Problemy modelirovaniya riskov bankrotsva v usloviyah mongolii

Page 1

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №5/2016 ISSN 2410-700X

8. Коське М.С., Мишучкова Ю.Г Затраты в российском бухгалтерском учете: экономическая сущность и нормативное закрепление // Международный бухгалтерский учет. 2015. № 32. С. 51–63. 9. Коське М.С., Шлаева А.В. Бухгалтерские и налоговые аспекты отражения технологических потерь // Вестник Оренбургского государственного университета. 2004. № 5. С. 76-80. © Шевченко А.С., 2016

УДК 336 Чойжил Энхбаяр канд. экон. наук, профессор МонГУ, г.Улаанбаатар, Монголия Содномдаваа Цолмон аспирант МонГУ г.Улаанбаатар, Монголия ПРОБЛЕМЫ МОДЕЛИРОВАНИЯ РИСКОВ БАНКРОТСВА В УСЛОВИЯХ МОНГОЛИИ Аннотация Проблемы моделирования рисков банкротсва хотя имеют общие основания и причинные связи, однако имеют свои особенности и вполне определенные ограничения их действий. Сегодня у нас в финансовом анализе большинство акционерных компаний, более того в Министерстве финансов, на Фондовом рынке использует модель Э.Альмана, причем образца 1968 года. Однако многими экономистами и экспертами довольно подробно выявлены недостатки модели Альтмана, что обуславливают отмеченные выше проблемы. Поэтому важно представить новую модель управления финансовыми рисками, соотвествующую нашим реалиям. Ключевые слова Финансовый риск, банкротство, модель Пробит JEL: G33, G14 В последнее время нашими экономистами и исследователями были сделаны первые попытки использовать различные подходы к прогнозированию финансовой ситуации, многие из которых довольно сильно проработаны в современной экономической науке. Однако из них только одна модель Альтмана используется в финансовом анализе ситуации и прогнозировании рисков банкротства, что было рекомедовано приказом №133 министра финансов от 11.05.2001 года и отражена в “Методике финансового анализа” для хозяйственных единиц нашей страны. Модель Альмана в первоначальном варианте была разработана и применена в США в 1948-1965 годах. Но сегодня по многим причинам не может соответствовать нашим условиям. Не только, потому что масштабы и структура нашей экономики не позволяет в полной мере использовать прогнозный потенциал модели Альтмана. Недостатки ее прежде всего в самой структуре модели, что правильно отмечают исследователи и практики. Например, Z – инкексы Альтмана не обладают устойчивостью к вариациям в исходных данных. Даже если предположить, что статистика, на которую опирается Альтман и его последователи, репрезентативна, то она, как минимум, не обладает важным свойством – статистической однородностью выборки событий. К тому же, при использовании Z –модели Альтмана возникают передержки. В университетских программах, учебниках по финансовому анализу, а также во всевозможных методиках, для наших компаний встречаем одну только формулу Альтмана образца 1968 года, и ни слова не говорится о допустимости этого соотношения в анализе ожидаемого банкротства в современных условиях. С таким же успехом в формуле Альтмана могли бы стоять 248

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №5/2016 ISSN 2410-700X

любые другие веса, и это было бы столь же справедливо в отношении специфики экономики Монголии, как и исходные веса. Более того, пятифакторная Z – модель, на наш взгляд, неприменима для нашей экономики, поскольку имеет довольно сильную корреляцию с показателем фондоотдачи, которая прямо зависит от сферы финансово-хозяйственной деятельности компании. Эти и другие недостатки и ограничения применения модели Альмана отмечены в многочисленных исследованиях зарубежных авторов, в том числе особенно глубоко проработаны российскими учеными. Хотя у нас в финансовом анализе ситуаций на различных уровнях начиная с хозяйственных единиц, фондового рынка широко применяется модель Альтмана и довольно часто мы сталкиваемся с ее недостатками и ограничениями, но проблема разработки новой модели управления финансовыми рисками все еще остается почти нетронутой и мало исследованной. В настоящее время разработан и применяется целый ряд теоретических моделей, начиная со самой первой модели, разработанной Э.Альтманым, а также созданной в 1935 году Смитом и Винокаром модели, продолженной и обогатившей этих работ модели, выдвинутой Мэрвином в 1942 году. В последующем западными учеными предложены другие модели/пятифакторная модель У.Бивера 1967.1972 гг., четырехфакторная Лисо 1983 г, и Таффлера 1989 г/. Российские исследователи работают довольно успешно в этом направлении и разрабатывают двух и четырехфакторные модели6, которые в той или иной мере устраняют присущие первым моделям недостатки и ограничения. В разработке проблем моделирования финансовых ситуаций используются модели Artificial Neural Networks (ANN), Bayesian, Decision tree, Stacking variant methodology, support vector machine (SVM), C4.5, bagging (Taffler & Agarwal, 2007). Однако на более продвинутом анализе, как подчеркивали Смит и Винокар, следует использовать логит и пробит модели. Не случайно, многие исследователи, к примеру Charalambos Altman, E.I. (1966), Spathis.T (1972), Belinna Bai, Jerome Yen (1982), Allayannis.U , Brown, G болон Klapper, L.F 2003), Beaver, W (1972), Vineet Agarwal болон Richard J. Taffler (2007), Albrecht, W. (2010), E. Falkensten, A. Boral и L. Carty (2012) использовали в своих работах логит модели. Логит модель можно представить следующим образом: 𝑌𝑖 = 𝑓(𝛽, 𝑋𝑖 ) + 𝑢𝑖 . Здесь 𝑌𝑖 может иметь значения 0 или 1. Когда значения 𝑌𝑖 = 1, вероятность будет 𝑃𝑖 . если значения 𝑌𝑖 = 0 то вероятность равна (1 − 𝑃𝑖 ). Вероятность 𝑃𝑖 у модели логит(ложит) починяется закону логистического распространения и 𝑃𝑖 = 𝐸(𝑌 = 1|𝑋𝑖 ) = 𝛽1 + 𝛽2 𝑋𝑖 =

1 1+𝑒 −(𝛽1 +𝛽2 𝑋𝑖 )

.

Модель Пробит впервые была разработана Фадденом(M.Fadden) и общий вид модели выглядит следующим образом: 𝐼𝑡 = 𝛽0 + 𝛽𝑗 𝑥𝑡 + 𝑢𝑡 где, 𝑥𝑖 – объясняющий переменный 𝛽 – соответствующий коэффициент объясняющих переменных 𝑢𝑡 – внешний шок А значение 𝐼𝑡 - определяется следующим образом: Пусть 𝑃𝑡 имеет следующий вид: It

pt  p ( yt  1)  pt ( I

* t

 It )  F ( It ) 



1 *e 2

t2 2

dt

Здесь It является значением обратной функции, подчиняющей закону нормального распространения доверительной вероятности качественных переменных. То есть, It = F −1 (Pt ) = β0 + βj xt + ut (Fox, 2010). В нашем анализе для определения степени финансовых рисков в различных компаниях нами использованы следующие модели/см. Табл. 1/. 6

Можно называть двухфакторную модель А.Д. Беликова и Лео Хао Суана, модель О.П. Зайцевой, модель Иркутской государственной экономической академии и др.

249

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №5/2016 ISSN 2410-700X

Таблица 1 Модели российских и западных ученых, используемые в исследовании Отметки

Модели управления финансовых рисков

Ниж. Обл.

ALT_1968

Модель Э.Альтмана для ОАК, 1968 г.

Z<1.810

ALT_1977

Модель Э.Альтмана для ООО, 1978 г.

Z<1.23

LISO

Модель Лисо с 4-ми переменными, 1983 г.

Z<0.037

TAFL

Модель Таффлера с 4-ми переменными, 1989

Z<0.02

LHS

Модель Лео Хао Суана с двумя переменными, 1999 г.

Z<1.5457

BELIK

Модель Беликова с 4-ми переменными, 1998 г.

Z<0.18

MGL_2007

Модель основанная на 88 отчетностей, 2007 г.

Z<-0,0697

MGL_2008

Модель основанная на 217 отчетностей, 2008 г.

Z<-0.47819

При анализе использованы методы случайнной выборки и выбрано 460 финансовых отчетов 20102012 гг., 128 компаний, постоянно работающих на фондом рынке Монголии. Таблица 2 Результат модели Альтмана(используется в Монголии) Доверит. интервал

A Кол.

Z<1.810 1.810≤ Z<2.67 Z=2.675 2.675<Z≤2.990 Z>2.990 Всего

45 8 0 2 29 84

B % 53.6 9.5 0.0 2.4 34.5 100

Кол 44 8 0 8 35 95

C % 46.3 8.4 0.0 8.4 36.8 100

D

Кол

Кол.

%

37 3 0 1 17 58

63.8 5.2 0.0 1.7 29.3 100

53 16 0 5 54 128

Всего

E % 41.4 12.5 0.0 3.9 42.2 100

Кол 33 5 0 1 56 95

%

Кол

%

34.7 5.3 0.0 1.1 58.9 100

212 40 0 17 191 460

46.1 8.7 0.0 3.7 41.5 100

Источник: www.mse.mn В результате анализа очтетов с помощью модели Э.Альтмана/1968/ мы имеем данные, что из компаний, финансовые отчеты которых быдт проанализированы, 46,1% стало банкротами, 12.4% - вполне возможно, что идут к банкротству, у 41.5% - почти нет рисков банкротства. Однако при более детальном анализа эти данные на практике далеко не подтверждаются и в большинстве случаев не соответсвовали реальной ситуации, сложивших в анализированных компаниях. Таким образом многие модели могут быть использованы в наших условиях с очень большой острожностью и при их применении следует учесть их недостатки и ограничения. В дальнейшем анализе нами выбраны отчеты компаний, находящихся трудной финансовой ситуации и обанкротившихся, а также отдельно проанализированы отчеты компаний, надежных в финансовом отношении и успешно работающихся. Из нашего анализа выяснено, что 51 компаний можно считать обанкротившими. Первое основание: Анализ финансовых отчетов с помощью моделей Альтмана, Таффлера, Лисо показали высокую степень рисков банкротства у этих 51 компаний. Поскольку анализ финансовых отчетов этих компаний показывает, что степень рисков банкротства у них при использовании любой из этих моделей расчета оказывается одинаково ниже нижнего порога значения/см. Табл. 3/. Таблица 3 Результат отчетностей 51 компаний с высокими финансовыми рисками, по каждой модели obs 1 2 ..

ALT_1968 -3.2 -0.28 ..

ALT_1977 -2.06 -0.17 ..

LISO 0.01 0.02 ..

TAFL -0.02 0.14 ..

LHS 1.54 1.33 ..

BELIK -9.87 -2.01 ..

MGL_2007 -1.35 -0.23 ..

MGL_2008 -3.71 -0.62 ..

50 51

-0.94 -1.36

-0.55 -0.43

0 0.09

0.18 0.14

0.91 1.44

-3.94 -9.13

-0.24 -0.55

-1.16 -0.77

250

МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №5/2016 ISSN 2410-700X

При использовании этих моделей автор допускает ограниченность их прогнозного потенциала, обусловленного их недостатками и ограничениями. Поэтому для проверки данных анализа и выводов нами использованы дополнительные критерии и обоснования. Второе обоснование. При анализе финансовых отчетов этих 51 компании расчет основных факторов, влияющих на риски банкротства позволил делать выводы о их банкротстве. Однако для подтверждения данных выводов и их обосновния, нам кажется, все это недостаточным. Поэтому в дальнейшем сделан факторный анализ рисков банкротства/см. Табл. 4/. Таблица 4 Результат отчетностей 51 компаний с высокими финансовыми рисками, по показателям obs 1 2 ...

ALT1 -1.04 -0.26

ALT2 -1.13 -0.03

ALT3 -0.16 -0.09

ALT4 -0.08 0.27

ALT5 0.21 0.22

LT1

...

...

...

...

...

...

0 0.18

LT2 0.19 0.1

LT3 -0.16 -0.09

LHS1

...

...

...

0 0.42

LHS2 1.09 0.79 ...

50

-0.47

-0.68

-0.03

1.06

0.02

0.02

0.02

-0.03

0.04

0.49

51

-0.98

-0.89

0.02

0.01

1.01

0.01

1.01

0.01

0.01

0.99

Учитывая все это нами разработана модель оценки финансовых рисков, соответствующая нашим реалиям с помощью программы EViews 7.0. Для выбора формулы основываясь на мульколленярный7 характер и статистическое значение оценичных параметров модель представил следующим образом. Таблица 5 Оценка 1: Результат модели Пробит Зависимый переменный: Z_TOTAL Независимые переменные

Параметр Стандарт ошибка

C (Свободный коэффициент) ALT2(нераспред. прибыль/всего активов) ALT3 (прибыль до налога/всего активов) ALT4 (собст. капитал/всего обязательств) ALT5 (чистая выручка/всего активов) LT1 (Оборот. средства/всего активов) LHS2 (Обязательства/ всего активов) S.E. of regression McFadden R-squared

-12.79750 0.950905 8.481220 8.111706 8.402010 23.57324 3.591681

3.155582 0.290699 2.339373 2.122616 2.499475 6.065900 0.984326

Z статистик Вероят-ность -4.055512 3.271095 3.625424 3.821561 3.361511 3.886191 3.648873

0.078145 LR statistic (6 df) 0.950982 Akaike info criterion

0.0001 0.0011 0.0003 0.0001 0.0008 0.0001 0.0003 304.9781 0.064464

Из выше проведенной оценки McFadden R-squared составил очень высокий уровень или 95.1%. Кроме того статистическое значение LR равняется 304.9, что позволяет более объективно оценивать диагонастические тесты, используемые моделью в оценке рисков банкротства. Таблица 6 Оценка 2: Достоверность или способность прогнозирования модели Пробит Prediction Evaluation (success cutoff C = 0.5) Estimated Equation Dep=0 Dep=1 Correct % Correct % Incorrect Total Gain* Percent Gain**

49 96.08 3.92 96.08 96.08

406 99.27 0.73 -0.73 NA

Total 455 98.91 1.09 10.00 90.20

Constant Probability Dep=0 Dep=1 0 0.00 100.00

409 100.00 0.00

Total 409 88.91 11.09

Разработанная нами модель имеет способность прогнозировать риски банкротства для компании со риском (Dep=0) на 96.08%, а для компании со риском (Dep=1) способность ее прогнозировать ее финансовый отчет без риска достигает 99.27%. Более того, вне зависимости от того, у компании риски банкротства высоки или низки, данная модель одинаково работает эффективно и способность ее 7

Имеется ли высокая корреляция между независимыми переменными

251

ĐœĐ•Đ–Đ”ĐŁĐ?Đ?РОДĐ?ĐŤĐ™ Đ?Đ?УЧĐ?ĐŤĐ™ Đ–ĐŁĐ Đ?Đ?Đ› ÂŤĐĄĐ˜ĐœĐ’ĐžĐ› Đ?Đ?ĐŁĐšĐ˜Âť â„–5/2016 ISSN 2410-700X

прОгнОСиŃ€ОваŃ‚ŃŒ Ń€Đ¸Ń ĐşĐ¸ йанкŃ€ĐžŃ‚Ń Ń‚ва Đ´ĐžŃ Ń‚игаоŃ‚ 98.91%. Đ&#x;ĐžŃ?Ń‚ОПŃƒ даннŃƒŃŽ ПОдоНŃŒ ПОМнО Đ¸Ń ĐżĐžĐťŃŒСОваŃ‚ŃŒ Đ´ĐťŃ? Нюйых акциОнорных кОПпаниК вно ĐˇĐ°Đ˛Đ¸Ń Đ¸ĐźĐžŃ Ń‚и От иŃ… ĐžŃ‚Ń€Đ°Ń ĐťĐľĐ˛ĐžĐš ĐżŃ€Đ¸Đ˝Đ°Đ´ĐťĐľĐśĐ˝ĐžŃ Ń‚и и вŃ‹гНŃ?диŃ‚ Ń ĐťĐľĐ´ŃƒŃŽŃ‰иП ОйŃ€аСОП. đ?‘? = −12.7254444 + 0.9445896 ∗ ALT2 + 8.43767656 ∗ ALT3 + 8.0678754 ∗ ALT4 + 8.351263036 ∗ ALT5 + 23.42557401 ∗ LT1 + 3.57214246 ∗ LHS2 ALT2 - ноŃ€Đ°Ń ĐżŃ€од. прийŃ‹ĐťŃŒ/Đ˛Ń ĐľĐłĐž активОв ALT3 - прийŃ‹ĐťŃŒ Đ´Đž наНОга/Đ˛Ń ĐľĐłĐž активОв ALT4 - Ń ĐžĐąŃ Ń‚. капиŃ‚Đ°Đť/Đ˛Ń ĐľĐłĐž ОйŃ?СаŃ‚оНŃŒŃ Ń‚в ALT5 - Ń‡Đ¸Ń Ń‚Đ°Ń? вŃ‹Ń€ŃƒŃ‡ка/Đ˛Ń ĐľĐłĐž активОв LT1 - ĐžйОрОт. Ń Ń€ĐľĐ´Ń Ń‚ва/Đ˛Ń ĐľĐłĐž активОв LHS2 - ОйŃ?СаŃ‚оНŃŒŃ Ń‚ва/ Đ˛Ń ĐľĐłĐž активОв đ?‘? > 1.072 но иПооŃ‚Ń Ń? Ń€Đ¸Ń ĐşĐ° йанкŃ€ĐžŃ‚Ń Ń‚ва −0.578 < đ?‘? < 1.072 йанкŃ€ĐžŃ‚Ń Ń‚вО пОд Ń ĐžĐźĐ˝ĐľĐ˝Đ¸ĐľĐź đ?‘? > −0.578 иПооŃ‚Ń Ń? вŃ‹Ń ĐžĐşĐ¸Đš Ń€Đ¸Ń Đş йанкŃ€ĐžŃ‚Ń Ń‚ва иНи Ń‚Ń?МоНОо Ń„Đ¸Đ˝Đ°Đ˝Ń ĐžĐ˛ĐžĐľ пОНОМонио РаСŃ€айОŃ‚ка прОйНоП ПОдоНиŃ€ОваниŃ? Ń€Đ¸Ń ĐşĐžĐ˛ йанкŃ€ĐžŃ‚Ń Ń‚ва но ОгŃ€аничиваоŃ‚Ń Ń? Ń‚ОНŃŒкО вŃ‹ŃˆоОŃ‚ПочоннŃ‹Đź. Đ’аМнО на ĐžŃ Đ˝ĐžĐ˛Đľ ŃƒМо прОвоŃ€оннŃ‹Ń… ПоŃ‚Одик и ПОдоНи Оцонки Ń€Đ¸Ń ĐşĐžĐ˛ йанкŃ€ĐžŃ Ń‚ва прОрайОŃ‚Đ°Ń‚ŃŒ Đ´Ń€Ńƒгио напŃ€авНониŃ? Đ¸Ń Ń ĐťĐľĐ´ĐžĐ˛Đ°Đ˝Đ¸Đš и Đ´Ń€ŃƒгиŃ… ПОдоНоК. Đ?Đ° каŃ„одро Đ¤Đ¸Đ˝Đ°Đ˝Ń ĐžĐ˛ ĐœОнгОНŃŒŃ ĐşĐžĐłĐž ĐłĐžŃ ŃƒĐ´Đ°Ń€Ń Ń‚воннОгО ŃƒнивоŃ€Ń Đ¸Ń‚ĐľŃ‚Đ° инŃ‚ĐľĐ˝Ń Đ¸Đ˛Đ˝Đž водоŃ‚Ń Ń? Ń€айОŃ‚Đ° в даннОК Ń Ń„ĐľŃ€Đľ Ń„Đ¸Đ˝Đ°Đ˝Ń ĐžĐ˛ĐžĐš Ń‚оОŃ€ии и практики. ĐĄĐżĐ¸Ń ĐžĐş Đ¸Ń ĐżĐžĐťŃŒСОваннОК НиŃ‚ĐľŃ€Đ°Ń‚ŃƒŃ€Ń‹: 1.Allayannis, G., Brown, G., & Klapper, L. (2003). Capital strucure and financial risk; evidence from foreign debt use in East Asia. Journal of Finance, 58(6):2667-2709. 2. Altman, E. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. Journal of Finance, 23(4):589-609. 3. Anderson, E. (1996). Introduction to the statistical analysis of categorical data. NY: Springer-Verlag. 4. Beaver, W. (1967). Financial Ratios as Predictors of Failures. Journal of Accounting Research, 34(2):345-385. 5.Eidleman, G. (1995). Z-Scores-A Guide to Failure Prediction. The CPA Journal Online. Fox, J. (2010). Logit and Probit Models. York SPIDA. 6.Philippe, J. (2001). Value at Risk: The New benchmark for Managing Financial Risk. Second Edition, McGrawHill. 7.Philippe, J. (2003). Financial Risk Manager Handbook. Second Edition, John Wiley and Sons. 8.Reto, R. (2003). Risk Management and Capital Adequacy. McGraw-Hill. 9.Taffler, R., & Agarwal, V. (2007). Twenty-five years of the Taffler z-score model: does it really have predictive ability? The Management School, University of Edinburgh. Š ЭнхйаŃ?Ń€ Ч., ЌОНПОн ĐĄ., 2016

УДК 336.13 Đ .Đ . ĐŻŃ€ŃƒННин, Đ´.Ń?.Đ˝., ĐżŃ€ĐžŃ„ĐľŃ Ń ĐžŃ€ Đ .Đ?. ĐœŃƒŃ Đ°ĐąĐ¸Ń€Ова, Ń Ń‚ŃƒдонŃ‚ Đ¤Đ¸Đ˝Đ°Đ˝Ń ĐžĐ˛Ń‹Đš ŃƒнивоŃ€Ń Đ¸Ń‚ĐľŃ‚ при Đ&#x;Ń€авиŃ‚оНŃŒŃ Ń‚во РФ (ĐŁŃ„Đ¸ĐźŃ ĐşĐ¸Đš Ń„иНиаН) ĐĄĐŁĐŠĐ?ĐžХТЏ, Đ&#x;Đ ĐžĐ‘Đ›Đ•ĐœĐŤ Đ˜ Đ&#x;УТĐ˜ ХОВЕРШĐ•Đ?ХТВОВĐ?Đ?Đ˜ĐŻ Đ&#x;Đ•Đ?ĐĄĐ˜ĐžĐ?Đ?ОГО ОБЕХĐ&#x;Đ•ЧĐ•Đ?Đ˜ĐŻ Đ?Đ?ХЕЛЕĐ?Đ˜ĐŻ Đ?ннОтациŃ? Đ’ даннОК Ń Ń‚Đ°Ń‚ŃŒĐľ прОвОдиŃ‚Ń Ń? анаНиС Ń ŃƒŃ‰Đ˝ĐžŃ Ń‚и ĐżĐľĐ˝Ń Đ¸ĐžĐ˝Đ˝ĐžĐłĐž ĐžĐąĐľŃ ĐżĐľŃ‡ониŃ? Đ˝Đ°Ń ĐľĐťĐľĐ˝Đ¸Ń? Đ ĐžŃ Ń Đ¸ĐšŃ ĐşĐžĐš

252

Turn static files into dynamic content formats.

Create a flipbook
Issuu converts static files into: digital portfolios, online yearbooks, online catalogs, digital photo albums and more. Sign up and create your flipbook.