Автореферат (Оценка финансового состояния и прогнозирование банкротства предприятия), страница 4

3. Проверка точности динамических моделей №1, №2, №3 на выборкепредприятий, банкротство которых развивалось по сценарию №1.Вгодбанкротствавсетримоделисвысокойточностьюидентифицировали предприятий - банкротов. Однако при увеличенииколичества лет до банкротства точность модели №1 оказалась значительновыше точности моделей №2 и №3.За 4 года до банкротства динамическая модель №1 корректно прогнозировалавысокую вероятность банкротства у 77% предприятий, в то время как точностьмодели №2 и модели №3 оказалась равной 26% и 11% соответственно.Проверка точности динамических моделей на выборке предприятий,банкротство которых развивалось по сценарию №2В выборку для тестирования вошли 46 предприятий, ставших банкротамив 2009 году и попавших в результате процедуры кластеризации в группу №2, и23104предприятия,финансовоесостояниекоторыхбылопризнаноудовлетворительным по семи методикам.Как видно из рис. 4, все три динамические модели с высокой точностьюидентифицировали предприятий - банкротов на каждом временном промежуткетестирования моделей.

У анализируемых предприятий в течение многих летсредние значения финансовых показателей значимо отличались от среднихзначений показателей успешных предприятий отрасли. Это позволилоспрогнозировать высокую вероятность банкротства для таких предприятий со100% точностью даже за 4 года до банкротства.Соотношение сценария изменения вероятности банкротства иточности динамических моделей №1, №2, №3100% 100% 100%100% 100% 100%100%98%98%98%96%96%96%96%93%94%92%91%90%89%88%87%86%84%4 года до банкротства3 года до банкротстваДинамическая модель №12 года до банкротстваДинамическая модель №21 год до банкротстваДинамическая модель №3год банкротстваВероятность банкротстваРис. 4.

Проверка точности динамических моделей №1, №2, №3 на выборкепредприятий, банкротство которых развивалось по сценарию №2.Проверка точности динамических моделей на выборке предприятий,банкротство которых развивалось по сценарию № 3В выборку для тестирования вошли 36 предприятий, ставших банкротамив 2009 году и попавших в результате процедуры кластеризации в группу №3, и104предприятия,финансовоесостояниекоторыхбылопризнаноудовлетворительным по семи методикам.Как видно из рис. 5, результаты тестирования динамических моделей вданном случае аналогичны результатам тестирования моделей на финансовых24данных предприятий из кластера №2. Это объясняется тем, что, начиная с 2005года, финансовое положение предприятий кластера №3 резко ухудшилось, истало сопоставимо с финансовым состоянием предприятий из кластера №2.Соотношение сценария изменения вероятности банкротства иточности динамических моделей №1, №2, №3100% 100% 100%100%100%100%100% 100% 100%100%98%97%97%97%97%96%94%92%92%90%88%86%84%83%82%80%4 года до банкротства3 года до банкротстваДинамическая модель №12 года до банкротстваДинамическая модель №21 год до банкротстваДинамическая модель №3год банкротстваВероятность банкротстваРис.

5. Проверка точности динамических моделей №1, №2, №3 на выборкепредприятий, банкротство которых развивалось по сценарию №3.Проверка точности динамических моделей на выборке предприятий,имеющих удовлетворительное финансовое положениеВобучающуювыборкудляпроверкиточностиклассификациипредприятий с удовлетворительным финансовым состоянием вошли 104предприятия, финансовое состояние которых было признанно устойчивым посеми методикам оценки. Как видно из рис.6, все три динамические моделиправильноклассифицируютпредприятия,признанныхимеющимиудовлетворительное финансовое состояние.

За 4-х летний период точностьклассификации не менее 91%. Так в 2009 году динамическая модель №1корректно идентифицировала 95 из 104 предприятий (91%), динамическиемодели №2 и №3 правильно классифицировали 103 из 104 предприятий (99%).25Сравнение точности динамических моделей при идентификациипредприятий с удовлетворительным финансовым состоянием99%100%97%98%96%94%93%94%95%99%99%99%99%96%93%91%92%90%88%86%2006 годДинамическая модель №12007 год2008 годДинамическая модель №22009 годДинамическая модель №3Рис. 6.

Проверка точности динамических моделей №1, №2, №3 приидентификации предприятий с удовлетворительным финансовым состоянием.Помимо высокой точности классификации предприятий, качество всехтрех динамических моделей было подтверждено псевдо R2 Нагелькерка (RSquare Nadelkerkes), высокой значимостью критерия хи-квадрат и критериемХосмера и Лемешова (Hosmer and Lemeshow Goodness-of-Fit Test,1989).Оценка качества динамических моделей на контрольной выборкеДалее прогнозная точность комплекса динамических моделей былапроверена на данных, которые не использовались при построении модели.

Вконтрольную выборку вошли 514 предприятий, из них: 21 предприятие,ставшее банкротом в 2010 году, и 493 предприятия, финансовое состояниекоторых было признано удовлетворительным по четырем, пяти или шестиметодикам оценки финансового состояния.На рис.7 приведен сравнительный анализ точности прогнозированиявероятности банкротства предприятий с использованием динамическихмоделейв различныепериодывремени добанкротства в 2010 году.26официального признания100%81%80%71%81%71%57%60%81%71%67%71%76%57%48%40%20%0%4 года до банкротства3 года до банкротстваДинамическая модель №12 года до банкротстваДинамическая модель №21 год до банкротстваДинамическая модель №3Рис.

7. Динамика изменения точности моделей при идентификациипредприятий - банкротов за разное количество лет до банкротстваИз трех моделей наиболее точной оказалась модель №1, учитывающаятемп изменения вероятности банкротства во времени. При увеличенииколичества лет до банкротства точность всех трех моделей снижалась.Рис. 8. Изменение точности динамических моделей при идентификациипредприятий с удовлетворительным финансовым состоянием за период с 2006по 2009 год.Вотношениипредприятийсудовлетворительнымфинансовымположением по данным 2009 года динамическая модель №1 правильноклассифицировала 361 из 493 (73%) предприятий, динамическая модель №2 –405 из 493 (82%) предприятий, динамическая модель №3 – 419 из 493 (85%)предприятий.Таким образом, можно сделать вывод, что разработанный комплексдинамических моделей, учитывающих изменение финансовых показателей вовремени, обладает высокой прогнозной точностью на длительном временномпромежутке.27Определение нормативных значений финансовых коэффициентовпредприятийДля экспресс-анализа финансового состояния предприятий в даннойработебылиопределеныдиапазонызначенийосновныхфинансовыхкоэффициентов.Используя эвристический алгоритм Chaid (Kaas, 1975), результатомработы которого является решающее правило классификации, фрагменткоторого представлен в виде дерева (рис.9), были определены нормативныезначения финансовых коэффициентов для кластеризации предприятий на тех,вероятностьбанкротствакоторыхдостаточновысока,иимеющихудовлетворительное финансовое состояние.

Дерево строилось на обучающейвыборке из 333 предприятий.Рис. 9. Фрагмент дерева решений для классификации предприятийВ построенном дереве решений для классификации предприятийиспользуютсяпятьпеременных.Длякаждойпеременнойопределеныграничные значения, по которым можно определить, к какому из двух классовотносится предприятие.28Таблица 5.Нормативные значения финансовых коэффициентов для разных классовпредприятийНаименование показателяБанкротПредприятие, имеющееудовлетворительноефинансовое состояниеОтношение чистой прибыли к общим активам (K1)K1 <= -0,08K1 > 0,01Общая оборачиваемость активов (K2)K2 <= 2,61K2 > 2,61Доходность собственного капитала (K3)K3 <= 0,15K3 > 0,15Доходность общего капитала (K4)K4 <= 0,01K4 > 0,1Коэффициент текущей ликвидности (K5)K5 <= 0,40K5 > 0,98Программный инструментарийДляавтоматизациипроцессаоценкифинансовогосостоянияипрогнозирования вероятности банкротства предприятия была разработанаоригинальная информационная система, представленная на рис.10.Для реализации информационной системы была выбрана модель онлайнсервиса.

Основное преимущество данной модели для пользователей состоит вотсутствии затрат, связанных с установкой, обновлением и поддержкойработоспособности оборудования и работающего на нѐм программногообеспечения.Рис. 10. Окно «Содержание» автоматизированной информационной системыоценки финансового состояния и прогнозирования вероятности банкротствапредприятияСтруктура автоматизированной информационной системы включаетследующие подсистемы: импорта и экспорта данных, анализа данных,отображения и поиска информации, справочную подсистему и подсистемуразграничения прав доступа.293.

РЕЗУЛЬТАТЫ И ВЫВОДЫ ИССЛЕДОВАНИЯВ ходе проведенного исследования были получены следующиерезультаты:1.Предложена методологическая основа, на которой базируется новыйподход к прогнозированию вероятности банкротства предприятий,учитывающийретроспективнуюдинамикуизмененияфинансовыхпоказателей.2.Разработана и апробирована на выборке предприятий обрабатывающегопроизводства модель статической оценки вероятности банкротствапредприятия.3.Определены основные сценарии изменения вероятности банкротствапредприятия. Эти сценарии, как отражение ретроспективной динамикиизменения финансовых показателей, были учтены при построениидинамическихмоделей,прогнозирующихвероятностьбанкротстваизменениявероятностипредприятия.4.Показано,вбанкротства,зависимостиможноотсценарияпрогнозироватьвероятностьбанкротствапредприятия за период от года до четырех лет до банкротства сдостаточно высокой степенью точности.

Разработан и апробирован навыборке предприятий обрабатывающего производства комплекс моделейоценкифинансовогосостоянияипрогнозированиявероятностибанкротства предприятия, учитывающих ретроспективную динамикуизменения финансовых показателей и обладающих высокой прогнознойточностью в долгосрочной перспективе.5.Определенынормативныезначенияосновныхфинансовыхкоэффициентов для проведения экспресс-анализа финансового состоянияпредприятий.6.Разработана оригинальная информационная система для автоматизациипроцесса оценки финансового состояния и прогнозирования вероятностибанкротства предприятия.304.