Вероятность наступления дефолта зависит от выбранных объясняющих переменных и может быть выражена следующим образом:

Обобщенный вид логит - модели выглядит следующим образом:

Олсон же, в своей работе, также использовал модель бинарного выбора в отношении предсказания наступления банкротства компаний, и данная модель получила название O - Score (Ohlson, 1980).

Данный метод схож с Z - Score Альтмана, т.к. в качестве регрессоров здесь тоже используются относительные показатели из бухгалтерской отчетности наравне с другими финансовыми коэффициентами. Тем не менее, данный метод имеет и ряд различий, которые также можно назвать своего рода преимуществами над мультидискриминантым анализом, недостатки которого были упомянуты ранее.

При использовании логит - модели, как отмечает Олсон, нет необходимости делать какие - либо предположения относительно распределения регрессоров модели. В отношении выборки, преимуществом здесь является то, что данный метод позволяет рассмотреть значительно большее количество наблюдений, и выбор заемщиков не обусловлен их соразмерностью и схожестью экономических отраслей.

Рассмотрим теперь саму модель, O - Score. Олсон представил три версии модели, в зависимости от анализируемого временного периода, за год, два и три года до наступления банкротства предприятий:



1)

2)

3)

4)

5)

6)

7)

8)

9)

Данная модель состоит из 9 объясняющих переменных, две из которых также являются дамми - переменными, использование которых, по мнению Олсона, способно существенно повысить общую прогностическую силу модели.

Точность модели оценивается в 96,12% в период за год до наступления дефолта, и 95,55% за два года, на основании процента точно предсказанных результатов при соблюдении следующего равенства и использовании классификационных матриц. Таким образом, можно заключить, что эффективность логит - модели выше, чем моделей многофакторного анализа. Однако, здесь также наблюдается то, что ошибка модели возрастает с увеличением рассматриваемого временного периода. Но, в данном случае, ошибка модели все равно существенно ниже, чем в модели Альтмана.

Другое исследование, которое было проведено с помощью аналогичного метода, весьма интересно для данной работы с точки зрения использованных в нем регрессоров. Так, цель, которую поставили перед собой Тиноко и Вилсон заключалась в том, чтобы проверить эмпирическую полезность объединения показателей финансовой отчетности вместе с рыночными и макроэкономическими в единую систему контрольных переменных для получения более точных результатов в отношении оценки вероятности наступления банкротства предприятий (Tinoco, Wilson, 2013).

Протестировав в общей сложности 130 различных показателей, авторы отобрали в итоге следующие регрессоры из показателей финансовой отчетности, макроэкономических и рыночных переменных:

1)

2)

3)

4)

5)

6)

7)

8)

9)

10)

Так, переменные TFOTL, TLTA, NOCREDINT и COVERAGE относятся к финансовым показателям; RPI и SHTBRDEF - к макроэкономическим переменным; и PRICE, ABNRET, SIZE и MCTD - к рыночным показателям.

Рассмотрим данные регрессоры по отдельности. TFOTL позволяет выявить, насколько хорошо компания способна генерировать свой доход для выплаты своих обязательств. Чем выше данный показатель, тем менее вероятно для данной компании находиться в затруднительном финансовом положении, и наоборот. TLTA является своего рода измерителем финансового рычага. Она позволяет выявить, какая часть активов компании была профинансирована за счет ее краткосрочных и долгосрочных долгов. Здесь, зависимость обратная: чем выше значение, тем вероятнее наступление банкротства рассматриваемого предприятия.

NOCREDINT измеряет ликвидность компании, и представляет собой количество дней, в течение которых компания способна финансировать свои обязательства за счет собственных ликвидных средств. При этом, в отношении данной переменной, как отмечают авторы, надо дополнительно использовать преобразование гиперболического тангенса, где (Tinoco, Wilson, 2013). Это необходимо для того, чтобы значения данного регрессора были сопоставимы с другими контрольными переменными. Здесь, аналогично TFOTL, большее значение свидетельствует о меньшей вероятности наступления банкротства.

COVERAGE выявляет способность компании выплачивать проценты по своим обязательствам. Здесь также применяется преобразование гиперболического тангенса, и зависимость аналогична NOCREDINT. Регрессор RPI измеряет инфляцию. По мнению авторов, ее высокое значение должно повысить вероятность наступления банкротства для рассматриваемых компаний, и наоборот (Tinoco, Wilson, 2013).

SHTBRDEF - это процент по государственным облигациям. Данные для ее определения брались из официального сайта Банка Англии, и корректировались с учетом уровня инфляции. Так, высокие процентные ставки повышают вероятность наступления банкротства, т.к. они уменьшают количество выдаваемых кредитов.

Регрессор PRICE представляет собой курсы акций предприятия, и позволяет спрогнозировать будущие денежные потоки компании. Большее его значение гарантирует меньшую вероятность банкротства, т.к. большие цены акций фирмы отражают ожидания инвесторов о больших будущих денежных потоках компании, соответственно. ABNRET - это совокупный доход от остаточных ценных бумаг предприятия, и данная переменная также была преобразована с помощью гиперболического тангенса. Чем выше ее значение, тем меньше вероятность наступления банкротства.

Для двух последних регрессоров, SIZE и MCTD, также необходимо использование преобразование гиперболического тангенса. Так, SIZE представляет собой размер рассматриваемого предприятия, и большие ее значения снижают вероятность банкротства; MCTD определяет рыночную капитализацию заемщика, и зависимость аналогична переменной SIZE.

Для того чтобы проверить свою гипотезу о значимости включения в модель финансовых, макроэкономических и рыночных переменных, авторы рассмотрели несколько моделей. Сравнивая их относительную эффективность, они рассматривали два временных промежутка: за год и два года до наступления банкротства.

Протестировав ряд моделей, они пришли к выводу, что все отобранные ими регрессоры значимы на 5% и 1% уровнях значимости, за исключением регрессора TLTA. Также, по мнению авторов, именно финансовые переменные обладают большей прогностической силой, т.к. их значимость наблюдалась во всех рассмотренных спецификациях модели.

При этом, протестировав полную версию модели, состоящую из всех групп регрессоров, они пришли к выводу, что данная ее спецификация обладает наибольшей прогностической силой (AUC = 0,92) в сравнении с другими (AUC = 0,88), которая была оценена с помощью показателя AUC (Area Under the Receiver Operating Characteristics Curve (ROC)). Следует отметить, что переменная SIZE оказалась незначима, но, по мнению авторов, она все равно должна быть включена в модель. Таким образом, гипотеза авторов подтвердилась, и предположение о том, что включение в модель различных групп регрессоров повышает ее точность, было обосновано.

Все ранее рассмотренные научные работы, использовавшие модели бинарного выбора в качестве эмпирического метода, объединяет то, что все они были созданы для применения ко всем экономическим отраслям. Однако, нельзя отрицать того факта, что все индустрии различны между собой, и каждая из них обладает некими уникальными для нее характеристиками.

Соответственно, более верным подходом является создание модели именно с учетом особенностей той отрасли, в отношении которой будет осуществлен дальнейший анализ, т.к. это может существенно повысить общую точность модели (Bhargava et al, 1998). Далее будут рассмотрены научные работы, сфокусировавшие свое внимание именно на одной отрасли, и представившие модели с применением логит метода.

Так, первая подобная работа была представлена еще в 1990 г., в которой Платт утверждал, что эффект индустрии весьма значим, т.к. он оказывает существенное влияние на общий результат модели по оценке вероятности наступления банкротства (Platt, Platt, 1990). Данный эффект представлен в следующей формуле:

Платт использовал следующие объясняющие переменные:

1)

2)

3)

4)

5)

6)

7)

Так, из списка, представленного выше видно, что Платт использовал эффект индустрии в отношении двух регрессоров. Чтобы подтвердить свою гипотезу о значимости включения эффекта индустрии в модель вероятности банкротства, Платт сравнил две версии модели: скорректированную на эффект индустрии и нет, и выявил, что скорректированная версия обладает большей прогностической силой. Соответственно, Платт подтвердил свою гипотезу, и выявление уникальных специфик является весьма важным этапом в создании модели для оценки наступления банкротства среди корпоративных заемщиков банка. Точность данной модели Платт оценил в 90% на основании процента точно предсказанных результатов при использовании классификационных матриц.

Следующая научная работа, авторы которой также использовали логит - модель, рассматривала индустрии розничной и оптовой торговли, что делает ее интересной для дальнейшего исследования относительно выбора регрессоров (Bhargava et al, 1998).

В качестве контрольных переменных авторы рассматривали как одиночные регрессоры, так и совокупность регрессоров, которые должны были дать оценку Z - Score, определяющую является ли то или иное предприятие банкротом или нет. Так, авторы использовали следующие одиночные переменные: коэффициент рентабельности активов (Return on Assets, ROA), величину денежного потока (Cash Flow) и коэффициент оборачиваемости товарных запасов (Inventory Turnover). Оценка Z - Score рассчитывалась с помощью следующих финансовых показателей:

1)

2)

3)

4)

5)

Сравнивая точность и эффективность одиночных регрессоров и их объединения с помощью теста ANOVA (Analysis of Variance), авторы пришли к выводу, что оценка Z - Score обладает лучшей предсказательной силой, нежели одиночные регрессоры. В отношении использования других одиночных показателей, авторы пришли к выводу, что они не обладают значимой прогностической силой, и не могут быть использованы в целях оценивания вероятности наступления банкротства среди корпоративных заемщиков индустрии розничной торговли и оптовой торговли.

Следующее исследование также рассматривало индустрию розничной торговли, и в качестве основного метода была выбрана логит - модель (Cochran et al. 2006). Здесь авторы также подчеркивали, что выбор регрессоров чрезвычайно важен, и отмечали, что использование разных групп переменных необходимо, и именно поэтому они рассмотрели не только финансовые показатели, но и рыночные коэффициенты. Задача авторов состояла в выявлении наиболее значимых регрессоров для оценки вероятности банкротства предприятий. Так, далее представлен список использованных авторами независимых переменных:

1)

2)

3)

4)

5)

6)

7)

Выборка авторов включала в себя 225 предприятий, 26 из которых были банкротами в период с 1991 по 2001 гг. Протестировав данные переменные с помощью теста Вадьда (Wald Test), авторы выявили следующее: регрессоры NITA, CFTL и TA являются наиболее значимыми. Таким образом, результаты авторов подтвердились с исследованием Бивера, в котором он также отметил, что переменные, связанные с ликвидностью и чистой прибылью более эффективны. При этом авторы также выявили, что регрессор RET не существенен для анализа, т.к. он не обладает достаточной прогностической силой. Соответственно, можно заключить, что рыночные показатели не всегда способны предсказать наступление банкротства в отношении корпоративных заемщиков банка.

На основании вышесказанного можно заключить, что модели бинарного выбора являются более эффективными в отношении оценки вероятности дефолта предприятий, чем рассмотренный ранее мультидискриминантный анализ. Более того, выбор регрессоров также чрезвычайно важен для получения более точных и правильных результатов, и он должен соотносится с структурой и особенностями той отрасли, в отношении которой проводится анализ.

Метод нейронных сетей

Начиная с 1990 - х гг. в отношении оценки вероятности дефолта предприятий стал активно применяться метод искусственных нейронных сетей (Artificial Neural Network, ANN). Так, данный метод является наиболее современным инструментом прогнозирования дефолта, и его главное отличие от ранее созданных моделей заключается в том, что здесь классификация предприятий происходит с помощью нелинейных непараметрических свойств, как отмечают в своей работе Е.Ю Макеева и А.О. Бакурова (Е.Ю Макеева, А.О. Бакурова, 2012).

Другими достоинствами данного метода является то, что они быстродейственны, могут использовать данные различного формата, с наличием шумов и неинформативных, и, как было отмечено ранее, они нелинейны. Также, еще одной особенностью данного метода выступает то, что с его использованием можно одновременно рассматривать ряд задач, не обязательно схожих между собой. Помимо этого, метод нейронных сетей может выявить сложные нелинейные взаимосвязи внутри слоев между зависимыми и независимыми переменными, и он способен обнаружить все возможные зависимости между объясняющими переменными (Tu, 1996).

Рассмотрим его более подробно. Данный метод основывается на слоях; каждый из этих слоев имеет ряд нейронов, которые соединены, в свою очередь, с другими нейронами из предыдущих и следующих слоев. Данный метод схематично представлен на Рисунке 3.

Первый, входной слой (Input layer), собирает внешнюю информацию, которая затем перенаправляется в скрытые слои (Hidden layer), где определяются взаимосвязи внутри внешней информации, и затем через последний слой (Output layer) выдаются итоговые результаты (Е.Ю Макеева, А.О. Бакурова, 2012).

Рисунок 3. Многослойный персептрон с одним скрытым слоем и одним результирующим узлом Источник: Е.Ю. Макеева, А.О. Бакурова. Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей. 2012, с. 25

Существенное превосходство данного метода над другими методиками, рассмотренными ранее, было отмечено в ряде научных работ. Одним из первых таких исследований была работа Одома и Шарда (Odom, Sharda, 1990). Авторы данного исследования использовали относительные регрессоры, которые были отмечены в работе Альтмана, и также рассмотрели метод мультидискриминантного анализа для сравнения полученных результатов в отношении точности модели.

Выборка состояла из 128 предприятий, банкротов и действующих фирм, и в качестве данных были рассмотрены финансовые отчетности за год до наступления банкротства предприятий. Авторы получили следующие результаты: ошибка 1 - ого и 2 - ого рода для модели с применением нейронных сетей равнялась 18,5 и 14,3% и для модели мультидискриминантного анализа - 29,6 и 14,3%.

Аналогичное исследование было проведено и в отношении оценки вероятности дефолта индустрии строительства (Lee, Choi, 2013). Так, авторы также сравнивал результаты, полученные с помощью применения искусственных нейронных сетей и мультидискриминантного анализа в отношении выборки из строительных фирм. Метод нейронных сетей был точен на 92%, в то время как метод Альтмана - на 82%. Данный показатель был рассчитан на основании процента точно предсказанных результатов при использовании классификационных матриц.

Также были проведены исследования в отношении сравнения метода нейронных сетей с логит - моделью. Одним из таких исследований была, например, работа Кумара (Kumar et al., 1995). Гипотеза о том, что метод нейронных сетей является более точным, была подтверждена: его точность была оценена в 81,97%, а точность логит - модели - в 79,40% на основании процента точно классифицированных наблюдений.

Принимая во внимание результаты выше описанных работ, можно отметить, что метод нейронных сетей дает более точные результаты в отношении оценки вероятности дефолта предприятий, и данный метод более эффективен по сравнению как с мультидискриминантым анализом, так и с моделями бинарного выбора.

Однако, существует и ряд исследований, результаты которых опровергают это. Например, сам Альтман провел исследование, где он сравнил результаты своего метода и метода нейронных сетей в отношении большой выборки в размере 1000 итальянских фирм, и получил следующие результаты: не было найдено абсолютного победителя, но метод мультидискриминантного анализа показал более точные результаты (Altman et al., 1994)

Помимо этого, можно отметить и другие недостатки метода искусственных нейронных сетей. Так, во - первых, как отмечает Ту в своей работе, нейронные сети имеют такую проблему как «черный ящик» (“black box”), которая заключается в том, что исследователям недоступно то, что происходит внутри скрытых слоев (Tu, 1996).

При этом, в логит - модели можно видеть, какие регрессоры обладают большей прогностической силой, и тем самым логистическая регрессия как метод обладает преимуществом над методом искусственных нейронных сетей, т.к. логит - модель способна показать связи между объясняющими переменными и самим исходом.

Во - вторых, данный метод является весьма дорогостоящим, и сложным с точки зрения операционных систем, которые должны быть применены для его использования. Наконец, модель, построенная на методе искусственных нейронных сетей может быть «переобучена» из - за его способности поиска всевозможных взаимосвязей между переменными.

Таким образом, на основании вышесказанного можно заключить, что метод нейронных сетей обладает как преимуществами, так и существенными недостатками. Более того, в одном аспекте, а именно в поиске взаимосвязей между риск - факторами и исходными результатами, результаты данного метода хуже, чем результаты, полученные при использовании логит - модели. Следовательно, для целей данного исследования необходимо применение модели бинарного выбора, в частности логит - модели, и должен быть сделан выбор из подходящих регрессоров с учетом объекта данного исследования, а именно предприятий оптовой торговли.

Обобщая вышесказанное, необходимо подчеркнуть, что в данном разделе были рассмотрены различные подходы к оценке наступления дефолта компаний. При этом были также обозначены научные работы, цель которых заключалась не в поиске новых методик, а, напротив, в совершенствовании уже существующих моделей с помощью выбора значимых с экономической точки зрения риск - факторов для той или иной рассматриваемой отрасли.

На основании этого, можно сделать определенный вывод, что для того чтобы создать модель оценки вероятности дефолта с высокой прогностической силой, необходимо не только выбрать эмпирический метод, который будет служить своего рода основой модели, но и включить в нее именно те регрессоры, которые значимы и экономически важны для той индустрии, в отношении которой будет происходить разработка данной модели.

В рамках данного раздела можно заметить, что большее внимание было уделено именно первой составляющей модели оценки вероятности, а именно эмпирическому методу. Следовательно, необходимо систематизировать все ранее представленные методики, и обозначить их достоинства и недостатки в отношении осуществления оценки вероятности дефолта предприятий [Приложение 1]. Следует отметить, что все классы моделей расположены в хронологическом порядке, и под исследованием здесь имеются в виду все научные работы, рассмотренные ранее, в которых был применен тот или иной класс моделей.

В заключение, необходимо отметить, что в связи с внедрением в банковскую систему РФ принципов соглашений БКБН, все острее становится вопрос относительно оценки кредитного риска с помощью подходов на основании внутренних рейтингов. При этом основным и наиболее значимым компонентом риска здесь выступает вероятность наступления дефолта заемщика (PD). Следовательно, разработка моделей оценки вероятности дефолта - актуальный и значимый вопрос в деятельности всего банковского сектора РФ на сегодняшний день.

В следующей главе будет рассмотрена динамика развития и структура банковского сектора кредитования в РФ; и также представлены обзор отрасли оптовой торговли, с целью выявления и систематизации потенциально риск - значимых показателей финансовой отчетности индустрии оптовой торговли, и выборка, которая будет использована для целей дальнейшего эмпирического анализа.

Глава 2. Формирование списка риск - факторов и систематизация выборки для целей эмпирического исследования на базе данных по российским компаниям оптовой торговли

Динамика развития и структура банковского сектора кредитования в РФ

Согласно отчету Международного Валютного Фонда (International Monetary Fund, IMF), после экономического спада в 2008 - 2009 гг., возникшего в результате финансового кризиса 2008 г., начало роста уровня реального кредитования в России пришлось на осень 2010 г., и к концу 2010 г. он был уже равен 3,5%. Так, политика государства, осуществленная с целью помощи банковскому сектору в кризисный период, оказала благоприятное влияние на российский банковский сектор: повышенный уровень ликвидности позволил банкам выплатить свои безналоговые обязательства ЦБ РФ досрочно, в 2009 и 2010 гг. (IMF, 2011)

Действительно, как видно из Рисунка 4, количество кредитов, выдаваемых как физическим лицам, предприятиям, так и кредитным организациям сильно возросло, начиная с первого квартала 2010 г.

Так, к январю 2016 г. этот рост составил 164% по всем кредитам, депозитам и прочим размещенным средствам по отношению к январю 2010 г. В отношении же предприятий, он равнялся 126%. Такую же динамику можно наблюдать и в отношении структуры кредитного портфеля в иностранной валюте [Рисунок 5]. Следует отметить, что здесь нельзя наблюдать такой же плавный рост на всем временном отрезке, однако, начиная с первого квартала 2010 г. можно отметить начало роста в отношении как общего числа выданных кредитов в иностранной валюте, так и кредитов, выданных организациям.

К январю 2016 г. этот рост в процентном соотношении составил 226% относительно общего количества кредитов, выданных в иностранной валюте, и 292% в отношении корпоративных кредитов, опять же относительно января 2010 г. Таким образом, можно заключить, что рост кредитов, выданных в иностранной валюте значительно превышает темпы роста кредитов, выданных в рублях.

Это также может быть и подтверждено и графиком, представленном на Рисунке 6, где показаны темпы прироста кредитов, депозитов и прочих размещенных средств в рублях и в иностранной валюте. Так, из него следует, что на всем рассматриваемом временном периоде с января 2008 г. по январь 2016 г., темпы прироста выданных кредитов предприятиям в иностранной валюте существенно превышали аналогичный показатель, выраженный в рублях, за исключением временного отрезка, начиная с 2010 г. по 2013 г.

Рисунок 4. Динамика роста кредитного портфеля банковского сектора РФ, млн рублей

Источник: ЦБ РФ http://www.cbr.ru/statistics/?PrtId=pdko

Рисунок 5. Динамика роста кредитного портфеля банковского сектора РФ в иностранной валюте Источник: ЦБ РФ http://www.cbr.ru/statistics/?PrtId=pdko



Рисунок 6. Динамика прироста кредитов, депозитов и прочих размещенных средств предприятиям в рублях и в иностранной валюте, %

Источник: Расчеты автора

Рассмотрим теперь более подробно структуру кредитного портфеля банковского сектора РФ. На Рисунке 7 представлена структура в млн рублей. Как видно из данного графика, корпоративные кредиты, выдаваемые предприятиям, занимают существенную часть в структуре кредитного портфеля банковского сектора РФ. Так, в первом квартала 2016 г. доля данного типа кредитов была равна 60%. Следует также отметить, что доля корпоративных кредитов постепенно падает, начиная с января 2010 г., но при этом, по своей общей величине кредиты, выдаваемые предприятиям, являются важнейшей составляющей в кредитном портфеле банковского сектора РФ.

Рисунок 7. Структура кредитного портфеля банковского сектора РФ, млн рублей

Источник: ЦБ РФ http://www.cbr.ru/statistics/?PrtId=pdko

Перейдем теперь к рассмотрению структуры кредитного портфеля банковского сектора РФ в иностранной валюте [Рисунок 8]. Здесь можно также видеть, что корпоративные кредиты занимают существенную долю в общем кредитном портфеле банковского сектора РФ в иностранной валюте. При этом, здесь, в отличие от структуры кредитного портфеля в млн рублей, доля кредитов, выданных организациям, начиная с января 2014 г., начинает значительно расти, и к январю 2016 г. достигает уже 72%.

Рисунок 8. Структура кредитного портфеля банковского портфеля РФ в иностранной валюте

Источник: ЦБ РФ http://www.cbr.ru/statistics/?PrtId=pdko

Обобщая вышесказанное можно выделить некоторые аспекты банковского сектора кредитования РФ в целом. Так, во - первых, общее число выдаваемых кредитов как физическим, так и юридическим лицам растет; во - вторых, существенную долю в них занимают именно корпоративные кредиты.

В силу того, что предмет исследования данной работы - компонент кредитного риска, вероятность дефолта корпоративных заемщиков банка, необходимо рассмотреть динамику развития общей и просроченной задолженности в РФ по корпоративным кредитам. Также, т.к. объектом исследования являются предприятия оптовой торговли, необходимо оценить, какую долю занимает данная отрасль в общем объеме выданных кредитов, а также в общей и просроченной задолженности в РФ [Рисунок 9; Рисунок 10; Рисунок 11].

Рисунок 9. Доля отрасли оптовой и розничной торговли в объемах кредитования РФ в млн рублей, %

Источник: ЦБ РФ http://www.cbr.ru/statistics/?PrtId=pdko

Рисунок 10. Доля задолженности оптовой и розничной торговли в общей задолженности РФ в млн рублей, % Источник: ЦБ РФ http://www.cbr.ru/statistics/?PrtId=pdko

Рисунок 11. Доля просроченной задолженности оптовой и розничной торговли в общей задолженности РФ в млн рублей, %

Источник: ЦБ РФ http://www.cbr.ru/statistics/?PrtId=pdko

Прежде чем приступить к рассмотрению данной информации, необходимо еще раз пояснить следующее: объемы кредитования - это совокупные объемы выданных кредитов кредитными организациями юридическим лицам и индивидуальным предпринимателям; задолженность по кредитам - это величина остатков, находящаяся на счетах по учету задолженности (включая просроченную задолженность) по объемам кредитования; и, наконец, просроченная задолженность по кредитам тоже относится к величине остатков, но уже находящихся по учету именно просроченной задолженности по объемам кредитования (ЦБ РФ. Методологические комментарии к таблицам) Центральный Банк РФ (Электронный ресурс) http://www.cbr.ru/statistics/placed_means/met-komm.pdf .

Из Рисунка 9 видно, что доля предприятий оптовой и розничной торговли в общих объемах кредитования РФ в период с 2010 по 2016 гг. составляла около 25%. При этом, начиная с января 2012 по январь 2014 гг. можно наблюдать рост данного показателя с 21 до 29%, который затем сменился спадом до 24% к 2016 г.

Из Рисунка 10, в свою очередь, следует то, что доля, занимаемая предприятиями оптовой и розничной торговли, в общей величине задолженности по кредитам в РФ колеблется от 25 до 18% на рассматриваемом временном периоде с 2010 по 2016 гг. При этом следует отметить, что, хоть в рассматриваемый период времени можно наблюдать падающий тренд в отношении данного показателя, тем не менее он достаточно высок.

На Рисунке 11 представлены объемы просроченной задолженности по кредитам РФ, и также отмечена доля, которую в ней занимают предприятия оптовой и розничной торговли. Из него видно, что в период с 2010 по 2016 г. можно наблюдать падающий тренд в отношении доли оптовых предприятий в общей величине просроченной задолженности, с 40 до 24%. Однако, несмотря на это, можно отметить, что данный показатель весьма высок, и показывает, что оптовая торговля как отрасль составляет почти четверть всего объема просроченной задолженности в банковской системе РФ.

Следует также отметить, что как видно из Рисунка 1, отрасль оптовой торговли занимает третье место по доле просроченной задолженности в кредитном портфеле банков как в рублях, так и в иностранной валюте, уступая место таким отраслям как строительство и сельское хозяйство.

Следовательно, на основании всего вышесказанного можно заключить, что отрасль оптовой и розничной торговли является весьма значительной по величине выданных кредитов и занимает как существенную долю в величине общей задолженности, так и просроченной задолженности по ним, что, в свою очередь, обуславливает выбор именно данной отрасли для проведения данного исследования в отношении оценки кредитного риска, т.к. увеличение кредитного риска предприятий данной отрасли может стать причиной дефолта как самих предприятий, так и повлечь за собой более масштабные последствия, а именно падение всей банковской системы в целом.

Далее будет рассмотрена более подробно сама отрасль оптовой торговли в целом, в частности выявлены ее особенности и свойства как вида экономической деятельности.

Отрасль оптовой торговли в РФ: ключевые показатели и особенности

Ранее уже были отмечены причины, по которым объектом данного исследования стали предприятия именно отрасли оптовой торговли. Так, во - первых, данная экономическая индустрия занимает существенное место в общем объеме кредитования РФ, и, во - вторых, доля данной отрасли в величине задолженности по кредитам в РФ также достаточно высока.

Что же представляет собой отрасль оптовой торговли? Как отмечают в своей работе Г.И. Ханин и Д.А. Фомин, данной отрасли присущи две характерные особенности: во - первых, ее существенная значимость для экономики РФ, и во - вторых, отсутствие какой - либо объективной информации по данной отрасли, т.к. деятельность многих предприятий данной отрасли отличает ее теневой характер, и то, что оптовая торговля как отрасль тесно взаимосвязана с розничной торговлею (Ханин Г.И., Фомин Д.А., 2007). Отрасль розничной торговли играет в данном случае роль определенного посредника, устанавливая связь между товаром и конечным потребителем.

Значимость отрасли оптовой торговли может быть также подтверждена и величиной оборота оптовой торговли. Так, согласно отчету по торговле в РФ, оборот оптовой торговли равен стоимости всех отгруженных товаров, приобретенных ранее у другой стороны для осуществления ее дальнейшей перепродажи другой стороне для профессионального использования (Торговля в России 2015. Статистический сборник. 2015). Динамика его развития представлена на Рисунке 12.

Исходя из него видно, что за рассматриваемый период времени можно наблюдать активный рост данного показателя, и, например, в период с 2009 по 2014 гг., оборот оптовой торговли в РФ вырос больше чем в два раза, на 68%.

Рисунок 12. Динамика оборота оптовой торговли в РФ, млрд руб

Источник: Федеральная служба государственной статистики. Торговля в России 2015. Статистический сборник.2015 (Электронный ресурс) http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/enterprise/wholesale/#

Помимо этого, также отмечаются и другие характеристики отрасли оптовой торговли, значимые для всего экономического сектора РФ в целом, которые были представлены в отчете по стратегии развития торговли в РФ на 2010 - 2015 гг. и период до 2020 г. Во - первых, оптовая торговля вносит существенный вклад в экономику РФ, в частности через уровень занятости населения страны. Во - вторых, данная отрасль играет одну из значимых ролей в обеспечении уровня жизни населения через влияние на конечные цены потребителей, и таким образом на уровень потребительской инфляции Минпромторг. Стратегия развития торговли в РФ на 2010 - 2015 гг. и период до 2020 г. 2010 (Электронный ресурс). https://slon.ru/images/infographix/proekt.pdf .

На основании вышесказанного можно еще раз заключить, что отрасль оптовой торговли весьма важна для благосостояния не только банковского сектора, но и всей экономики в целом. И, анализ ее деятельности, в частности оценка вероятности наступления дефолта среди предприятий данной отрасли является весьма важной задачей, которая должна быть поставлена перед банками РФ.

Прежде чем приступить к оценке вероятности дефолта отрасли оптовой торговли, необходимо обозначить ключевые для нее риск - факторы. Как отмечалось ранее, ряд авторов в своих исследованиях подчеркивали, что поиск именно специфичных для рассматриваемой отрасли объясняющих переменных - это весьма важный шаг в процессе создания модели оценки вероятности дефолта, т.к. именно данные риск - факторы, позволяют повысить прогностическую силу модели и, соответственно, ее общую точность [Bhargava et al, 1998; Cochran et al. 2006; Pang, Kogel, 2013; Platt, Platt, 1990]. Так, в статистическом сборнике Федеральной службы государственной статистики о торговле в РФ представлены показатели финансово - хозяйственной деятельности оптовой торговли, которые представляют наибольший интерес для предприятий с точки зрения оценки их деятельности. Данные показатели представлены в Таблице 2.

Таблица

Показатель	Экономическая интерпретация
Выручка предприятия (за минусом НДС, акцизов и других обязательных платежей)	Выручка от продажи готовой продукции, а также поступления от выполнения работ или оказания услуг.
Себестоимость готовой продукции, работ и услуг предприятия	Покупная стоимость готовой продукции, работ и услуг.
Коммерческие расходы предприятия	Издержки обращения проданных товаров.
Управленческие расходы предприятия	· Административно-управленческие расходы; · Расходы на содержание общехозяйственного персонала, амортизационные отчисления и расходы на ремонт основных средств; · Арендная плата; · Расходы по оплате информационных, аудиторских и консультационных услуг; · Другие расходы.
Валовая прибыль предприятия	Разница между выручкой (нетто) от продажи продукции, работ и услуг и их себестоимостью.
Прибыль (убыток) от продажи предприятия	Разница между валовой прибылью (валовым доходом) и коммерческими и управленческими расходами.
Сальдо прочих доходов и расходов предприятия	Разница между прочими доходами и расходами.
Сальдированный финансовый результат предприятия	Итоговый финансовый результат. Равняется сумме прибыли или убытка от продажи готовой продукции, работ и услуг или иного имущества и иных доходов организации оптовой торговли.
Рентабельность продаж предприятия	Соотношение между величиной сальдированного финансового результата и себестоимостью продаж.
Рентабельность активов предприятия	Соотношение сальдированного финансового результата и стоимости активов.
Коэффициент автономии предприятия	Доля собственных средств в общей сумме средств.
Коэффициент обеспеченности собственными оборотными средствами предприятия	Отношение собственных оборотных средств к их фактической стоимости.
Коэффициент текущей ликвидности предприятия	Отношение оборотных средств к краткосрочным обязательствам организации.
Кредиторская задолженность предприятия	Задолженность предприятия по расчетам с поставщиками и подрядчиками.
Дебиторская задолженность предприятия	Задолженность предприятия по расчетам с покупателями.
Оборачиваемость товарных запасов предприятия	Отношение между оборотом и запасами организаций.

Источник: Федеральная служба государственной статистики. Торговля в России 2015. Статистический сборник.2015. С.103 - 105 (Электронный ресурс) http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/enterprise/wholesale/#

Таким образом, в ходе данного исследования должны быть рассмотрены показатели, представленные выше, в качестве потенциально значимых риск - факторов наступления дефолта предприятий оптовой торговли.

Структурирование выборки и систематизация риск - факторов для целей эмпирического исследования

Прежде чем приступить к описанию выборки и систематизации окончательного списка риск - факторов, которые будут использованы в ходе данного эмпирического анализа, необходимо подчеркнуть, что подход к осуществлению данного исследования сформировался под влиянием научной литературы относительно оценки кредитного риска и оценки вероятности дефолта корпоративных заемщиков банка, которая была описана ранее.

Рассмотрим сперва выборку, в отношении которой будет применено данное эмпирическое исследование. Так, на основании ранее проанализированных научных работ, можно отметить несомненную важность использования двух групп анализируемых предприятий как для поиска наиболее потенциально важных риск - факторов, так и для построения более точной модели оценки финансовой устойчивости, а именно компаний - банкротов, и, соответственно, действующих предприятий. Также, аналогичный подход можно наблюдать и в ряде других работ по оценке вероятности дефолта корпоративных заемщиков банка, а именно в работе К. М. Тотьмяниной, где было также подчеркнуто, что рассмотрение двух групп заемщиков - это чрезвычайно важный этап для построения моделей финансовой устойчивости (Тотьмянина К.М., 2014).

Соответственно, для получения более точных и экономически обоснованных результатов в общей сложности будут рассмотрены 366 предприятий, 122 из которых являются банкротами, а 244, соответственно, действующими. В данном случае мы рассматриваем именно компании - банкроты из - за общедоступности информации по данным предприятиям, и в силу того, что, как было отмечено ранее, процесс банкротства компаний - это фактор наступления дальнейшего их дефолта (Meckling, 1977).

Предприятия - банкроты были выбраны на основании их юридического статуса, а именно статуса юридического лица, признанного банкротом. Для поиска действующих предприятий была выбрана методика, примененная в работе Альтмана, и компании - не банкроты были отобраны в соответствии с соразмерностью их валюты баланса по отношению к обанкротившимся предприятиям (Altman, 1968). При этом, на одну компанию - банкрота было отобрано по два действующих предприятия, что также аналогично методике, примененной в ряде других работ, рассмотренных ранее (Altman, 1968; Cochran et al., 2006; Тотьмянина К.М., 2014)

На Рисунке 13 представлено распределение по времени наступления дефолта среди предприятий, рассмотренных в выборке. Так, из него видно, что большее число дефолтов пришлось именно на 2014 г. При этом, рассматривая среднюю величину валюты баланса данных предприятий, можно отметить, что в 2013 - 2014 гг. обанкротившиеся предприятия принадлежали к разряду мелких предприятий [Рисунок 14].

Однако, уже в 2015 г. средняя величина валюты баланса существенно возросла, что свидетельствует о том, что банкротство мелких предприятий повлекло за собой и банкротство более крупных компаний [Рисунок 14]. Это, в свою очередь, также подтверждает актуальность и важность данного исследования, т.к. это доказывает, что даже крупные игроки данной отрасли не застрахованы от наступления банкротства и последующего дефолта. Они же, в свою очередь, являются более масштабными корпоративными заемщиками банков, что опять же показывает, что дефолт данных предприятий может не только негативно сказаться на данной экономической отрасли, но и на банковском секторе в целом.

Рисунок 13. Распределение количества дефолтов по времени, шт.

Источник: Расчеты автора.

Рисунок 14. Средняя величина валюты баланса предприятий - банкротов в тыс руб

Источник: Расчеты автора.

Данные по всей выборке были найдены с помощью информационно - аналитического агентства FIRA PRO https://www.fira.ru/ . Так, по всем предприятиям была рассмотрена годовая бухгалтерская отчетность согласно российским стандартам бухгалтерской отчетности (РСБУ; формы 1 - 3 и отчет о прибылях и убытках). Временной период, за который были анализированы данные, был один год до наступления банкротства компаний - банкротов, соответственно.

При этом, для создания связи между действующими и обанкротившимися предприятиями, данные для действующих компаний брались за тот же отчетный год, что и для предприятий - банкротов, соразмерных по своим показателям действующим компаниям. Данный подход также был использован в ряде рассмотренных ранее работ (Altman, 1968; Cochran et al.,2006; Pang, Kogel, 2013; К.М. Тотьмянина, 2014).

На основании ранее проанализированных и систематизированных научных исследований, представленных в Приложении 1, а также с учетом показателей финансово - хозяйственной деятельности, систематизированных в Таблице 2, можно обозначить потенциальные риск - факторы, которые могут быть применены в ходе данного исследования для оценки вероятности наступления дефолта предприятий оптовой торговли. Однако, в силу ограниченности и отсутствия ряда данных в бухгалтерских отчетностях анализируемых предприятий, рассмотрение всех этих контрольных переменных не представляется возможным.

Таким образом, список потенциально значимых регрессоров для оценки вероятности дефолта предприятий оптовой торговли был сформирован с учетом наличия информации по переменным, представленным в Таблице 2, и дополнен риск - факторами, ранее не упомянутыми, но данные по которым представлены в бухгалтерских отчетностях предприятий в выборке. В качестве дополнительных переменных были выбраны:

1) Оборотные активы;

2) Проценты к уплате;

Так, оборотные активы показывают краткосрочные активы предприятия, которые, в свою очередь, могут быть использованы для оплаты обязательств компании. Проценты к уплате непосредственно связаны с величиной общей задолженности предприятия, и тем самым являются весьма значимым показателем для оценки вероятности дефолта.

Таким образом окончательный список риск - факторов выглядит следующим образом [Таблица 3]:

Таблица 3.Потенциально значимые риск - факторы для оценки кредитного риска корпоративных заемщиков банка отрасли оптовой торговли.

Риск - Фактор	Источник	Единица измерения	Интерпретация	Предполагаемый знак
Оборотные активы	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	руб	Показывает краткосрочные активы предприятия	-
Валюта баланса	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	руб	Характеризует размер предприятия	-
Капитал	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	руб	Показывает совокупную величину капитала предприятия	-
Краткосрочные обязательства	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	руб	Показывает величину краткосрочных обязательств предприятия	+
Выручка за вычетом НДС и акцизов	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	руб	Показывает объем продаж предприятия	-
Прибыль от продаж	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	руб	Показывает величину прибыли от продаж. Является одним из результирующих показателей деятельности предприятия	-
Чистая прибыль	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	руб	Показывает прибыль предприятия после уплаты налогов, сборов, отчислений и других обязательных платежей в бюджет	-
Проценты к уплате	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	руб	Показывает величину платы предприятия за пользование средствами, полученными в долг	+
Средний срок оборота дебиторской задолженности	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	дней	Показывает средний срок в днях оплаты дебиторской задолженности	+
Средний срок оборота кредиторской задолженности	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	дней	Показывает средний срок в днях возврата кредиторской задолженности	+
Обеспеченность собственными оборотными средствами	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	%	Показывает достаточность оборотных средств у предприятия для финансовой устойчивости	-
Доля кредитов и займов в краткосрочных обязательствах	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	%	Показывает, насколько срочны обязательства у данного предприятия	+
Соотношение заемного и собственного капитала	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	раз	Характеризует финансовую устойчивость предприятия и является финансовым рычагом	+
Оборачиваемость товарных запасов	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	раз	Показывает скорость оборота товарных запасов предприятия	-
Текущий уровень ликвидности	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	раз	Измеряет способность предприятия оплачивать свои краткосрочные обязательства только за счет оборотных средств	-
Рентабельность продаж	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	%	Показывает, сколько рублей прибыли предприятия приходится на 1 руб. его выручки	-
Доход от оборотных активов	РСБУ; формы 1 - 3 и отчет о прибылях и убытках	%	Показывает, сколько рублей прибыли предприятия приходится на 1 руб. его оборотных активов	-

Глава 3. Оценка вероятности дефолта корпоративных заемщиков банка на примере отрасли оптовой торговли

Моделирование вероятности наступления дефолта: однофакторный и многофакторный анализ

Для того чтобы осуществить многофакторный анализ и создать модель оценки вероятности дефолта корпоративных заемщиков банка, необходимо сделать ряд операций, которые могут быть разделены на следующие этапы:

i. Анализ выбросов и стандартизация данных;

ii. Выявление наиболее риск - доминирующих регрессоров на основе показателей AUROC (Area Under ROC - Curve) и ROC - кривых (ROC - Curves), псевдо R - квадрата и уровня значимости на базе логит - модели;

iii. Проведение многофакторного анализа на основе логит - модели с применением метода LASSO;

iv. Проверка качества итоговых моделей при помощи показателя AUROC и ROC - кривых и псевдо R - квадрата на тестовой выборке (Out-of-sample Test).

Как было отмечено ранее, многофакторная модель оценки вероятности дефолта будет построена на основе модели бинарного выбора, в частности логит - модели. Также будет применен метод LASSO. В качестве регрессоров были рассмотрены объясняющие переменные, представленные в Главе 2 в Таблице 3.

Логит - модель имеет следующий вид:

где:



значение j - й регрессора для i - ого заемщика;

коэффициент регрессии для j - й объясняющей переменной.

Весь эмпирический анализ проводился при помощи программ R и STATA. Далее будут рассмотрены более подробно все этапы исследования, упомянутые ранее.

Анализ выбросов и стандартизация данных

Прежде чем приступить к однофакторному и многофакторному анализу, необходимо провести процедуру стандартизации данных и анализ выбросов. В рамках данного исследования была использована следующая процедура нормализации, которая может быть разделена поэтапно:

I. Для каждой объясняющей переменной рассчитывается робастное выборочное среднее i - ой переменной () и робастное выборочное стандартное отклонение (). Использование робастных выборочных позволяет нивелировать влияние очевидных выбросов на расчёт данных показателей;

II. Каждая переменная нормализуется по формуле:

III. После проведения нормализации данных, выбросами признаются те наблюдения, для которых нормированное значение показателя по модулю больше 3у или меньше - 3у, при этом , т.е. выполняются следующие условия:

IV. Признанные выбросы заменяются на значения верхней и нижней границы

По итогам проведения данной процедуры все данные были стандартизированы. Однако некоторые регрессоры характеризуются сильными отклонениями между высокими и низкими значениями по всей выборке в целом. Причиной этому может являться наличие сильных выбросов в выборке. Следовательно, в отношении данных объясняющих переменных необходимо провести дополнительные процедуры по избавлению от сильных выбросов, которая была рассмотрена ранее. К данным риск - факторам относились капитал, прибыль от продаж, чистая прибыль, обеспеченность собственным капиталом, соотношение заёмного и собственного капитала, рентабельность продаж и доход от оборотных активов.

После проведения процедур по стандартизации данных и избавления от выбросов, окончательная выборка стала включать в себя 364 наблюдения всего; из них 122 заемщиков, признанных банкротами, и, соответственно, 242 благополучных заемщика.

Анализ мультиколлинеарной зависимости и парных корреляций

Прежде чем приступить к проведению многофакторного анализа, необходимо провести анализ мультиколлинеарности. Так, мультиколлинеарность подразумевает под собой наличие линейной связи между более, чем двумя независимыми переменными (Hawking, 1983). Наличие данной проблемы может стать причиной появления ряда негативных последствий для дальнейшего анализа.

Во - первых, наличие мультиколлинеарности между переменными, приводит к увеличению стандартных ошибок коэффициентов. Во - вторых, также происходит занижение вычисленных t - статистик. Наконец, мультиколлинеарность приводит к неточности самих оценок, что также может негативно сказаться на общей прогностической силе модели.

Соответственно, необходимо провести анализ корреляций между объясняющими переменными. В качестве метода по выявлению наличия мультиколлинеарности в рамках данного исследования будет использован анализ коэффициентов ранговой корреляции Спирмена. Так, данные коэффициенты рассчитываются по следующей формуле:

где:

сумма квадратов разностей рангов;

число парных наблюдений.

При этом, значение данного коэффициента может варьироваться в пределах Значения, близкие к 1, свидетельствуют о сильной корреляции между переменными, в то время как значения, близкие к 0 говорят об отсутствии какой - либо связи, либо о ее несильном проявлении. При этом необходимо отметить, что при проведении анализа мультиколлинеарности следует учитывать коэффициенты, значения которых больше 0,7, т.к. это свидетельствует о наличии сильной связи между данными независимыми переменными.

Результаты анализа коэффициентов ранговой корреляции Спирмена представлены в Приложении 2. Так, из него видно, что существует сильная корреляция между следующими объясняющими переменными: оборотные активы и валюта баланса (корреляция показателей равна 98%); краткосрочные обязательства и оборотные активы (94%); валюта баланса и краткосрочные обязательства (94%); средний срок оборота дебиторской и кредиторской задолженностями (72%); и текущий уровень ликвидности и соотношение собственного и заемного капитала (97%).

Обобщая вышесказанное, необходимо отметить, что с помощью анализа коэффициентов корреляции Спирмена были выявлены линейные зависимости между рядом независимых переменных. Соответственно, при проведении дальнейшего многофакторного анализа, данные комбинации регрессоров рассматриваться не будут.

Выявление наиболее риск - доминирующих регрессоров

В ходе данного эмпирического анализа должны быть рассмотрены 17 объясняющих переменных, представленных в Таблице 3. Однако, необходимо отметить, что число регрессоров весьма велико относительно конечного числа наблюдений в выборке. Соответственно, необходимо провести процедуры по отбору наиболее риск - значимых объясняющих переменных с точки зрения их прогностической способности оценки вероятности дефолта.

Для того, чтобы наилучшим образом отобрать риск - доминирующие переменные, необходимо провести анализ их дискриминационной способности. Исходная выборка случайным образом делится на обучающую, содержащую примерно 70% наблюдений, и тестовую, содержащую все остальные наблюдения. Затем классификационная модель оценивается на обучающей выборке, после чего её качество проверяется на тестовой выборке.