупных активов	roa	2839	0,024 (0,048)	-0,084 (0,096)
Группакредитоспособность
Отношение совокупного долга и прибыли до выплаты процентов, налогов и амортизации	debt/ebitda	2839	3,691 (3,731)	-4,783 (14,935)
Группалеверидж
Отношение совокупного долга и совокупных активов	debt/ta	2839	0,359 (0,218)	0,542 (0,260)
Отношение совокупных обязательств и совокупных активов	tl/ta	2839	0,613 (0,199)	0,754 (0,327)
Группаактивность
Отношение капитальных затрат и чистой прибыли	capex/ni	2839	0,732 (1,465)	-0,026 (0,038)
Оборачиваемость основных средств	faturn	2839	1,050 (1,123)	0,421 (0,466)
Отношение выручки и совокупных активов	sales/ta	2839	0,534 (0,425)	0,267 (0,304)
Группаразмер
Натуральныйлогарифмсовокупныхактивов	lnta	2839	19,871 (1,755)	20,340 (1,902)
Рыночныепоказатели
Отношение рыночной капитализации и совокупных обязательств	mcap/tl	2837	0,588 (0,593)	0,171 (0,170)
Отношение рыночной капитализации и капитала	qratio	2837	0,917 (0,701)	0,299 (0,437)
Доходностьакций, %	return	2836	0,000 (44,713)	-28,246 (21,470)
Натуральныйлогарифмрыночнойкапитализации	lnmcap	2838	18,655 (2,028)	18,152 (1,793)
Нефинансовыйпоказатель
Возрастсудовойкомпании, год	age	2841	37,000 (29,652)	30,500 (18,532)



Медианное значение коэффициента текущей ликвидности для дефолтной судовой компании составляет 0,567, что практически в два раза меньше, чем у активной судовой компании, и меньше единицы. Из этого можно сделать вывод, что в преддверии дефолта судовые компании испытывают недостаток ликвидности, иными словами, не могут в полной мере обслуживать краткосрочные обязательства даже за счет наименее ликвидных активов.

Отношение прибыли до выплаты процентов и налогов и выручки характеризует уровень рентабельности и помогает оценить, какую часть выручки компания получает в виде прибыли после уплаты операционных издержек и амортизации. Медианное значение этого финансового отношения для активной судовой компании составляет 7,2%, в то время как для дефолтной судовой компании -15,1%, что сигнализирует об отрицательной прибыли.

Отношение прибыли до выплаты процентов и налогов и совокупных активов также называется рентабельностью совокупных активов. Указанный показатель измеряет степень эффективности использования всех активов для генерации прибыли. Рентабельность совокупных активов дефолтных судовых компаний принимает значение -3,8%, активных судовых компаний - 4,0%.

Отношение операционной прибыли и выручки также называется рентабельностью продаж и характеризует долю операционной прибыли на единицу продаж. Активные судовые компании показывают положительную рентабельность продаж в размере 6,8%, в то время как дефолтные судовые компании не могут покрыть свои операционные издержки достаточным количеством выручки, о чем свидетельствует отрицательное значение рентабельности продаж в размере 15,7%.

Рентабельность активов характеризует способность компании генерировать чистую прибыль. Значение рентабельности активов медианной активной судовой компании составляет 2,4%, в то время как для случаев дефолта это значение равно -8,4%, что свидетельствует о неэффективности объявивших дефолт судовых компаний.

Показатель debt/ebitdaшироко применяется банками при выдаче кредитов и займов различным компаниям. По условиям договоров, заключенных с банками, компании обязаны поддерживать debt/ebitda не выше определенного значения. Нарушение указанного условия может привести к досрочному расторжению договора, повышению процентной ставки или другим негативным последствиям для заемщика. Для активных судовых компаний медианное значение debt/ebitdaравно 3,691, что можно интерпретировать как их способность расплатиться по совокупным долгам за чуть более чем 3,5 года при условии получения такой же ebitda. Медианное значение debt/ebitda для дефолтных судовых компаний отрицательно, что сигнализирует об отрицательной ebitda. В то же время медианное абсолютное отклонение для дефолтных судовых компаний составляет 14,935. Значит в выборке имеются как отрицательные, так и чересчур высокие значения debt/ebitda среди дефолтных судовых компаний, что негативно сказывается на их способности обслуживать совокупный долг.

Отношение совокупного долга и совокупных активов часто используется финансовыми институтами для оценки способности компании взять на себя дополнительные обязательства. Медианная активная судовая компания имеет значение указанного показателя в размере 0,359, в то время как у дефолтной судовой компании более половины (0,542) совокупных активов финансируется за счет кредитных средств.

Медианные значения показателя отношения совокупных обязательств и совокупных активов для активных и дефолтных судовых компаний составляют соответственно 0,613 и 0,754. Следовательно, дефолтные судовые компании в целом имеют большую долговую нагрузку и в большей степени подвержены финансовой неустойчивости. Также это соответствует выводам работы Дробеца и др. (2013, 2016), которые обнаружили высокие значения финансового левериджа среди компаний судоходной отрасли.

Медианная активная судовая компания несет капитальные затраты в размере чуть более 70% от полученной чистой прибыли, в то время как медианная дефолтная судовая компания получает отрицательную чистую прибыль.