financeФинансы: теория и практика/Finance: Theory and PracticeFinance: Theory and Practice2587-56712587-7089Financial University under The Government of Russian Federation10.26794/2587-5671-2022-26-6-131-155finance-1870Research ArticleКОРПОРАТИВНЫЕ ФИНАНСЫCORPORATE FINANCEФакторы риска банкротства российских компанийBankruptcy Risk Factors of Russian Companieshttps://orcid.org/0000-0003-1932-0242ЖуковА. А.ZhukovA. A.

Андрей Андреевич Жуков – студент программы магистратуры, Высшая школа менеджмента

Санкт-Петербург

Andrei A. Zhukov – Master program student, Graduate School of Management

St. Petersburg

andrey.zhukov399@gmail.comhttps://orcid.org/0000-0003-0475-3424НикулинЕ. Д.NikulinE. D.

Егор Дмитриевич Никулин – кандидат экономических наук, доцент, Высшая школа менеджмента

Санкт-Петербург

Egor D. Nikulin – Cand. Sci. (Econ.), Assoc. Prof., Graduate School of Management

St. Petersburg

nikulin@gsom.spbu.ruhttps://orcid.org/0000-0003-3346-1316ЩучкинД. А.ShchuchkinD. A.

Данил Андреевич Щучкин – студент программы магистратуры

Санкт-Петербург

Danil A. Shchuchkin – Master program student, Bonch-Bruevich St. Petersburg State University of Telecommunications

St. Petersburg

da.shchuchkin@gmail.comСанкт-Петербургский государственный университетРоссияSt. Petersburg State UniversityRussian FederationСанкт-Петербургский государственный университет телекоммуникаций им. профессора М. А. Бонч-БруевичаРоссияBonch-Bruevich St. Petersburg State University of TelecommunicationsRussian Federation202230122022266131155Copyright © Жуков А.А., Никулин Е.Д., Щучкин Д.А., 20222022Жуков А.А., Никулин Е.Д., Щучкин Д.А.Zhukov A.A., Nikulin E.D., Shchuchkin D.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://financetp.fa.ru/jour/article/view/1870

Банкротство российских компаний в текущей ситуации стало частым явлением. Определение факторов риска банкротства позволяет прогнозировать перспективу развития бизнеса. Авторы поставили задачу определить относительную силу влияния отдельных финансовых и нефинансовых факторов на вероятность банкротства компании. Для изучения факторов риска проведен анализ 3184 крупных российских компаний (с выручкой более 2 млрд руб. в год и численностью персонала более 250 человек) различных отраслей, функционировавших в период 2009–2020 гг. Общее количество наблюдений составляет 38 208. Для анализа были выбраны 30 показателей, разделенных на пять групп: показатели рентабельности, ликвидности, оборачиваемости, финансовой устойчивости и общие (нефинансовые) показатели. Для исследования выбран один из методов машинного обучения – метод случайного леса. Выборка исследования включает компании семи отраслей, среди которых: обрабатывающие производства, торговля, строительство, электроэнергетика, добыча полезных ископаемых, производство сельскохозяйственной продукции, водоснабжение, а также прочих отраслей, в которые отнесены компании образования, здравоохранения, сельского хозяйства, гостиницы. Анализ проводился как в совокупности по всей выборке без распределения по отраслям, так и по выборкам компаний, распределенным отдельно по сферам производства, торговли и услуг. По выборке в целом тестируемая модель в 86% случаев корректно предсказала возможность банкротства компаний за рассматриваемый промежуток времени. Данный результат подтвердил высокую эффективность использования методов машинного обучения (и, в частности, алгоритма случайного леса) применительно к решению задачи прогнозирования банкротства компаний. По полученным данным сделан вывод, что для производственных и торговых компаний наибольшее влияние на вероятность банкротства оказывают показатели рентабельности, а для компаний сферы услуг – финансовой устойчивости. Решение задачи определения факторов риска банкротства российских компаний должно привести к сокращению числа предприятий-банкротов, что, в свою очередь, будет способствовать оздоровлению и развитию национальной экономики.

The bankruptcy of Russian companies in the existing environment has become rather common. Determination of bankruptcy risk factors allows predicting the prospects for business development. The authors set the task to determine the relative influence

of individual financial and non-financial factors on the probability of a company’s bankruptcy. To study risk factors, the authors analyzed 3184 large Russian companies (with revenues of more than 2 billion rubles per year and more than 250 employees) of various industries operating from 2009 to 2020. The total number of observations is 38,208. For analysis, 30 factors were selected and divided into five groups: profitability, liquidity, turnover, financial stability and general (non-financial) factors. For the study, one of the machine learning methods was used – the random forest method. The sample consists of companies from seven industries, including manufacturing, retail, construction, electric power, mining, agricultural production, and water supply, as well as other industries, which include companies in education, healthcare, agriculture, and hospitality. The analysis was carried out both in aggregate for the entire sample without being distributed by industry, and for samples distributed by manufacturing, retail, and service industries. In the sample as a whole, the tested model in 86% of cases correctly predicted the possibility of a company going bankrupt for the period under review. This result confirmed that machine learning methods (in particular, the random forest algorithm) are highly effective in solving the problem of bankruptcy prediction for a company. Based on the data obtained, the paper concludes that profitability factors have the most significant impact on the probability of bankruptcy for manufacturing and retail companies. For service companies, it is financial stability factors. Solving the problem of determining the bankruptcy risk factors of Russian companies will ensure a reduction in the number of bankrupt enterprises, which, in turn, will contribute to the recovery and development of the national economy.

корпоративные финансыкрупные компаниибизнесфинансовый анализфинансовая устойчивостьпрогнозирование банкротствафакторы риска банкротстваметоды машинного обученияслучайный лесcorporate financelarge companiesbusinessfinancial analysisfinancial stabilitybankruptcy predictionbankruptcy risk factorsmachine learning methodsrandom forestReferencesAltman E. I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance. 1968;23(4):589–609. DOI: 10.1111/J.1540–6261.1968.TB00843.XAltman E. I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance. 1968;23(4):589–609. DOI: 10.1111/J.1540–6261.1968.TB00843.XAltman E. I., Fargher N., Kalotay E. A simple empirical model of equity-implied probabilities of default. The Journal of Fixed Income. 2011;20(3):71–85. DOI: 10.3905/jfi.2011.20.3.071Altman E. I., Fargher N., Kalotay E. A simple empirical model of equity-implied probabilities of default. The Journal of Fixed Income. 2011;20(3):71–85. DOI: 10.3905/jfi.2011.20.3.071Altman E. I., Iwanicz-Drozdowska M., Laitinen E., Suvas A. Distressed firm and bankruptcy prediction in an international context: A review and empirical analysis of Altman’s Z-score model. SSRN Electronic Journal. 2014. DOI: 10.2139/ssrn.2536340Altman E. I., Iwanicz-Drozdowska M., Laitinen E., Suvas A. Distressed firm and bankruptcy prediction in an international context: A review and empirical analysis of Altman’s Z-score model. SSRN Electronic Journal. 2014. DOI: 10.2139/ssrn.2536340Agarwal V., Taffler R. J. Twenty-five years of the Taffler Z-score model: Does it really have predictive ability? Accounting and Business Research. 2007;37(4):285–300. DOI: 10.1080/00014788.2007.9663313Agarwal V., Taffler R. J. Twenty-five years of the Taffler Z-score model: Does it really have predictive ability? Accounting and Business Research. 2007;37(4):285–300. DOI: 10.1080/00014788.2007.9663313Zmijewski M. Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting Research. 1984;22:59–82. DOI: 10.2307/2490859Zmijewski M. Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting Research. 1984;22:59–82. DOI: 10.2307/2490859Ohlson J. Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research. 1980;18(1):109–131. DOI: 10.2307/2490395Ohlson J. Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research. 1980;18(1):109–131. DOI: 10.2307/2490395Карминский А. М., Бурехин Р. Н. Сравнительный анализ методов прогнозирования банкротств российских строительных компаний. Бизнес-информатика. 2019;13(3):52–66. DOI: 10.17323/1998–0663.2019.3.52.66Karminsky A. M., Burekhin R. N. Comparative analysis of methods for forecasting bankruptcies of Russian construction companies. Business Informatics. 2019;13(3):52–66. DOI: 10.17323/1998–0663.2019.3.52.66 (In Russ.: Biznes-informatika. 2019;13(3):52–66. DOI: 10.17323/1998–0663.2019.3.52.66).Jones S., Hensher D. A. Predicting firm financial distress: A mixed logit model. The Accounting Review. 2004;79(4):1011–1038. DOI: 10.2308/accr.2004.79.4.1011Jones S., Hensher D. A. Predicting firm financial distress: A mixed logit model. The Accounting Review. 2004;79(4):1011–1038. DOI: 10.2308/accr.2004.79.4.1011Хайдаршина Г. А. Совершенствование методов оценки риска банкротства российских предприятий в современных условиях. Имущественные отношения в Российской Федерации. 2009;(8):86–95.Haydarshina G. A. Improvement of methods for assessing risk of bankruptcy of Russian enterprises in modern conditions. Imushchestvennye otnosheniya v Rossiiskoi Federatsii = Property Relations in the Russian Federation. 2009;(8):86–95. (In Russ.).Карминский А. М., Костров А. В., Мурзенков Т. Н. Моделирование вероятности дефолта российских бан- ков с использованием эконометрических методов. Препринт WP7/2012/04. М.: Изд. дом ВШЭ; 2012. 64 с.Karminsky A. M., Kostrov A. V., Murzenkov T. N. Modeling of the probability of default of Russian banks using econometric methods. Preprint WP7/2012/04. Moscow: NRU HSE; 2012. 64 p. (In Russ.).Behr A., Weinblat J. Default patterns in seven EU countries: A random forest approach. International Journal of the Economics of Business. 2017;24(2):181–222. DOI: 10.1080/13571516.2016.1252532Behr A., Weinblat J. Default patterns in seven EU countries: A random forest approach. International Journal of the Economics of Business. 2017;24(2):181–222. DOI: 10.1080/13571516.2016.1252532Li Y., Wang Y. Machine learning methods of bankruptcy prediction using accounting ratios. Open Journal of Business and Management. 2018;6(1):1–20. DOI: 10.4236/ojbm.2018.61001Li Y., Wang Y. Machine learning methods of bankruptcy prediction using accounting ratios. Open Journal of Business and Management. 2018;6(1):1–20. DOI: 10.4236/ojbm.2018.61001Joshi S., Ramesh R., Tahsildar S. A bankruptcy prediction model using random forest. In: 2nd Int. conf. on intelligent computing and control systems (ICICCS). (Madurai, 14–15 June 2018). Piscataway, NJ: IEEE; 2018. DOI: 10.1109/ICCONS.2018.8663128Joshi S., Ramesh R., Tahsildar S. A bankruptcy prediction model using random forest. In: 2nd Int. conf. on intelligent computing and control systems (ICICCS). (Madurai, 14–15 June 2018). Piscataway, NJ: IEEE; 2018. DOI: 10.1109/ICCONS.2018.8663128Денисов Д. В., Смирнова Д. К. Применение метода случайных лесов для оценки резерва произошедших, но еще не заявленных убытков страховой компании. International Journal of Open Information Technologies. 2016;4(7):45–50.Denisov D. V., Smirnova D. K. Application of random forest method to estimate the incurred but not reported claims reserve of an insurance company. International Journal of Open Information Technologies. 2016;4(7):45–50. (In Russ.).Груздев А. В. Метод случайного леса в скоринге. Риск-менеджмент в кредитной организации. 2014;(1):28–43.Gruzdev A. V. Random forest method in scoring. Risk-menedzhment v kreditnoi organizatsii. 2014;(1):28–43. (In Russ.).Казаков А. В., Колышкин А. В. Разработка моделей прогнозирования банкротства в современных российских условиях. Вестник Санкт-Петербургского университета. Экономика. 2018;34(2):241–266. DOI: 10.21638/11701/spbu05.2018.203Kazakov A. V., Kolyshkin A. V. The development of bankruptcy prediction models in modern Russian economy. Vestnik Sankt-Peterburgskogo universiteta. Ekonomika = St. Petersburg University Journal of Economic Studies (SUJES). 2018;34(2):241–266. (In Russ.). DOI: 10.21638/11701/spbu05.2018.203Колышкин А. В., Гиленко Е. В., Довженко С. Е., Жилкин С. А., Чое С. Е. Прогнозирование финансовой несостоятельности предприятий. Вестник Санкт-Петербургского университета. Экономика. 2014;(2):122–142.Kolyshkin A. V., Gilenko E. V., Dovzhenko S. E., Zhilkin S. A., Choe S. E. Forecasting the financial insolvency of enterprises. Vestnik Sankt-Peterburgskogo universiteta. Ekonomika = St. Petersburg University Journal of Economic Studies (SUJES). 2014;(2):122–142. (In Russ.).Федорова Е. А., Гиленко Е. В., Довженко С. Е. Модели прогнозирования банкротства: особенности российских предприятий. Проблемы прогнозирования. 2013;(2):85–92.Fedorova E. A., Gilenko E. V., Dovzhenko S. E. Models for bankruptcy forecasting: Case study of Russian enterprises. Studies on Russian Economic Development. 2013;24(2):159–164. (Russ. ed.: Problemy prognozirovaniya. 2013;(2):85–92.).Федорова Е. А., Мусиенко С. О., Федоров Ф. Ю. Прогнозирование банкротства субъектов малого и среднего предпринимательства в России. Финансы и кредит. 2018;24(11):2537–2552. DOI: 10.24891/fc.24.11.2537Fedorova E. A., Musienko S. O., Fedorov F. Yu. Prediction of bankruptcy of small and medium-sized business entities in Russia. Finansy i kredit = Finance and Credit. 2018;24(11):2537–2552. (In Russ.). DOI: 10.24891/fc.24.11.2537Демешев Б. Б., Тихонова А. С. Прогнозирование банкротства российских компаний: межотраслевое сравнение. Экономический журнал Высшей школы экономики. 2014;18(3):359–386.Demeshev B., Tikhonova A. Default prediction for Russian companies: Intersectoral comparison. Ekonomicheskii zhurnal Vysshei shkoly ekonomiki = The HSE Economic Journal. 2014;18(3):359–386. (In Russ.).Горбатков С. А., Белолипцев И. И. Гибридный метод оценки риска банкротств на базе байесовского ансамбля нейросетей и logit-модели. Науковедение. 2013;(6). URL: http://naukovedenie.ru/PDF/25EVN613.pdfGorbatkov S., Beloliptsev I. A hybrid method for estimating the risk of bankruptcies based on Bayesian neural network ensemble and the logit-model. Naukovedenie. 2013;(6). URL: http://naukovedenie.ru/PDF/25EVN 613. pdf (In Russ.).Макеева Е. Ю., Аршавский И. В. Применение нейронных сетей и семантического анализа для прогнозирования банкротства. Корпоративные финансы. 2014;8(4):130–141. DOI: 10.17323/j.jcfr.2073–0438.8.4.2014.130–141Makeeva E. Yu., Arshavsky I. V. Integration of neural networks and semantic interpretation for bankruptcy prediction. Korporativnye finansy = Journal of Corporate Finance Research. 2014;8(4):130–141. (In Russ.). DOI: 10.17323/j.jcfr.2073–0438.8.4.2014.130–141Богданова Т. К., Шевгунов Т. Я., Уварова О. М. Применение нейронных сетей для прогнозирования платежеспособности российских предприятий обрабатывающих отраслей. Бизнес-информатика. 2013;(2):40–48.Bogdanova T., Shevgunov T., Uvarova O. Using neural networks for solvency prediction for Russian companies of manufacturing industries. Business Informatics. 2013;(2):40–48. (In Russ.: Biznes-informatika. 2013;(2):40–48.).Ариничев И. В., Богдашев И. В. Оценка риска банкротства субъектов малого предпринимательства на основе методов машинного обучения. Вестник Российского университета дружбы народов. Серия: Экономика. 2017;25(2):242–254. DOI: 10.22363/2313–2329–2017–25–2–242–254Arinichev I. V., Bogdashev I. V. Estimation of bankruptcy risk of small business companies using methods of machine learning. Vestnik Rossiiskogo universiteta druzhby narodov. Seriya: Ekonomika = RUDN Journal of Economics. 2017;25(2):242–254. (In Russ.). DOI: 10.22363/2313–2329–2017–25–2–242–254Liaw A., Wiener M. Classification and regression by randomForest. R News. 2002;2(3):18–22. URL: https://cogns.northwestern.edu/cbmg/LiawAndWiener2002.pdfLiaw A., Wiener M. Classification and regression by randomForest. R News. 2002;2(3):18–22. URL: https://cogns.northwestern.edu/cbmg/LiawAndWiener2002.pdfGepp A., Kumar K. Predicting financial distress: A comparison of survival analysis and decision tree techniques. Procedia Computer Science. 2015;54:396–404. DOI: 10.1016/j.procs.2015.06.046Gepp A., Kumar K. Predicting financial distress: A comparison of survival analysis and decision tree techniques. Procedia Computer Science. 2015;54:396–404. DOI: 10.1016/j.procs.2015.06.046Altman E. I., Sabato G. Modelling credit risk from SMEs: Evidence from the US market. ABACUS: A Journal of Accounting, Finance and Business Studies. 2007;43(3):332–357. DOI: 10.1111/j.1467–6281.2007.00234.xAltman E. I., Sabato G. Modelling credit risk from SMEs: Evidence from the US market. ABACUS: A Journal of Accounting, Finance and Business Studies. 2007;43(3):332–357. DOI: 10.1111/j.1467–6281.2007.00234.xЖданов В. Ю., Афанасьева О. А. Модель диагностики риска банкротства предприятий авиационно-промышленного комплекса. Корпоративные финансы. 2011;5(4):77–89. DOI: 10.17323/j.jcfr.2073–0438.5.4.2011.77–89Zhdanov V. Yu., Afanaseva O. A. Bankruptcy risk diagnostics model for aviation enterprises. Korporativnye finansy = Journal of Corporate Finance Research. 2011;5(4):77–89. (In Russ.). DOI: 10.17323/j.jcfr.2073–0438.5.4.2011.77–89Drezner Z., Marcoulides G., Stohs M. H. Financial applications of a Tabu search variable selection model. Journal of Applied Mathematics and Decision Sciences. 2001;5(4):215–234. DOI: 10.1155/S1173912601000165Drezner Z., Marcoulides G., Stohs M. H. Financial applications of a Tabu search variable selection model. Journal of Applied Mathematics and Decision Sciences. 2001;5(4):215–234. DOI: 10.1155/S1173912601000165Altman E. I., Sabato G., Wilson N. The value of non-financial information in SME risk management. Journal of Credit Risk. 2010;6(2):95–127. DOI: 10.21314/JCR.2010.110Altman E. I., Sabato G., Wilson N. The value of non-financial information in SME risk management. Journal of Credit Risk. 2010;6(2):95–127. DOI: 10.21314/JCR.2010.110Перерва О. Л., Степанов С. Е., Незимова С. С. Сравнение эконометрических моделей и методов бизнес-аналитики предсказания банкротства предприятий. Науковедение. 2017;9(6)1–9. URL: https://naukovedenie.ru/PDF/82EVN617.pdfPererva O. L., Stepanov S. E., Nezimova S. S. Comparison of econometric models and methods of business analytics for prediction of bankruptcy of enterprises. Naukovedenie. 2017;9(6):1–9. URL: https://naukovedenie.ru/PDF/82EVN617.pdf (In Russ.).Molina C. A. Are firms underleveraged? An examination of the effect of leverage on default probabilities. The Journal of Finance. 2005;60(3):1427–1459. DOI: 10.1111/j.1540–6261.2005.00766.xMolina C. A. Are firms underleveraged? An examination of the effect of leverage on default probabilities. The Journal of Finance. 2005;60(3):1427–1459. DOI: 10.1111/j.1540–6261.2005.00766.x

The authors declare that there are no conflicts of interest present.