Оборачиваемость основных средств является мерой операционной производительности и используется для способности компании генерировать выручку с помощью основных средств. Чем выше значения данного предиктора, тем более эффективно используются инвестиции в основные средства. Медианное значение оборачиваемости основных средств для активной судовой компании составило 1,050, тогда как для дефолтной судовой компании - 0,421.

Оборачиваемость совокупных активов, рассчитывающаяся как отношение выручки и совокупных активов, является мерой эффективности использования всех имеющихся активов для генерации выручки. Чем выше значения данного предиктора, тем более эффективно используются активы компании. Медианная активная судовая компания характеризуется более высокой степенью эффективности использования активов (0,534) по сравнению с медианной дефолтной судовой компанией (0,267).

Показатель mcap/tlявляется важным индикатором для владельцев и других инвесторов, так как отражает реакцию рынка на финансовую позицию судовой компании. Чем выше отношение рыночной капитализации к совокупным обязательствам, тем более устойчиво финансовое положение судовой компании. По данным таблицы 4 можно сделать вывод, что активные судовые компании с медианным значением 0,588 занимают более устойчивую финансовую позицию, чем дефолтные судовые компании с медианным значением указанного показателя 0,171.

КоэффициентТобинахарактеризует отношение между рыночной и внутренней стоимостью компании. Другими словами, указанный показатель дает понять, переоценена (коэффициент Тобина больше единицы) или недооценена (коэффициент Тобина меньше единицы) компания. Медианные значения для активных и дефолтных судовых компаний меньше единицы (0,917 и 0,299 соответственно). Однако для активных судовых компаний медиана практически равна единице, что свидетельствует о справедливой оценке рынка стоимости активов.

Медианные значения годовых доходностей акций для дефолтных и активных судовых компаний равны -28% и 0% соответственно, что отрицательно сказывается на привлечении инвесторов в судовую отрасль.

Логарифм рыночной капитализации отвечает за восприятие инвесторами размера судовой компании. Значение медианы для активной судовой компании составляет 18,655, тогда как для дефолтной судовой компании - 18,152, что является довольно существенной разницей в денежном эквиваленте.

В данных также присутствует переменная dni, принимающая значение 1 в случае получения судовой компанией чистого убытка в предыдущие два года и 0 в противном случае. Однако можно показать на рисунке 2, что доля судовых компаний, показавших чистый убыток в предыдущие два года, значительно выше у дефолтных, чем у активных судовых компаний.

Рисунок 2. Чистый убыток в предыдущие два года.



Это вполне соответствует реальным бизнес-отношениям между кредитными организациями и любыми компаниями: процветание бизнеса характеризуется его возможностью генерировать прибыль. Отсутствие прибыли у компании вынуждает банки и других кредиторов требовать возврата денежных средств, которые не могут быть вовремя выплачены. Как следствие, компания объявляет дефолт.

Графики на рисунке 3 называются ящики с усами или диаграммы размаха и показывают, что в среднем дефолтные судовые компании крупнее в терминах натурального логарифма совокупных активов и моложе, чем активные судовые компании.

Рисунок 3. Натуральный логарифм совокупных активов (группа размер, слева) и возраст (нефинансовая группа, справа).

Исторические данные ежедневных значений балтийского фрахтового индекса (BalticDryIndex, BDI) и мирового индекса капиталов (MorganStanleyCapitalIndexWorld, MSCIWorld) за период 2000-2017 гг. были получены с помощью глобального финансового портала Investing.com, представляющий новости мировых финансовых рынков, котировки, аналитику и другую информацию финансового характера. Для каждого года из периода 2000-2017 гг. были рассчитаны средние значения указанных отраслевых показателей.

Информация о реальном валовом внутреннем продуктев ценах 2010 года, рассчитанного по паритету покупательной способности в долларах США, по каждой стране, в которой зарегистрированы судовые компании, за период 2000-2017 гг. была получена с сайта Всемирного банка. Это международная организация, созданная с целью оказания финансовой и технической помощи развивающимся странам.

Стоит добавить, что в ходе выполнения данного исследования автор связался с информационными агентствами ClarksonsResearchServicesLtdи MarineTraffic, занимающимися сбором информации о судовой отрасли. Сотрудники Clarksons предоставили семидневный бесплатный доступ к базе данных ShippingIntelligenceNetwork, содержащей данные о количестве и характеристиках судов, строящихся или находящихся в пользовании у судовых компаний.

Характеристики судна включали тип, статус, имя, размер, масса полезного груза (дедвейт), флаг, название судостроителя, владелец, дата постройки.

Однако возможности собрать указанные показатели за интересуемый период времени не представлялось возможным. Это объясняется тем, что в рамках семидневного бесплатного доступа существовало ограничение на количество посещаемых веб-страниц базы данных (в размере 50 единиц) и информация о количестве кораблей предоставлялась на текущую дату, тогда как была необходима информация на 31 декабря каждого года за период 2000-2017 гг. Сотрудники MarineTraffic не ответили на электронный запрос с просьбой предоставить данные о флоте судовых компаний для проведения данного исследования.



4. Методология исследования

В данной работе используются логит-модели для прогнозирования вероятности дефолта(на следующий год), широко применяющиеся исследователями вероятности банкротства компаний различных отраслей (Su, Huang, 2010; Park, Hancer, 2012;Tserngetal., 2014). С целью более удобного представления логит-модели будет изложен случай пяти объясняющих переменных, каждая из которых соответствует одной из групп факторов: бухгалтерской, рыночной, нефинансовой, отраслевой и макроэкономической.

Предполагается, что существует латентная (ненаблюдаемая) переменная , линейно зависящая от предикторов и :

где: -ненаблюдаемая переменная;

-бухгалтерская группа факторов;

- рыночная группа факторов;

- нефинансовая группа факторов;

- отраслевая группа факторов;

- макроэкономическая группа факторов;

- неизвестные коэффициенты перед группами факторов соответственно;

- случайная ошибка модели.

Случай дефолта судовой компании наступает, если . Связь между наблюдаемым индикатором дефолта и латентной переменной имеет вид:



Случайные ошибки предполагаются быть независимыми от предикторов и имеют логистическое распределение. Логит-модель оценивается с помощью метода максимального правдоподобия.

Прежде чем перейти к построению прогнозной модели вероятности дефолта, необходимо провести корреляционный анализ. Во избежание проблемы мультиколлинеарности были рассчитаны коэффициенты корреляции Пирсона и построена корреляционная матрица (Приложение 2) для всех объясняющих переменных. В ходе анализа были обнаружены два вида корреляции: внутригрупповая и межгрупповая. Внутригрупповая корреляция наблюдается в том случае, когда значимый коэффициент корреляции Пирсона между переменными, входящими в одну группу факторов, превышает значение 0,30. Аналогично, межгрупповая корреляция была обнаружена между входящими в разные группы переменными, сила линейной связи между которыми составила более 0,30. Указанное значение корреляции Пирсона было выбрано в качестве порога согласно шкале Чеддока ввиду высокой чувствительности логистической регрессии к мультиколлинеарности: для значений корреляции ниже 0,30 сила связи слабая, а выше - как минимум умеренная.

Примерами внутригрупповой корреляции являются:

1) Группа размер: натуральный логарифм рыночной капитализации и натуральный логарифм совокупных активов - 0,85, значимость на 1%-ом уровне;

2) Группа прибыльность: отношение прибыли до выплаты процентов и налогов и совокупных активов и отношение чистой прибыли и совокупных активов - 0,96, значимость на 1%-ом уровне;

3) Группа финансовый рычаг: отношение совокупного долга и совокупных активов и отношение совокупных обязательств и совокупных активов - 0,99, значимость на 1%-ом уровне.

Примерами межгрупповой корреляции являются:

1) Оборачиваемость основных средств (активность) и коэффициент Тобина (рыночная) - 0,37, значимость на 1%-ом уровне;

2) Отношение выручки и совокупных активов (активность) и коэффициент Тобина (рыночная) - 0,81, значимость на 1%-ом уровне;

3) Коэффициент текущей ликвидности (ликвидность) и отношение рыночной капитализации и совокупных обязательств (рыночная) - 0,60, значимость на 1%-ом уровне;

4) Отношение прибыли до выплаты процентов и налогов и совокупных активов (прибыльность) и коэффициент Тобина (рыночная) - 0,40, значимость на 1%-ом уровне;

5) Показатели отношение прибыли до выплаты процентов и налогов и совокупных активов и отношение чистой прибыли и совокупных активов из группы прибыльность и отношение совокупного долга и совокупных активов и отношение совокупных обязательств и совокупных активов из группы финансовый рычаг - менее -0,93, значимость на 1%-ом уровне.

Исходя из проведенного анализа, автор работы сделал вывод о том, что совместное включение в модели указанные выше переменные, между которыми наблюдается либо внутригрупповая, либо межгрупповая корреляция, нежелательно. С этой целью далеебыли подобраны комбинации некоррелированных между собой бухгалтерских, рыночных, нефинансовых и отраслевых показателей, и в результате получилось 1136 спецификаций. После этого на данных за период 2000-2015 гг.были построены 1136 моделей, которые были отнесены к одному из восьми типов:

1) Модели, состоящие только из бухгалтерских показателей (44 модели);

2) Модели, состоящие из бухгалтерских показателей и возраста судовых компаний (44модели);

3) Модели, состоящие из бухгалтерских и рыночных показателей (240 моделей);

4) Модели, состоящие из бухгалтерских иотраслевых показателей (44 модели);

5) Модели, состоящие из бухгалтерских и рыночных показателей и возраста судовых компаний (240 моделей);

6) Модели, состоящие из бухгалтерских и отраслевых показателей и возраста судовых компаний (44 модели);

7) Модели, состоящие из бухгалтерских, рыночных и отраслевых показателей (240 моделей);

8) Модели, состоящие из бухгалтерских, рыночных и отраслевых показателей и возраста судовых компаний (240 моделей).

Ввиду того, что целью работы является прогнозирование вероятности дефолта судовых компаний, после оценивания 1136 моделей были построены прогнозы. Все прогнозы были сделаны на год вперёд, хотя часть исследователей прогнозировали на два и более лет вперёд. Возможность прогнозирования на несколько лет вперёд представляется менее реалистичной ввиду того, что финансовое состояние судовой компании может измениться в считанные недели по различным причинам: потеря ключевого клиента, штрафы за нарушение экологического законодательства, низкая квалификация экипажа и, как следствие, дорогостоящий ремонт или потеря судна, пиратство, кибертерроризм и т.д. Большинство публичных судовых компаний подают финансовую отчетность не чаще чем раз в квартал, однако недоступность этих данных делает невозможным прогнозирование на меньший период.

Также следует отметить, что существует несколько способов прогнозирования вероятности дефолта:

1) Оценить модель по данным 2000-2015 годов и построить прогнозы на 2016 год;

2) Оценить модель по данным 2000-2016 годов и построить прогнозы на 2016 год;

3) Поделить выборку 2000-2016 годов на обучающую и тестовую, затем оценить модель по обучающей выборке и построить прогноз по тестовой.

Как отмечают Демешев и Тихонова (Демешев, Тихонова, 2014), второй способ является некорректным, так как включение в модель избыточного количества переменных помогает достичь высоких показателей качества прогнозов. Третий способ является довольно распространенным среди исследователей вероятности банкротства, однако возникают вопросы относительно того, каким образом производить деление выборки на обучающую и тестовую (Bhimanietal., 2010; Park, Hancer, 2012). В данной работе будет использован первый способ, так как именно с такой практической задачей сталкиваются менеджмент судовых компаний, инвесторы, государственные органы и кредитные организации.

Для того чтобы определить наилучшую модель прогнозирования вероятности дефолта судовых компаний, необходимо ввести критерии сравнения прогнозов. В этом случае удобно использовать стандартную терминологию, принятую исследователями в области прогнозирования банкротства. Исходы делятся на положительные, активные судовые компании, и отрицательные, соответственно, дефолтные судовые компании. Значительная часть критериев для выбора наилучшей модели рассчитывается с помощью четырех метрик: истинно положительные случаи (truepositives, TP), истинно отрицательные случаи (truenegatives, TN), ложно положительные случаи (falsepositives, FP) и ложно отрицательные случаи (falsenegatives, FN). Наглядно их можно представить в матрице сопряженности (Таблица 5).



Таблица 5 Матрица сопряженности

	Фактическийисход
	Положительный	Отрицательный
Прогнозируемыйисход	Положительный	истинно положительные truepositives (TP)	ложно положительные falsepositive (FP)
	Отрицательный	ложноотрицательные false negative (FN)	истинно отрицательные truenegative (TN)

Рассмотрим основные критерии качества модели:

1) Точность (accuracy, ACC) - отношение количества истинных случаев к общему числу наблюдений.

2) Чувствительность (sensitivity,TruePositiveRate, TPR) - отношениеколичества истинно положительных случаев к общему количеству положительных исходов (дефолтных судовых компаний).

3) Специфичность (specificity, TrueNegativeRate, TNR) - отношениеколичества истинно отрицательных случаев к общему количеству отрицательных исходов (активных судовых компаний).

Однако у критерия точности существует недостаток, не позволяющий использовать его в данной работе для сравнения качества прогнозов. Поскольку количество случаев дефолта судовых компаний существенно меньше количества активных судовых компаний, то модель «признаем все судовые компании активными» будет давать близкую к единице точность. В связи с этим в этой работе по аналогии с работой (Демешев, Тихонова, 2014) для оценки прогнозного качества моделей использованы следующие критерии:

1) ПлощадьподROCкривой (AreaUnderCurve, AUC). Если первая модель при любом пороге классификации лучше второй модели, то площадь под ROC кривой будет выше у первой модели. Следовательно у модели, обладающей сравнительно большей прогнозной силой, выше значение площади под ROCкривой;

2) Специфичность при заданном уровне чувствительности. Например, для кредитной организации, решающей вопрос кредитования судовой компании, выдача заемных средств фирме, которая объявит дефолт, является более серьезной ошибкой, чем невыдача кредита фирме, которая не объявит дефолт. Таким образом, в первую очередь банк обращает на уровень чувствительности модели, а затем при некотором уровне чувствительности банк заинтересован в максимизации специфичности. В данной работе аналогично исследованию (Демешев, Тихонова, 2014)сравнивается специфичность моделей при уровне чувствительности, равной 0,90.

Выбрав лучшие модели из каждого типа и определив их спецификации, будут построены еще восемь моделей с сохранением первоначальных спецификацийи добавлением к ниммакроэкономического предиктора. После этого будут проведены окончательное сравнение критериев качества прогнозов площадь под ROCкривой и специфичность при заданном уровне чувствительности 0,90 и верификация гипотез.

5. Эмпирические результаты

В Приложении 3 приведены коэффициенты в восьми логит-моделях без макроэкономического индикатора, показавших наибольшие значения площади под ROCкривой и специфичности при уровне чувствительности 0,90 среди соответствующих типов моделей.В таблице 6 представлены средние предельные эффекты и критерии качества восьми наилучших логит-модель без макроэкономического индикатора.

Из всех групп бухгалтерских показателей в восьми наилучших логит-модель без макроэкономического индикатора значимое влияние на вероятность дефолта оказывают переменные, характеризующие кредитоспособность, активность, размер и прибыльность судовых компаний.

Показатель кредитоспособности debt/ebitda значим на 10%-ом уровне в двух из восьми моделях и имеет отрицательное влияние на вероятность дефолта судовых компаний. Многие дефолтные судовые компании получают отрицательную прибыль до вычета процентов, налогов и амортизации и имеют довольно большие совокупные долги, поэтому показатель debt/ebitda принимает значения, намного меньшие нуля. Напротив, активные судовые компании имеют сравнительно небольшие совокупные долги и в основном получают положительную прибыль до вычета процентов, налогов и амортизации. Таким образом, статистическое влияние debt/ebitda на вероятность дефолта судовых компаний имеет экономический смысл.

Показатели активности capex/ni, faturn и sales/ta имеют разнонаправленное влияние на вероятность дефолта судовых компаний. Предиктор capex/ni оказывает значимое отрицательное воздействие на вероятность дефолта, что соответствует экономической сути указанного финансового отношения: чем выше capex/ni, тем быстрее окупаются капитальные затраты и тем выше конкурентные преимущества судовой компании.

Переменная sales/ta статистически не значима ни в одной из четырех моделей. Однако средние предельные эффекты sales/ta в двух моделях статистически значимы на 10%-ом уровне и вносят отрицательный вклад в вероятность дефолта судовых компаний. Увеличение указанного предиктора на единицу ведет к уменьшению вероятности дефолта на 0,007-0,008.

Таблица 6 Средние предельные эффекты и показатели качествавосьми наилучших логит-моделей

В трех из четырех моделях faturn имеет значимое на 1%-ом уровне положительное влияние на вероятность дефолта судовых компаний, однако эти модели показали более низкую прогнозную силу по сравнению с той, в которой коэффициент перед faturn имеет знак минус. Показатель faturn характеризует эффективность использования основных средств, в связи с чем отрицательное влияние этого предиктора на вероятность дефолта судовых компаний кажется более правдоподобным.

Показатель прибыльности ebit/ta является статистически значимым на 1%-ом уровне и оказывает отрицательное влияние на вероятность дефолта судовых компаний во всех типах моделей. Увеличение данного показателя сигнализирует о том, что судовая компания получает доход, который может быть направлен на погашение обязательств. В связи с этим выявленное статистическое влияние соотносится с экономической сутью ebit/ta. Средние предельные эффекты ebit/ta являются статистически значимыми на 1%-ом уровне и вносят отрицательный вклад в вероятность дефолта судовых компаний во всех типах моделей. Увеличение данного показателя на единицу приводит к уменьшению вероятности дефолта на 0,037-0,040.

Во всех моделях переменная lnta, характеризующая размер судовой компании, показала статистически значимое на 1%-ом уровне положительное влияние на вероятность дефолта. Возможным объяснением данного факта является то, что дефолтные судовые компании с каждым годом используют все больше заемных средств, за счет которых растут совокупные активы, и на пике величины совокупных активов объявляют дефолт. Например, втораяповеличинеюжнокорейскаясухогрузнаясудоваякомпания KoreaLineCorpобъявила о неспособности расплачиваться по своим обязательствам в конце января 2011 года и уже в феврале 2011 года заявила о начале процесса их реструктуризации, тогда как еще в 2010 году совокупные активы этой компании достигли своего максимума за последние десять лет (Рисунок 4). В шести моделях средние предельные эффекты lnta статистически значимы в основном на 5%-ом уровне и вносят положительный вклад в вероятность дефолта.

Рисунок 4. Совокупные активы и совокупные обязательства KoreaLineCorpза период 2000-2017 года.



Нефинансовая переменная возраст судовой компании статистически значима на 1%-ом уровне в трех из четырех моделях и в каждой из них отрицательно влияет на вероятность дефолта судовой компании. Данный факт подтверждает мнение о том, что новые судовые компании испытывают определенные трудности в начале своей работы и, возможно, несут более высокие издержки, чем давно существующие судовые компании.

Рыночные показатели return и mcap/tl статистически не значимы, однако имеют отрицательное влияние на вероятность дефолта судовых компаний.

Отраслевые показатели балтийский фрахтовых индекс и мировой индекс капиталов показали статистически значимое и разнонаправленное влияние на вероятность дефолта судовых компаний. Во всех четырех моделях коэффициент перед балтийским фрахтовым индексом имеет знак минус. В данной работе автор аналогично (Mitroussietal., 2016) использовал балтийский фрахтовый индекс в качестве заменителя фрахтовых ставок. Следовательно, отрицательное влияние балтийского фрахтового индекса на вероятность дефолта судовых компаний соотносится с экономическим смыслом данного показателя.

Напротив, мировой индекс капитала во всех четырех моделях оказывает положительное влияние на вероятность дефолта судовых компаний, что соотносится с результатами работы (Kavussanos, Tsouknidis, 2016). Возможным объяснением данного эффекта является то, что после финансового кризиса 2008 года мировая экономика показывала устойчивый, но небольшой рост, в то время как судовые компании наращивали производственные мощности более ускоренными темпами. Избыточное предложение обрушило фрахтовые ставки. Таким образом, мировой индекс капитала перестал отражать изменение фрахтовых ставок и являться корректным заменителем.

Теперь обратимся к ранее выделенным критериям качества моделей и сделаем некоторые выводы относительно того, как добавление различных групп переменных влияет на прогнозную силу моделей вероятности дефолта судовых компаний. В таблице 6 необходимо отметить, что включение в модель только нефинансовой переменной возраст или рыночных показателей увеличивает качество прогнозов: площадь под ROCкривой возрастает с 0,71 до 0,88 и 0,83 соответственно, а специфичность при заданном уровне чувствительности 0,90 возрастает с 0,47 до 0,80 и 0,76 соответственно.Напротив, включение только отраслевых показателей уменьшает прогнозную силу, о чем свидетельствует снижения площади под ROCкривой с 0,71 до 0,63 и специфичности при заданном уровне чувствительности 0,90 с 0,47 до 0,31. Возможно это связано с тем, что переменные балтийский фрахтовый индекс и мировой индекс капитала принимают одни и те же значения как для активных, так и для дефолтных судовых компаний и, как следствие, не привносятполезной информации для целей прогнозирования вероятности дефолта.

Добавление парных комбинаций возраста, рыночных и отраслевых предикторов к модели, состоящей только из бухгалтерских показателей, дает существенное увеличение качества прогнозов, что выражается в увеличении площади под ROCкривой и специфичности при заданном уровне чувствительности 0,90. При этом спецификация модели, в которую включены бухгалтерские и рыночные переменные, возраст судовой компании, обладает наибольшей прогнозной силой среди всех оставшихся 1135 логит-моделей. В этом случае площадь под ROCкривой равна 0,87, специфичность при заданном уровне чувствительности 0,90 равна 0,82.

Также стоит отметить, что одновременное включение всех групп переменных в модель уменьшает количество значимых предикторов, ухудшает такие показатели качества модели, как псевдо-R²МакФаддена, информационный критерий Акаике(AIC) и байесовский информационный критерий (BIC), а также незначительно уменьшает прогнозную силу модели: площадь под ROCкривой в этом случае равна 0,84, специфичность при заданном уровне чувствительности 0,90 равна 0,75.

Для того чтобы узнать, добавляет ли макроэкономический предиктор прогнозную силу логит-моделям, автор включил натуральный логарифм реального валового внутреннего продукта в ценах 2010 года, рассчитанного по паритету покупательной способности, в каждую из восьми представленных ранее спецификаций. Оценки коэффициентов представлены в Приложении 4, средние предельные эффекты и показатели качества моделей представлены в таблице 7.Ни в одной из восьми построенных логит-моделях коэффициент перед реальным ВВП оказался статистически незначим. Тем не менее сравнивая показатели качества прогнозов площадь под ROCкривой и специфичность при заданном уровне чувствительности 0,90 между моделями с макропараметром и моделями без макропараметра, автор пришел к выводу, что в рамках данной работы включение реального ВВП увеличивает прогнозную силу для любой из восьми спецификаций моделей.

Таблица 7 Средние предельные эффекты и показатели качества восьми наилучших логит-моделей с макропеременной

Вработах (Bhimanietal., 2010; Mitroussietal., 2016) указывается, что включение в спецификацию модели нефинансовой переменной возраст увеличивает предсказательную силу прогнозных моделей вероятности дефолта, что подтвердилось и в рамках данного исследования.

Шумвэй (2001) утверждал, что комбинация бухгалтерских и рыночных показателей позволяет значительно улучшить качество прогнозов по сравнению с прогнозами, полученными по моделям, в спецификацию которых входят только бухгалтерские предикторы. В данной работе были сделаны аналогичные выводы.

В работе (Lozinskiaetal., 2017) в спецификацию модели был включен макроэкономический индикатор валовый внутренний продукт, оказавший статистически значимое отрицательное влияние на вероятность дефолта судовых компаний. Указанный показатель привносит дополнительную информацию о внешних условиях деятельности судовых компаний, позволяющую улучшить прогнозные качества модели, что нашло подтверждение в данной работе.

В настоящее время исследователями в области прогнозирования вероятности дефолтавсе чаще используются отраслевые переменные ввиду привнесения ими дополнительной прогнозной силы и наличия статистически значимых эффектов (Bandyopadhyay, 2006; Mitroussietal., 2016; Kavussanos, Tsouknidis, 2016). Несмотря на статистическую значимость оценок коэффициентов перед балтийским фрахтовым индексом и мировым индексом капитала в данной работе, добавление указанных переменных ухудшало значения критериев качества прогнозов.

В данной работе были подтверждены предположения о том, что включение нефинансовой переменной возраст, рыночных и макроэкономических показателей увеличивает прогнозную силу моделей определения вероятности дефолта судовых компаний. Гипотеза об увеличении качества прогнозов путем добавления отраслевых переменных была отвергнута в связи с наблюдением противоположного эффекта.



6. Заключение

Несмотря на рост мировой экономики, в последние годы судоходная отрасль испытывает серьезные потрясения. 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.

Таким образом,целью данной работы является прогнозирование вероятности дефолта публичных судовых компаний с помощью бухгалтерских, рыночных, нефинансовых, отраслевых и макроэкономических показателей.

Данные были получены с использованием информационной системы ThomsonReutersEikon, и включают в себя бухгалтерские и рыночные показатели и информацию о дате регистрации 359 публичных судовых компаний из 53 стран за период 2000-2017 гг.Чуть менее три четверти наблюдений в выборке составляют компании, занимающиеся морскими перевозками и логистикой. Более половины судовых компаний зарегистрированы в Восточной Азии и Океании, примерно треть - в Европе и Центральной Азии. Для определения статуса дефолта использовались новостные отраслевые ресурсы, например, WorldMaritimeNews, официальные сайты судовых компаний и сайт одного из ведущих поставщиков финансовой информации Bloomberg. Данные по отраслевым показателям за период 2000-2017 гг. были получены с помощью глобального финансового портала Investing.com. Информация о реальном валовом внутреннем продуктев ценах 2010 года, рассчитанного по паритету покупательной способности в долларах США, по каждой стране, в которой зарегистрированы судовые компании, за период 2000-2017 гг. была выгружена с сайта международной организации Всемирный банк.

В качестве инструмента выбора переменных использовалась частота их упоминания в исследованиях прогнозирования вероятности банкротстваза период 1930-2007гг. Большинство указанных предикторовбыли включены в модели Альтмана (1968), Олсона (1980), Змижевски (1984) иШумвэя (2001), обладающих высокой прогнозной силой. С помощью корреляционного анализа были подобраны комбинации некоррелированных между собой бухгалтерских, рыночных, нефинансовых и отраслевых показателей. В результате было получено 1136 спецификаций, не включающих макроэкономическую переменную и отнесенных к одному из восьми типов моделей в зависимости от наличия в спецификации рыночных, нефинансовых и отраслевых показателей.Затем в каждом из восьми типов моделей была выбрана лучшая модель, имеющая максимальные значения критериев качества прогнозов площадь под ROC кривой и специфичность при заданном уровне чувствительности, равной 0,90. Далее к каждой из восьми лучших спецификаций моделей был добавлен макроэкономический предиктор реальный валовый внутренний продукт, после чего были проведены окончательное сравнение критериев качества прогнозов и верификация гипотез.

В ходе выполнения данного исследования был сделан вывод о том, что все финансовые переменные имеют распределения с тяжелыми хвостами. По этой причине средние значения и стандартные отклонения не могут служить хорошими характеристиками для сравнения активных и дефолтных судовых компаний. В качестве замены были предложены медианы и медианные абсолютные отклонения.

В данной работе были использованы критерии качества прогнозов площадь под ROC кривой и специфичность при заданном уровне чувствительности, равной 0,90, имеющие преимущество перед наиболее популярным критерием точность прогнозов: при небольшом количестве случаев дефолта простейшая модель «признаем все судовые компании активными» будет показывать близкую к единице точность, что не имеет практической ценности для кредитных организаций и государственных органов.

Также было показано, что среди бухгалтерских переменных наибольший вклад в вероятность дефолта компаний судоходной отрасливносят показатели, характеризующие прибыльность, активность и размер судовых компаний.

Наконец, были подтверждены гипотезы о том, что добавление нефинансовой переменной возраст судовой компании, рыночных предикторов и реального валового внутреннего продукта усиливает качество прогнозов модели. При включении в спецификацию модели отраслевых показателей происходило уменьшение ее прогнозной силы.

Ограничением данной работы является использование данных финансовых отчетностей судовых компаний, составленных по национальным и международным стандартам финансовой отчетности. Приведение к единому стандарту является неосуществимой задачей при отсутствии внутренней бухгалтерской информации судовых компаний.

В дальнейшем можно распространить исследование на другие отрасли, имеющие схожие условия ведения бизнеса, например, авиаперевозки. Более того, возможно применение других методов оценивания моделей прогнозирования вероятности дефолта, таких как деревья решений и нейронные сети.



Список использованной литературы

1.Демешев Б.Б., Тихонова А.С. Динамика прогнозной силы моделей банкротства для средних и малых российских компаний оптовой и розничной торговли // Корпоративные финансы. 2014. Выпуск 3 (31). Стр. 4-19.

2.Agrawal, K., Maheshwari, Y. Efficacy of Industry Factors for Corporate Default Prediction // IIMB Management Review. 2019. Vol. 31. P. 71-77.

3.Alaka, H.A. et al. Systematic Review of Bankruptcy Prediction Models: Towards a Framework for Tool Selection // Expert Systems with Applications. 2018. Vol. 94. P. 164-184.

4.Altman, E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // The Journal of Finance. 1968. Vol. 23 (4). P. 589-609.

5.Altman, E.I. et al. Failure Prediction: Evidence from Korea // Journal of International Financial Management and Accounting. 1995. Vol. 6 (3). P. 230-249.

6.Balcaen, S., Ooghe, H. 35 Years of Studies on Business Failure: An Overview of the Classic Statistical Methodologies and Their Related Problems // The British Accounting Review. 2006. Vol. 38. P. 63-93.

7.Bandyopadhyay, A. Predicting Probability of Default of Indian Corporate Bonds: Logistic and Z-score Model Approaches // The Journal of Risk Finance. 2006. Vol. 7 No. 3. P. 255-272.

8.Beaver, W. Financial Ratios asPredictors of Failure // Journal of Accounting Research. 1966. Vol. 4, Empirical Research in Accounting: Selected Studies 1966. P. 71-111.

9.Bellovary, J.L. et al. A Review of Bankruptcy Prediction Studies: 1930 to Present // Journal of Financial Education. 2007. Vol. 33. P. 1-42.

10.Bhimani, A. et al. Accounting and Non-accounting Determinants of Default: An Analysis of Privately-held Firms // Journal of Accounting and Public Policy. 2010. Vol. 29. P. 517-532.

11.Campbell, J.Y. et al. In Search of Distress Risk // The Journal of Finance. 2008. Vol. 63 (6). P. 2899-2939.

12.Dichev, I.D. Is the Risk of Bankruptcy a Systematic Risk? // The Journal of Finance. 1998. Vol. 53 (3). P. 1131-1147.

13.Drobetz, W. et al.Capital Structure Decisions of Globally-Listed Shipping Companies // Transportation Research Part E: Logistics and Transportation Review. 2013. Vol. 52. P.49-76.

14.Drobetz, W. et al. Systematic Risk Behavior in Cyclical Industries: The Case of Shipping //Transportation Research Part E: Logistics and Transportation Review. 2016. Vol. 88. P. 129-145.

15.Gao, P. et al. Global Relation Between Financial Distress and Equity Returns // The Review of Financial Studies. 2018. Vol. 31 (1). P. 239-277.

16.Grammenos, C.T. et al. Estimating the Probability of Default for Shipping High Yield Bond Issues // Transportation Research Part E: Logistics and Transportation Review. 2008. Vol. 44 (6). P. 1123-1138.

17.Kavussanos, M.G., Tsouknidis, D.A. Default Risk Drivers in Shipping Bank Loans // Transportation Research Part E: Logistics and Transportation Review. 2016. Vol. 94(C). P. 71-94.

18.Kumar, P.R., Ravi, V. Bankruptcy Prediction in Banks and Firms via Statistical and Intelligent Techniques - A Review // European Journal of Operational Research. 2007. Vol. 180 (1). P. 1-28.

19.Lozinskaia, A.M. et al. Determinants of the Probability of Default: The Case of the Internationally Listed Shipping Corporations // Maritime Policy and Management. 2017. Vol. 44 (7). P. 837-858.

20.Mitroussi, K. et al. Performance Drivers of Shipping Loans: An Empirical Investigation // International Journal of Production Economics. 2016. Vol. 171 (P3). P. 438-452.

21.Nam, H.J., An, Y.H. Default Risk and Firm Value of Shipping & Logistics Firm in Korea // The Asian Journal of Shipping and Logistics. 2017. Vol. 33 (2). P. 61-65.

22.Ohlson, J. Financial Ratios and the Probabilistic Prediction of Bankruptcy // Journal of Accounting Research. 1980. Vol. 18 (1). P. 109-131.

23.Park, S., Hancer., M. A Comparative Study of Logit and Artificial Neural Networks in Predicting Bankruptcy in the Hospitality Industry // Tourism Economics. 2012. Vol. 18 (2). P. 311-338.

24.Shumway, T. Forecasting Bankruptcy More Accurately: A Simple Hazard Model // The Journal of Business. 2001. Vol. 74 (1). P. 101-124.

25.Su, E., Huang, S. Comparing Firm Failure Predictions Between Logit, KMV, and ZPP Models: Evidence from Taiwan's Electronic Industry // Asia-Pacific Financial Markets. 2010. Vol. 17. P. 209-239.

26.Taffler, R.J., Agarwal, V. Twenty-Five Years of the Taffler Z-score Model: Does It Really Have Predictive Ability? // Accounting and Business Research. 2007. Vol. 37. P. 285-300.

27.Tserng, H.P. et al. Prediction of Default Probability for Construction Firms Using the Logit Model // Journal of Civil Engineering and Management. 2014. Vol. 20 (2). P. 247-255.

28.Zmijewski, M.E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models // Journal of Accounting Research. 1984. Vol. 22. P. 59-82.

Электронные ресурсы:

1.ALLIANZ GLOBAL CORPORATE & SPECIALTY (2017) Safety and Shipping Review 2017. Munich, Germany. [Электронный ресурс] URL: https://www.agcs.allianz.com/content/dam/onemarketing/agcs/agcs/reports/AGCS-Safety-Shipping-Review-2017.pdf [Дата обращения: 19.05.2019].

2.Jonathon, S., Pullin, R. (2015) Second dry-bulk shipper files for bankruptcy as rates tumble. Reuters. [Электронный ресурс] 18 февраля 2015. URL: https://www.reuters.com/article/shipping-drybulk-bankruptcy/second-dry-bulk-shipper-files-for-bankruptcy-as-rates-tumble-idUSL4N0VM41R20150218 [Дата обращения 19.05.2019].

3.Semetko, M., Lewis, I. (2016) Moody's: Global Shipping Industry's Negative Outlook due to Fall in EBITDA. Moody'sInvestorsService. [Электронный ресурс] 22 июня 2016. URL: https://www.moodys.com/research/Moodys-Global-shipping-industrys-negative-outlook-due-to-fall-in--PR_350937 [Дата обращения 19.05.2019].



Приложение 1

Гистограммы



Приложение 2

Корреляционные матрицы

Приложение 2 (Продолжение)

Примечание: .Жирным шрифтом выделены ячейки, в которых значение корреляции Пирсона по модулю составляет не менее 0,30. Линии ограничивают переменные, относящиеся к одной группе.



Приложение 3

Оценки коэффициентов восьми наилучших логит-моделей без макропараметра

Примечание: . В скобках приведены робастные стандартные ошибки (поправка в форме Уайта).



Приложение 4

Оценки коэффициентов восьми наилучших логит-моделей с макропараметром

Размещено на Allbest.ru