Коэффициент прогноза банкротства характеризует: Коэффициент прогноза банкротства в Excel

Содержание

формула по балансу – что показывает

Коэффициент прогноза банкротства организации – показатель, используемый для анализа платежеспособности должника. Чем раньше будут выявлены причины надвигающейся финансовой несостоятельности – тем больше вероятность того, что проблема будет вовремя устранена.

Проще предупредить о банкротстве должника на ранних стадиях, чем на поздних. Это даст возможность остановить разорение компании с более высокой вероятностью.

Прогнозирование банкротства: методы

Прогнозирование критических тенденций развития предприятия на сегодняшний день имеет первоочередное значение. Существует много методик для расчета коэффициента банкротства.

Универсального подхода, который бы позволял с наибольшей точностью установить неудовлетворительный исход деятельности компании, не существует. Однако достоверный прогноз ухудшения финансового состояния фирмы поможет определить совокупность нескольких эффективных методов прогнозирования банкротства.

Условно методы прогнозирования банкротства можно разделить на следующие группы:

  1. Количественные. Они берут основу на финансовых сведениях организации. Количественный метод также предполагает собой расчет коэффициентов.
  2. Качественные. Они базируются на изучении концепции финансовой несостоятельности у тех компаний, которые уже обанкротились.

Коэффициент прогноза появления банкротства показывает результат на основе количественного метода. Данный показатель отражает то, какие конкретно оборотные активы содержит в себе актив баланса. Скорректированный коэффициент для проведения прогноза банкротства отражает шанс соответствующей компании в ближайшее время выполнить свои кратковременные обязательства после того, как будет проведена процедура реализации запасов.

Как узнать коэффициент банкротства:

  • Мониторинг характерных способов восстановления платежеспособности компании.
  • Ведение постоянного наблюдения над экономическим положением соответствующей фирмы.
  • Определение причин, которые оказывают непосредственное негативное влияние на деятельность организации.
  • Проведение анализа отклонений от показателей стабильной работы компании.
  • Проведение оценки общего уровня ухудшения состояния предприятия.

Коэффициент прогноза возникновения банкротства по балансу

В том случае, если фирма имеет возможность рассчитаться по долговым обязательствам, она имеет и финансовую устойчивость. Отсюда следует, что банкротство предприятию не грозит в ближайшие шесть месяцев.

Коэффициент прогноза банкротства — формула по балансу без учета НДС:

Коэффициент = (оборотные активы – долги на кратковременной основе) / валюта.

Интерпретация полученных при расчете значений:

  • Показатель = оборотные средства + отложенные долги по налоговым сборам – задолженности на краткосрочной основе / валюта баланса.
  • Коэффициент прогноза появления банкротства – формула расчета показателя:  Коэффициент = (запасы с налога на добавленную стоимость + ликвидные активы компании — кратковременные обязательства) / актив соответствующего баланса рассматриваемого предприятия.

Если от предприятия требуется исполнить долговые обязательства ранее, чем через полгода, то задолженность перед кредиторами в отчетности учитываться не будет при условии, что соответствующий долг не превышает четыре календарных месяцев.

Значение коэффициента банкротства

Нормативное значение развития финансовой несостоятельности не поможет в анализе точечного коэффициента для отдельно взятого предприятия. Необходимо провести соотношение между выявленным значением с коэффициентом иного предприятия, сопоставить с фундаментальным показателем, провести оценку в динамике по определенным годам.

Можно выделить следующие критерии исследования коэффициентов:

  • Коэффициент банкротства, который получили в результате анализа, выше 100 %. В данном случае это означает, что предприятие с малой эффективностью использует вовлечение заемного капитала, что не позволяет развить собственную хозяйственную деятельность.
  • Коэффициент банкротства ниже/равен нулю. Данный результат показывает уровень нехватки запасов для исполнения краткосрочных обязанностей. Так, соответствующий показатель постоянно должен быть выше нуля.
  • Коэффициент увеличивается. Данное положение в динамике прогнозирует о том, что на основании текущего положения предприятию далеко от разорения.

Чем выше коэффициент банкротства, тем больше риск того, что в предстоящие шесть календарных месяцев предприятие не будет обанкрочено. Чем ниже соответствующий показатель, тем выше вероятность разорения.

Коэффициент банкротства — вероятность и анализ итогов

Чем раньше финансист сможет выявить ухудшение финансового состояния предприятия, тем с наибольшей вероятностью можно спасти данный бизнес от разорения. Судебный орган рассматривает соответствующее понимание как показатель характера финансового состояния, при котором заемщик не может в силу определенных обстоятельств удовлетворить требования кредиторов, либо не имеет возможности полностью исполнить свои обязательства по обязательным платежам.

Одними из основных задач процедуры финансовой несостоятельности являются следующие:

  • Восстановление деятельности должника.
  • Оплата образовавшихся долгов.

Для того, чтобы провести оценку реальной экономической ситуации того или иного предприятия, необходимо внимательно рассмотреть соответствующие показатели. С их помощью будет возможно составить наиболее детальный отчет.

Вначале будет проводиться оценка платежеспособности предприятия, в которую входит недостаток/избыток оборотного и собственного капитала. Также будут рассмотрены все истоки запасов компании.

После будет установлен вид экономической устойчивости. На основании полученных данных можно вычислить уровень платежеспособности должника.

Кредитоспособность предприятия является одним из основных факторов, на основании изучения которого можно определить финансовую устойчивость. Для соответствующего расчета будут определены нехватка или перевыполнение активов. Также для использования моделей определения вероятности банкротства будут учтены активы, направленные не только на покрытие долгов по срочным обязательствам, но также и на исполнение обязательств по долгосрочным и краткосрочным пассивам.

Коэффициент общей ликвидности того или иного предприятия рассчитывается на основе текущей и будущей ликвидности. По итогу финансист проведет оценку капитала, имущества, а также определение результатов проведенной финансовой работы.

Проведение анализа коэффициентов банкротства

Потребуется провести вычисление статуса ликвидности предприятия. Соответствующая проверка покажет, есть ли у данной фирмы возможность исполнить все текущие обязательства с помощью активов и отложенных средств или же нет.

Для проведения детального анализа потребуется учесть следующий ряд факторов:

Активы

Уровень снижения ликвидности

Пассивы

Уровень срочности исполнения обязательств

Каким образом составляются активы:

Трудные в реализации

Остаются после проведения корректировки.

Быстрые в реализации

Составляются на основе дебиторской задолженности.

Имеющие наибольшую ликвидность

Денежные средства организации, которые были предоставлены на определенное время.

Медленные в реализации

Долгосрочные вложения и финансовые запасы компании.

Как составляются пассивы:

На постоянной основе

Остаются после проведения процедуры сортировки.

На особо срочной основе

Задолженности по займам, кредитам и пр.

На долгосрочной основе

Речь идет о компаниях, имеющих долгосрочные кредитные обязательства.

На краткосрочной основе

Выданные на малый срок кредитные займы.

Для того чтобы определить ликвидность, потребуется поочередно сравнить между собой группы пассивов и активов. Как показала практика, менее ликвидные показатели того или иного предприятия не замещают собой более ликвидные финансы.

Заключение

В экономике, как зарубежной, так и отечественной, существует множество разнообразных моделей прогнозирования банкротства, которые учитывают разные ключевые показатели деятельности предприятия. Только на основе полученных коэффициентов можно определить, станет ли та или иная компания банкротом в ближайшее время и каковы ориентировочные шансы наступления такого события.

Расчет коэффициента поможет предприятию заранее определить вероятность ухудшения финансового состояния. С помощью применения подготовительных мероприятий, которые направлены на восстановление и улучшение платежеспособности, помогут вытащить фирму из сопутствующего кризиса.

Онлайн-тесты на oltest.ru: Анализ финансовой отчётности

Онлайн-тестыТестыФинансы, кредит, страхованиеАнализ финансовой отчётностивопросы


181. В состав показателей согласно методическим указаниям по проведению анализа финансового состояния организаций входит коэффициент инвестиционной активности, который рассчитывается как:
(незавершенное строительство, доходные вложения в нематериальные ценности, долгосрочные финансовые вложения), деленные на внеоборотные активы

182. В состав показателей согласно методическим указаниям по проведению анализа финансового состояния организаций входит коэффициент исполнения текущих обязательств перед федеральным бюджетом, который рассчитывается как:
налоги (взносы) уплаченные, деленные на налоги (взносы) начисленные

183. В состав показателей согласно методическим указаниям по проведению анализа финансового состояния организаций входит коэффициент покрытия текущих обязательств оборотными активами (коэффициент текущей ликвидности), который рассчитывается как:

оборотные активы, деленные на краткосрочные обязательства

184. В состав показателей согласно методическим указаниям по проведению анализа финансового состояния организаций входит собственный капитал в обороте (собственные оборотные средства), который рассчитывается как:
собственный капитал — внеоборотные активы

185. Выберите существующие модели прогнозирования банкротства:
Альтмана
Лего
Перфильева
Спрингейта
Таффлера
Фулмера

186. Для анализа в целях прогнозирования возможного банкротства предприятий используются следующие коэффициенты, рассчитываемые по данным бухгалтерской отчетности:
текущей ликвидности, обеспеченности собственными средствами, восстановления или утраты платежеспособности

187. Для комплексной оценки всей хозяйственной деятельности и ее отдельных сторон применяют различные статистические и экономико-математические методы:

«метод расстояний» для рейтинговой оценки объектов анализа

188. К-счета — это модель прогнозирования банкротства:
Иркутской государственной экономической академии

189. Качественную модель прогнозирования банкротства разработал:
Аргенти
В.В. Ковалев

190. Коэффициент прогноза банкротства разработал:
А.Д. Шеремет

191. Приказом Федеральной службы по финансовому оздоровлению и банкротству (ФСФО) от 23 января 2001 года №16 утверждены Методические указания по проведению анализа финансового состояния организаций, состоящие из:
26 показателей

192. Согласно Методическим рекомендациям по разработке финансовой политики предприятия коэффициент маневренности должен иметь критериальное значение:
0,2—0,5

193. Согласно Методическим рекомендациям по разработке финансовой политики предприятия коэффициент оборачиваемости собственного капитала рассчитывается:
выручка (нетто) от продажи, деленная на средний за период объем собственного капитала

194. Согласно Методическим рекомендациям по разработке финансовой политики предприятия коэффициент оборачиваемости собственного капитала:
показывает скорость оборота вложенного собственного капитала или активность денежных средств

195. Согласно Методическим рекомендациям по разработке финансовой политики предприятия общий коэффициент покрытия (коэффициент текущей ликвидности) должен иметь критериальное значение:
от 1 до 2



«Оценка вероятности банкротства коэффициентным способом», Финансы

При проведении анализа вероятности банкротства предприятия коэффициентным способом рассчитываются: коэффициент прогноза банкротства, скорректированный коэффициент прогноза банкротства, коэффициент кредиторско-дебиторской задолженности по формулам (2.20)—(2.22). Полученные результаты расчетов для анализируемого условного предприятия сведены в табл. 5.5, составленную по форме рис. 2.16. Также используются табл. 2.29—2.30.

Таблица 5.5

Расчетные величины и тенденции изменения финансовых коэффициентов анализируемого предприятия, характеризующих вероятность банкротства.

Наименование.

Значение.

Соответствие нормальному ограничению.

Тенденция изменения.

на начало периода.

на конец периода.

на начало периода.

на конец периода.

1. Коэффициент прогноза банкротства.

— 0,06.

— 0,05.

—.

—.

Улучшение.

2. Скорректированный коэффициент прогноза банкротства.

— 0,10.

— 0,15.

—.

—.

Ухудшение.

3. Коэффициент кредиторской и дебиторской задолженности.

1,28.

1,59.

—.

—.

Ухудшение.

Коэффициент прогноза банкротства повысился с -0,06 до -0,05, но ни на начало, ни на конец анализируемого периода не удовлетворяет нормальному ограничению (> 0).

Уменьшение значения скорректированного коэффициента прогноза банкротства с -0,10 до -0,15 свидетельствует о снижении способности предприятия расплачиваться по своим краткосрочным обязательствам имеющимися в его распоряжении денежными, приравненными к ним средствами и продаваемой частью запасов. Значение коэффициента и на начало и на конец периода не соответствует нормальному ограничению, вероятность банкротства растет.

Коэффициент кредиторско-дебиторской задолженности ухудшился. Рост значения коэффициента с 1,28 до 1,59 на конец периода, что превышает нормальное ограничение (< 1), показывает неспособность предприятия погасить кредиторскую задолженность даже при условии благоприятных расчетов с предприятием его дебиторов. Ситуация к концу периода ухудшается (22, «https://westud.ru»).

Вывод: анализ, проведенный коэффициентным способом, показал, что опасность банкротства присутствовала у предприятия и на начало и на конец анализируемого периода. К концу периода вероятность банкротства возросла.

Проблема: несоответствие значений коэффициентов нормальным ограничениям.

Причины-, дисбаланс между имеющимися оборотными активами и величиной показателя «Краткосрочные обязательства».

Резервы, повышение оборачиваемости оборотных активов и снижение величины показателя «Краткосрочные обязательства».

НОУ ИНТУИТ | Лекция | Анализ технического развития и организации производства. Анализ финансового состояния. Анализ структуры долгосрочных инвестиций и источников их финансирования

Анализ технического развития и организации производства

Организационно-технический уровень во многом определяет эффективность производственной деятельности предприятия, выражающейся в совершенствовании орудий труда и технологии, средств и методов организации и управления производством, повышении качества выпускаемой продукции.

Повышение уровня технического развития и организации производства направлено на обеспечение роста производительности труда, экономное расходование материальных и топливно-энергетических ресурсов и в конечном счете увеличение выпуска продукции и снижение ее себестоимости, рост прибыли.

Основные направления совершенствования организационно-технического уровня производства включают:

  • разработку новых и совершенствование изготавливаемых на предприятии видов продукции, повышение их качества и экономичности. Это направление находит отражение при изучении качества продукции;
  • улучшение применяемой и внедрение более прогрессивной техники и технологии, внедрение передовых методов организации труда и производства, а также управления.

В задачи анализа организационно-технического уровня производства входит оценка:

  • достигнутого уровня материально-технической базы производства;
  • прогрессивности и качества выпускаемой продукции;
  • эффективности принятых направлений совершенствования техники и технологии производства, форм и методов воспроизводства основных фондов;
  • соответствия существующих форм и методов организации и управления производством современной материально-технической базе производства;
  • влияния организационно-технического уровня производства на технико-экономические показатели деятельности предприятия.

Основными источниками анализа организационно-технического уровня производства являются бизнес-план и оперативно-техническая отчетность, в которых содержится информация о выполнении плана развития и внедрения новой техники и технологии, о затратах на проведение научно-технических исследований и их эффективности, о мероприятиях по совершенствованию организации производства и управления.

Для характеристики организационно-технического уровня производства в планировании, учете и анализе используется система показателей.

Показатели технического уровня производства можно объединить в четыре группы: уровня техники, уровня технологии, фондовооруженности труда, уровня механизации и автоматизации производства и труда.

Уровень применяемой на предприятии техники характеризуется показателями ее обновления и износа, возрастным составом оборудования. Коэффициент обновления основных фондов определяется отношением стоимости вновь введенных в эксплуатацию основных фондов за отчетный период к их первоначальной (восстановительной) стоимости на конец периода. Он показывает, насколько интенсивно идет процесс «омоложения» техники.

Степень износа характеризует техническое состояние основных фондов. Коэффициент физического износа определяется отношением суммы начисленной амортизации за весь период использования основных фондов к их первоначальной либо восстановительной стоимости.

Уровень технического состояния основных фондов, позволяющий в значительной мере судить о возможности их использования и необходимости замены, характеризуется возрастным составом рабочих машин и оборудования.

Для анализа возрастного состава оборудования его группируют по видам и срокам службы, определяют удельный вес каждой возрастной группы в общем количестве единиц действующего оборудования. Фактически сроки службы нужно сопоставить с нормативными по важнейшим видам оборудования, что позволит сделать вывод об уровне морального износа оборудования и основных направлениях его снижения.

Важным показателем технического уровня производства является удельный вес прогрессивного оборудования в общем его количестве и стоимости. Повышение доли нового высокопроизводительного оборудования способствует росту производительности труда, увеличению объема продукции и снижению ее себестоимости.

Технический уровень предприятия характеризуется степенью механизации и автоматизации производства и труда. Анализ ведется в трех направлениях: по охвату рабочих механизированным трудом, по уровню механизации труда и уровню механизации и автоматизации производства.

Степень охвата рабочих механизированным трудом характеризует удельный вес рабочих, занятых механизированным трудом, в общей их численности.

Коэффициент механизации труда определяется отношением рабочего времени, затраченного на механизированные работы, ко всему отработанному времени на данный объем продукции или работ.

Коэффициент механизации работ определяется отношением объема продукции или работ, произведенных механизированным способом, к общему их объему.

Для анализа процесса автоматизации производства используются показатели динамики удельного веса автоматических машин и оборудования в общей стоимости рабочих машин и оборудования, а также коэффициенты автоматизации работ и труда, исчисленные аналогично коэффициентам механизации.

Все указанные показатели могут быть исчислены не только в целом по предприятию, но и отдельно по основному и вспомогательному производству, по цехам и производственным процессам. Сравнение показателей (коэффициентов) в динамике за несколько лет показывает, как осуществляется механизация и автоматизация процесса производства, а сравнение плановых и отчетных коэффициентов необходимо для оценки выполнения плана технического развития.

При анализе технического уровня производства следует определить влияние его изменения на производительность труда, фондоотдачу, оборачиваемость оборотных средств. С этой целью изучается динамика фондовооруженности работников предприятия.

Между фондовооруженностью работников, фондоотдачей основных фондов и производительностью труда существует тесная взаимосвязь, которую можно выразить следующей формулой:

(2.1)
где среднегодовая выработка продукции на одного работника;
R среднесписочная численность работников;
F среднегодовая стоимость основных фондов (средств).

Таким образом, основными условиями роста производительности труда и увеличения объема продукции являются повышение фондоотдачи основных фондов и фондовооруженности работников. Пользуясь приведенной формулой, можно сопоставить динамику по всем входящим в нее показателям и исчислить влияние фондоотдачи и фондовооруженности работников на производительность труда.

Анализ уровня технологии производства может осуществляться по предприятию в целом, по отдельным производствам и технологическим процессам, по отдельным изделиям или группам изделий, агрегатов, узлов, деталей.

Анализ целесообразно проводить в такой последовательности:

  • оценка основных показателей уровня технологии с целью определения степени ее прогрессивности и экономичности;
  • разработка основных направлений совершенствования технологии производства на ближайший и отдаленный периоды.

Важными показателями уровня технологии являются удельный вес продукции, изготовленной по прогрессивной технологии, в общем объеме продукции и удельный вес работ, выполненных по прогрессивной технологии.

Показателем технологического уровня является также удельный вес машинного времени в технологической трудоемкости. Анализ должен выявлять наряду с резервами сокращения машинного времени и резервы экономии подготовительно-заключительного и вспомогательного времени на основе совершенствования организации производства, внедрения передовых приемов и методов труда.

Эффективность совершенствования технологии проявляется в первую очередь в снижении трудоемкости, материалоемкости и себестоимости продукции. Данные для анализа снижения технологической трудоемкости и материалоемкости продукции приводятся в технологических картах, плановых и отчетных калькуляциях. Сравнивая фактические затраты времени и материалов за отчетный период с установленными нормами расхода и базисным уровнем, можно установить степень прогрессивности действующих норм и принять меры к внедрению более прогрессивной технологии.

Для оценки организационного уровня производства используется система показателей. Важнейшим из них является коэффициент непрерывности производства, определяемый отношением средней продолжительности технологического цикла (технологическая трудоемкость отдельных изделий, взвешенная на долю выпуска каждого изделия с учетом процента выполнения норм) к общей длительности производственного цикла.

Степень непрерывности производства в значительной мере зависит от внедрения поточных методов, характеризуемых коэффициентом поточности. Он исчисляется отношением к трудоемкости деталей, обрабатываемых на поточных линиях, общей трудоемкости по соответствующей производственной единице.

Коэффициент поточности по предприятию в целом определяется путем взвешивания коэффициентов по его подразделениям на удельный вес каждого из них в совокупной трудоемкости.

Показатели непрерывности производства можно сравнивать в динамике в разрезе предприятия, производств, цехов, участков, используя данные бизнес-плана и оперативно-технического учета.

К числу показателей организационного уровня производства относится коэффициент специализации, т. е. удельный вес продукции, соответствующей производственному профилю предприятия, в общем объеме выпуска. Рост уровня специализации производства способствует повышению производительности труда и снижению себестоимости продукции.

Организационный уровень производства характеризуют также ритмичность выпуска продукции, уровень потерь от брака, доплаты рабочим за отступления от установленной технологии, сверхплановые потери рабочего времени и др.

Анализ уровня управления характеризует деятельность управляющей системы, ее соответствие объекту управления, способность выбора обоснованных управленческих решений. Эти качества управляющей системы выступают важным фактором интенсификации производства, эффективности его текущего и перспективного развития.

Показателями, характеризующими состояние органов управления, являются коэффициент обеспеченности предприятия управленческими кадрами в целом и по отдельным функциональным группам, удельный вес работников управления в общей численности работающих, их средняя численность и доля в цехах и на участках.

Уровень управления характеризует также широта использования в управленческой деятельности электронно-вычислительной техники и новых методов управления, основанных на расширении границ самостоятельности производственных подразделений, усиление экономических рычагов.

Анализ начинают с оценки количественных и качественных характеристик техники, применяемой в управлении, уровня ее совершенства. Показателями для такой оценки служат стоимость электронно-вычислительной техники и ее доля в стоимости основных производственных фондов, мощность информационно-вычислительного центра, объем информации, обрабатываемой с использованием вычислительной техники.

Уровень технической оснащенности определяет степень механизации и автоматизации управленческого труда. Ее характеризуют уровень комплексной механизации и автоматизации процесса обработки информации и подготовки управленческих решений. Механизация и автоматизация управленческой деятельности создает основу для рассмотрения альтернативных путей развития предприятия и принятия наиболее оптимальных управленческих решений.

Предсказание банкротства фирм с помощью статистических и интеллектуальных методов и сравнение эволюционных подходов к расчетам

https://doi.org/10.1016/j.camwa.2011.10.030Получение прав и содержание

Аннотация

В этой статье мы сравниваем некоторые традиционные статистические методы прогнозирования финансовых бедствий до некоторых более «нетрадиционных» методов, таких как классификация дерева решений, нейронные сети и методы эволюционных вычислений, с использованием данных, собранных от 200 компаний, котирующихся на Тайваньской фондовой бирже (TSEC).Эмпирические эксперименты проводились с использованием в общей сложности 42 коэффициентов, включая 33 финансовых, 8 нефинансовых и 1 комбинированный макроэкономический индекс, с использованием анализа основных компонентов (PCA) для извлечения подходящих переменных.

Эта статья вносит четыре важных вклада: (1) с почти 80% меньшим финансовым коэффициентом по методу PCA, эффективность прогнозирования все еще может обеспечивать высокоточные прогнозы финансового банкротства; (2) мы показываем, что традиционные статистические методы лучше подходят для обработки больших наборов данных без ущерба для производительности прогнозирования, в то время как интеллектуальные методы обеспечивают лучшую производительность с меньшими наборами данных и на них негативно влияют огромные наборы данных; (3) эмпирические результаты показывают, что C5.0 и CART обеспечивают наилучшее прогнозирование неизбежных банкротств; и (4) машины опорных векторов (SVM) с эволюционными вычислениями обеспечивают хороший баланс высокоточных краткосрочных и долгосрочных прогнозов производительности для здоровых и проблемных фирм. Таким образом, экспериментальные результаты показывают, что оптимизация роя частиц (PSO), интегрированная с подходом SVM (PSO – SVM), может быть рассмотрена для прогнозирования потенциальных финансовых проблем.

Ключевые слова

Классификация дерева решений

Машина опорных векторов

Прогноз финансового банкротства

Рекомендуемые статьи Цитирующие статьи (0)

Copyright © 2011 Elsevier Ltd.Все права защищены.

Рекомендуемые статьи

Ссылки на статьи

(PDF) Статистические методы прогнозирования банкротства в секторе логистики в Польше и Словакии

Я. Брозина, Г. Ментель, Т. Писула

Моделирование и оценка экономического фактора бизнеса

ПРЕОБРАЗОВАНИЯ В БИЗНЕСЕ И ЭКОНОМИКЕ, Vol. 15, № 1 (37), 2016

Флетчер, Д., Госс, Э. (1993), «Прогнозирование приложений с помощью нейронных сетей и приложений с использованием данных о банкротстве»,

Информация и управление, Том.24, №, стр. 159–167.

Фридман, Х., Альтман, Э.И., Као, Д. (1985), «Введение рекурсивного разделения для финансовой классификации: случай

финансового кризиса», Journal of Finance, Vol. 40, № 1, стр. 269-291.

Hamrol, M., Chodakowski, J. (2008), «Prognozowaniezagrożeniafinansowegoprzedsiębiorstwa.

Wartośćpredykcyjnapolskichmodelianalizydyskryminacyjnej ”, Badania Operacyjnei Decyzje, № 3,

pp.17–31, [Prognozowaniezagrożeniafinansowegoprzedsiębiorstwa.

Wartośćpredykcyjnapolskichmodelianalizydyskryminacyjnej, на польском языке].

Джонс, С., Хеншер, Д.А. (2004), «Прогнозирование финансовых бедствий фирмы: модель со смешанным логитом», Accounting Review,

Vol. 79, № 4, с. 1011–1038.

Карелс Г.В., Пракаш А.Дж. (1987), «Многомерная нормальность и прогнозирование банкротства бизнеса», журнал

Business Finance and Accounting, Vol. 14, No 4, с.

Каски, С., Синкконен, Дж., Пелтонен, Дж. (2001), «Анализ банкротства с самоорганизующимися картами в показателях обучения»,

IEEE Transactions on Neural Networks, Vol.12, № 4, с. 936-947.

Кивилуото, К. (1998), «Прогнозирование банкротств с помощью самоорганизующейся карты», Neurocomputing, Vol. 21, No, pp.191-

201.

Колари, Дж., Гленнон, Д., Шин, Х., Капуто, М. (2002), «Прогнозирование банкротства крупных коммерческих банков США», Журнал

Экономика и бизнес, Vol. 54, № 32 1, стр. 361-387.

Король Т. (2012), «Модели раннего предупреждения против риска банкротства для предприятий Центральной Европы и Латинской Америки

», Экономическое моделирование, Том.31, №, стр. 22-30.

Кумар П.Р., Рави В. (2007), «Прогнозирование банкротства в банках и фирмах с помощью статистических и интеллектуальных методов.

— Обзор», Европейский журнал операционных исследований, том. 180, Нет, стр 1-28.

Лам, М. (2004), «Методы нейронных сетей для прогнозирования финансовых результатов: интеграция фундаментального и технического анализа

», Системы поддержки принятия решений, Vol. 37, №, стр. 567-581.

Ли, К., Бут, Д., Алам, П. (2005), «Сравнение контролируемых и неконтролируемых нейронных сетей при прогнозировании банкротства

корейских фирм», Expert Systems with Applications, Vol.29, №, стр. 1–16.

Лешно, М., Спектор, Ю. (1996), «Анализ прогнозирования нейронных сетей: дело о банкротстве», Нейрокомпьютинг,

Vol. 10, No, pp.125-147.

Löffler, G., Posch, P.N. (2007), Моделирование кредитного риска с использованием Excel и VBA, Wydawnictwo Wiley, Chichester,

West Sussex, p.156.

Марэ, М.Л., Пател, Дж., Вольфсон, М. (1984), «Экспериментальный дизайн классификационных моделей: применение рекурсивного разделения

и самонастройки для классификаций ссуд коммерческих банков», Journal of Accounting

Research, Vol.22, №, стр. 87–113.

Мартин Д. (1977), «Раннее предупреждение банкротства банка: подход логит-регрессии», Journal of Banking and Finance,

Vol. 1, №, стр. 249–276.

Matuszyk, A. (2004), Кредитный скоринг — metodazarządzaniaryzykiemkredytowym, Wydawnictwo CeDeWu,

Warszawa, p.119-122, [.

Ohlson, J.A. (1980), «Финансовые пайки и вероятностное прогнозирование банкротства», Journal of Accounting

Research, Vol. 18, Нет, стр.109-131

Прусак Б. (2005), Nowoczesnemetodyprognozowaniazagrożeniafinansowegoprzedsiębiorstw, Wydawnictwo

Дифин, Варшава, [Современные методы прогнозирования финансовых рисков компаний, на польском языке].

Серрано-Чинка, С. (1996), «Самоорганизующиеся нейронные сети для финансовой диагностики», Системы поддержки принятия решений,

Vol. 17, Нет, стр 227-238.

Там, К.Ю., Кианг, М. (1992), «Прогнозирование сбоев банков: подход нейронной сети», Decision Sciences, Vol.23,

Нет, стр 926-947.

Thomas, L.C. (2009), Модели потребительского кредитования. Ценообразование, прибыль и портфели, Oxford University Press, Oxford,

, стр.111.

Ценг, Ф.М., Ху, Ю.С. (2010), «Сравнение четырех моделей прогнозирования банкротства: Logit, квадратичный интервальный логит,

нейронных и нечетких нейронных сетей», Expert Systems with Applications, Vol. 37, № 3, с. 1846-1853.

Уилсон, Р.Л., Шарда, Р. (1994), «Предсказание банкротства с использованием нейронных сетей», Системы поддержки принятия решений, Vol.

11, Нет, стр. 545-557.

Witkowska, D. (2002), Sztucznesiecineuronoweimetodystatystyczne. Wybranezagadnieniafinansowe, C.H. Beck,

Warszawa, pp.86-87, [.

Ю. Л., Ван, С., Лай, К. К., Чжоу, Л. (2008), Анализ кредитных рисков на основе биологических исследований. Вычислительный интеллект с машинами опорных векторов

, Springer-Verlag, Berlin Heidelberg, стр. 14-15.

Тайваньский набор данных прогнозирования банкротства

Тайваньский набор данных прогнозирования банкротства
Загрузить : Папка данных, описание набора данных

Abstract : Данные были собраны из Тайваньского экономического журнала за период с 1999 по 2009 год.Банкротство компании было определено на основании правил ведения бизнеса Тайваньской фондовой биржи.

Характеристики набора данных:

Многомерный

Количество экземпляров:

6819

Площадь:

Бизнес

Характеристики атрибутов:

Целое

Количество атрибутов:

96

Дата дарения

2020-06-28

Сопутствующие задачи:

Классификация

Отсутствуют значения?

НЕТ

Количество посещений в Интернете:

42434

Источник:

Дерон Лян и Чих-Фонг Цай, deronliang ‘@’ gmail.com ; cftsai ‘@’ mgt.ncu.edu.tw , Национальный центральный университет, Тайвань

Информация о наборе данных:

Предоставьте всю необходимую информацию о вашем наборе данных.

Информация об атрибуте:

Первый атрибут — это ярлык класса.
X1 Стоимость процентного долга
X2 Коэффициент реинвестирования денежных средств
X3 Коэффициент текущей ликвидности
X4 Кислотный тест
X5 Процентные расходы / общая выручка
X6 Отношение совокупных обязательств к собственному капиталу
X7 Обязательства / Всего активов
X8 Процентный долг / собственный капитал
X9 Условные обязательства / капитал
X10 Операционная прибыль / капитал
X11 Прибыль / капитал до налогообложения
X12 Оборотный капитал к совокупным активам
X13 Быстрые активы / Всего активов
X14 Оборотные активы / Всего активов
X15 Денежные средства / Всего активов
X16 Быстрые активы / текущие обязательства
X17 Денежные средства / текущие обязательства
X18 Текущие обязательства перед активами
X19 Операционные средства к ответственности
X20 Запасы / оборотный капитал
X21 Инвентаризация / текущая ответственность
X22 Краткосрочные обязательства / обязательства
X23 Оборотный капитал / Собственный капитал
X24 Краткосрочные обязательства / капитал
X25 Долгосрочная ответственность перед оборотными активами
X26 Текущие обязательства перед оборотными активами
X27 Один, если общая сумма обязательств превышает общую сумму активов;
X28 Собственный капитал
X29 Собственный капитал / Всего активов
X30 (Долгосрочная ответственность + капитал) / Основные средства
X31 Основные средства в активы
X32 Текущая ответственность к ответственности
X33 Текущие обязательства перед собственным капиталом
X34 Собственный капитал к долгосрочным обязательствам
X35 Обязательства по капиталу
X36 Степень финансового рычага
X37 Коэффициент покрытия процентов
X38 Операционные расходы / чистые продажи
X39 (Расходы на исследования и разработки) / Чистый объем продаж
X40 Эффективная налоговая ставка
X41 Балансовая стоимость на акцию (B)
X42 Балансовая стоимость на акцию (A)
X43 Балансовая стоимость на акцию (C)
X44 Денежный поток на акцию
X45 Продажи на акцию
X46 Операционная прибыль на акцию
X47 Продажи на сотрудника
X48 Операционный доход на сотрудника
X49 основных средств на сотрудника
X50 совокупных активов к цене ВНП
X51 Рентабельность совокупных активов (C)
X52 Рентабельность совокупных активов (A)
X53 Рентабельность совокупных активов (B)
X54 Валовая прибыль / чистый объем продаж
X55 Реализованная валовая прибыль / чистый объем продаж
X56 Операционная прибыль / чистые продажи
X57 Прибыль до налогообложения / чистая выручка
X58 Чистая прибыль / чистые продажи
X59 Коэффициент чистой внереализационной прибыли
X60 Чистая прибыль без учета прибыли или убытка от выбытия / Чистые продажи
X61 Чистая прибыль на акцию
X62 Прибыль до налогообложения на акцию
X63 Нераспределенная прибыль к совокупным активам
X64 Общий доход к общим расходам
X65 Итого расходы на активы
X66 Чистая прибыль к совокупным активам
X67 Валовая прибыль от продаж
X68 Чистая прибыль акционерного капитала
X69 Если чистый доход отрицательный за последние два года; Ноль в противном случае
X70 (Запасы + Дебиторская задолженность) / Собственный капитал
X71 Общий оборот активов
X72 Оборачиваемость дебиторской задолженности
X73 дня дебиторской задолженности
X74 Оборачиваемость запасов
X75 Оборот основных средств
X76 Оборот капитала
X77 Текущие активы к продажам
X78 Быстрые средства для продажи
X79 Оборотный капитал к продажам
X80 Наличные в продажу
X81 Денежный поток к продажам
X82 Интервал без кредита
X83 Денежный поток от операционных / текущих обязательств
X84 Движение денежных средств к совокупным активам
X85 Денежный поток к обязательствам
X86 CFO на активы
X87 Денежный поток к собственному капиталу
X88 Темпы роста реализованной валовой прибыли
X89 Рост операционной прибыли
X90 Рост чистой прибыли
X91 Сохранение операционной прибыли после роста налогов
X92 Чистая прибыль без учета прироста или убытка от выбытия
X93 Общий прирост активов
X94 Общий прирост капитала
X95 Рентабельность общего прироста активов

Соответствующие документы:

Лян, Д., Лу, Ч.-К., Цай, Ч.-Ф., и Ши, Г.-А. (2016) Финансовые показатели и показатели корпоративного управления в прогнозировании банкротства: всестороннее исследование. Европейский журнал операционных исследований, т. 252, нет. 2. С. 561-572.


Запрос цитаты:

Если у вас нет специальных запросов на цитирование, оставьте это поле пустым.

Прогнозирование банкротства

Описание проблемы

В этом упражнении мы провели исследование жизненно важных финансовых показателей обанкротившихся и здоровых компаний.Сначала мы идентифицировали 66 несостоявшихся фирм из списка, предоставленного Дан и Брэдстрит. Эти фирмы занимались производством или продажей и имели финансовые данные на ленте Compustat Research. Банкротство произошло где-то между 1970 и 1982 годом.

Для каждой из этих 66 обанкротившихся фирм мы выбрали здоровую фирму примерно такого же размера (если судить по внешней стоимости активов фирмы) из той же отрасли (трехзначный код SIC) в качестве основы для сравнения. Этот метод согласованной выборки использовался для минимизации влияния любых посторонних факторов (например,г., промышленность) по выводам исследования.

Исследование было разработано, чтобы увидеть, насколько хорошо можно предсказать банкротство на два года вперед. Всего было рассчитано 24 финансовых коэффициента для каждой из 132 фирм с использованием данных из лент Compustat и из промышленного руководства Moody’s за год, который был за два года до года банкротства. В таблице ниже перечислены 24 коэффициента вместе с объяснением сокращений, используемых для основных финансовых переменных. Все эти переменные содержатся в годовом отчете фирмы, за исключением CFFO.Коэффициенты использовались для облегчения сравнения фирм различных размеров.

Первые четыре коэффициента, использующие ДЕНЕЖНЫЕ СРЕДСТВА в числителе, можно рассматривать как меры денежного резервуара фирмы, с помощью которого можно расплачиваться по долгам. Три коэффициента с CURASS в числителе отражают создание компанией текущих активов, с помощью которых следует расплачиваться по долгам. Два коэффициента, CURDEBT / DEBT и ASSETS / DEBTS, измеряют структуру долга фирмы. Оборачиваемость запасов и дебиторской задолженности измеряется с помощью COGS / INV и SALES / REC, а SALES / ASSETS измеряет способность фирмы генерировать продажи.Последние 12 коэффициентов являются показателями движения активов.

Параметры

Определение

Сокращение

финансовая переменная

НЕТ

Произвольный идентификационный номер для каждой фирмы.

АКТИВЫ

Итого активы

D

D = 0 для несостоятельных фирм, D = 1 для здоровых фирм.

НАЛИЧНЫЕ

Наличные

г.

Год банкротства для несостоятельной фирмы в согласованной паре

CFFO

Денежный поток от операционной деятельности

R1

НАЛИЧНЫЕ / НАЛИЧНЫЕ

COGS

Себестоимость проданной продукции

R2

НАЛИЧНЫЕ / ПРОДАЖА

CURASS

Оборотные активы

R3

ДЕНЕЖНЫЕ СРЕДСТВА / АКТИВЫ

CURDEBT

Текущий долг

R4

НАЛИЧНЫЕ / ДОЛГЫ

ДОЛГ

Общий долг

R5

CFF0 / ПРОДАЖА

INC

Доход

R6

CFFO / АКТИВЫ

INCDEP

Доходы плюс амортизация

R7

CFFO / DEBTS

ИНВ

Опись

R8

COGS / INV

REC

Дебиторская задолженность

R9

CURASS / CURDEBT

ПРОДАЖА

Продажи

R10

CURASS / ПРОДАЖА

WCFO

Оборотный капитал от операционной деятельности

R11

CURRASS / АКТИВЫ

R12

CURDEBT / DEBTS

R13

INC / ПРОДАЖИ

R14

INC / АКТИВЫ

R15

ВКЛ / ДОЛГ

R16

UBCDEP / ПРОДАЖА

R17

INCDEP / АКТИВЫ

R18

INCDEP / DEBTS

R19

ПРОДАЖА / РЕК

R20

ПРОДАЖИ / АКТИВЫ

R21

АКТИВЫ / ДОЛГ

R22

WCFO / ПРОДАЖА

R23

WCFO / АКТИВЫ

R24

WCFO / ДОЛГ

Что вы построите

Что вы узнаете

  • Изучите набор данных с помощью pandas, numpy, matplotlib.
  • Сравните производительность логистической регрессии, классификатора случайного леса и многослойного классификатора персептрона.
  • Выберите важные функции для новой модели.
  • Построить классификатор случайных лесов для классификации.
  • Используйте confusion_matrix, кривую ROC и перекрестную проверку для оценки производительности модели.
  • панды
  • число
  • матплотлиб
  • склеарн
  • XLRD
  • Сиборн

Примечание : Все пакеты уже находятся в Qusandbox, вам не нужно устанавливать какие-либо пакеты, если вы запускаете проект в Qusandbox.Если вы запускаете проект в локальном блокноте Jupyter, убедитесь, что вы установили все указанные выше пакеты.

Сначала используйте pandas pd.read_excel для чтения файла Excel. Поскольку в наборе данных нет недопустимого значения, вы можете пропустить этап очистки данных.

Посмотрите на верхние 5 строк в наборе данных (часть столбцов):

Разделите набор данных на df_D0, где D = 0 (банкротство / несостоятельная фирма) и df_D1, где D = 1 (здоровая фирма), и нанесите на график среднее значение каждой характеристики в 2 классе

Из графика видно, что, за исключением R19 и R8, большинство функций не имеют больших значений.

Постройте график распределения банкротства по времени и распределения каждого признака.


Из графиков вы можете найти, что:

  • Признаки, чьи распределения по классам (D = 0, D = 1) имеют более значительную разницу, как правило, лучше предсказывают банкротство. Такие как: R17, R22, R23.
  • Признаки, чьи распределения классов (D = 0, D = 1) имеют менее значительную разницу, как правило, являются плохим предиктором банкротства. Такие как: R19, R12, R5.

Поскольку у каждой неудавшейся фирмы есть противоположная здоровая фирма, для обучения хорошей модели вы можете собрать пары соответствующих фирм в одном наборе данных для обучения / тестирования.

Подсказка : Чтобы добиться этого в записной книжке, нужно определить функцию, возвращающую набор для обучения и тестирования.

Настройка гиперпараметров для логистической регрессии, классификатора случайного леса и классификатора многослойного персептрона с 5-кратной перекрестной проверкой. Затем выберите модель с лучшими характеристиками.

Подсказка : Определите функцию для отчета о производительности каждого классификатора с помощью GridSearchCV в sklearn.


Результат:

Логистическая регрессия

Лучший C: 0,11578947368421053
Лучший пенальти: l2
Лучший результат: 0,75

Классификатор случайных лесов

Лучшие max_features: 1
Лучший бутстрап: True
Лучший max_depth: 3
Лучший min_samples_leaf: 10
Лучший критерий: gini
Лучший min_samples_split: 3
Лучший результат: 0.875

Многослойный классификатор персептрона (нейронная сеть)

Лучшие размеры hidden_layer_sizes: (15, 15)
Лучшая активация: tanh
Лучший результат: 0,8269230769230769

В качестве отчета о наилучших характеристиках каждой модели, показанной ниже, мы выбираем модель с наивысшим показателем точности: Классификатор случайного леса.

Теперь вы можете использовать обучающий набор для построения случайной модели классификатора леса с наилучшими параметрами.

В ноутбуке точность 0.8571428571428571

Вы можете проверить матрицу неточностей набора тестов и построить тепловую карту для визуализации матрицы неточностей.

Постройте кривую ROC:

Затем распечатайте отчет о характеристиках вашей модели. Показатели модели в ноутбуке:

.


Есть два способа выбрать важные функции ноутбука.

  1. Выбор функций на основе ранжирования их важности

Отсортированные функции_входов_ модели в ноутбуке:

[(0.12713, R7), (0,12525, R14), (0,12428, R18), (0,10584, R21), (0,1009, R15), (0,09672, R9), (0,06942, ‘R17’), (0,03759, ‘R24’), (0,03565, ‘R13’), (0,03287, ‘R1’), (0,03123, ‘R6’), (0,02182, ‘R11’), (0,02084, ‘R20 ‘), (0,01721,’ R16 ‘), (0,01696,’ R4 ‘), (0,01606,’ R2 ‘), (0,01,’ R12 ‘), (0,0097,’ R23 ‘), (0,00487,’ R5 ‘) , (0,00478, ‘R10’), (0,00086, ‘R8’), (0,0, ‘R3’), (0,0, ‘R22’), (0,0, ‘R19’)]

После выбора 15 основных важных функций в качестве новых функций для построения новой модели точность становится равной 0.8928571428571429, что по сравнению со старой моделью намного больше.

Однако при выборе 10 или 30 важных функций точность снижается.

  1. Удалить один из признаков в паре с высоким коэффициентом корреляции, чтобы устранить мультиколлинеарность

Мультиколлинеарность возникает, когда ваша модель включает несколько факторов, которые коррелируют не только с вашей переменной ответа, но и друг с другом. Это может увеличить стандартные ошибки коэффициентов, что сделает некоторые переменные статистически незначимыми, когда они должны быть значимыми.Чтобы выбрать действительно важные особенности, вам может потребоваться удалить сильно коррелированные предикторы из модели.

В записной книжке мы строим тепловую карту, чтобы увидеть корреляцию между каждой характеристикой, а затем вручную выбираем пары с высокой корреляцией.

Затем, учитывая важность функции, мы сохраняем одну из функций в каждой паре, которая является наиболее важной, и удаляем остальные. Новая тепловая карта корреляции представлена ​​ниже:

Используйте эти важные особенности для создания новой модели.Точность новой модели в ноутбуке — 0,8928571428571429

После удаления сильно коррелированных предикторов из модели точность увеличивается. Это указывает на то, что наша модель может столкнуться с проблемой мультиколлинеарности, которая возникает, когда модель включает несколько факторов, которые коррелируют не только с переменной метки, но и друг с другом.

Вопрос 2

Прокомментируйте отдельные цели профилирования характеристик обанкротившихся фирм и фирм-банкротов.просто предсказывать (стиль черного ящика), обанкротится ли фирма и будут ли полезны обе цели или только одна. Также прокомментируйте методы классификации, которые будут уместны в каждом случае.

Подсказка : Определите функцию, возвращающую оценку точности каждой модели и сохраняющую отсортированный результат во фрейме данных.

Результат должен быть таким:


Вы также можете попробовать использовать две функции для обучения модели и увидеть результат.

В ноутбуке, при обучении одной функции, точность R4 и R23 составляет 0,78571. Однако при обучении их обоих результат немного увеличивается до 0,82143, что показывает, что эти две функции независимы, что дает модели больше информации.

Но при обучении модели с помощью функции R4 и R1 (их оценка прогнозирования одной функции составляет 0,78571), оценка уменьшается до 0,607143, что означает, что эти две функции могут иметь высокую корреляцию и не могут дать никакой полезной информации для новой модели.

Вопрос 3

Изучите данные, чтобы получить предварительное представление о том, какие переменные могут быть важны при различении фирм-банкротов от фирм, не являющихся банкротами. (например, блочная диаграмма для каждой функции)

Сюжеты должны быть такими:

Из графиков вы можете найти, что:

  • Важные особенности: R1, R3, R9, R11, R13, R15, R16, R17, R18, R21, R23, R24.
  • В фигурах признака R1, R4, R9, R18, R21 коробчатая диаграмма здоровых фирм намного выше, чем неудачных.А прямоугольная диаграмма обанкротившихся фирм очень короткая, что указывает на то, что ее ценность очень высока и важна для прогнозирования.

Таблица результатов:

Учебник

Shmueli.G, Bruce.P.C, Patel.N.R (2016) Интеллектуальный анализ данных для бизнес-аналитики (третье издание)

Предсказание банкротства в эпоху WorldCom — экспертные научные статьи

В 2002 году 191 публичная компания обанкротилась.[1] Если бы среди них был один или несколько ваших ключевых клиентов, насколько сильно вы пострадали бы? Как удалить их из книги дебиторской задолженности, пока не стало слишком поздно?

Для сравнения: 257 публичных компаний с общими активами в 256 миллиардов долларов подали заявление о банкротстве в США в 2001 году. Это было самым высоким числом заявлений о банкротстве с 1980 года [2]. В то время как общее количество компаний сократилось до 191 в 2002 году, это все еще намного выше среднего показателя 1986–2000 годов, составлявшего 113 [3]. Кроме того, эти цифры слишком велики по сравнению с количеством заявок во время последней рецессии (125 заявок в 1991 г. и 91 подача в 1992 г.).[4]

Беспокоит не только количество обанкротившихся компаний; это их размер. За последние несколько лет наметилась отчетливая тенденция к тому, что более крупные компании объявляют о банкротстве. В качестве яркого примера можно привести общие активы фирм, объявивших о банкротстве в 2002 году, на сумму 378,8 миллиарда долларов по сравнению с 258,5 миллиардами долларов в 2001 году [5]. В то время как банкротство фирм с крупными активами было довольно редким явлением до 1966 года, оно стало более распространенным в 1970-х годах [6]. С момента вступления в силу действующего U.S. В Кодексе о банкротстве 1978 года было зарегистрировано не менее 100 случаев банкротства фирм, размер активов которых превышал 1 миллиард долларов [7]. Из 191 публичной компании, поданной в 2002 году, 34 имели активы на сумму более 1 миллиарда долларов [8]. Возможно, еще более зловеще, что на момент написания этой статьи из пяти крупнейших банкротств с 1980 года три произошли в течение последних 15 месяцев [9].

Банкротство любой компании может иметь серьезные последствия для тех, кто ведет с ней бизнес. Но последствия банкротства крупной компании могут быть особенно разрушительными, как потому, что оно затрагивает очень много других предприятий и частных лиц, так и потому, что многие из ее поставщиков и других деловых партнеров непропорционально зависят от этого единственного клиента.

Рассмотрим недавнее банкротство WorldCom. По состоянию на конец 2001 года у компании были договорные обязательства (включая капитальную аренду) на период до 2006 года и позже на сумму чуть менее 5 миллиардов долларов [10]. Поскольку WorldCom проходит через реструктуризацию главы 11, большинство из этих долгосрочных обязательств, вероятно, никогда не приведут к доходам для продавцов, арендодателей и арендодателей, которые в целом уже понесли капитальные затраты, необходимые для обслуживания ныне несуществующих счетов WorldCom.

В этой среде руководителям предприятий и специалистам в области финансов было бы полезно освежить свои знания о моделях прогнозирования банкротства.К счастью, эти модели существуют уже некоторое время. Одной из самых популярных из них является модель Z-score, представленная Эдвардом Альтманом в новаторской статье 1968 года. [11] Эта модель представлена ​​здесь и достаточно подробно объяснена, чтобы ее можно было применять. Однако даже те, кого иногда пугают количественные исследования и формулы, могут понять основные идеи.

(См. Формулу и объяснение в текстовом поле 1 в конце этой статьи. Если вы не тот в своей компании, кто будет нести ответственность за эти проблемы, вам следует рассмотреть возможность передачи этой статьи тем, кто несет ответственность за кредитные решения.)

Модель Z-score

На протяжении десятилетий значительные исследования в области бухгалтерского учета и финансов были направлены на поиск соотношения, которое могло бы служить хорошим предиктором банкротства. Одно из наиболее всеобъемлющих ранних исследований было проведено Уильямом Бивером. Он изучил эффективность различных коэффициентов в качестве предикторов банкротства и пришел к выводу, что отношение денежного потока к долгу является единственным лучшим предиктором. [12]

Однако критический прорыв в прогнозировании банкротства произошел в 1968 году, когда Эдвард Альтман решил отказаться от поиска единственного наилучшего отношения и построил всеобъемлющую статистическую модель, используя метод, называемый множественным дискриминантным анализом (MDA).[13] MDA позволяет исследователю сгруппировать наблюдения по нескольким заранее определенным категориям. Излишне говорить, что Альтмана интересовали две категории компаний, которые обанкротились и не обанкротились.

Альтман выбрал выборку из 33 производственных компаний, объявивших о банкротстве в период с 1946 по 1965 год, и сопоставил их с еще 33 компаниями, выбранными на стратифицированной (как по отраслям, так и по размеру активов) случайным образом. Затем он начал с 22 коэффициентов, которые казались интуитивно правдоподобными в качестве предсказателей банкротства.После каждого пробного запуска он исключал соотношение, которое меньше всего способствовало объяснительной силе модели. В конце концов, он придумал модель, содержащую всего пять соотношений. ( См. Подробное описание в текстовом поле ). Когда Альтман сложил эти отношения в пропорциях, определенных процедурой MDA, он получил очень удобную метрику, которую назвал Z-оценкой. Если Z-оценка была ниже линии отсечения — изначально она была установлена ​​на уровне 2,675, — фирма была классифицирована как банкрот (т. Е. Неплатежеспособной или направлявшаяся в этом направлении), а если она была выше линии отсечения, как небанкротство.Эта модель позволила ему правильно классифицировать 94 процента фирм-банкротов и 97 процентов фирм, не являющихся банкротами, за год до подачи заявления о банкротстве. Попытка предсказать банкротство раньше, то есть на два года вперед, дала более низкую, но все же впечатляющую точность 72% и 94% соответственно.

Важно подчеркнуть, что исходная модель Альтмана предназначена для использования в случае публичных производственных фирм. Однако Альтман использовал тот же подход для разработки других моделей: Z ’для частных производственных фирм и Z” для непроизводственных фирм.( См. Текстовое поле 2 в конце статьи для формул для Z ‘и Z ».)

После проведения трех последующих тестов (86 компаний, обанкротившихся в 1969-75, 110 в 1976-95 и 120 в 1997-99) Альтман рекомендовал более низкий пороговый балл 1,81 и рассматривал Z-баллы между 1,81 и 2,675 как «серую зону» или «зону невежества». Если Z-оценка попадает в «зону незнания», это означает, что у рассматриваемой компании есть шанс обанкротиться, но нет уверенности в том, что это произойдет.[14]

Интересно, что Альтман обнаружил, что в 1999 году 20 процентов промышленных фирм США, упомянутых в лентах данных Compustat, имели Z-балл ниже 1,81. [15] Другими словами, следовало ожидать необычно высокого уровня банкротств в 2001–2002 годах!

Почему это работает?

Здесь возникает интересный вопрос, почему этот конкретный набор соотношений, по-видимому, обладает такой большой предсказательной силой. Давайте рассмотрим каждое соотношение по отдельности.

X 1 (Оборотный капитал / Общие активы)

Оборотный капитал — это просто превышение текущих активов над текущими обязательствами.В бухгалтерском учете активы считаются краткосрочными, если предполагается, что они будут конвертированы в денежные средства или использованы в течение одного года или одного операционного цикла компании, если он превышает один год. Примеры оборотных активов включают денежные средства, дебиторскую задолженность и запасы. Точно так же текущие обязательства — это обязательства, которые фирма ожидает погасить в течение одного года или одного операционного цикла. Наиболее типичными краткосрочными обязательствами являются краткосрочная задолженность и кредиторская задолженность.

Следовательно, фирма с отрицательным оборотным капиталом, скорее всего, столкнется с проблемами при выполнении своих краткосрочных обязательств.(Для их покрытия просто не хватает оборотных средств.) И наоборот, фирма со значительно положительным оборотным капиталом редко имеет проблемы с оплатой счетов.

X 2 (Нераспределенная прибыль / общие активы)

Нераспределенная прибыль — это сумма прибыли за прошлые годы, которую фирма не выплатила своим акционерам в виде дивидендов. Значительная нераспределенная прибыль означает историю прибыльной деятельности и способность выдерживать периоды убытков. С другой стороны, низкая нераспределенная прибыль может сигнализировать о том, что один неудачный год (или даже квартал) может вывести компанию из бизнеса.

X 3 (Прибыль до уплаты процентов и налогов / Общие активы)

Этот коэффициент показывает способность фирмы использовать свои активы для получения прибыли до вычета процентов и налогов. Нас особенно беспокоит прибыль до уплаты процентов и налогов, поскольку невыплата процентов технически может привести к дефолту компании по ее долговым обязательствам. EBIT часто используется в качестве приблизительной меры денежного потока, генерируемого операциями фирмы. Другими словами, EBIT — это оценка размера денежного пула, доступного для распределения между тремя основными группами заявителей: кредиторами (проценты и основная сумма), правительством (налоги) и акционерами (дивиденды).

X 4 (Рыночная стоимость капитала / балансовая стоимость совокупных обязательств)

Некоторое время это соотношение казалось несколько загадочным. Рыночная стоимость капитала (иногда также называемая рыночной капитализацией) — это просто рыночная цена одной обыкновенной акции, умноженная на количество акций в обращении. Другими словами, это оценка фондовой биржей стоимости фирмы. Но какое отношение имеет рыночная стоимость капитала фирмы к ее способности обслуживать свой долг?

Есть как минимум два способа решить эту загадку.Во-первых, если фирма обанкротится, стоимость ее акций очень быстро упадет почти до нуля. Таким образом, если компания имеет значительную рыночную капитализацию, это следует воспринимать как показатель уверенности рынка в ее прочном финансовом положении. Во-вторых, если фирма имеет значительную рыночную капитализацию и начинает испытывать временные финансовые трудности, она может прибегнуть к выпуску большего количества обыкновенных акций по относительно высоким ценам. Хотя полученное в результате вливание денежных средств размывает интерес существующих акционеров, оно будет выгодно кредиторам, поскольку повысит шансы компании погасить свои непогашенные обязательства.

X 5 (Продажи / Общие активы)

Этот коэффициент (широко известный как оборот активов и подробно описанный практически в любом учебнике по бухгалтерскому учету и финансам) показывает, насколько эффективно фирма использует свои активы для увеличения продаж.

Но что, если книги приготовлены?

Интересной особенностью модели Z-score является ее способность противостоять определенным типам нарушений бухгалтерского учета. Рассмотрим недавнее громкое банкротство WorldCom, когда руководство неправильно учло миллиарды долларов как капитальные затраты, а не как операционные расходы.Такой подход оказал бы двойное влияние на финансовую отчетность: (1) завышение прибыли и (2) завышение активов. Завышенная прибыль увеличила бы коэффициент X 3 в модели Z-score, в то время как завышенные активы фактически уменьшили бы три коэффициента: X 1 , X 2 и X 5 (все три рассчитываются по совокупным активам в знаменатель). Таким образом, общее влияние этих неточностей в бухгалтерском учете на Z-рейтинг компании, вероятно, будет снижаться.

Тест с использованием WorldCom

Чтобы проверить обоснованность этого рассуждения в условиях ограниченного тематического исследования, мы вычислили Z-баллы для WorldCom за финансовые годы, закончившиеся 31 декабря 1999, 2000 и 2001 годов, на основе его годовых 10 -K отчеты поданы в Комиссию по ценным бумагам и биржам США. (См. Таблицу 2.) Мы обнаружили, что компания действительно испытала быстрое ухудшение своего Z-балла. Очевидно, что этот ограниченный тест следует проводить с недоверием (особенно с учетом того, что WorldCom не является производственной компанией), но он показывает, как этот конкретный тип несоответствия в бухгалтерском учете может повлиять на Z-оценку.

Дальнейшие разработки

Как отмечалось выше, одним из новаторских аспектов оригинальной работы Альтмана был ее радикальный отход от поиска единственного наилучшего соотношения. Скорее он искал простую, но всеобъемлющую многомерную модель. Другой не менее новаторской и столь же радикальной идеей было использование комбинации бухгалтерских и рыночных показателей для прогнозирования банкротства. В то время ученые-финансисты часто ставили под сомнение обоснованность показателей бухгалтерского учета, в то время как исследователи бухгалтерского учета считали, что наблюдение за рынком ценных бумаг имеет мало общего с проблемами, связанными с долгом, такими как банкротство.

Значение этого синтеза не было полностью осознано до появления моделей ценообразования опционов. Во-первых, в 1973 году Фишер Блэк и Майрон Скоулз [16], а затем Роберт Мертон [17] открыли механизм рационального ценообразования опционов, который, кстати, зависел как от цены базовых акций, так и от волатильности опционов. эта цена. [18] Затем, примерно в 1984 году, Олдрих Васичек и Стивен Килхофер предложили рассматривать обыкновенные акции как опцион колл на активы фирмы с ценой исполнения, равной балансовой стоимости обязательств фирмы.[19] Этот подход позволяет оценить вероятность дефолта в течение определенного периода времени на основе как бухгалтерских (стоимость обязательств), так и рыночных (цена акций и волатильность) данных. [20] Эти и другие связанные с ними события привели к появлению новой школы кредитного анализа и управления портфелем ценных бумаг с фиксированным доходом. Математика, лежащая в основе модели Васичека-Келхофера и других современных моделей кредитного риска [21], иногда бывает довольно сложной, но общая идея, впервые предложенная Альтманом, — комплексный синтез бухгалтерских и рыночных показателей — остается краеугольным камнем современного кредитного анализа. .

Заключение

Компаниям, которые регулярно предоставляют торговые кредиты своим ключевым клиентам, следует рассмотреть возможность проверки Z-баллов публично торгуемых клиентов на ежеквартальной основе. Быстрое ухудшение Z-балла клиента должно быть сигналом к ​​необходимости рассмотреть возможность снижения кредитных лимитов этого клиента и в целом уменьшения воздействия компании на этого клиента.

Более крупным компаниям с развитыми кредитными отделами следует рассмотреть возможность внедрения комплексной модели кредитного риска, аналогичной тем, которые используются коммерческими банками.Осмотрительное использование моделирования кредитного риска поможет компаниям избежать огромных убытков, связанных с банкротством ключевого клиента.



[1] BankruptcyData.com (http://www.BankruptcyData.com).

[2] BankruptcyData.com.

[3] Картер Пэйт, «Бизнес-глава 11 Банкротства: последние уровни и последствия для 2002 года», PricewaterhouseCoopers. Март 2002 г., стр. 1.

[4] там же.

[5] Аноним, «Корпоративные банкротства установили рекорд по активам в 2002 году», Business Wire , 10 января 2003 г.

[6] Э. Альтман, «Прогнозирование финансовых бедствий компаний: пересмотр моделей Z-score и ZETA®» (рабочий документ на http://pages.stern.nyu.edu/~ealtman/Zscores.pdf) 2000.

[7] Э. Альтман, «Финансовые показатели, анализ дискриминации и прогноз корпоративного банкротства», Journal of Finance , 23 сентября 1968 года.

[8] BankWire, 2003.

[9 ] BankruptcyData.com (http://www.BankruptcyData.com/Research/15_largest.htm (ссылка больше не доступна))

[10] Годовой отчет WorldCom, форма 10K, подана в Комиссию по ценным бумагам и биржам, 13 марта, 2002 г.Примечание 8 к консолидированной финансовой отчетности, п. F-2.

[11] Альтман, 1968.

[12] Уильям Бивер, «Финансовые коэффициенты как предикторы неудач», в Эмпирические исследования в области бухгалтерского учета , (Приложение к избранным исследованиям) Journal of Accounting Research, , январь, 1967

[13] Альтман, 1968.

[14] Альтман, 2000.

[15] там же. стр.18.

[16] Фишер Блэк и Майрон Скоулз, «Стоимость опционов и корпоративных обязательств», Журнал политической экономии , 81, 1973.

[17] Роберт Мертон, «Теория рационального ценообразования опционов», Bell Journal of Economics and Management Science , 4, 1973.

[18] Модель Блэка и Шоулза в последнее время много появлялась в деловых новостях. как один из возможных способов оценки предоставления сотрудникам опционов на акции.

[19] Запатентованная модель Vasicek-Kealhofer является флагманским продуктом компании KMV LLC, расположенной в Сан-Франциско, которая была основана Стивеном Килхофером, Эндрю Маккуауном и Олдрихом Васичеком в 1989 году и недавно приобретена Moody’s за 300 миллионов долларов.

[20] Заинтересованный читатель может обратиться к Питеру Кросби, «Моделирование риска дефолта», KMV, 2002, где подробно обсуждается модель Васичека-Келхофера.

[21] Кредитные метрики от JP Morgan, Credit Risk + от Credit Suisse First Boston и Credit Portfolio View от McKinsey & Company, и это лишь некоторые из них.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *