Прогнозирование банкротства: случаи страховых компаний в России

Размещено на http://www.allbest.ru/

50

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ОБРАЗОВАНИЯ

«НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет «Санкт-Петербургская школа экономики и менеджмента»

Департамент финансов

Выпускная квалификационная работа

Прогнозирование банкротства: случаи страховых компаний в России

По направлению подготовки «Экономика»

Образовательная программа «Экономика»

Вдовиченко Виктория Сергеевна

Руководитель: к. э. н., доцент департамента финансов

Тарасова Ю. А.

Санкт-Петербург 2020



АННОТАЦИЯ

Данное исследование необходимо в связи с отсутствием оптимальной модели, прогнозирующей банкротство страховых компаний в России. Целью исследования является построение модели на основе данных о страховщиках за трехлетний период, которая будет обладать хорошей прогнозной силой. В ходе исследования выявляются факторы, играющие наиболее важную роль в стимулировании банкротства страховых компаний. Данная тема является актуальной в виду того, что в течение последних нескольких лет возросло количество отозванных лицензий и произошло увеличение концентрации страхового рынка, что может негативно сказаться как на некрупных страховых организациях, так и на населении в целом. Более того, исследование необходимо, чтобы с высокой точностью оценивать финансовую стабильность в данном секторе, что особенно актуально в период спада экономики, который сейчас наблюдается по всему миру.

В работе отражены основные характеристики банкротства, приведено описание процедуры банкротства для финансовых организаций, проанализированы модели предсказания банкротства различных авторов.

В практической части исследования был проведен эконометрический анализ данных и построена logit-модель, чья прогнозная сила была проверена на отдельной тестовой выборке страховщиков. Кроме того, были применены модель случайного леса и модель бинарного классификационного дерева, которые также помогли оценить, какие факторы оказывают сильное влияние на банкротства страховых организаций. В дальнейшем исследование может быть расширено за счет использования новых более сложных методов, таких как нейронные сети.

Ключевые слова: банкротство, страховые организации, logit-модель, алгоритм бинарного классификационного дерева, метод случайного леса

This work is devoted to creating a model that predicts bankruptcy of insurance companies in Russia. The aim of the study is to build a model based on the panel data, which will have good predictive power. This topic is relevant because the number of revoked licenses has increased over the past few years. This situation may negatively affect both small and medium insurance organizations and the population.

The paper reflects the main characteristics of bankruptcy, describes the bankruptcy procedure for financial organizations, as well as analyzes the bankruptcy prediction models of various authors.

In the practical part of the study, an econometric analysis of the collected data was carried out and a logit model was built, which predictive power was tested on a test sample of insurers. In addition, a random forest model and a binary classification tree model were used. Further research can be expanded by including new, more sophisticated methods, such as neural networks.

Keywords: bankruptcy, insurance organizations, logit-model, binary classification tree algorithm, random forest method



ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1. ТРЕНДЫ СТРАХОВОГО РЫНКА. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ БАНКРОТСТВА И МЕТОДОВ ЕГО ПРОГНОЗИРОВАНИЯ

1.1 Проблемы и основные тренды страхового рынка

1.2 Характеристика, виды и причины банкротства

1.3 Законодательная характеристика банкротства

1.4 Модели оценки факторов банкротства предприятий

ГЛАВА 2. ПРОГНОЗИРОВАНИЕ БАНКРОТСТВА СТРАХОВЫХ ОРГАНИЗАЦИЙ С ПРИМЕНЕНИЕМ ЭКОНОМЕТРИЧЕСКИХ МЕТОДОВ

2.1 Краткая характеристика этапов работы

2.2 Описание переменных

2.3 Описание данных

2.4 Анализ данных

2.5 Построение logit-модели

2.6 Прогнозирование банкротства при помощи метода случайного леса

2.7 Применение алгоритма бинарного классификационного дерева

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ



ВВЕДЕНИЕ

На данный момент существует большое количество моделей, прогнозирующих банкротства организаций. Одними из наиболее известных и часто встречающихся являются: модель Бивера (1966), Модель Альтмана (1968), Модель Таффлера-Тишоу

(1977) и Модель Олсона (1980). Вопрос оценки банкротства страховых компаний в России освещен довольно слабо. Целесообразно выявить эффективную модель для прогнозирования банкротства ввиду того, что за последние 5 лет (с 2015 по 2019) значительно увеличилось количество организаций с отозванной лицензией (приложение 1). Более того, вследствие увеличения концентрации рынка (в 2018 году произошло слияние двух крупных страховщиков - ВТБ Страхование и СОГАЗ; по количеству премий объединённая компания занимает 20% рынка), ужесточаются финансовые требования к страховщикам, например, с января 2020 года вступают в силу изменения в Законе «Об организации страхового дела в РФ»: показатель минимального базового уставного капитала для универсальных страховых организаций увеличится с 120 млн до 300 млн рублей (Banki.ru, 2020).

Подобные изменения либо вытесняют более мелких игроков с рынка, либо ставят под сомнение устойчивость их финансового положения. Таким образом, необходимо разработать эффективную модель прогнозирования банкротств страховых организаций, чтобы предсказать и предотвратить уход некрупных компаний с рынка. Подобные превентивные меры необходимы для сохранения рыночной конкуренции на страховом рынке и недопущения монополизации всей сферы. Крупные игроки при абсолютном отсутствии конкуренции могут вступить в сговор и установить невыгодные для населения тарифы, что негативно скажется на развитии страхования в России.

В рамках работы исследуется вопрос о том, каким образом возможно предсказать преодоление рубежа неплатёжеспособности страховщика.

Целью исследования является разработка модели, которая будет способна осуществить прогноз относительно наступления банкротства страховой организации. Наша гипотеза заключается в том, что в итоговой модели наиболее значимыми предикторами будут коэффициенты из группы показателей финансовой устойчивости и переменные, характерные только для страхового рынка.

В качестве источников, формирующих базу данных исследования, были выбраны системы СПАРК, FIRA, Руслана, а также финансовая отчетность рассматриваемых страховых компаний. Выборка содержит данные о финансовых и нефинансовых показателях страховых организаций, занимающих разную долю на рынке, которые осуществляют деятельность в настоящее время и которые были признаны банкротами. Временной период собранных панельных данных - 3 года (с 2016 по 2018 год). Единицей наблюдения является страховая компания.

Первым шагом в исследовании является изучение теоретических основ банкротства и существующих подходов к оценке вероятности банкротства фирм. Основная цель второго этапа - выявление факторов, которые обуславливают возникновение кризисных ситуаций в страховых организациях и приводят к последующему банкротству страховщиков. В ходе работы будут проанализированы потенциальные факторы банкротства и данные, на которых строится исследование. Далее будет описан процесс анализа и отбора коэффициентов, а также построение эконометрических моделей, прогнозирующих вероятность наступления неплатежеспособности. Также проводится оценка прогнозной силы модели на примере выборки страховых организаций. Завершающим этапом является анализ результатов исследования, формулирование выводов и обсуждение перспектив исследования. В качестве основных методов исследования будут использованы такие эконометрические модели, как logit-модель, модель случайного леса и алгоритм бинарного классификационного дерева.



ГЛАВА 1. ТРЕНДЫ СТРАХОВОГО РЫНКА. ТЕОРЕТИЧЕСКИЕ ОСНОВЫ БАНКРОТСТВА И МЕТОДОВ ЕГО ПРОГНОЗИРОВАНИЯ

1.1 Проблемы и основные тренды страхового рынка

Ключевыми проблемами рынка страхования являются несовершенство системы управления и регулирования, внедрение цифровизации и макроэкономические риски.

Одна из важнейших задач Банка России - повышение конкурентоспособности и инвестиционной привлекательности страхового рынка. Главной проблемой является несовершенство системы управления и регулирования, что приводит к неадекватной оценке деятельности страховых компаний, несоответствие величины капитала размеру принимаемых рисков и непрозрачности деятельности организаций. Для решения вышеперечисленных проблем Банк России постепенно проводит внедрение концепции риск-ориентированного подхода к регулированию страховой деятельности, основанной на европейском документе Solvency II. Данная концепция основана на международном опыте и направлена на решение следующих задач (Концепция внедрения риск-ориентированного подхода к регулированию страхового сектора, 2017):

Повышение уровня доверия к страховым организациям вследствие повышения эффективности интересов страхователей, застрахованных лиц и выгодоприобретателей; снижение риска банкротств компаний и повышение финансовой стабильности страхового рынка

Обеспечение прозрачности страховых организаций, что положительно повлияет на их инвестиционную привлекательность

Применение международных практик на российском рынке, что позволит обмениваться опытом с иностранными регуляторами и органами надзора страхового сектора

Цифровая революция оказывает значительное влияние на развитие страхового рынка: появились новые каналы дистрибуции, другие формы управления активами, возникла острая необходимость защиты персональных данных, а также возникли новые риски в бизнес-процессах (киберриски) (Стратегия развития страховой отрасли Российской Федерации, 2018).

Большое влияние на рынок страхования оказывают некоторые макроэкономические показатели, а именно ключевая ставка ЦБ. Сейчас мы наблюдаем, что правительство РФ проводит политику дешевых денег и постепенно снижает ставку, что в свою очередь задает положительный тренд для развития страхования. Однако другим определяющим фактором называют располагаемые доходы населения, которые на данный момент снижаются: в 2018 год наблюдалось падение реальных доходов на 10,8% в сравнении с 2013 годом (Бюллетень о текущих тенденциях российской экономики, 2019). Генеральный директор ООО «Зетта Страхование» И. С. Фатьянов считает, что покупка страховых услуг не сильно распространена среди россиян из-за того, что их доход не позволяет им удовлетворить даже свои базовые потребности, соответственно о страховании они будут задумываться в последнюю очередь (Страхование сегодня, 2020).

Согласно исследованию KPMG (Обзор рынка страхования в России, 2019) в 2018 году произошло увеличение сборов премий на 16% по сравнению с 2017 годом. Локомотивом развития страхового рынка являлась продажа полисов страхования жизни (рост составил 37%), объем продаж полисов остальных видов страхования составил 8%. Однако из-за неудачной политики с полисами ИСЖ в 2019 году произошло значительное снижение показателей страхования жизни. В 2018 году наметился рост страхования имущества физических лиц и страхования от несчастных случаев. Рынок ОСАГО продолжает медленно стабилизироваться, вследствие частичной либерализации тарифов. На рынке страхования так же намечается тенденция к концентрации: в 2018 году «СОГАЗ» и «ВТБ Страхование» закрыли сделку по продаже 100% СК «ВТБ Страхование» (объединенная компания занимает 20% рынка). В будущем эксперты ожидают новые крупные сделки по слияниям и поглощениям.

1.2 Характеристика, виды и причины банкротства

Множество компаний, как в России, так и за рубежом подвержены риску банкротства, однако во избежание его наступления руководство может тщательно следить за уровнем уязвимости организации к различным факторам, провоцирующим наступление несостоятельности. Триггеры банкротства оказывают влияние на разные аспекты операционных процессов внутри компании в течение продолжительного периода времени и могут быть разделены на 5 основных групп: general environment (экономические, политические и др. факторы), immediate environment (взаимодействия с различными стейкхолдерами, например, партнёрами или клиентами), корпоративная политика (маркетинг, HR, продажи), характеристика менеджмента компании (мотивация и квалификация) и характеристика компании (индустрия, в которой она функционирует и размер) (Muntean et al., 2019). Отдельного внимания заслуживают макроэкономические факторы, которые охватывают сферу деятельности абсолютно всех компаний. Одним из таких является «наличие структурных диспропорций в экономике», которое провоцирует стремительное развитие одних отраслей рынка и вымирание других. Уменьшение инновационного потенциала, вызывающее замедление модернизации производства, и «высокие барьеры выхода на рынок капитала», снижающие уровень возможностей развития бизнеса, также провоцируют банкротство. Наряду с макроэкономическими факторами влияние на платёжеспособность и состоятельность компаний оказывают и микроэкономические факторы, среди которых производство невостребованных товаров и услуг и низкий уровень корпоративной культуры и взаимодействия с партнёрами и потребителями (Львова, Пеганова, 2014).

Кроме того, все факторы банкротства можно объединить в две группы: внутренние, связанные с действиями менеджмента организации, и внешние, независящие от действий внутри компании (Muntean et al., 2019). Внешние факторы сочетают политические (действия властей или нестабильная политическая обстановка), социальные (медленное повышение квалификации), правовые (например, двойное толкование законодательства), технологические (общий спад в технологическом развитии) и причины в деловой сфере (рост цен на продукцию). Ко внутренним факторам относят низкую технологическую оснащённость, неплатёжеспособных клиентов и затоваривание (Николаева, Палювина, 2014). Среди прочих выделяется ещё одна весомая причина банкротства - коррупция, которая повышает стоимость бизнес-процессов и затормаживает рост фирмы (Muntean et al., 2019). Кроме того, отдельно акцентируется внимание на таких причинах, как системный риск и неопределенность экономической политики (Stolbova, Shchepeleva, 2019). Маловероятно, что лишь один из факторов способен привести предприятие к банкротству, поэтому при анализе следует рассматривать комбинацию причин, а не выделять единственную (Николаева, Палювина, 2014).

В научной литературе выделяется множество причин банкротства именно страховых организаций, которые также зачастую подразделяются на две большие группы: внутренние и внешние.

Среди внутренних причин банкротства страховщиков выделяются (Мифтахова, Сыч, 2019):

Низкая конкурентноспособность

Принятие неверных управленческих решений

Нерациональная политика управления активами

Дефицит оборотного капитала

Плохое финансовое прогнозирование и планирование

Ко внешним причинам банкротства относятся (Мифтахова, Сыч, 2019):

Кризис

Инфляция

Финансовая нестабильность в стране

Банкротство партнёров

Исследователями выделяется три этапа, которые проходит компания-страховщик перед тем, как объявить себя банкротом: возникновение угрозы (как правило, в качестве угрозы выступают внутренние причины банкротства), изменения во внешней среде, стимулирующие наступление банкротства (внешние причины) и реализация угрозы, которая может повлечь убыточность компании или снижение ликвидности, и привести к банкротству. Кроме того, банкротство страховщиков подразделяется на непреднамеренное (то есть спровоцированное рядом причин) и преднамеренное (то есть вызванное осознанными действиями руководства) (Мифтахова, Сыч, 2019).

Стоит отметить, что понятие банкротства в общем смысле может вбирать в себя разные признаки и характеристики, которые являются основанием для его разделения на виды.

В качестве видов банкротства рассматривают:

Реальное банкротство. При столкновении с данным видом банкротства компания прекращает свою деятельность из-за неплатёжеспособности, которую невозможно преодолеть.

Преднамеренное банкротство. Наказуемый в соответствии с УК РФ вид банкротства, при котором несостоятельность фирмы умышленно провоцируется действиями её руководства.

Фиктивное банкротство. Еще один уголовно наказуемый вид банкротства, подразумевающий, что компания при фактической платёжеспособности объявляет о своей несостоятельности.

Скрытое банкротство. В данном случае факт банкротства намеренно укрывается руководством организации.

Институт банкротства, как и многие другие экономические явления, сочетает в себе и положительные, и отрицательные последствия. После объявление банкротства неэффективными предприятиями, на рынок выходят новые организации, которые могут использовать имеющиеся ресурсы более рационально. Более того, потенциальная возможность получения статуса несостоятельности побуждает компании более тщательно следить за своей деятельностью. Однако, случаются ситуации, когда о своем банкротстве вынужденно объявляют успешные фирмы, так как перестают соответствовать современным реалиям (например, всеобщий переход от пленочных фотоаппаратов к цифровым мог спровоцировать банкротство компаний, которые не перестроили внутренние процессы и производство на новый лад). Несостоятельность крупных организаций также может повлечь за собой и социальные трудности (например, безработицу или проблемы с пенсионным обеспечением в случае банкротства пенсионного предприятия) (Николаева, Палювина, 2014).

Отмечается, что развитая корпоративная социальная ответственность (CSR engagement) как инструмент риск-менеджмента способна снизить вероятность банкротства, так как в этом случае стейкхолдеры менее заинтересованы в применении санкций против предприятия при неблагоприятных ситуациях. CSR engagement не только положительно влияет на снижение риска объявления фирмы банкротом, но и способствует более быстрому восстановлению компании после негативных событий (Lin, Dongb, 2018).

В заключение можно сказать, что банкротство является не только способом ликвидации компании и причиной её ухода с рынка, но и возможностью разрешения конфликтов между задолжником и кредиторами, а также возможностью выхода из затруднительного финансового положения и шансом возобновления деятельности (Гринавцева, Купавцева, 2018).

1.3 Законодательная характеристика банкротства

Согласно федеральному закону от 26.10.2002 N 127-ФЗ «О несостоятельности (банкротстве)» (в редакции от 08.01.2020) (ФЗ «О несостоятельности/банкротстве» от 26.10.2002 № 127-ФЗ (ред. От 08.01.20)) под понятием «банкротство» подразумевается признанная арбитражным судом неспособность должника в полной мере покрыть денежные обязательства кредиторам, выполнить обязательство по уплате обязательных платежей, выходных пособий или заработной платы работавших/работающих лиц. Понятие банкротство и несостоятельность отождествлены в РФ на законодательном уровне.

Основаниями для применения мер по предупреждению банкротства именно страховых организаций являются:

Неисполнение или ненадлежащее исполнение обязанности по осуществлению страховой выплаты или выплаты страховой суммы, возврата части страховой премии или выплаты выкупной суммы в связи с досрочным прекращением договора страхования

Неисполнение или ненадлежащее исполнение иного требования кредиторов по денежным обязательствам

Повторное нарушение в течение двенадцати месяцев с даты первого нарушения требований финансовой устойчивости и платежеспособности

Отзыв лицензии на осуществление страховой деятельности

Приостановление действия лицензии на осуществление страховой деятельности;

Ограничение действия лицензии на осуществление страховой деятельности по обязательным видам страхования.

Если подобные основания возникают у страховой организации, она обязана известить об этом контрольный орган, который принимает решение о назначении временной администрации. Временная администрация может восстановить платежеспособность и защитить имущество компании. Если в результате проверок, признаются признаки банкротства, то контрольный орган направляет соответствующее заявление в Арбитражный Суд РФ. Признаками банкротства финансовой организации являются:

Сумма требований кредиторов по денежным обязательствам, или обязательным платежам к финансовой организации в совокупности составляет не менее чем 100 тысяч рублей и эти требования не исполнены в течение четырнадцати дней со дня наступления даты их исполнения

Не исполненные в течение четырнадцати дней с даты вступления в законную силу решения/судебного акта суда/арбитражного суда, по которому выдан исполнительный лист на принудительное исполнение решения третейского суда о взыскании с финансовой организации денежных средств независимо от размера суммы требований кредиторов

Стоимость имущества (активов) финансовой организации недостаточна для исполнения денежных обязательств финансовой организации перед ее кредиторами и обязанности по уплате обязательных платежей

Платежеспособность финансовой организации не была восстановлена в период деятельности временной администрации.

Процедура банкротства на территории РФ регулируется федеральным законом «О несостоятельности/банкротстве» и включает несколько ступеней. Первой ступенью считается наблюдение, в ходе которого производится анализ активов предприятия и выявляются возможности обретения им платёжеспособности. Следующие две стадии - финансовое оздоровление и внешнее управление - являются необязательными и подразумевают уплату задолженности, восстановление финансовой стабильности и отстранение руководства компании с последующей передачей управленческих функций внешнему управляющему. В ходе завершающего этапа - конкурсного производства - признается несостоятельность компании и производится её ликвидация (Аргументы и факты, 2020).

Если в России процедура банкротства проходит по одной схеме, то, например, в США компания-должник в праве самостоятельно выбрать траекторию процедуры банкротства. Все виды банкротства в США регулируются разделом 11 Кодекса Соединенных Штатов. Предприятия имеют право проходить процедуру согласно либо главе 7, либо главе 11. Глава 7 как правило выбирается руководством в том случае, если оно заинтересовано в прекращении ведения бизнеса, так как данная глава подразумевает полную ликвидацию предприятия (Rubio, Mack, 2016). Назначенный попечитель производит ликвидацию активов, а денежные средства идёт на оплату долга (Lin, Dongb, 2018). Глава 11, напротив, позволяет продолжить управление и провести реорганизацию компании. Несмотря на это, многие дела, проходящие по главе 11, все равно заканчиваются ликвидацией или продажей организации. В процессе проведения банкротства осуществляется автоматическое приостановление взыскания задолженностей (automatic stay), что позволяет компании-банкроту предпринять попытки реорганизации или поиска денежных средств (Rubio, Mack, 2016).

1.4 Модели оценки факторов банкротства предприятий

Уильям Бивер (1966) (Beaver, 1966) один из первых ученых, кто доказал, что финансовые коэффициенты из бухгалтерских балансов предприятий, могут служить индикаторами, которые предсказывают банкротство организации. Для того, чтобы определить вероятность банкротства, Бивер не рассчитывал единый коэффициент. Однако, он продемонстрировал, как отдельные коэффициенты могут повлиять на благополучие организации. Основными коэффициентами, которыми оперировал автор, являются:

Чистый денежный поток / Заемные средства

ROA (рентабельность активов)

(Долгосрочные + краткосрочные обязательства)/ Активы (Пассивы)

Оборотные активы - краткосрочные обязательства)/ Активы

Коэффициент текущей ликвидности

Полученные значения данных коэффициентов автор сравнивает с нормативными показателями для фирм трех категорий: успешные компании; компании, которые станут банкротами в течение года; компании, которые обанкротятся в течение 5 лет. Очевидной проблемой данного исследования является устаревшая база данных и неприменимость к российскому страховому рынку.

Одна из первых полноценных моделей, посвященных предсказанию банкротства, была разработана Эдвардом Альтманом в 1968 году. Модель Альтмана (Altman, 1968) основана на множественном дискриминантном анализе (multiple discriminant analysis - MDA), так как именно он в большинстве случаев используется для предсказаний в задачах с качественными зависимыми переменными. Стоит заметить, что MDA способен оценить «весь профиль переменных объекта одновременно» вместо того, чтобы исследовать его индивидуальные характеристики по отдельности (Altman, 1968). Исследование Альтмана включает в себя 66 корпораций, разбитых на 2 группы. Фирмы, которые были банкротами в период с 1946 по 1965, включены в группу №1, в то время как те, что успешно функционировали на момент 1966 года, были включены в группу № 2 (Altman, 1968). Согласно информации о различных финансовых индикаторах исследуемых компаний, автором были выбраны 5 переменных, являющихся лучшими в предсказании банкротства.

Модель Альтмана выглядит следующим образом:

Z =0.012X1+ 0.014X2 +0.033X3 +0.006X4 +0.999X5, где

Z = Индекс, классифицирующий компанию как банкрота или небанкрота

X1 = Оборотный капитал/Общая сумма активов

X2 = Нераспределенная прибыль/Общая сумма активов

X3 = Прибыль до уплаты процентов и налогов/Общая сумма активов

X4 = Рыночная стоимость капитала/Балансовая стоимость всех обязательств

X5 = Выручка от реализации/Общая сумма активов

Ключевой результат исследования Альтмана состоит в классификации предприятий на основании полученного значения Z:

Если Z>2.99, фирма не является банкротом

Если Z<1.81, фирма является банкротом

Если 1.81<Z<2.99, фирма находится в «зоне неосведомлнности» («zone of ignorance»), то есть её невозможно отнести к той или иной группе

Полученные результаты могут быть полезны менеджменту компаний в качестве одного из инструментов, помогающих в предсказании банкротства. Значение Z может служить индикатором банкротства, который потенциально способен сократить время анализа платежеспособности предприятия (Altman, 1968).

Р. Тафлер и Г. Тишоу (1977) (Taffler, R., Tisshaw, 1977) разработали свою модель, определяющую вероятность банкротства, основываясь на множественном дискриминантном анализе. Модель включает в себя выборку из 80 компаний и выглядит следующим образом:

Y = 0,53X1 + 0,13X2 + 0,18X3 + 0,16X4, где:

X1 - EBIT/ Краткосрочные обязательства

X2 - Оборотные активы / Активы;

X3 - Краткосрочные обязательства / Активы;

X4 - Выручка / Активы.

Вероятность банкротства обратно пропорциональна значению Y - чем больше значение Y, тем меньше вероятность банкротства. Предполагается, что, если Y больше 0.3, то вероятность низкая; если Y меньше 0.2, то высокая. Авторы отмечают, что подобная модель хорошо применима для акционерных обществ, а это, в свою очередь, значительно ограничивает применимость данной модели к российскому страховому рынку.

Перечисленные модели являются одними из первых, затрагивающих проблему прогнозирования банкротства фирм. Работы послужили толчком к развитию данной темы и созданию новых исследований другими авторами. Несмотря на то, что данные модели можно назвать отправной точкой развития последующих исследований, в настоящее время в них выделяется ряд недостатков:

Модели были созданы во второй половине XX века, что сигнализирует о том, что на данный момент их можно назвать устаревшими.

В работе Бивера не была выведена непосредственно модель, автор лишь проводил исследование и сравнение финансовых коэффициентов компаний. В то же время модели, созданные Альтманом, а также Р. Тафлером и Г. Тишоу основаны на очень маленькой выборке компаний (менее 90 компаний).

Применимость моделей в российских реалиях ограничена, так как модели были построены на основе данных по зарубежным компаниям.

Согласно исследованиям Pastena and Ruland (1986) и Dietrich and Kaplan (1982) MDA плохо подходит для исследования финансовых организаций и концентрируется больше на анализе производственных предприятий.

Одним из недостатков MDA можно также назвать наличие зоны неопределенности, когда фирма не может быть причислена ни к платежеспособным, ни к банкротам.

Дискриминантный анализ обладает рядом недостатков: во-первых, в результате применения данного метода нарушается предположение о многомерном нормальном распределении, и во-вторых, согласно работе Eisenbeis (1977), не представляется возможным проинтерпретировать коэффициенты, полученные для независимых переменных.

С течением времени исследователи при прогнозировании банкротства компаний перешли с MDA анализа к построению logit или probit моделей, которые нивелировали недостатки множественного дискриминантного анализа.

Исследование Ohlson (1980) считается одной из первых работ, которая была посвящена созданию именно логистической модели предсказания банкротства. В качестве факторов, которые в своем влиянии на возможность банкротства компании были признаны значительными, автор выделяет размер фирмы, показатели финансовой структуры (leverage), показатели производительности, а также показатели текущей ликвидности. Модель была построена на основе данных о 2163 фирмах в 1970-1976 гг., 105 из которых были признаны банкротами.

Модель Олсона имеет следующий вид:

Y = -1.3-0,4SIZE+6.0TLTA-1.4WCTA+0.1CLCA-2.4OENEG-1.8NITA+0.3FUTL-1.7INTWO-0.5CHIN, где

SIZE = log (общая сумма активов/GNP price-level index)

TLTA = общая сумма обязательств/общая сумма активов

WCTA = оборотный капитал/общая сумма активов

CLCA = краткосрочные обязательства/текущие активы

OENEG = 1, если общая сумма обязательств превышает общую сумму активов, 0 - в противном случае

NITA = чистая прибыль/общая сумма активов

FUTL = средства, предоставленные в результате операций/общая сумма обязательств

INTWO = 1, если чистая прибыль была отрицательной в последние два года, 0 - в противном случае

CHIN = (-)/(||+||), где NI - чистая прибыль в самый последний период. Переменная измеряет изменение чистой прибыли.

Согласно модели, в случае, если Y > 0.5, фирма признается неплатежеспособной. Кроме того, один из выводов Олсона говорит о том, что наиболее значимым фактором в его модели является размер фирмы.

Zmijewski (1984) на основе данных Американской и Нью-Йоркской фондовой биржи за 1972-1978 гг. предложил probit-модель предсказания банкротства фирм. При создании модели автор исследовал показатели эффективности, ликвидности и leverage фирм, среди которых 40 являлись банкротами, и 800 - небанкротами.

Модель Змиевского имеет следующий вид:

X = -4.3-4.5NITL+5.7TLTA-0.004CACL, где

NITL = чистая прибыль/общая сумма обязательств

TLTA = общая сумма обязательств/общая сумма активов

CACL = текущие активы/текущие обязательства

Согласно модели Змиевского, при Х>0.5 фирма признается банкротом.

БарНива и Хершбаргер (1990) (BarNiv R., Hershbarger, 1990) разработали модель для того, чтобы определить, какие переменные страховых компаний могут помочь определить возможность потенциальной неплатежеспособности. Ученые протестировали несколько методов прогнозирования банкротства: логистическую регрессию, множественный дискриминантный анализ и непараметрический дискриминантный анализ. Анализ включал в себя выборку из 28 компаний банкротов (1975-1985 гг.). Кроме того, была использована выборка из успешных компаний, сформированная двумя способами. Для первой выборки было взято 28 успешных компаний, которые имели некоторые общие черты с обанкротившимися. Вторую выборку сформировали рандомно (состоит из 49 компаний). Объясняющие переменные включают в себя коэффициенты, рекомендованные Национальной Ассоциацией Страховщиков; индикаторы, рассчитанные авторами; переменные из отчетности страховых компаний. В результате, БарНива и Хершбаргер получили несколько моделей, которые могут предсказывать банкротство организаций на уровне 80-90%. Был сделан вывод, что лучшими инструментами для прогнозирования банкротства страховых компаний являются логистическая регрессия и непараметрический дискриминантный анализ.

Основным недостатком перечисленных моделей также можно назвать несоответствие новым временным рамкам (модели были предложены в конце XX века). Однако, уже в 2000-х годах продолжились исследования logit и probit методов в рамках предсказания несостоятельности компаний.

Модель Альтмана (1968) ограничена в виду того, что в ходе ее создания были использованы лишь публичные корпорации, данные о которых находятся в свободном доступе. Для того, чтобы развить тему предсказания несостоятельности, Альтман и Сабато (2007) (Altman, Sabato, 2007) провели исследование о малом и среднем бизнесе (small and medium-sized enterprises - SMEs). Согласно авторам, предприятия малого и среднего бизнеса должны рассматриваться отдельно в ходе их анализа на вероятность банкротства. Исследование основано на выборке, которая содержит 2010 американских SMEs в общем (120 фирм-банкротов и 1890 успешно функционирующих фирм), рассмотренных в период с 1994 по 2002 год. Было выбрано несколько финансовых коэффициентов, показавших себя наиболее точными в прогнозировании банкротства, среди них: Денежные средства / Общая сумма активов, Краткосрочная задолженность / Балансовая стоимость капитала, Ebitda / Расходы по выплате процентов, Нераспределенная прибыль / Общая сумма активов, Ebitda / Общая сумма активов. Будучи включенными в финансовую модель, все коэффициенты были разбиты на 5 категорий: ликвидность, левередж, активность, охват и прибыльность (Altman & Sabato, 2007).

Модель Альтмана-Сабато имеет вид:

Z = 4.28 + 0.18X1 - 0.01X2 + 0.08X3 + 0.02X4 + 0.19X5, где

X1 = Ebitda / Общая сумма активов

X2 = Краткосрочная задолженность / Балансовая стоимость капитала

X3 = Нераспределенная прибыль / Общая сумма активов

X4 = Денежные средства / Общая сумма активов

X5 = Ebitda / Расходы по выплате процентов

В своем подробном исследовании, Альтман и Сабато (2007) подчеркивают важность разделения больших корпораций и предприятий малого и среднего бизнеса, которые в большей степени подвержены банкротству. Авторы разработали модель, которая не только фокусируется на SMEs, но и имеет предсказательную точность, которая на 30% выше, чем у Модели Альтмана, рассмотренной ранее.

Жданов В. Ю. в 2011 году вывел logit-модель для оценки устойчивости авиапредприятий. В результате корреляционного анализа было выявлено 5 показателей, которые слабо коррелируют между собой. Данные коэффициенты были включены в итоговую модель:

Z = 4,33 - 1,26*x1 - 0,13*x2 - 0,08*x3 - 0,35*x4 - 2,18*x5, где

x1 - Чистая прибыль / Оборотные активы;

x2 - Совокупные обязательства / СK;

x3 - Внеоборотные активы / ОА;

x4 - Выручка от продаж / Средняя стоимость активов в год;

x5 - Оборотные активы / Краткосрочные обязательства.

Точность модели по предсказанию банкротства авиакомпаний составляет 76%. Модель актуальна для российского авиапромышленного комплекса, однако слабо применима для страхового рынка.

Одной из современных работ является исследование Sirirattanaphonkun and Pattarathammas (2012). Авторы сравнивали эффективность применения дискриминантной и logit-моделей на примере малых предприятий в Таиланде. Было выяснено, что логит модель обладает большей предсказательной силой (примерно 86%) и более предпочтительна для анализа финансовой устойчивости бизнеса.

Логистическую модель для оценки вероятности банкротства предприятий обрабатывающей промышленности разработали Федорова Е.А., Гиленко Е.В., Довженко С.В. (2013). Была получена модель, которая показала достаточно высокие результаты прогнозирования нестабильности финансового положения организаций (85%):

Z = 10,4 - 6,2*x1 - 5,7*x2 - 0,82*x3 - 1,1*x4 - 0,64*x5 - 1,93*x6 - 0,93*x7 - 2,25*x8, где

х1 - Денежные средства / ОС;

х2 - NI/ Совокупные обязательства;

х3 - log(Материальные активы);

х4 - Запасы / Краткосрочные обязательства;

х5 - Выручка / Совокупные обязательства;

х6 - Внеоборотные активы / Активы;

х7 - Валовая прибыль / С/ст-ть;

х8 - ОС / Совокупные обязательства.

Несмотря на то, что некоторые модели достаточно новые, каждая из них основана на определенной выборке компаний для определенной страны. Так, ни одна из моделей не была создана для предсказания банкротства именно на примере страховых компаний в России, а значит, они могут быть малоприменимы в этом секторе экономики.

Стоит отметить, что в наиболее современных исследованиях авторы уделяют внимание переоценке уже созданных ранее моделей в реалиях экономик разных стран на примере новых выборок фирм.

В исследовании Lawrence (2015) была проанализирована возможность использования логистической модели Олсона для предсказания банкротства финансовых и нефинансовых компаний в Таиланде. В виду того, что многие модели, созданные на основе европейских или американских данных, могут быть нерелевантны в реалиях других стран, таких как Таиланд, из-за различий в финансовом секторе, автор исследовала данный вопрос, основываясь на данных фондовой биржи Таиланда о 60 фирмах, испытывающих финансовые трудности, и 60 фирмах, функционирующих в нормальном режиме.

В работе Singh and Mishra (2016) сделан акцент на переоценке модели Альтмана, модели Олсона и модели Змиевского. Авторы исследуют чувствительность моделей предсказания банкротства к изменяющимся финансовым условиям и новым временным рамкам. На основе данных о 208 индийских компаниях между 2006 и 2014 годом (130 из которых были выбраны в качестве датасета, а 78 для проверки получившейся модели) была построена новая модель для предсказания банкротства фирм в производственном секторе Индии. Кроме того, авторы пришли к выводу о том, что точность модели увеличивается при пересчёте её коэффициентов.

Оз и Симга-Муган (2018) (Oz, Simga-Mugan, 2018) в одном из наиболее поздних исследований по теме предсказания вероятности банкротства организаций уделяют внимание generalizability моделей предсказания несостоятельности. Под generalizability понимается возможность расширения применения результатов исследований, основанных на конкретной выборке, до генеральной совокупности. Исследование основано на 17 странах с развивающимся рынком, включенных в список Morgan Stanley Capital International (MSCI). Выборка включает финансовую информацию о компаниях из различных индустриальных секторов за период 2010 - 2012 годов. Авторами были рассмотрены модель Альтмана, модель Олсона, модель Таффлера, модель Змиевского и модель Shumway, которые основаны на данных по развитым странам (Oz & Sigma-Mugan, 2018). Подводя итог исследования, авторы подчеркивают, что модели Shumway, Олсона и Змиевского могут применяться (generalizable) и для стран с развивающейся рыночной экономикой.

При анализе работ различных авторов по оценке вероятности банкротства предприятий были сделаны следующие выводы: во-первых, не существует универсальной модели для поставленной цели (каждая модель приспособлена либо под определенный экономический сектор, либо под отдельный регион). Во-вторых, наиболее эффективной моделью большинство авторов признают логит-модель, так как остальные методы не обладают высокой предсказательной силой. В-третьих, исследователи отбирают финансовые показатели для построения моделей из коэффициентов ликвидности, рентабельности, финансовой устойчивости и деловой активности.



ГЛАВА 2. ПРОГНОЗИРОВАНИЕ БАНКРОТСТВА СТРАХОВЫХ ОРГАНИЗАЦИЙ С ПРИМЕНЕНИЕМ ЭКОНОМЕТРИЧЕСКИХ МЕТОДОВ

2.1 Краткая характеристика этапов работы

Факторы банкротства предприятий были выбраны в результате анализа литературы. Данные коэффициенты для анализа принадлежат к четырем группам: коэффициентам рентабельности, финансовой устойчивости, платежеспособности и ликвидности, а также деловой активности. Из этих показателей была составлена выборка в виде панельных данных с 2016 по 2018 год. После обработки пропущенных переменных с помощью метода bagImpute, выборка была разделена на обучающую и тестовую.

Были проведены тесты на нормальность - выяснили, что данные распределены ненормально, что позволило провести тест Вилкоксона и проверить есть ли статистические различия для каждого из показателей для фирм-банкротов и действующих страховых компаний. В ходе анализа коэффициенты, которые потенциально являлись независимыми переменными, были отсортированы. Далее были проверены корреляционные связи между показателями. Корреляционный анализ позволяет выявить линейные взаимосвязи среди факторов банкротства, что дает возможность исключить из рассмотрения некоторые объясняющие переменные, избежать мультиколлинеарности и улучшить качество модели.

Отбор независимых переменных для logit-модели проводился с помощью метода Forward selection, где в качестве критерия выбора использовался информационный критерий Акаике. В модель постепенно добавлялись показатели до тех пор, пока включаемые переменные вызывали улучшение качества модели. После этого были выявлены значимые переменные и найдены предельные эффекты для интерпретации, полученных значений. Были также построены модели случайного леса (Random Forest) и применен алгоритм бинарного классификационного дерева для получения более точных прогнозов банкротства страховых компаний. Для каждой из трех моделей построены матрицы ошибок и посчитана предсказательная сила, на основе чего сделан вывод об эффективности представленных методов. Результаты исследования были проверены на тестовой выборке из страховых компаний.

2.2 Описание переменных

Выбор независимых переменных - один из ключевых аспектов в построении модели. На данный момент существует большое количество исследований, затрагивающих тему прогнозирования банкротства, в которых авторы занимались анализом и выбором коэффициентов, вошедших в финальную модель. Работы базируются на данных по фирмам разных отраслей и в итоге выделяют финансовые коэффициенты, которые оказывают наибольшее влияние на вероятность банкротства исследуемых компаний. В статье Б. Б. Демешева и А. С. Тихоновой (Демешев, Тихонова, 2014) применялись различные методики составления набора объясняющих переменных, и авторы отмечают, что лучше всего себя зарекомендовал способ, при котором были выбраны наиболее часто встречающиеся в других исследованиях переменные. В работе В. Ю. Жданова и О. А. Афанасьевой (Жданов, Афанасьева, 2011) при выборе независимых переменных для модели также применялся анализ частоты использования различных коэффициентов другими исследователями. Таким образом, нами было принято решение создать первоначальный список переменных, основываясь на их популярности среди работ разных авторов. Кроме уже рассмотренных ранее моделей в анализе участвовали модель Таффлера (Taffler, 1983), модель Фулмера (Fulmer et al., 1984), модель Спрингейта (Springate, 1978), модель Давыдовой-Беликова (Давыдова, Беликов, 1999), модель Зайцевой (Зайцева, 1998), модель Нама-Джинна (Nam, Jinn, 2000), модель Минусси (Minussi et al., 2007), модель Чессера (Chesser, 1974), Модель Лина-Пьессе (Lin, Piesse, 2004), модель Евстропова (Евстропов, 2008), модель Хайдаршиной (Хайдаршина, 2009), модель Хантера-Исаченковой (Hunter, Isachenkova, 2001), модель Грущински (Gruszczinsky, 2004) и модель Луговской (Lugovskaya, 2010). Нами также были добавлены те финансовые переменные, значения которых на наш взгляд могут быть важны при прогнозировании банкротства. Список выбранных финансовых характеристик представлен в таблице 2.1.

Таблица 2.1 Финансовые коэффициенты для финансовых компаний

Группа	Коэффициент	Финансовый смысл
Коэффициенты рентабельности	Рентабельность собственного капитала = Чистая прибыль / Собственный капитал	Характеризует эффективность использования капитала
	Рентабельность активов = Прибыль до налогообложения / Валюта баланса	Показывает эффективность использования активов
	Рентабельность продаж (операционная)= Прибыль от продаж (EBIT)/ Выручка от продаж	Измеряет долю прибыли в выручке (количество прибыли, которое предприятие получать с единицы выручки)
Коэффициенты финансовой устойчивости	Коэффициент заемного капитала = Заемный капитал / Пассивы	Измеряет долю заемного капитала в пассивах (помогает выяснить, насколько компания зависит от внешнего финансирования)
	Уровень долговой нагрузки = Долг/EBITDA	Показывает, насколько компания в состоянии платить по своим обязательствам
	Выручка от реализации / Активы
	Краткосрочные (текущие) обязательства / Активы
	Коэффициент мобильности оборотных средств = Наиболее мобильной части оборотных средств (денежных средств и финансовых вложений) / Общая стоимость оборотных активов	Измеряет долю наиболее ликвидных оборотных активов, которые могут быть потрачены в срочном порядке, в общей структуре оборотных активов, направленных на погашение задолженностей в SR
	Коэффициент финансовой автономии (независимости) = Собственный капитал / Валюта баланса	Показывает степень независимости компании от внешнего финансирования
	Показатель финансового риска = Заемные средства / Собственный капитал и резервы	Характеризует степень зависимости компании от внешнего финансирования и эффективности использования собственного капитала
	Коэффициент покрытия процентов = EBIT / Проценты к уплате	Характеризует способность компании выплачивать проценты по обязательствам (показывает, насколько прибыль больше, чем проценты к уплате)
	Отношение суммы текущих активов к общей сумме обязательств = Оборотные активы / Заемный капитал
	Выручка от реализации / Заемный капитал
	Чистая прибыль / Активы
	Кредиторская задолженность / Дебиторская задолженность	Отражает баланс между двумя видами задолженности
	Коэффициент маневренности собственного капитала = Собственный оборотный капитал (Оборотные активы - Краткосрочные обязательства) / Собственный капитал	Характеризует долю собственных средств компании, которая может быть направлена на финансирование ее деятельности
	Leverage = Долг (Краткосрочные + долгосрочные обязательства)/Собственный капитал	Характеризует степень зависимости компании от внешнего финансирования и показывает соотношение заемных и собственных средств компании
Коэффициенты платежеспособности и ликвидности	Отношение Чистого Рабочего Капитала (оборотного капитала) и активов = (Оборотные активы - Краткосрочные обязательства)/Активы	Показывает долю чистого оборотного капитала в активах компании
	Коэффициент текущей ликвидности = (Оборотные (текущие) активы / Текущие обязательства)	Характеризует, насколько компания в состоянии оплатить текущие обязательства за счет только текущих активов
Коэффициенты деловой активности	Оборачиваемость дебиторской задолженности = Выручка / Дебиторская задолженность	Показывает уровень эффективности деятельности компании, насколько быстро дебиторы расплачиваются с компанией
	Фондоотдача = Выручка от продаж / Основные средства	Отражает, насколько эффективно использование основных средств (сколько выручки генерируется на вложенные основные средства)
	Оборачиваемость оборотных активов = Выручка от продаж / Оборотные активы	Характеризует эффективность использования оборотных активов

Анализ литературы показал, что подавляющее большинство авторов так или иначе обращается к различным коэффициентам рентабельности, финансовой устойчивости, платежеспособности и ликвидности, а также деловой активности. Мы предполагаем, что каждая из групп должна быть представлена в финальной модели одним или несколькими коэффициентами, так как каждая группа характеризует финансовое состояние компании под разными углами. Коэффициенты рентабельности описывают компанию с точки зрения прибыльности деятельности, её экономической эффективности. Показатели финансовой устойчивости показывают степень независимости компании от заемных средств и создают впечатление о том, насколько компания обеспечена собственными средствами для поддержания уровня деятельности. Коэффициенты платежеспособности и ликвидности оценивают способность компании платить по долгам и способность компании платить по краткосрочным обязательствам, используя только оборотные активы, соответственно. Показатели деловой активности подсчитываются для того, чтобы узнать, насколько интенсивно компания использует свои средства.

Вышеизложенные финансовые коэффициенты могут быть рассмотрены при исследовании компаний любой отрасли, однако наша работа посвящена страховым организациям, следовательно, целесообразным является анализ коэффициентов, характерных только для страховщиков. В таблице 2.2 приведены коэффициенты, встречающиеся в статье БарНива и Хершбаргера (BarNiv, Hershbarger, 1990), а также коэффициенты, которые наиболее часто встречаются в требованиях к финансовой устойчивости страховщика, выдвигаемых банками. Кроме того, были включены некоторые коэффициенты, которые на наш взгляд могут быть важными в прогнозировании банкротства.

Таблица 2.2 Финансовые коэффициенты для страховых организаций

Коэффициент	Финансовый смысл
Объем премий / Чистая прибыль
Выплаты по договорам страхования / Объем премий
Уровень покрытия страховых резервов собственным капиталом (Собственный капитал / Страховые резервы)	Показывает уровень устойчивости страховщика, оценивая способность покрытия обязательств по страховым договорам собственными средствами компании
Изменение совокупного объема сбора страховой премии за отчетный период
Уровень выплат	Коэффициент показывает реальную роль страховщика на рынке
Доля перестраховщиков в страховых резервах (Доля перестраховщиков в страховых резервах по страхованию иному, чем страхование жизни / Страховые резервы по страхованию иному, чем страхование жизни)	Показывает, насколько организация зависит от перестраховщиков
Текущая платежеспособность = Страховые премии / (выплаты по договорам страхования - расходы на инвестиции)	Характеризует финансовую независимость страховщика от внешних кредиторов

Кроме финансовых коэффициентов целесообразно включить и нефинансовые показатели, которые также могут влиять на банкротство организации. В нашей работе мы рассматриваем возраст компании, так как данная характеристика является наиболее встречаемой в литературе, в частности в модели Луговской (Lugovskaya, 2010), а также работе Б. Б. Демешева и А. С. Тихоновой (Демешев, Тихонова, 2014).

2.3 Описание данных

Для данного исследования будет использована выборка, состоящая из 186 российских страховых компаний, где 33 организации являются банкротами. Основной массив данных был получен из базы данных SPARK, кроме того, для заполнения некоторых пропусков были использованы базы данных FIRA, Руслана и отчетности, скачанные с сайтов компаний. Будут рассматриваться финансовые и нефинансовые коэффициенты в период с 2016 по 2018 год. Таким образом, модель будет построена на основе панельных данных, где только 18% страховых компаний являются банкротами.

В качестве зависимой переменной была взята дамми-переменная, которая принимает значение «1», если компания банкрот и «0», если компания действующая.

Далее в таблице 2.3 приведен список независимых переменных с расшифровкой:



Таблица 2.3 Финансовые коэффициенты для исследования