Факторы риска банкротства российских компаний

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.

1. Altman 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.X

2. Altman 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.2011.20.3.071

3. Altman 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.2536340

4. Agarwal 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: 10.1080/00014788.2007.9663313

5. Zmijewski M. Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting Research. 1984;22:59–82. DOI: 10.2307/2490859

6. Ohlson J. Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research. 1980;18(1):109–131. DOI: 10.2307/2490395

7. Карминский А. М., Бурехин Р. Н. Сравнительный анализ методов прогнозирования банкротств российских строительных компаний. Бизнес-информатика. 2019;13(3):52–66. DOI: 10.17323/1998–0663.2019.3.52.66

8. 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.2004.79.4.1011

9. Хайдаршина Г. А. Совершенствование методов оценки риска банкротства российских предприятий в современных условиях. Имущественные отношения в Российской Федерации. 2009;(8):86–95.

10. 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.

11. 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: 10.1080/13571516.2016.1252532

12. Li 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.2018.61001

13. Joshi 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.2018.8663128

14. Денисов 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.

15. Груздев А. В. Метод случайного леса в скоринге. Риск-менеджмент в кредитной организации. 2014;(1):28–43.

16. 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/spbu05.2018.203

17. Колышкин 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.

18. Федорова Е. А., Гиленко Е. В., Довженко С. Е. Модели прогнозирования банкротства: особенности российских предприятий. Проблемы прогнозирования. 2013;(2):85–92.

19. 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.24.11.2537

20. Демешев Б. Б., Тихонова А. С. Прогнозирование банкротства российских компаний: межотраслевое сравнение. Экономический журнал Высшей школы экономики. 2014;18(3):359–386.

21. 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.pdf

22. 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.2073–0438.8.4.2014.130–141

23. Богданова Т. К., Шевгунов Т. Я., Уварова О. М. Применение нейронных сетей для прогнозирования платежеспособности российских предприятий обрабатывающих отраслей. Бизнес-информатика. 2013;(2):40–48.

24. 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: 10.22363/2313–2329–2017–25–2–242–254

25. Liaw A., Wiener M. Classification and regression by randomForest. R News. 2002;2(3):18–22. URL: https://cogns.northwestern.edu/cbmg/LiawAndWiener2002.pdf

26. Gepp 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.2015.06.046

27. Altman 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.x

28. Жданов 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.2073–0438.5.4.2011.77–89

29. Drezner 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/S1173912601000165

30. Altman 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.2010.110

31. Перерва 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.pdf

32. 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.x