Оценка факторов, влияющих на банкротство компании

Кроме того, важным моментом при построении логистической регрессии является построение матрицы корреляций. Корреляционная матрица дает возможность обнаружить линейные взаимосвязи между регрессорами. Таким образом, некоторые объясняющие переменные, которые имеют сильные взаимосвязи между собой (коэффициент корреляции превышает значение 0,7), необходимо исключить из модели для того, чтобы избежать неточных результатов и улучшить ее качество.

Таким образом, для определения и оценки факторов, влияющих на банкротство компании, необходимо пройти следующие этапы исследования:

1) Подобрать необходимые переменные.

2) Провести анализ каждой из переменных и устранить выбросы.

3) Провести корреляционный анализ, который поможет выявить сильную зависимость между переменными, и в случае возникновения мультиколлинеарности, необходимо решить поставленную проблему.

4) Построить логистическую регрессию.

5) Выявить значимые переменные.

6) Построить предельные эффекты для модели, которые помогут выявить влияние переменных.

2.2 Описание переменных

Зависимой переменной в работе является переменная, обозначающая факт банкротства, то есть, является компания банкротом или нет. Данная переменная в исследовании будет обозначаться как Bankrupt. Переменная принимает значение 0, если компания не является банкротом в 2017 году, то есть, она финансово устойчивая, значение 1 - если, наоборот, компания является банкротом. Таким образом, информация по компаниям-банкротам была собрана за год до их банкротства.

Выбор объясняющих переменных производился на основе:

· Анализа уже существующих эмпирических исследований на тему оценки факторов банкротства;

· Финансовых факторов, установленных Постановлением Правительства в приказе Минэкономразвития РФ.

Исходя из этого, был сформирован изначальный список объясняющих переменных (таблица 18).

Таблица 18. Список объясняющих переменных

Наименование показателя	Расчет показателя
Показатели деловой активности
1. Фондоотдача	Выручка от продаж / Основные средства
2. Оборачиваемость оборотных активов	Выручка от продаж / Оборотные активы
3. Оборачиваемость дебиторской задолженности	Выручка от продаж / Дебиторская задолженность
4. Оборачиваемость кредиторской задолженности	Себестоимость проданной продукции / Кредиторская задолженность
5. Оборачиваемость запасов	Себестоимость проданной продукции / Запасы
Показатели финансовой устойчивости
1. Коэффициент финансовой автономии (независимости)	Собственный капитал / Валюта баланса
2. Отношение нераспределенной прибыли к активам	Нераспределенная прибыль / Активы
3. Отношение выручки от реализации продукции к активам	Выручка от реализации / Активы
4. Отношение суммы текущих активов к общей сумме обязательств	Оборотные активы / Заемный капитал
5. Отношение суммы текущих обязательств к общей сумме активов	Краткосрочные обязательства / Активы
6. Коэффициент соотношения кредиторской и дебиторской задолженности	Кредиторская задолженность / Дебиторская задолженность
7. Отношение заемных и собственных средств (показатель финансового риска)	Заемные средства / Собственный капитал и резервы
8. Отношение чистой прибыли к активам	Чистая прибыль / Активы
9. Коэффициент покрытия процентов	EBIT / Проценты к уплате
10. Отношение выручки от реализации продукции к заемному капиталу	Выручка от реализации / Заемный капитал
11. Коэффициент маневренности собственного капитала	Собственный оборотный капитал (Оборотные активы - Краткосрочные обязательства) / Собственный капитал
12. Коэффициент обеспеченности собственными оборотными средствами	(Собственный капитал и резервы - Внеоборотные активы) / Оборотные активы
Показатели ликвидности и платежеспособности предприятия
1. Коэффициент текущей ликвидности	Оборотные активы / (Краткосрочные обязательства - Доходы будущих периодов)
2. Коэффициент быстрой (срочной) ликвидности	(Денежные средства + Краткосрочные финансовые вложения + Дебиторская задолженность сроком до 12 месяцев) / (Краткосрочные обязательства - Доходы будущих периодов)
3. Коэффициент абсолютной ликвидности	(Денежные средства + Краткосрочные финансовые вложения) / (Краткосрочные обязательства - Доходы будущих периодов)
4. Доля чистого оборотного капитала (рабочего капитала) в общем объеме активов	(Оборотные активы - Краткосрочные обязательства)/Активы
Показатели рентабельности
1. Рентабельность продаж	Прибыль от продаж / Выручка от продаж
2. Рентабельность продукции	Прибыль от продаж / Себестоимость проданных товаров
3. Рентабельность активов	Прибыль до налогообложения / Валюта баланса
4. Рентабельность собственного капитала	Чистая прибыль / Собственный капитал
Нефинансовые показатели
1. Возраст компании
2. Размер компании
3. Отрасль деятельности компании

Как видно из таблицы изначальный список показателей состоял из 28 объясняющих переменных, наибольшая часть из которых - это финансовые показатели компании: ликвидности, финансовой устойчивости, деловой активности и рентабельности. Также, в список объясняющих переменных включены такие нефинансовые показатели как возраст, размер, регион и отрасль компании. Причем, необходимо отметить, что размер компании измеряется в количестве работников. Также, в выборку включались компании возрастом не меньше 3 лет, так как прогнозирование банкротства недавно образованных компаний имеет свои особенности.

Кроме того, при оценке факторов, влияющих на банкротство компании, было решено включить такой показатель как фальсификация финансовой отчетности. Данный фактор является важным, ведь «в результате мошенничества с финансовой отчетностью, особенно если итогом ситуации является банкротство компании, что происходит достаточно часто, все заинтересованные стороны несут колоссальные потери» (Соловьева, Соколова, 2015).

Показатель, характеризующий мошенничество в области финансовой отчетности, можно рассчитать при помощи формулы PROBM. Данная формула была предложена профессором университета Индианы Мессодом Бененшем в 1999 году (Сиренко, 2015). По-другому данную формулу называют M-score Бененша, выглядит она следующим образом:

где: DSRI - оборачиваемость дебиторской задолженности в днях;

GMI - индекс валовой маржи;

AQI - индекс качества активов;

SGI - индекс роста выручки;

DEPL - индекс амортизации.

Согласно формуле Мессода Бененша, если значение PROBM превышает 1,78, то это означает, что компания имеет признаки мошенничества в области финансовой отчетности (Сиренко, 2015).

Таким образом, после включения показателя фальсификации финансовой отчетности изначальный список показателей состоит из 29 объясняющих переменных. Обозначения каждой переменной с расшифровками представлены в Приложении 1.

3. Исследование и результаты

3.1 Анализ данных

банкротство финансовый должник

Во избежание неточных результатов необходимо проверить выборку на наличие выбросов и устранить их. Для этого построим ящичковые диаграммы для каждой переменной и удалим явно выделяющиеся значения переменных.

Надо отметить, что для определения выбросов отдельно были взяты выборки компаний-банкротов и финансово устойчивых компаний, так как значения каждого показателя у данных компаний в силу их финансового состояния значительно отличаются. Использование общей выборки может привести к тому, что в качестве выбросов будут удалены потенциальные банкроты. Ящичковые диаграммы объясняющих переменных компаний-банкротов и финансово устойчивых компаний представлены в Приложениях 2 и 3 соответственно.

Отдельно стоящие значения по каждой объясняющей переменной были исключены, выборка в итоге составила 208 компаний: 69 - банкроты, 139 - не банкроты.

В Приложениях 4 и 5 приведены описательные статистики также отдельно по компаниям-банкротам и не банкротам. На основании описательных статистик можно сделать вывод, что средний возраст обанкротившихся компаний составляет 19 лет, финансово устойчивых - 17. Среднесписочная численность работников у компаний-банкротов составляет 331 человек, не банкротов - 335, что говорит о том, что выборка в основном состоит из компаний средней размерностью.

Также в исследуемой выборке можно выделить 6 основных отраслей обрабатывающей промышленности: пищевая отрасль, металлургическая отрасль, химическая отрасль, промышленность строительных материалов, деревообрабатывающая отрасль, производство машин и оборудования.

На рисунке 2 изображено распределение по отраслям компаний-банкротов.

Рис. 2. Распределение компаний-банкротов по отраслям

На основании рисунка 2 можно сделать вывод, что среди средних и крупных обанкротившихся в 2018 году компаний больше всего выделяются компании двух отраслей обрабатывающей промышленности с примерно одинаковыми долями: пищевая отрасль (28,99%) и металлургическая отрасль (27,54%).

Что касается пищевой промышленности, то банкротство компаний данной отрасли может быть связано с несколькими причинами, главной из которых является рост цен на сельскохозяйственное сырье в России в предшествующие годы. Данный рост в свою очередь может быть связан с увеличением закупочных цен в рамках государственного заказа. Также большое количество банкротов в пищевой отрасли может быть связано с увеличением тарифных цен за электроэнергию на пищевых перерабатывающих предприятиях. Так как в данной работе рассматриваются средние и крупные предприятия, то они являются достаточно энергозатратными.

Несмотря на то, что пищевая и металлургическая отрасли абсолютно разные по своей природе, причины большого числа компаний-банкротов в данных отраслях схожи. Высокие цены за электроносители и электроэнергию, а также сырье приводят к краху большого количества компаний, ведь металлургическая отрасль - одна из самых затратных отраслей промышленности.

Для анализа влияния отрасли на банкротство компании, был сформирован набор из 6 дамми-переменных, характеризующих принадлежность наблюдаемой фирмы к определенной отрасли. Обозначение и расшифровка отраслей представлены в таблице 19.

Таблица 19. Переменные, характеризующие отрасль компаний

Обозначение отрасли	Расшифровка
INDUSTRY1	Металлургическая отрасль
INDUSTRY2	Химическая отрасль
INDUSTRY3	Пищевая отрасль
INDUSTRY4	Промышленность строительных материалов
INDUSTRY5	Деревообрабатывающая отрасль
INDUSTRY6	Производство машин и оборудования

После включения в список дамми-переменных, характеризующих принадлежность компании к определенной отрасли, общее количество объясняющих переменных стало составлять 35.

Также, в целях построения качественной модели, которая дает наиболее точные и адекватные результаты, необходимо проверить выборку на наличие линейных зависимостей между переменными. Для этого была построена корреляционная матрица объясняющих переменных (Приложение 6).

На основе построения корреляционной матрицы было выявлено, что некоторые объясняющие переменные имеют высокие взаимосвязи между собой (|r|>0,7). В связи с этим было решено из каждой пары сильно взаимосвязанных показателей выбрать по одному, которые являются наиболее релевантными для исследовательского вопроса. Таким образом, в целях устранения сильных корреляционных связей между переменными из списка объясняющих переменных были исключены следующие показатели: оборачиваемость оборотных активов, коэффициент быстрой ликвидности, доля рабочего капитала в активах компании, отношение краткосрочных обязательств к активам, отношение нераспределенной прибыли к активам, отношение выручки к заемному капиталу, коэффициент маневренности собственного капитала и коэффициент обеспеченности собственными оборотными средствами. После устранения данных показателей количество объясняющих переменных стало равным 27.

3.2 Построение модели

Как уже было сказано ранее, наиболее релевантной для анализа факторов, влияющих на банкротство компании, является логистическая регрессионная модель.

Так как изначальный список переменных был составлен на основе их частоте использования в предшествующих исследованиях, а также на основе логики обоснования включения данных показателей в модель, то на этапе построения модели был использован способ постепенного отбора наилучшей модели.

Таким образом, при помощи постепенного отбора наилучшей модели итоговая модель стала состоять из 9 показателей, 8 из которых оказались значимыми. Качество модели было проверено при помощи информационного критерия Акаике (AIC), который имеет значение равное 206,81. Данный критерий позволяет сравнивать качество разных моделей. Считается, что модель с меньшим значением данного показателя более качественно прогнозирует вероятность наступления события, в данном исследовании - банкротства.

При построении наилучшей модели получились следующие оценки коэффициентов:

Таблица 20. Оценки коэффициентов

	Estimate	Pr(>|z|)
(Intercept)	-1.68257	0.007846	***
Age	0.06087	0.021307	**
REGION	0.71017	0.079018	*
TURN_AP	-0.34103	0.000378	***
AUTONOMY	-0.82262	0.024385	**
NI_ASSETS	-32.53980	0.022697	**
CL	0.48170	0.003960	***
ROA	23.09854	0.093734	*
ROE	-0.07560	0.268765
FALSI	-0.69950	0.098947	*

На основе таблицы 20 выявилось, что в модели на 1% уровне значимыми оказались следующие коэффициенты: оборачиваемость кредиторской задолженности и коэффициент текущей ликвидности. На 5% уровне значимости: возраст компании, коэффициент финансовой независимости (автономии) и отношение чистой прибыли к активам. На 10% уровне значимости: регион компании, рентабельность оборотных активов и коэффициент фальсификации финансовой отчетности.

Как видно из таблицы 20 дамми-переменные, характеризующие отрасль компании, в модель не были включены, выявилось, что отраслевая принадлежность компании не влияет на вероятность наступления банкротства.

Что касается фактора, отражающего возраст компании (Age), то, несмотря на то, что данные брались за 2017 год, возраст компании учитывался в момент банкротства компаний, то есть за 2018 год. Между данным показателем и зависимой переменной банкротства наблюдается положительная взаимосвязь.

Фактор, отражающий регион деятельности компании (REGION) является дамми-переменной и принимает значение 1, если компания ведет свою деятельность на территории Москвы и Санкт-Петербурга, а также их областей, 0 - если компания находится в других регионах. Наблюдается положительная зависимость между фактором региона деятельности компании и вероятностью банкротства, то есть вероятность банкротства у компаний Москвы, Санкт-Петербурга и их областей выше, чем у компаний других регионов России. Это логично предположить, так как не в столичных регионах (Санкт-Петербург многие считают «северной столицей» России) меньше насыщенность и конкуренция на рынке. Кроме того в данных регионах значительно ниже стоимость аренды помещения и содержания персонала, а также рекламы.

Что касается коэффициента фальсификации финансовой отчетности (FALSI), то он также является дамми-переменной. Как уже было сказано ранее, значение данного показателя выше 1,78 говорит о том, что компания имеет признаки фальсификации финансовой отчетности, в данном случае переменная принимает значение 1. Если величина данного показателя меньше установленной нормы, то в данной работе переменная принимает значение 0.

Коэффициент оборачиваемости кредиторской задолженности (TURN_UP) в данной работе он измеряется в количестве оборотов. Высокое значение данного показателя указывает на быстрое погашение долгов компании перед кредиторами. Следовательно, при увеличении количества оборотов кредиторской задолженности вероятность банкротства компании снижается.

Такие переменные как коэффициент финансовой независимости (AUTONOMY) и отношение чистой прибыли к общей сумме активов организации (NI_ASSETS) в данной работе измеряются в долях. Показатели имеют отрицательную взаимосвязь с зависимой переменной банкротства. Это логично предположить, так как, чем независимее будет компания, и чем эффективнее она будет вести свою деятельность, тем ниже вероятность банкротства.

Показатели текущей ликвидности (CL) и рентабельности оборотных активов (ROA) также измеряются в долях. Данные показатели имеют положительную взаимосвязь с показателем банкротства. Чем быстрее компания будет рассчитываться по своим текущим обязательствам, чем грамотней она будет использовать оборотные активы, тем меньше вероятность наступления банкротства.

3.3 Описание результатов

При описании результатов модели нужно учитывать, что коэффициенты в логит-моделях плохо интерпретируемы, т.к. скрытая переменная измеряется в непонятных единицах. В связи с этим в дополнение к коэффициентам рассчитывают предельные эффекты. Предельные эффекты показывают, как изменится вероятность того, что фирма стала банкротом при изменении объясняющей переменной на единицу. Обычно предельные эффекты считаются для каждого регрессора, а потом берутся усредненные значения каждого из них.

Таблица 21. Предельные эффекты

	effect	p.value
(Intercept)	-0,249	0.008	***
Age	0.009	0.021	**
REGION	0.151	0.100
TURN_UP	-0.050	0.000	***
AUTONOMY	-0.122	0.029	**
NI_ASSETS	-4.808	0.034	**
CL	0.071	0.004	***
ROA	3.413	0.110
ROE	-0.011	0.274
FALSI	-0.127	0.074	*

В таблице 21 был произведен расчет предельных эффектов. Рассмотрим более подробно влияние каждой значимой объясняющей переменной на зависимую переменную.

При увеличении возраста компании на 1 год, вероятность быть банкротом в среднем увеличивается на 0,9%. С одной стороны кажется, что чем дольше компания ведет свою деятельность на рынке, тем легче ей адаптироваться под внешние экономические условия, тем выше у нее авторитет и больше доверия со стороны покупателей. Однако, если посмотреть с другой стороны, многие компании-новички вытесняют так называемых «старожилов» с рынка. Мир не стоит на месте, компании-новички предлагают новые стратегии, новые идеи и технологии, в то время как большая часть устоявшихся на рынке компаний «стоит на месте».

Если количество оборотов кредиторской задолженности увеличить на 1, то в среднем вероятность банкротства уменьшится на 5%. Данный показатель характеризует деловую активность компании. Увеличение количества оборотов кредиторской задолженности обозначает, что компания способна быстрее расплачиваться по своим обязательствам, что, безусловно, характеризует компанию как финансово устойчивую.

При росте коэффициента финансовой независимости (автономии) на 1% вероятность банкротства в среднем падает на 0,12%. Данный показатель отражает финансовую устойчивость компании. При высоком значении коэффициента финансовой независимости у компании больше собственных средств для погашения своих обязательств, следовательно, она меньше зависима от внешних кредиторов и является более финансово устойчивой на рынке.

Если показатель, отражающий отношение чистой прибыли к общей сумме активов организации увеличить на 1%, то вероятность наступления банкротства уменьшится на 4,8%. Из финансовых показателей данный фактор отражает наиболее сильное влияние на банкротство компании. Соотношение чистой прибыли и активов компании отражает эффективность использования активов компании, а также может указывать на профессиональную квалификацию менеджмента компании. При снижении данного показателя предприятие может стать неплатежеспособным и убыточным, что влечет за собой банкротство.

При увеличении коэффициента текущей ликвидности на 1% вероятность банкротства увеличивается на 0,07%. Из теории известно, что, чем выше данный показатель, тем компания более способна вовремя расплачиваться со своими текущими обязательствами, следовательно, вероятность банкротства должна быть ниже. Однако слишком высокое значение данного коэффициента текущей ликвидности также не является благоприятным фактом. Это может быть признаком малоэффективного использования оборотных активов, а также краткосрочного финансирования. Кроме того, высокий показатель текущей ликвидности при малых значениях наиболее ликвидных активов (денежных средств) может являться рискованным.

Что касается коэффициента фальсификации финансовой отчетности, то получился следующий результат: если компания имеет признаки мошенничества в области финансовой отчетности, то вероятность быть банкротом ниже на 12,7%. У руководства компании есть несколько причин для манипулирования финансовой отчетностью. Если компания «приукрашивает» свою финансовую отчетность и скрывает свое реальное финансовое состояние, то вероятность привлечь как можно больше инвесторов и повлиять на их мнение, соответственно, выше. Следовательно, большее количество денежных средств не может привести к банкротству компании. Кроме того, многие компании искажают финансовую отчетность, а в частности завышают активы с целью формального соблюдения условия кредитных договоров, к примеру, при помощи переоценки основных средств. Чем больше у компании отражено активов, тем больше вероятность получить более высокую сумму на наиболее выгодных условиях в кредит, так как стоимость залогового имущества выше. Также благоприятным фактом для снижения риска банкротства при помощи фальсификации финансовой отчетности является снижение налогов с помощью искусственного занижения выручки, что также сохраняет большую часть денег в компании и, соответственно, не может способствовать банкротству компании.

Заключение

В данной работе было проведено исследование, посвященное оценке факторов, влияющих на банкротство средних и крупных российских компаний обрабатывающих отраслей.

В результате исследования была построена модель бинарного выбора, а именно логистическая регрессия. Данный вид модели сохраняет свою актуальность ввиду доступности и простоты использования и интерпретации результатов при достаточно высокой точности, специфичности и чувствительности.

В ходе исследования была построена наилучшая спецификация логистической регрессии. Список объясняющих переменных был сформирован на основе обзора уже существующих исследований в области прогнозирования банкротства компаний, а также на основе финансовых факторов, установленных Постановлением Правительства в приказе Минэкономразвития РФ.

При помощи пошагового метода и информационных критериев была построена более качественная модель. В данную модель включены такие факторы как возраст и регион деятельности компании, коэффициент оборачиваемости кредиторской задолженности, коэффициент финансовой независимости (автономии), отношение чистой прибыли к общей сумме активов, коэффициент текущей ликвидности, рентабельность оборотных активов, рентабельность собственного капитала и коэффициент фальсификации финансовой отчетности. Почти все переменные в модели оказались значимыми, интерпретации вполне логичные.

Надо отметить, что включение в модель таких нефинансовых факторов как размер и отраслевая принадлежность не улучшили качество модели, данные факторы оказались незначимыми для оценки факторов банкротства.

Если рассматривать данную работу в будущем, то можно усовершенствовать ее, построив доверительные интервалы в целях прогнозирования вероятности банкротства. Прогноз можно составить за год или за несколько лет до наступления фактического банкротства. Кроме того, можно рассмотреть изменение данных факторов в динамике за несколько лет.

В целом, поставленная цель была достигнута, модель была построена. Значимость коэффициентов показала, что выявленные в модели факторы действительно оказывают влияние на банкротство компании.

Литература

1. Уголовный кодекс Российской Федерации от 13.06.1996 г. № 63-ФЗ (ред. от 27.12.2018 г.)

2. Федеральный закон от 06.12.2011 N 402-ФЗ «О бухгалтерским учете»

3. Федеральный закон от 26.10.2003 № 127-ФЗ «О несостоятельности (банкротстве)» (ред. от 07.03.2018)

4. Федеральный закон от 24.07.2007 N 209-ФЗ «О развитии малого и среднего предпринимательства в Российской Федерации» (ред. от 27.11.2017)

5. Постановление Правительства РФ от 25.06.2003 № 367 в Приказе Минэкономразвития РФ от 18.04.2011 № 175 «Об утверждении Методики проведения анализа финансового состояния заинтересованного лица в целях установления угрозы возникновения признаков его несостоятельности (банкротства) в случае единовременной уплаты этим лицом налога»

6. Указ президента РФ от 7 мая 2018 г. № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года»

7. Постановление Правительства РФ от 25.06.2003. № 367 «Об утверждении Правил проведения арбитражным управляющим финансового анализа»

8. Постановление Правительства РФ от 04.04.2016 N 265 "О предельных значениях дохода, полученного от осуществления предпринимательской деятельности, для каждой категории субъектов малого и среднего предпринимательства"

9. Приказ ФСФО РФ от 23.01.2001 N 16 "Об утверждении "Методических указаний по проведению анализа финансового состояния организаций"

10. Altman E. I. Financial ratios, discriminate analysis and the prediction of corporate bankruptcy // Journal of Finance. 1968. No. 4(23). P. 589-609.

11. Altman E.I., Sabato G. Modelling credit risk for SMEs: Evidence from the U.S. Market // Abacus. 2007. No. 3 (43). P. 332-357.

12. Beaver W. H. Financial ratios as predictors of failure // Journal of Аccounting research. 1996. No. 4. P. 71-111.

13. Chesser D.L. Predicting Loan Noncompliance // Journal of Commercial Bank Lending. 1974. No. 56(12). P. 28-38.

14. Fulmer, John G. Jr., James E. Moon, Thomas A. Gavin, and J. Michael Erwin.A bankruptcy classification model for small firms // Journal of Commercial Bank Lendin.1984. No. 11(66). P. 25-37.

15. Ohlson J. A. Financial ratios and the probabilistic prediction of bankruptcy // Journal of accounting research. 1980. No. 8(1). P. 109-131.

16. Lawrence J. R., Pongstat S., Lawrence H. The use of Ohlson's O-Score for bankruptcy prediction in Thailand // Journal of Applied Business Research. 2015. No. 31(6), P. 2069-2078.

17. Oude A. J. Testing the generalizability of the bankruptcy prediction models of Altman, Ohlson and Zmijewski for Dutch listed and large non-listed firms // The School of Management and Governance, University of Twente, Enschede, the Netherlands. 2013.

18. Oz I. O., Simga-Mugan C. Bankruptcy prediction models' generalizability: Evidence from emerging market economies // Elsevier. Advances in Accounting. 2018. No. 41, P. 114-125.

19. Singh B. P., Mishra A. K. Re-estimation and comparisons of alternative accounting based bankruptcy prediction models for Indian companies // Financial Innovation. 2016. No. 2(6), P. 1-28.

20. Springate, Gordon L.V. Predicting the possibility of failure in a Canadian firm // Unpublished M.B.A. Research Project, Simon Fraser University. 1978.

21. Taffler R.J. The Assessment of Company Solvency and Performance Using a Statistical Modeling // Accounting and Business Research. 1983. No. 13(52). P. 295-307

22. Zmijewski, M.E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models // Journal of Accounting Research. 1984. No. 2. P. 59-80.

23. Давыдова Г.В., Беликов А.Ю. Методика количественной оценки риска банкротства предприятий // Управление риском. 1999. № 3. C. 13-20.

24. Естропов, М. Оценка возможностей прогнозирования банкротства предприятий в России // Вестник Оренбургского государственного университета. 2008. №.4. С. 25-32.

25. Жданов В.Ю., Афанасьева О.А. Разработка модели диагностики риска банкротства для авиапредприятий // Корпоративные финансы. 2011. № 4(20). С. 77-89.

26. Зайцева О.П. Антикризисный менеджмент в российской фирме // Аваль (Сибирская финансовая школа). 1998. №1. С. 11-12.

27. Зенкина И.В., Омельченко О.А. Анализ и прогнозирование несостоятельности (банкротства) коммерческой организации // Учет и статистика. 2008. № 12. С. 176-179.

28. Ковалев В.В., Ковалев Вит.В. Анализ баланса, или Как понимать баланс. 3-е изд., перераб. и доп. М.:Проспект, 2015. 784 с.

29. Кочугуева,М.Н. Киселева,Н.Н. Анпилов С.М. Анализ внешних и внутренних факторов банкротства на примере Российских компаний. Часть 1 // Вестник СамГУ. 2013. № 10 (111). С. 41-45.

30. Львова О.А., Пеганова О.М. Факторы и причины банкротства компаний в условиях современной экономики // Государственное управление. 2014. № 44. С. 64-78.

31. Николаева И. П. Палювина А.С. Банкротство: причины, особенности и последствия в России // Известия Волгоградского государственного технического университета. 2014. № 17. С. 31-39.

32. Савицкая Г.В. Анализ хозяйственной деятельности предприятия: Учебник для вузов. 6-е изд., испр. и доп. М.: ИНФРА-М, 2017. 378 с.

33. Сапегина А.А. Логические модели диагностики банкротства предприятия. // Международное научно-практическое издание: Индиниринг бизнеса и управление развитием организаций. 2016. № 1. С. 1-12.

34. Соловьева О.В., Соколова И.В. Фальсификация финансовой отчетности как способ финансового мошенничества // Фальсификация финансовой отчетности. 2014. №5. С. 173-180.

35. Сиренко Ю.И. Ключевые финансовые индикаторы выявления фальсификации бухгалтерской (финансовой) отчетности // Economy and Business. 2015. № 5. С. 159-161.

36. Федорова Е.А., Гиленко Е.В., Довженко С.В. Методология прогнозирования банкротства:особенности российских предприятий // Проблемы прогнозирования. 2013. № 2. С. 85-91.

37. Лавренчук Е. Н., Жукова Н. Ю. Финансовый анализ. Пермь: ОТ и ДО, 2017. 219 с.

38. Хайдаршина Г.А. Совершенствование методов оценки рисков банкротства для российских предприятий в современных экономических условиях // Имущественные отношения в Российской Федерации. 2009. № 8 С. 86-95.

39. Экономический анализ: Учебник для бакалавров / Под редакцией Н. В. Войтоловского, А. П. Калининой, И. И. Мазуровой. 5-е изд., перераб. и доп. М: Издательство Юрайт, 2014. 620 с.

40. Генеральная прокуратура Российской Федерации [Электронный ресурс] ГURL: ttps://www.genproc.gov.ru/ (Дата обращения: 27.10.2018)

41. Единый федеральный реестр сведений о банкротстве [Электронный ресурс] URL: https://bankrot.fedresurs.ru (Дата обращения: 14.10.2018)

42. Федеральная служба государственной статистики. [Электронный ресурс] URL: http://www.gks.ru.

Приложение 1

банкротство финансовый должник

Таблица 22. Список всех объясняющих переменных с расшифровкой

Обозначение	Расшифровка
FUND	Фондоотдача
TURN_ASSETS	Оборачиваемость оборотных активов
TURN_AR	Оборачиваемость дебиторской задолженности
TURN_AP	Оборачиваемость кредиторской задолженности
TURN_INVENTORY	Оборачиваемость запасов
AUTONOMY	Коэффициент финансовой автономии (независимости)
UP_ASSETS	Отношение нераспределенной прибыли к активам
SALES_ASSETS	Отношение выручки от реализации к активам
CA_D	Отношение суммы текущих активов к общей сумме обязательств
SHORT_ASSETS	Отношение суммы текущих обязательств к общей сумме активов
AP_AR	Коэффициент соотношения кредиторской и дебиторской задолженностей
RATIO_DE	Отношение заемных и собственных средств (показатель финансового риска)
NI_ASSETS	Отношение чистой прибыли к активам
COVER_INTEREST	Коэффициент покрытия процентов
SALES_D	Отношение выручки от реализации к заемному капиталу
MANEUR	Коэффициент маневренности собственных средств
AVAILABILITY	Коэффициент обеспеченности собственными оборотными средствами
CL	Коэффициент текущей ликвидности
QL	Коэффициент быстрой ликвидности
AL	Коэффициент абсолютной ликвидности
WORK_CAP	Доля рабочего капитала в общем объеме активов компании
ROS	Рентабельность продаж
ROP	Рентабельность продукции
ROA	Рентабельность активов
ROE	Рентабельность капитала
Age	Возраст компании
WORKERS	Среднесписочная численность рабочих
REGION	Регион деятельности компании
FALSI	Фальсификация финансовой отчетности

Приложение 2

Ящичковые диаграммы переменных компаний-банкротов

Рис. 3



Рис. 4

Приложение 3

Ящичковые диаграммы переменных финансово устойчивых компаний

Рис. 5

Приложение 4

Таблица 23. Описательные статистики компаний-банкротов

Variable	Obs	Mean	Std. Dev.	Min	Max
Age	69	19.11594	6.946828	4.5	28
WORKERS	69	331.2899	268.8804	101	1740
FUND	69	18.10106	51.63174	0.0026866	351.2064
TURN_ASSETS	69	0.7342304	0.7356502	0.0018	5.0022
TURN_AR	69	4.37971	5.015317	0.1	24.6
TURN_AP	69	2.615942	2.507496	0.1	16
AUTONOMY	69	-0.0308783	0.4961502	-2.8052	0.5458
TURN_INVEN~Y	69	4.697101	5.100345	0.1	22.8
UP_ASSETS	69	-0.1914851	0.5713535	-3.098609	0.5372804
SALES_ASSETS	69	0.7277947	0.5971552	0.0017998	3.74414
CA_D	69	3.085144	5.344575	0.0100248	24.79999
SHORT_ASSETS	69	0.6535165	0.4644541	0.0727784	2.521602
AP_AR	69	3.051613	5.234423	0.1358772	39.59148
RATIO_DE	69	9.55727	44.97428	-109.0598	257.1262
NI_ASSETS	69	-0.107453	0.1851181	-0.9813207	0.243307
COVER_INTE~T	69	-22.91879	91.7122	-636.2088	14.6206
SALES_D	69	3.491292	7.6927	0.001156	52.15739
MANEUR	69	-2.108959	18.72838	-102.8304	62.3952
AVAILABILITY	69	-3.143987	12.9734	-103.9665	0.436
CL	69	1.510768	1.679302	0.0521	11.4744
QL	69	0.8308942	1.030346	0.0176	6.4582
AL	69	0.1488246	0.3486945	0.0001	2.262
WORK_CAP	69	-0.0494812	0.5204205	-2.3902	0.7623
ROS	69	-0.1484174	0.4913359	-3.3913	0.1686
ROP	69	-0.108512	0.4141213	-2.634747	0.3196777
ROA	69	-0.0915246	0.1490243	-0.6282	0.281
ROE	69	-1.144686	8.276405	-65.8615	9.7176

Приложение 5

Таблица 24. Описательные статистики финансово устойчивых компаний

Variable	Obs	Mean	Std. Dev.	Min	Max
Age	139	17.30576	7.315487	3.5	28.5
WORKERS	139	335.0504	272.8014	101	2002
FUND	139	18.52144	43.08379	0.0245951	308.2285
TURN_ASSETS	139	1.354083	1.024357	0.0208	5.0884
TURN_AR	139	6.269065	6.518612	0.2	30.3
TURN_AP	139	5.606475	6.941476	0.3	60.7
AUTONOMY	139	0.1786489	0.5421919	-5.299	0.9276
TURN_INVEN~Y	139	7.405755	9.630024	0.3	75.9
UP_ASSETS	139	0.0721468	0.550315	-5.301028	0.8653897
SALES_ASSETS	139	1.27896	0.9318439	0.0204182	4.380313
CA_D	139	3.657411	7.03588	0.0396049	64.25088
SHORT_ASSETS	139	0.4735434	0.3238271	0.0395964	2.976057
AP_AR	139	2.17908	4.00238	0.0220892	31.31928
RATIO_DE	139	6.98487	40.156	-175.6478	323.6402
NI_ASSETS	139	0.0143024	0.0974497	-0.3171351	0.5202149
COVER_INTE~T	139	-4.546906	46.77535	-484.2571	131.9201
SALES_D	139	6.809134	12.53491	0.0153356	107.3581
MANEUR	139	-0.0026698	16.92483	-63.4187	153.0657
AVAILABILITY	139	-0.8332309	2.689429	-25.3275	0.9129
CL	139	1.948327	2.082184	0.1745	19.0123
QL	139	1.106903	1.263978	0.0169	11.8325
AL	139	0.1505403	0.2824354	0.0001	1.5865
WORK_CAP	139	0.1675964	0.3774322	-2.4567	0.877
ROS	139	0.0179345	0.1878545	-1.0695	0.4791
ROP	139	0.0491289	0.223011	-0.9470245	1.076804
ROA	139	0.0179245	0.1032332	-0.2868	0.5752
ROE	139	0.2851058	1.665184	-7.1153	13.5213

Приложение 6

Таблица 25. Корреляционная матрица объясняющих переменных

	Age	REGION	INDUSTRY	FALSE	WORKERS	FUND
Age	1.0000
REGION	0.0544	1.0000
INDUSTRY	-0.0250	0.0267	1.0000
FALSE	-0.0903	-0.0059	-0.0236	1.0000
WORKERS	0.0593	0.1854	0.2286	-0.1140	1.0000
FUND	-0.0975	0.1682	0.0081	-0.1113	-0.0162	1.0000
TURN_ASSETS	-0.0694	-0.0413	-0.1013	-0.4507	0.0683	0.3189
TURN_AR	-0.0213	-0.1065	-0.0623	-0.4558	0.0660	-0.0024
TURN_AP	0.0822	-0.1445	-0.1613	-0.2906	0.0227	0.0489
AUTONOMY	0.0756	0.0062	-0.0518	-0.0501	0.0990	0.0157
TURN_INVENTORY	-0.0417	0.1990	0.0392	-0.1045	0.2057	0.2450
UP_ASSETS	0.0922	0.0406	-0.1039	-0.0395	0.1004	0.0555
SALES_ASSETS	-0.0246	-0.1043	-0.1169	-0.4622	0.0563	0.2749
CA_D	0.0666	0.1036	0.0036	-0.0629	0.0347	0.1539
SHORT_ASSETS	-0.0191	0.0537	0.0868	0.0274	-0.1007	0.0903
AP_AR	0.0457	-0.0208	0.1386	-0.0755	-0.0121	-0.0799
RATIO_DE	0.0287	0.0403	0.0199	-0.0583	-0.0819	0.0727
NI_ASSETS	0.0054	0.0531	-0.1075	-0.0877	0.1527	0.1070
COVER_INTEREST	-0.0650	0.0794	0.0096	-0.1280	0.1189	0.0615
SALES_D	0.0559	0.0420	0.0202	-0.1959	0.0868	0.1786
MANEUR	-0.0917	0.0021	-0.0871	0.0466	0.0174	0.0111
AVAILABILITY	0.0546	-0.0970	-0.1172	-0.1024	-0.0266	0.0815
CL	0.1260	-0.0835	-0.1608	-0.1280	0.0428	0.0564
QL	0.0822	-0.0073	-0.1512	-0.0150	0.0767	0.1034
AL	-0.0471	0.1731	-0.0581	-0.0237	0.0623	0.0749
WORK_CAP	-0.0047	0.0198	-0.1204	-0.0378	0.0711	0.1690
ROS	0.0924	0.0171	-0.1863	-0.1565	0.0314	0.1075
ROP	0.0770	0.0692	-0.2071	-0.1505	0.0419	0.1108
ROA	0.0079	0.0512	-0.1076	-0.1151	0.1618	0.1318
ROE	0.0842	0.0304	-0.0153	-0.0256	-0.0435	0.0343
	TURN_ ASSETS	TURN_ AR	TURN_ AP	AUTONOMY	TURN_ IVENTORY	UP_ ASSETS
TURN_ASSETS	1.0000
TURN_AR	0.5056	1.0000
TURN_AP	0.4275	0.1739	1.0000
AUTONOMY	0.0664	-0.0298	0.2374	1.0000
TURN_INVEN~Y	0.3429	0.0858	0.1198	0.0251	1.0000
UP_ASSETS	0.1439	-0.0444	0.2483	0.9159	0.0820	1.0000
SALES_ASSETS	0.9720	0.5022	0.4489	0.0754	0.2927	0.1481
CA_D	0.0898	-0.0768	0.1273	0.1817	0.0006	0.1951
SHORT_ASSETS	0.0061	-0.0010	-0.3107	-0.7584	0.0138	-0.6890
AP_AR	-0.1243	0.2728	-0.1985	-0.3680	0.0145	-0.3752
RATIO_DE	0.1609	0.0377	-0.0565	0.0017	-0.0026	0.0136
NI_ASSETS	0.3953	0.1418	0.2391	0.1680	0.2719	0.2827
COVER_INTE~T	0.1284	0.0670	0.1040	-0.0206	0.1133	-0.0207
SALES_D	0.3610	0.1321	0.2078	0.2057	0.1192	0.2191
MANEUR	-0.0072	-0.0679	0.1055	-0.0201	0.1102	0.0038
AVAILABILITY	0.1666	0.0431	0.1107	0.3309	0.0766	0.3183
CL	0.1110	-0.0670	0.7014	0.3336	-0.0329	0.3410
QL	0.0931	-0.1975	0.6764	0.2904	0.1320	0.3098
AL	-0.0540	-0.0615	0.1126	0.1724	0.2189	0.1228
WORK_CAP	0.2118	-0.0950	0.3401	0.7473	0.0519	0.7557
ROS	0.2680	0.1189	0.1550	0.2577	0.1858	0.2958
ROP	0.2410	0.0982	0.1455	0.2309	0.1891	0.2827
ROA	0.4403	0.1589	0.2546	0.1344	0.3267	0.2455
ROE	0.0309	0.0143	-0.0046	0.0059	-0.0889	0.0268
	SALES_ ASSETS	CA_D	SHORT_ ASSETS	AP_AR	RATIO_DE	NI_ ASSETS
SALES_ASSETS	1.0000
CA_D	0.0780	1.0000
SHORT_ASSETS	-0.0096	0.0504	1.0000
AP_AR	-0.1347	-0.0497	0.3770	1.0000
RATIO_DE	0.1492	0.0409	0.0870	0.0071	1.0000
NI_ASSETS	0.3633	0.0732	-0.2238	-0.2364	0.0085	1.0000
COVER_INTE~T	0.1205	-0.3638	-0.0590	-0.0685	0.0110	0.2332
SALES_D	0.3479	0.8771	-0.0208	-0.0514	0.1428	0.1454
MANEUR	-0.0126	-0.0290	-0.0458	-0.0707	-0.7517	0.0180
AVAILABILITY	0.1738	0.1060	-0.0865	-0.2371	0.0430	0.1929
CL	0.1291	0.2211	-0.4419	-0.2360	-0.0601	0.2335
QL	0.1063	0.2312	-0.3913	-0.2710	-0.0600	0.2404
AL	-0.0808	-0.0276	-0.2179	-0.0575	-0.0110	0.1537
WORK_CAP	0.2222	0.1185	-0.8188	-0.5136	0.0106	0.3483
ROS	0.2711	0.0967	-0.0921	-0.1407	0.0373	0.4686
ROP	0.2417	0.0879	-0.0947	-0.1408	0.0083	0.4527
ROA	0.4046	0.0752	-0.1863	-0.2234	0.0105	0.6810
ROE	0.0470	-0.0172	0.0598	0.0018	-0.0141	0.0525
	COVER_ INTEREST	SALES_D	MANEUR	AVAILABILITY	CL	QL
COVER_INTE~T	1.0000
SALES_D	-0.2912	1.0000
MANEUR	0.0198	-0.0996	1.0000
AVAILABILITY	-0.0022	0.1005	-0.0238	1.0000
CL	0.0908	0.2088	0.0481	0.1578	1.0000
QL	0.1074	0.2132	0.0702	0.1445	0.9183	1.0000
AL	0.0803	-0.0410	0.0295	0.0836	0.3652	0.4225
WORK_CAP	0.1171	0.1504	0.0252	0.2922	0.5424	0.4981
ROS	0.1233	0.1162	-0.0176	0.8032	0.2048	0.2170
ROP	0.1269	0.0979	0.0084	0.6945	0.2155	0.2378
ROA	0.2410	0.1619	0.0185	0.2012	0.2374	0.2464
ROE	0.0137	-0.0202	0.0154	-0.0099	-0.0613	-0.1351
	AL	WORK_CAP	ROS	ROP	ROA	ROE
AL	1.0000
WORK_CAP	0.2706	1.0000
ROS	0.1729	0.2980	1.0000
ROP	0.2263	0.2971	0.9453	1.0000
ROA	0.1666	0.3288	0.4936	0.4821	1.0000
ROE	-0.1040	-0.0458	0.0321	0.0459	0.0514	1.0000

Размещено на Allbest.ru