Размещено на http://www.allbest.ru/

Федеральное государственное автономное образовательное учреждение высшего профессионального образования

Национальный исследовательский университет «Высшая школа экономики»

Факультет экономических наук

КУРСОВАЯ РАБОТА

Издержки финансовой неустойчивости в инновационных компаниях

Выполнил

Негреба Антон

Научный руководитель

Макеева Е.Ю.

Москва 2017



• Содержание

Введение

Глава 1. Обзор литературы

1.1 Исследования издержек финансовой неустойчивости

1.2 Прогнозирование вероятности банкротства

Глава 2. Методология

2.1 Гипотезы

2.2 Источники и критерии формирования выборки

2.3 Методология прогнозирования банкротства

2.4 Методология оценки неявных издержек финансовой неустойчивости

Глава 3. Выборка и практические результаты исследования

3.1 Описательная статистика

3.2 Результаты моделирования вероятности дефолта

3.3 Результаты оценки издержек финансовой неустойчивости

Заключение

Список литературы



Введение

Издержки финансовой неустойчивости (costs of financial distress) изучаются довольно давно, так как являются одним из ключевых элементов в теории корпоративных финансов. Любые решения компании, касающиеся краткосрочной или долгосрочной финансовой политики, так или иначе влияют на платежеспособность, ликвидность активов компании, ее инвестиционные возможность в будущем и многие другие параметры. С одной стороны, все это в конечном итоге определяет финансовые показатели компании и способно дать компании определенные преимущества по отношению к конкурентам, а владельцам компании обеспечить более высокую доходность. С другой стороны, слишком рискованные решения оказывают значительное влияние на финансовое здоровье компании и способны поставить под угрозу ее существование. Таким образом компании сталкиваются с выбором между преимуществами, которые стоят за использованием заемного капитала и более агрессивной финансовой политикой, и издержками, связанными с возросшими рисками.

Термин «financial distress» трудно перевести дословно. В данной работе будет использоваться наиболее близкий аналог - «финансовая неустойчивость» - который стоит понимать как состояние компании, при котором она сталкивается с любыми финансовыми трудностями в процессе взаимодействия с кредиторами. К данному состоянию относится не только банкротство в результате невозможности выполнения обязательств перед кредиторами, но и дефолт, просрочка платежей по облигациям, вынужденная реструктуризация долга или поглощение компании в связи с нездоровым финансовым положением. В эмпирических исследованиях критериями состояния финансовой неустойчивости выступают различные формальные показатели, которые зачастую зависят от юрисдикций, в которых оперируют компании, но в целом их можно так или иначе свести к вышеописанному определению. Ввиду того, что все вышеперечисленные события являются разными последствиями одной природы (нездорового финансового состояния компании и проводимой финансовой политики компании), в качестве модели предсказания наступления любого из этих событий будет использована модель предсказания банкротства.

Под «издержками финансовой неустойчивости» стоит понимать любые явные или неявные потери компаний, будь то финансовые потери или ухудшение финансовых и операционных показателей компании. Дать более точное определение трудно, поскольку на сегодняшний день нельзя говорить о том, что все такие издержки выявлены и однозначно классифицированы. Подходы к определению таких издержек различается в работах разных авторов и будут описаны подробнее в обзоре литературы по данной теме.

Инновационные компании особо актуальны в контексте исследования факторов, влияющих на повышение рисков. Деятельность таких компаний сама по себе связана с гораздо более высокими рисками и неопределенными перспективами, чем деятельность более широкого сектора обычных производственных фирм, уделяющих меньшее значение исследовательской деятельности и разработке новых технологий, а сами компании проводят зачастую проводят весьма осторожную финансовую политику, что отражается в более низком уровне долгового финансирования. Основными особенностями в структуре активов таких компаний является относительно высокая доля нематериальных активов, в частности, результатов исследований и разработок. Влияние этой особенности не до конца понятно. С одной стороны, компания не может представить эти активы в качестве обеспечения под кредиты или быстро их продать, если бизнес относительно молодой, а технология еще не зарекомендовала себя на рынке. В случае неудачной бизнес-модели или неблагоприятной конъюнктуры такие активы быстро обесценятся, и компания быстро разорится. С другой стороны, если сами технологии и разработки успешны и имеют перспективы на рынке, то даже в случае некоторых финансовых затруднений компания сможет получить финансирование или стать привлекательной целью на рынке слияний и поглощений. В то же время источником данных нематериальных активов являются высокорисковые затраты на исследования. Исследовательская деятельность - неотъемлемая часть бизнеса таких компаний, но если компания не сможет превратить затраты на эту деятельность в активы, способные обеспечить деятельность компании, то существенно возрастает риск банкротства.

Целью данной работы является выявление влияния специфики инновационных компаний на издержки, связанные с их неустойчивым финансовым положением.

Предметом исследования являются зависимости между показателями финансового здоровья инновационных компаний и неявными издержками этих компаний, возникающими в результате неустойчивого финансового положения и определенными в данной работе как потери в темпах роста.

Несмотря на то, что работы по изучению неявных издержек финансовой неустойчивости публикуются со второй половины XX века, большая их часть а) посвящена традиционным отраслям с умеренным уровнем риска и б) сфокусирована на издержках, связанных со слишком высоким финансовым рычагом. Новизна данная работы заключается в том, что исследование фокусируется на компаниях с принципиально другими бизнес-моделями, где основные риски и затраты сосредоточены на этапе разработки продукта, а основная ценность создается за счет исключительных прав на уникальные разработки. Более того, рассматриваются специфические показатели, которые так же могут оказывать влияние на вероятность банкротства компаний, хотя механизм данного влияния совершенно другой. Вместо анализа влияния финансового рычага в данной работе рассматривается более широкий спектр факторов, отражающих финансовое здоровье.

Результаты данной работы имеют значительное практическое применение, поскольку обнаружение неявных издержек, связанных с особенностями бизнеса в инновационных отраслях позволит как делать выводы об адекватности финансовой политики компаний, так и организовывать их операционную деятельность в соответствии с наиболее выгодной стратегией баланса между получаемыми выгодами, издержками и рисками. В частности, полученные результаты помогут прояснить взаимосвязи между интенсивностью инвестиций в исследовательскую деятельность, темпами роста и состоянием финансового здоровья компании, что будет весьма полезно как для будущих исследований в данной и смежных областях. Дальнейшая более детальная и узкоспециализированная работа по теме сможет стать основой и для принятия практических инвестиционных решений в инновационных компаниях.



Глава 1. Обзор литературы

1.1 Исследования издержек финансовой неустойчивости

Данный раздел представляет собой обзор работ по исследованию издержек финансовой неустойчивости. Тема исследуется достаточно давно, поэтому существует немало исследований, в которых авторы представляют различное определение термина «издержки финансовой неустойчивости» («costs of financial distress»), а также разные способы измерения и исследования этих издержек. Этот раздел важен для понимания модели, в рамках которой будет представлено исследование в данной работе.

Проблема определения издержек встала наиболее остро в процессе развития теории корпоративных финансов. Работа (Modigliani, и др., 1958) сама по себе не затрагивала данный вопрос, а исследовала зависимость между стоимостью капитала и финансовым рычагом, но полученные авторами результаты вызвали острый интерес у будущих исследователей, которые пытались оценить издержки высокого уровня долга в реально экономике, а не слишком упрощенной модели Модиглиани и Миллера. Первой попыткой оценки этих издержек можно считать работу (Warner, 1977). Автор исследовал железнодорожные компании и оценил прямые издержки банкротства. Он показал, что они не превосходят 9% от стоимости компаний. Работа посвящена лишь одной индустрии, но она показала, что при исследовании данной области нужно концентрироваться не на прямых издержках - относительно небольших, - а на косвенных. Именно оценке косвенных издержек были посвящены работы большинства более поздних авторов.

(Altman, 1984) первым пытается оценить неявные издержки финансовой неустойчивости. Во-первых, автор задает концепцию неявных издержек, которой и будут придерживаться исследователи в других работах: «Неявные издержки банкротства относятся не только к компаниям, которые в конечном итоге банкротятся. Фирмы с высокой вероятностью банкротства также могут нести издержки, независимо от того, обанкротятся ли они в итоге или нет». В исследовании в качестве прокси для неявных издержек Альтман использовал неожиданные потери/прибыль. По двум выборкам - индустриальные и ритейл-компании - он оценил неявные издержки в среднем в 17% и 12% соответственно, причем они тем больше, чем ближе банкротство во времени.

Более подробное исследование тех же вопросов представлено в (Opler, и др., 1994). Авторы оценивают операционные показатели компании (рост выручки, операционной прибыли и доходности акций) как прокси для издержек финансовой неустойчивости. Основным результатом исследования стала обнаруженная отрицательная зависимость между высоким финансовым рычагом и всеми вышеуказанными операционными показателями. Помимо этого, Оплет и Титман обнаружили положительную зависимость неявных издержек финансовой неустойчивости от доли затрат на исследования и разработки (R&D) в выручке, но логика авторов несколько отлична от используемой в данной работе. Во-первых, они не включали R&D в уравнение регрессии, а сравнивали две регрессии по компаниям с низким (<0.1 от выручки) и высоким (>0.1 от выручки) уровнем затрат. Во-вторых, данные показатель был использован как прокси для уровня концентрации рынков, в которых оперируют компании. Получение более подробных результатов с использованием конкретного отраслевого отбора компаний - задача данной работы.

Еще одной работой, которая заслуживает внимания, является исследование (Chen, и др., 1999). Принципиально новых выводов данная работа не содержит, но авторы намного более подробно изучили проблему. Во-первых, использовали анализ панельных данных, во-вторых, модель тестировалась на разных странах, а в-третьих, они расширили исследуемую проблему, проанализировав не только влияние финансового рычага, но и показатели краткосрочной финансовой устойчивости компаний.

Другой подход в определении самих неявных издержек и метода оценки был предложен в (Andrade, и др., 1998). Авторы анализировали не компании, а транзакции с использованием большого финансового рычага (в частности, они рассматривали рекапитализацию и выкуп компании менеджментом), и в качестве неявных издержек финансовой неустойчивости рассчитывали потерю рыночной стоимости компании из-за снижения операционных показателей. Их оценка таких издержек варьируется от 10% до 20%. Такие же результаты для компаний с высоким финансовым рычагом получили (Davydenko, et al., 2012), использую похожий подход, но скорректированный на ожидания инвесторов. Они показали, что оценка неявных издержек инвесторами в случае наступления состояние финансовой неустойчивости зависит от их оценки вероятности такого события. Это приводит к тому, что для успешных компаний, от которых не ожидали финансовых проблем, оценка неявных издержек значительно выше и составляет почти 30% стоимости.

Существенным недостатком первых работ, посвященных исследования неявных издержек финансовой неустойчивости было то, что они лишь пытались выявить существование этих издержек, а модели авторов не были основаны на теоретических моделях. Работы (Chen, и др., 1999) и (Minton, и др., 1999) проводят тестирование теоретических моделей, которые предлагают вполне логичные механизмы возникновения издержек. Так, Минтон и Бернадетт тестируют гипотезу о том, что издержки связаны с упущенными инвестиционными возможностями компаний. Они обнаружили, что в случае высокой вероятности наступления неблагоприятного события, компания снижает темпы наращивания капитала, инвестиции. Причиной этого может выступать то, что менеджмент пытается улучшить текущую ситуацию, а долгосрочные инвестиции оставляет на будущее. Логика работы Чена и Мервилла во многом похожа, но они классифицируют компании на основе волатильности денежных потоков: более волатильные денежные потоки более рисковые, что приводит к снижению инвестиционной активности и темпов роста. Волатильность в данном случае можно рассматривать и как неустойчивое положение, и как следствие слишком высокого финансового рычага, и как просто особенности конкретной индустрии.

Отдельно стоит выделить работу (Hortac?su, и др., 2013). Авторы сосредоточились на производителях автомобилей и сфокусировали исследование не только на неявных издержках финансовой неустойчивости, но и на механизме их возникновения. Они не выделяли компании в состоянии финансовой неустойчивости, а оценивали их состоянии на основе спрэдов по кредитным дефолтным свопам CDS, а за издержки брали снижение спроса на продукцию компании, измеренную как изменение цен на автомобили на аукционах вторичного рынка. В работе было показано, что увеличение спрэдов CDS приводит к снижению цен на автомобили, а обоснование такого воздействия является нежелание покупателей связываться с товаром, который они не смогут обслуживать в случае банкротства производителя, что и приводит к снижению спроса. Если рассматривать тему данной работы с этого ракурса, то такой механизм влияния тоже вполне возможен, т.к. спрос и на высокотехнологичные устройства, и на программное обеспечение крайне чувствителен к ожиданиям потребителей относительно будущей поддержки/обновлений, предоставляемых компанией.

Работ, которые посвящены именно влиянию R&D на издержки финансовой неустойчивости, не так много. Из наиболее полной можно отметить лишь (Czarnitzki, и др., 2006), авторы которой исследуют влияние затрат на исследования и разработки на вероятность банкротства и кредитные рейтинги компаний Западной и Восточной Германии. Исследование не ограничивается анализом влияния R&D на финансовую неустойчивость, но именно эта часть интересна для данной работы. Авторы доказали, что R&D положительно влияют на финансовую неустойчивость в компаниях Восточной Германии и отрицательно в Западной, а в качестве причин выделяются меньшая результативность исследовательской деятельности в Восточной Германии. В других статьях посвященных данной тематики авторы либо вообще не затрагивают R&D, либо косвенно ссылаются на указанную работы или (Titman, et al., 1988), использую R&D в качестве прокси специализации фирмы на отрасли, не выделяю инновационную деятельность в отдельный фактор. Работа (Westhead, и др., 1997) посвящена проблемам с финансированием малых инновационных компаний, но некоторые выводы можно отнести к данной работе. Так, автор обнаружил положительное влияние затрат на R&D на вероятность возникновения проблем с финансированием, что привело к замедлению роста компании. Возможно, неявно, но это работа так же дает теоретическое обоснование того, почему инновационные компании могут нести издержки финансовой неустойчивости ввиду своих особенностей.

1.2 Прогнозирование вероятности банкротства

Этот раздел представляет краткий обзор подходов к прогнозированию банкротства компаний. Данная часть является скорее вспомогательной частью, поскольку работа не ставит целью разработку эффективной модели банкротства, а лишь ставит задачей дать обоснованную оценку финансовой устойчивости или неустойчивости компании. Т.к. основным драйвером издержек финансовой неустойчивости является возрастающая вероятность банкротства, необходимо выявить особенности и преимущества различных методов.

В настоящее время существует огромное количество работ, посвященных данной тематике, но основных методов не так много. В обзорной работе (Sun, и др., 2014) приведена довольно подробная антология работ по различным методикам предсказания банкротств. Большинство предложенных на данный момент методов можно разделить на две группы. Первая - статистические методы - основана на статистике и включает такие популярным методики как логит и пробит модели, многомерный дискриминантный анализ, модель Альтмана (Z-score). Это простые модели, которые широко используются и легко интерпретируются. Вторая группа - методы машинного обучения - включает более современные методы. Из наиболее популярных на данный момент метод опорных векторов (Support Vector Machine, SVM) и искусственные нейронные сети (Artificial Neural Network, ANN). Эти методы основаны на алгоритмическом разграничении различных классов объектов. Существенным недостатком таких моделей является то, что мы не можем интерпретировать коэффициенты нейронных сетей или метода опорных векторов.

Судить о том, какой из методов лучше, довольно трудно. Например, (Hui, et al., 2006) показали, что SVM демонстрирует более точные и устойчивые результаты по сравнению как со статистическими методами, так и по сравнению с нейронными сетями, а (Chen, и др., 2009) отмечают более высокую точность нейронных сетей по сравнению с традиционными статистическими методами. В то же время ряд других статей не обнаружил сильной разницы в эффективности разных подходов, например, (Altman, и др., 1994), которые не обнаружили существенных отличий в предсказательной силе дискриминантного анализа и нейронных сетей, или (Lin, 2009), который выявил различие на уровне не более 5% в предсказательной силе статистических моделей и нейронный сетей (причем в пользу первых).

Т.к. данный вопрос не является основным в этой работе, мы можем пренебречь некоторой точностью в пользу более важных качеств модели оценки вероятности банкротства. Во-первых, нужна хорошая интерпретация коэффициентов, а во-вторых, хотелось бы получить не просто предсказание банкрот/не банкрот, а некоторую количественную оценку вероятности, либо прокси для нее.

(Altman, и др., 1977) предложил одну из первых моделей оценки возможности банкротства, которая основывается на пяти показателях компаний. Несмотря на то, что она была предложена 40 лет назад, она до сих пор является одной из самых популярных методик по определению компаний с крайне неустойчивым финансовым положением. Модель очень удобна, но к сожалению, универсальность одновременно является и ее слабой стороной. Можно предполагать, что для разных индустрий следует ожидать разные веса для объясняющих переменных, а кроме этого хотелось бы добавить специфические параметры инновационных компаний в модель. Именно поэтому в работе будет оценена логит-модель по имеющимся данным, а на ее основе дальнейший анализ.



Глава 2. Методология

2.1 Гипотезы

После анализа литературы по данной теме и определения основных особенностей инновационных компаний были сформулированы следующие гипотезы:

H1. Вероятность банкротства положительно зависит от доли расходов на исследования и разработки в выручке компаний

H2. Вероятность банкротства положительно зависит от доли нематериальных активов в совокупных активах компании

H3. Финансовая неустойчивость создает значительные неявные издержки, отраженные в снижении темпов роста компаний

2.2 Источники и критерии формирования выборки

В рамках данного исследования не проводилось разграничений компаний по регионам или странам. Для того, чтобы иметь данные по банкротствам, основой исследования являются данные 2013 года и информация о банкротствах за 3 следующих года. Для исследования использовались данные по компаниям системы S&P Capital IQ. Первоначальная выборка определялась следующими критериями:

1. Затраты на R&D больше 0 за 2013 год (как один из основных критериев инновационной деятельности компаний)

2. Индустрия по основному виду деятельности: Материалы, Автомобили и компоненты, Потребительские товары, Медицина, IT, Телекоммуникации (как основные претенденты на ведение инновационной деятельности)

Согласно данным параметрам были скачаны данные по 13628 компаниям. Для определения компании-банкрота был сформирован такой же список с добавлением критерия

· Событие: банкротство в период с 1 января 2014 по 31 декабря 2016

· Событие: дефолт по облигациям в период с 1 января 2014 по 31 декабря 2016

· Событие: M&A сделка в качестве цели в связи с банкротством

В выборке оказалось 73 компании-банкрота. Эта цифра явно занижена, но занижение может быть вызвано тем, что высоко рисковые инновационные компании могут банкротиться довольно быстро, даже не попадая в базу данных. Можно было бы делать исследование по более ранним данным, чтобы получить больше банкротных компаний в выборке (например, за 5 лет), но любое такое увеличение сроков наблюдения банкротных компаний негативно скажется на качестве модели прогнозирования банкротства, поэтому срок в 3 года будет оптимальным.

2.3 Методология прогнозирования банкротства

Ранее были рассмотрены разные методики прогнозирования банкротства компаний. Для целей данной работы будет использована логистическая регрессия по нескольким причинам. Во-первых, она позволяет получить количественную оценку вероятности, а не только вывод о том, обанкротится компания или нет. Во-вторых, ее коэффициенты легко интерпретируются как изменение отношения шансов двух событий - банкротство и не банкротство.

Процедура оценки вероятности банкротства будет разбита на несколько шагов.

1) Формирование сбалансированной подвыборки. В изначальной выборке слишком мало компаний-банкротов, поэтому стоит сбалансировать ее для более устойчивых результатов. В оценке будут использованы все компании-банкроты и в два раза больше здоровых компаний, выбранных случайным образом.

2) Разбиение выборки на тренировочную и тестовую. Это необходимо, чтобы провести валидацию модели. Подвыборка будет разбита на тестовую и тренировочную в отношении 1:5.

3) Определение используемых параметров с помощью дискриминантного анализа (MDA). В качестве основных параметров были выбраны 22 показателя на основе изученной литературы, но наблюдений по компаниям-банкротам слишком мало, поэтому придется сократить количество объясняющих переменных, иначе может возникнуть ситуация, когда оценки логит-модели не будут существовать.

4) Оценка логит-модели по выбранным параметрам

5) Валидация результатов на тестовой подвыборке. Нужно убедиться не только, и даже не столько, в значимости коэффициентов, сколько в хорошем качестве модели, чтобы с уверенностью использовать полученные вероятности дальше.

Логит-модель представляет из себя регрессию вида:

,

где - i-тое наблюдение по j-той переменной, а - дискретная объясняемая переменная, - случайная ошибка. При этом после оценивания модели при прогнозировании мы получаем некоторую мнимую переменную . Тогда вероятность можно определить через функцию логистического распределения: инновационный издержка неустойчивый банкротство

,



2.4 Методология оценки неявных издержек финансовой неустойчивости

Для оценки неявных издержек финансовой неустойчивости будет использована следующая регрессия

,

где:

- темпы роста, скорректированные на среднеотраслевые следующим образом

,

- темпы роста компании i, ;

- средние темпы роста индустрии, к которой принадлежит компания i, вычисленные по выборке, , где ) - индикатор, который принимает значение 1, если компания j принадлежит той же индустрии, что и компания i, 0 - иначе, N(i) - количество компаний в той же индустрии, что и компания i.

Регрессоры можно условно сгруппировать следующим образом

1) Переменные, относящиеся к показателям финансового здоровья компании и влияющие непосредственно на издержки финансовой неустойчивости

- вероятность банкротства, оцененная по методологии, предложенной в предыдущем пункте на всех компаниях-банкротах для более точных коэффициентов

- отношение долга к совокупным активам

- отношение денежного потока к текущим обязательствам

- отношение процентных расходов к доходу до уплаты процентов, налогов и вычета амортизации (этот показатель используется как альтернатива показателю покрытия, т.к. многие компании не несут процентных расходов)

- отношение оборотного капитала к совокупным активам

2) Переменные, относящиеся к структуре активов и расходов компании

- отношение нераспределенной прибыли к совокупным активам

- отношение текущих активов к совокупным активам

- отношение денежных средств и их эквивалентов к совокупным активам

- отношение затрат на исследования и разработки прошлого года к текущей совокупной выручке

- отношение совокупных нематериальных активов к совокупным активам

3) Переменные, характеризующие операционную эффективность компании

- отношение операционной выручки к совокупным активам

- отношение дохода до уплаты процентов, налогов и вычета амортизации к совокупной выручке

-- отношение денежного потока к совокупной выручке

4) Другие показатели

LN(TR) - логарифм выручки, отвечающий за размер компаний

Public - дамми-переменная, принимающая значение 1, если компания торгуется на бирже, и 0 если нет.



Глава 3. Выборка и практические результаты исследования

3.1 Описательная статистика

Перед формированием конечной выборки переменные были проверены на скоррелированность, чтобы избежать мультиколлинеарности и не использовать похожие показатели при моделировании. Корреляционную таблицу можно найти в Приложении 1.

Помимо этого, из первоначальных данных были исключены наблюдения, которые не позволяли получить какие-либо из переменных (например, компании с нулевой выручкой за 2012 год), явные выбросы (выбросы исключались вручную при явном отличие от остальной части выборки, т.к. многие показатели распределены не нормально, и невозможно использовать другие критерии определения выбросов) и компании с выручкой менее $1 млн, т.к. их показатели слишком волатильны и снижают качество модели. В конечном итоге в выборке осталось 8446 компании, из них 18 финансово неустойчивые.

Для моделирования банкротства и неявных издержек финансовой неустойчивости использовались разные выборки ввиду нескольких причин:

· В ходе оценки неявных издержек финансовой неустойчивости были исключены некоторые банкротные компании, который слишком выделяются из общей выборки, для более точной оценки регрессии.

· Для моделирования банкротства было использовано больше банкротных компаний, включая те, что не были использованы в ходе оценки издержек финансовой неустойчивости, т.к. малая выборка слишком сильно ограничивает возможности оценки модели и приводит к нестабильным оценкам коэффициентов, зависящих от выбранной подвыборки.

Выборка для тестирования модели банкротства состоит из 89 наблюдений, поделенных на тренировочную и тестовую части следующим образом:

Описательная статистика по данной подвыборке представлены ниже

Таблица 2. Описательная статистика по выборке для тестирования вероятности банкротства

N=89	Min	1Q	Median	3Q	Max	Mean	s.d.
	0,01	1,02	1,62	2,88	13,20	2,43	2,36
	-3,12	0,01	0,22	0,42	0,88	0,15	0,52
	0,00	0,04	0,17	0,33	2,59	0,28	0,39
	-1,97	-0,24	0,01	0,07	0,28	-0,15	0,39
	-2,48	-0,23	-0,02	0,06	3,74	-0,12	0,62
	-35,36	-1,97	-0,04	0,21	0,70	-2,08	5,82
	0,03	0,42	0,74	1,11	2,82	0,84	0,55
	-0,22	0,14	0,21	0,35	2,20	0,30	0,34
	-2,65	-0,44	0,02	0,15	4,26	-0,12	0,88
	0,00	0,06	0,15	0,35	0,78	0,21	0,20
	0,00	0,02	0,14	0,20	3,71	0,18	0,40
	0,01	0,43	0,62	0,74	0,98	0,57	0,24
	0,03	0,46	0,74	1,00	22,45	1,16	2,43
	-4,05	-0,43	-0,06	0,17	1,21	-0,28	0,86
	-4,04	-0,37	0,04	0,11	0,42	-0,36	0,92
	-12,45	-0,10	0,00	0,03	1,07	-0,15	1,38
	0,00	0,00	0,03	0,16	0,92	0,14	0,22
	0,00	0,02	0,07	0,19	3,30	0,20	0,42
	-17,76	0,00	0,21	0,69	20,27	0,45	3,17
	-0,97	-0,09	0,03	0,22	9,36	0,23	1,19
	-1,92	2,75	4,07	5,67	9,40	4,08	2,24

Данные по переменным выглядят следующим образом

Таблица 3. Описательная статистика переменных для оценки неявных издержек финансовой неустойчивости

N=10780	Min	1Q	Median	3Q	Max	Mean	s.d.
	0,00	1,19	1,84	3,09	36,70	2,71	2,87
	-1,78	0,07	0,25	0,43	0,96	0,24	0,29
	0,00	0,02	0,15	0,33	1,94	0,21	0,22
	-1,97	0,00	0,05	0,10	1,26	0,03	0,17
	-4,93	-0,06	0,01	0,08	2,04	-0,03	0,29
	-16,33	0,00	0,17	0,35	2,54	-0,17	1,55
	0,01	0,56	0,81	1,13	8,11	0,91	0,54
	-1,41	0,14	0,23	0,36	3,96	0,28	0,24
	-9,13	0,00	0,07	0,15	8,59	0,04	0,61
	0,00	0,06	0,13	0,24	0,99	0,17	0,16
	0,00	0,06	0,13	0,21	5,54	0,16	0,17
	0,00	0,43	0,57	0,72	1,00	0,57	0,20
	0,01	0,46	0,66	0,96	14,67	0,87	0,86
	-4,93	-0,15	0,04	0,25	5,14	0,02	0,62
	-5,44	0,04	0,10	0,17	0,90	0,05	0,39
	-9,33	-0,13	-0,03	0,00	9,00	-0,08	0,62
	0,00	0,00	0,02	0,09	0,97	0,09	0,16
	0,00	0,01	0,03	0,08	5,75	0,09	0,25
	-16,05	0,01	0,24	0,71	27,44	0,56	1,69
	-0,60	-0,09	0,03	0,16	0,86	0,05	0,23
	-2,26	3,29	4,46	5,84	12,51	4,68	1,99

3.2 Результаты моделирования вероятности дефолта

Как было описано выше, для определение наиболее важных переменных используется дискриминантный анализ с отбором параметров. Данная процедура была осуществлена с помощью пакета HiDimDA для R. Ниже представлены выбранные переменные на основе разницы в средних значениях для групп банкротных и небанкротных компаний.

К сожалению, имеющихся данных недостаточно, чтобы корректно оценить логит-модель по всем данным переменным. Единственным способом увеличить количество наблюдений будет увеличение количества небанкротных компаний в тренировочной и тестовой выборках. Для определения эффекта от такого увеличения количества наблюдений в выборке, можно построить расширенную модель со всеми переменными и суженную, где не будут учитываться теоретически менее значимые переменные.

Далее приводится сравнение двух моделей.

Модель 1: на выборке по 89 компаниям оценивается логит-модель

,

Модель 2: на выборке по 150 компаниям оценивается модель

,

Таблица 5. Сравнение логит-моделей

	Модель 1		Модель 2
	-6,25	**	-3,66	*
	6,95	**	3,18	*
	2,90		-0,85
	-1,48	*	-0,84	.
	5,42	*	3,15	.
	5,82	**	-1,39
	-0,07		-0,15
	2,58	.	3,55	.
			-2,48
			-0,67	**
			-1,02
			1,12	.
			-0,48
			0,28
	66,657		91,03
	96,67%		93,33%
	75%		50%
	100%		100%



На данный момент важны значения показателей эффективности моделей. Несмотря на большее количество наблюдений и переменных во втором случае, вторая модель хуже по критерию Акаике (AIC) и хуже предсказывает банкротство. В качестве оценки предсказательной силы был использован Hit Ratio (HR) по всей тестовой выборке и отдельно по банкротным (HR(B)) и не банкротным компаниям (HR(ND)). Наблюдаемая в данном случае лучшая предсказательная сила Модели 1 в отношении банкротных компаний будет еще заметнее, если делать выборку еще более несбалансированной, т.к. на более чем 8000 наблюдений высокая предсказательная сила моделей будет достигаться лишь за счет того, что большая часть компаний будет относиться к не банкротным, коэффициенты при этом очевидно будут абсолютно случайными. Именно поэтому мы используем Модель 1, оцененную по всем банкротным компаниям (тестовая + тренировочная выборки).

Оценивая итоговую модель получаем

Таблица 6. Итоговая модель оценки вероятности банкротства

Итоговая модель
	Оценка	s.d.	z-value	p-value
	-5,45	1,857	-2,938	0,003	**
	5,72	1,999	2,864	0,004	**
	2,06	2,025	1,019	0,308
	-1,56	0,561	-2,784	0,005	*
	4,19	2,195	1,909	0,056	.
	5,68	2,060	2,760	0,006	**
	-0,09	0,174	-0,498	0,619
	1,76	1,229	1,434	0,151
	76,725
	92,42%
	50%
	92,51%
Значимость: 0 '***' 0,001 '**' 0,1 '*' 0,05 '.' 0,1 ' ' 1

Оценки вероятностей банкротства, вычисленные по данной модели, будут использованы в следующем пункте. Подробные данные по моделям и распределение полученных вероятностей см. в Приложении 2.

Несмотря на то, что модель относит 618 небанкротных компаний к банкротным, это не говорит о плохом качестве данной модели в контексте данной работы. Как уже отмечалось, модель используется не в предсказательных целях, а в целях оценки финансового здоровья. Во-первых, априоно факт финансовых затруднений известен лишь на временном горизонте 3 года, и неизвестно, что будет с компаниями в дальнейшем. Во-вторых, для целей работы достаточно того факта, что группа компаний, определенных как банкротные, демонстрирует плохие финансовые показатели. Для сравнения был проведен анализ средних значений для компаний с вероятностью банкротства и на основании t-статистики и теста Вилкокса - Манна - Уитни на равенство распределений. Все различия (кроме показателя Int/EBITDA - незначим) значимы на 1% уровне значимости, результаты тестов в Приложении, а сравнение средних представлено ниже.

Судя по средним показателям, компании, оцененные как банкротные, на самом деле демонстрируют более высокий уровень финансового рычага, нематериальных активов и инвестиций в исследования и разработки, в то же время такие операционные показатели эффективности как операционные доход по отношению к совокупным активам или маржинальность по EBITDA значительно ниже и в среднем отрицательные. Стоит помнить, что рассматриваются инновационные компании, для которых подобные показатели не обязательно свидетельствуют о тяжелом финансовом положении, но могут говорить, например, о стадии развития компании. Подобных показателей можно ожидать и от компаний, которые находятся на начальных стадиях развития и активно развиваются, хоть и не демонстрируют роста прибыли. Тем не менее эти показатели хорошо демонстрируют текущий уровень рисков, т.к. без генерации денежных потоков вся ценность компании заключена лишь в ожиданиях инвесторов, которые далеко не всегда оправдываются.

Стоит помнить, что нельзя полагаться на конкретные значения полученных коэффициентов модели оценки вероятности, т.к. они чувствительны к тому, как сбалансирована выборка, но знаки всех значимых коэффициентов соответствуют теоретически ожидаемым. Так, вполне ожидаемо, что вероятность банкротства положительно зависит от отношения долга к совокупным активам и отрицательно от покрытия денежным потоком текущих обязательств. Как и ожидалось, вероятность банкротства так же положительно зависит от отношения величины расходов на исследования и разработки к совокупной выручки и величины нематериальных активов в совокупных активах.

3.3 Результаты оценки издержек финансовой неустойчивости

При оценке модели были получены следующие результаты

Таблица 7. Результат оценки модели неявных издержек финансовой неустойчивости

Модель неявных издержек финансовой неустойчивости
	Оценка	s.d.	z-value	p-value
	-0,077	0,015	-5,110	0,000	***
	-0,100	0,036	-2,761	0,006	**
	0,035	0,028	1,243	0,214
	-0,007	0,003	-2,785	0,005	**
	0,210	0,023	9,156	0,000	***
	0,026	0,032	0,804	0,422
	0,205	0,024	8,430	0,000	***
	0,400	0,044	9,119	0,000	***
	-0,031	0,009	-3,634	0,000	***
	0,037	0,023	1,649	0,099	.
	-0,001	0,006	-0,121	0,904
	-0,150	0,019	-8,099	0,000	***
	-0,105	0,024	-4,388	0,000	***
	0,174	0,024	7,346	0,000	***
	-0,004	0,001	-2,771	0,006	**
	-0,008	0,005	-1,740	0,087	.
	0,081
	50,5
	0,000
Значимость: 0 '***' 0,001 '**' 0,1 '*' 0,05 '.' 0,1 ' ' 1

Приведенные выше оценки стандартных отклонений указаны с использование устойчивой к гетероскедастичности ковариационной матрицы, поэтому мы можем быть уверены в значимости коэффициентов. В Приложении 3 приведены тесты на мультиколлинеарность, эндогенность и гетероскедастичность, а также анализ остатков. Несмотря на то, что некоторая мультиколлинеарность обнаружена, спецификацию модели менять не обязательно, т.к. последствия этой мультиколлинеарности не нарушают выводов модели (нужные коэффициенты значимы), а устранение теоретически значимых переменных может привести к проблеме эндогенности и смещенным неэффективным оценкам. Остатки не распределены нормально, но в среднем равны нулю, поэтому мы можем пользоваться предельными результатами теоремы Гаусса-Маркова (размер выборки это позволяет) и использовать нормальное распределение для тестирования гипотез.

Основным результатов модели является то, что вероятность банкротства отрицательно влияет на отклонение темпов роста компании от среднеотраслевых. Таким образом можно сделать вывод о том, что высокая доля нематериальных активов в совокупных активах компании и высокие расходы на исследовательскую деятельность негативно влияют на темпы роста компаний через возрастающую финансовую нестабильность. В то же время нельзя с уверенностью говорить о суммарном эффекте этих показателей на темпы роста. Несмотря на то, что был получен значимо положительный коэффициент при доле нематериальных активов в совокупных и незначимо положительный для расходов на исследования и разработки, по результатам данного исследованию нельзя ничего говорить о конкретном влиянии этих показателей на вероятность банкротства (помимо того, что это влияние положительно). Чтобы говорить о конкретном влиянии стоит рассмотреть более детализированную выборку по отраслям и учитывать такие факторы, как стадии жизненного цикла организаций, типичные для конкретной отрасли источники финансирования и другую специфику отраслей, но такое исследование выходит за рамки данной работы.



Заключение

В данной работе были проанализированы данные по более чем 8000 компаний, инновационных компаний, отобранных по критерию затрат на исследовательскую деятельность. На основе сбалансированной подвыборки была построена модель прогнозирования банкротства компаний, включающая потенциально значимые специфические для данных компаний показатели, а именно расходы на исследования и разработки и нематериальные активы. На основании полученных коэффициентов построенной модели можно готовить о том, что данные показатели значимо (на 1% и 10% уровнях значимости соответственно) положительно влияют на вероятность банкротства компаний. Несмотря на то, что эффективность модели можно улучшить, это не было целью данного исследования, но полученные на основании модели вероятности банкротства являются хорошим прокси для определения финансового здоровья компании и ее финансовой устойчивости. На основе этих данных была построена регрессия отклонений темпов роста компаний от среднеотраслевых на финансовые показатели компаний. Результаты этой регрессии говорят о том, что полученные оценки вероятности дефолта отрицательно влияют на отклонение темпов роста от среднерыночных. Это отклонение является результатов неустойчивого финансового положения компании. Такие результаты позволяют нам сделать вывод о том, что инновационная деятельность компаний, связанная с интенсивными затратами на исследования и разработки, и структура активов таких компаний оказывают негативное влияние на их темпы роста, т.к. сопряжены с определенными рисками. В то же время, исследования, представленное в данной работе, не ставит задачей точное определение того, каков суммарный эффект от данных особенностей в отношении роста компаний, и не углубляется в особенности операционной деятельности компаний или исследование эффективности исследований и разработок.

Нахождение детерминант того, каким будет суммарное влияние инновационной деятельности на темпы роста является логичным продолжением работы в данной области. Во-первых, необходимо больше данных по банкротным компания для создания более качественной модели прогнозирования банкротства. Во-вторых, стоит сконцентрироваться на более узкой выборке компаний по одной отрасли и рассмотреть ее подробнее. Очевидно, что интенсивности инвестиций в исследования и разработки зависит от того, на какой стадии находится компания и насколько эффективно эти исследования преобразуются в нематериальные активы и интеллектуальный капитал. Такое исследование позволит более точно говорить о том, стоит ли компании увеличить или уменьшить затраты на исследовательскую деятельность и к чему приведет каждый из вариантов.



Список литературы

1. Altman Edward I., Haldeman R. и Narayanan P. ZETA Analysis, A New Model to Identify Bankruptcy Risk of Corporations [Журнал] // Journal of Banking and Finance. - 1977 г..

2. Altman Edward I., Marco Giancarlo и Varetto Franco Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience) [Журнал] // Journal of Banking and Finance. - 1994 г..

3. Altman Enward I. A Further Empirical Investigation of the Bankruptcy Cost Question [Журнал] // The Journal of Finance. - 1984 г..

4. Andrade Gregor и Kaplan Steven N. How Costly is Financial (not Economic) Distress? Evidence from Highly Leveraged Transactions that Became Distressed [Журнал] // The Journal of Finance. - 1998 г..

5. Chen G.M. и Merville L.J. An Analysis of the Underreported Magnitude of the Total Indirect Costs of Financial Distress [Журнал] // Review of Quantitative Finance and Accounting. - 1999 г..

6. Chen Wei-Sen и Du Yin-Kuan Using neural networks and data mining techniques for the financial distress prediction model [Журнал] // Expert Systems with Applications. - 2009 г..

7. Czarnitzki Dirk и Kraft Kornelius R&D and firm performance in a transition economy [Журнал] // Kyklos. - 2006 г..

8. Davydenko Sergei A., Strebulaev Ilya A. и Zhao Xiaofei A market-based study of the cost of default [Журнал] // Review of Financial Studies. - 2012 г..

9. Hortac?su Ali [и др.] Indirect Costs of Financial Distress in Durable Goods Industries: The Case of Auto Manufacturers [Журнал] // Review of Financial Studies. - 2013 г..

10. Hui Xiao-Feng и Sun Jie An Application of Support Vector Machine to Companies' Financial Distress Prediction [Журнал] // International Conference on Modeling Decisions for Artificial Intelligence. - 2006 г..

11. Lin Tzong-Huei A cross model study of corporate financial distress prediction in Taiwan: Multiple discriminant analysis, logit, probit and neural networks models [Журнал] // Neurocomputing. - 2009 г..

12. Minton Bernadette A. и Schrand Catherine The impact of cash flow volatility on discretionary investment and the costs of debt and equity financing [Журнал] // Journal of Financial Economics. - 1999 г..

13. Modigliani Franco и Miller Merton H. The cost of capital, corporation finance and the theory of investment [Журнал] // The American economic review. - 1958 г..

14. Opler Tim C. и Titman Sheridan Financial Distress and Corporate Performance [Журнал] // The Journal of Finance. - 1994 г..

15. Pindado Julio и Rodrigues Luis Determinants of Financial Distress Costs [Журнал] // Financial Markets and Portfolio Management. - 2005 г..

16. Sun Jie [и др.] Predicting financial distress and corporate failure: A review from the state-of-the-art definitions, modeling, sampling, and featuring approaches [Журнал] // Knowledge-Based Systems. - 2014 г..

17. Titman Sheridan и Wessels Roberto The Determinants of Capital Structure Choice [Журнал] // The Journal of Finance. - 1988 г..

18. Warner Jerold B. Bankruptcy Costs: Some Evidence [Журнал] // The Journal of Finance. - 1977 г..

19. Westhead Paul и Storey David J. Financial constraints on the growth of high technology small firms in the United Kingdom [Журнал] // Applied Financial Economics. - 1997 г..

Размещено на Allbest.ru