Опыт применения моделей Фулмера и Спрингейта в оценке венгерских предприятий сельского хозяйства и пищевой промышленности

Предсказание платежеспособности предприятий давно занимает умы кредиторов. Особенно справедливо это в случае сельскохозяйственных предприятий, поскольку данная отрасль всегда считалась вложением рискованным и трудно окупаемым. И всё же исследований в этом направлении проводилось сравнительно мало. С появлением вычислительных машин предсказание неплатежеспособности заёмщика стало предметом серьёзных статистических изысканий. Большинство положительных результатов было достигнуто с применением метода дискриминантного анализа. В данной работе автор представляет краткое описание двух моделей предсказания неплатежеспособности, а также критическую оценку их применения с использованием данных венгерских предприятий сельского хозяйства и пищевой промышленности.

Факторы оценки кредитного риска

По мнению специалистов банковского дела в оценке кредитного риска особое значение имеют три фактора:

• финансовый анализ — объективная оценка,
• человеческий фактор — субъективная оценка заёмщика,
• особенности отрасли производства заёмщика.

Однако открытым остаётся важный вопрос, в какой пропорции должны быть представлены эти три фактора в системе оценки кредита и заёмщика. В практике венгерских банков наиболее распространена пропорция в 40 – 40 – 20 процентов соответственно [VIRÁG, 1996]. Опыт автора показывает, что в практике финансирования сельского хозяйства роль субъективного фактора намного превышает 50 %. Причины такого положения вещей нужно искать, во-первых, в стратегии банков, а во-вторых — в отсутствии надёжных методов оценки кредитоспособности именно сельскохозяйственных предприятий. Руководство большинства крупных банков стремится достичь не максимальной прибыли, а стабильного и легко планируемого её увеличения. У такой политики есть преимущества, например:

• годовой прирост прибыли очень нравится акционерам,
• финансовое положение банка в значительно меньшей степени зависит от состояния всего рынка,
• на уровне значительно ниже максимальной прибыли, банки могут позволить себе выбирать наименее рискованные кредиты.

По данным филиала одного из крупных банков соотношение проблемных кредитов ко всем кредитам данного филиала не достигает трёх десятых процента (!), поскольку, работая на олигопольном рынке, кредиты даются только крупные и “перестрахованные”. Средние и малые банки также предпочитают не заниматься сельхоз-кредитами из-за повышенного риска, так как невыплата кредита заёмщиком затрагивает их более чувствительно. Круг замкнулся: крупные банки могли бы, но не хотят, малые хотели бы, но не могут. А те несколько банков, которые всё же занимаются сельхоз-финансированием, не могут удовлетворить все потребности. Работая так же в условиях сверхспроса, прибегают к политике крупных банков, таким образом, большинство, особенно малых, сельхоз-предприятий кредита получить не может.

По мнению автора, разработкой и применением надёжных, учитывающих специфику этого производства, объективных методов оценки платежеспособности и предсказания несостоятельности именно сельхоз-предприятий можно уменьшить роль субъективных факторов в финансировании сельского хозяйства и облегчить привлечение капитала в отрасль.

Анализ финансовых коэффициентов

Первые изыскания, направленные на предсказание финансового краха появились в конце 30-х годов в Соединённых Штатах. Многие из основных методов анализа экономических и финансовых трудностей используются и в наши дни. В результате исследований, в которых независимо друг от друга приняло участие множество фирм консалтинга, был осознан тот факт, что некоторые финансовые коэффициенты потерпевших крах предприятий значительно отличаются от коэффициентов стабильно работающих.

Первым применять анализ соотношений финансовых коэффициентов, как метод предсказания банкротства, начал В. Х. Бивер [Beaver, 1966]. В своих исследованиях он по одному сравнивал показатели неплатежеспособных фирм с такими же коэффициентами фирм, нормально работающих, и обнаружил, что ещё задолго до краха разница между ними разительна. Обе группы состояли из 79 предприятий и уже за пять лет до кризиса были заметны признаки, позволявшие предполагать его приближение.

В каждом из похожих исследований были даны предложения, какие из коэффициентов следует принять во внимание и какие выводы можно сделать, наблюдая за их изменениями во времени. Не могли, однако, определить вероятность краха, поскольку попытки решить проблему с помощью лишь одного-двух коэффициентов часто приводили к фальшивым или противоречивым результатам.

Математическо-статистические методы с несколькими переменными

После сравнительных методов Бивера рождалось всё больше способов решения проблемы. Автор обобщил (Таблица 1) наиболее известные работы по предсказанию неплатежеспособности с помощью многопеременных статистических методов, применённые методы и их точность предсказания за год да краха. Легко заметить, что наиболее популярным является дискриминантный анализ. Начиная с середины 80-х годов, применим также метод логистической регрессии — Logit. Появление данных методов в предсказании краха обусловлено тем, что в процессе их применения появилась возможность дать ответы на вопросы, перед которыми традиционные методики были бессильны, а именно:

• Какие финансовые коэффициенты наиболее важны в процессе определения шансов хозяйственной единицы на крах?
• В каких пропорциях нужно принимать во внимание данные коэффициенты?
• Каким методом можно выявить данные коэффициенты и их соотношения друг с другом? [VIRÁG – HAJDU, 1995]

Авторы моделей, перечисленных в таблице (Таблица 1) дали различные ответы. В этом нет ничего удивительного, поскольку исследования проводились в разное время, в различной рыночной обстановке, на различных выборках предприятий и различными способами.

В данной работе представлены две из них. В той среде, где эти модели были разработаны, они проявили весьма высокую степень надёжности. Другая причина выбора в том, что обе модели готовились на основе данных малых и средних предприятий. Третья причина выбора: модели используют исключительно данные отчета о прибылях и убытках и отчета о финансовом состоянии. В отличие — например — от более известной модели Альтмана, не принимается во внимание рыночная капитализация. Таким образом, круг применения не сужается на акционерные общества, чьи акции находятся в свободном (биржевой) обороте, что совсем не характерно для венгерских сельхоз-предприятий. Конечно, такие предприятия всё же есть, но их так мало, что статистически их данными оперировать весьма затруднительно.

Краткое описание модели Фулмера

Модель была создана на основании обработки данных шестидесяти предприятий — 30 потерпевших крах и 30 нормально работавших — со средним годовым балансом в 455 тысяч американских долларов. Изначальный вариант модели содержал 40 коэффициентов, окончательный использует всего девять.

Общий вид модели:

где

Если H < 0, крах неизбежен. Точность прогнозов, сделанных с помощью данной модели на год вперёд — 98 %, на два года — 81 % [Fulmer, 1984].

Краткое описание модели Спрингейта

Эта модель была построена Гордоном Л. В. Спрингейтом [SPRINGATE, 1978] в университете Симона Фрейзера в 1978 году с помощью пошагового дискриминантного анализа методом, который разработал Эдуард И. Альтман в 1968 году. [ALTMAN, 1968]

В процессе создания модели из 19 — считавшихся лучшими — финансовых коэффициентов в окончательном варианте осталось только четыре. Общий вид модели:

в которой

Если Z < 0,862 предприятие получает оценку “крах”. При создании модели Спрингейт использовал данные 40 предприятий и достиг 92,5 процентной точности предсказания неплатежеспособности на год вперёд. Позднее Бодерас, [Botheras, 1979] используя модель Спрингейта на данных 50 предприятий со средним балансом в 2,5 миллиона долларов, достиг 88 процентной точности предсказания.

Эти модели, как и любые другие, следует использовать лишь как вспомогательные средства анализа предприятий. Полностью полагаться на их результаты неразумно и опасно. Применять их следует только после проверки и коррекции в среде будущего применения. Ниже перечислены примеры возможного использования:

• Обработка данных потенциальных заёмщиков с целью определения риска неплатежеспособности.
• Определение условий кредита.
• Покупке или продаже предприятия.
• “Сигнал тревоги” для менеджмента предприятия.
• Проверка принятых решений в симуляциях экономических ситуаций.
• Создание динамичной картины платежеспособности предприятия (анализ трендов), используя данные предыдущих отчётных периодов.

Последние три возможности могут быть встроены в менеджмент-информационные системы (MIS) и выполняться автоматически.

Выборка венгерских сельхоз-предприятий

В своей работе автор использовал базу данных Информационной Службы Министерства Юстиции Венгерской Республики [IM Mérlegtár, 1999/2]. Выборка содержит данные отчета о прибылях и убытках и отчета о финансовом состоянии 146 сельскохозяйственных предприятий (коды деятельности: EAOR 3, TEAOR A, TEAOR98 A) за год 1999. 73 из них (в дальнейшем — “работающие”) “нормально” работают и в настоящее время, а против остальных 73 (в дальнейшем — “банкроты”) в 2000 году был возбуждён ликвидационный процесс. Не более десяти процентов (в случае сельхоз-предприятий около 1 % — прим. автора) всех несостоятельных малых предприятий объявляют банкротами себя сами, так как в процессе окончательной ликвидации выплаты задолженностей избежать нельзя. Поэтому обычно дожидаются, пока кто-нибудь из кредиторов не подаёт в суд. Процесс с целью отсрочки платежей возбуждается ещё реже, прежде всего из-за недостаточного знания должниками законов, а также из-за очень длительных — до нескольких лет — судебных процедур, в течение которых ни должники, ни кредиторы денег своих не видят. Поэтому самым распространённым является ликвидационный процесс по инициативе кредиторов [Csernyánszky, 2001]. В 2000 году такие судебные процессы были возбуждены против 304 — существующих хотя бы год — венгерских сельхоз-предприятий [COMPLEX–Céghírek, 2001]. Âсего лишь чуть более четверти этих фирм предоставило свои финансовые отчёты Министерству Юстиции, несмотря на то, что это является обязательным. Дисциплина нормально работающих фирм не намного лучше. Происходит всё из-за неимения Министерством Юстиции (!) действительно эффективного средства принуждения.

В сложившихся условиях — количество фирм было ограничено выше указанными обстоятельствами — на состав выборки автор мог повлиять лишь в очень узких рамка. Годовые отчёты были проверены автором на отсутствие или исправимость ошибок. Из выборки были исключены фирмы, составляющие так называемый упрощённый отчёт, из-за их небольшого числа и низкой статистической ценности информации. Критерием группировки предприятий был выбран уставный капитал, поскольку все остальные критерии (баланс, объём реализаций, количество работников и т. д.) настолько усложняли работу на данном этапе, что делался почти невозможным отсев и выбор фирм работающих. Распределение нормально работающих сельхоз-фирм (всех!) по уставному капиталу демонстрирует Рисунок 1.

Процент банкротов среди предприятий с капиталом до одного миллиона форинтов включительно намного выше, чем в остальных категориях (Рисунок 2). Фирмы, бедные капиталом, более чувствительны к воздействию внешних факторов, непредвиденным расходам. Основать малую фирму просто, поэтому часто не продумывается достаточно основательно. Финансовая и бухгалтерская дисциплина таких фирм низка, и в данных балансов и отчётов о прибыли и убытках ошибок было больше, чем в других категориях. Этим обусловлено отличие состава выборки от распределения всех банкротов (Рисунок 3). Трудно измеримо, и относится, скорее, к человеческим факторам, однако наличие или отсутствие ошибок в заполнении финансовых отчётов можно использовать как квалитативный критерий.

Выборка работающих предприятий сформирована по составу выборки банкротов. В пределах границ категорий и в соответствие выше описанным критериям выбор происходил случайно. Дальнейшие ограничения: в период с 1998 по 2000 год против фирм не возбуждался ликвидационный процесс, не было изменений в уставном капитале, не менялась форма предприятия.

Результаты применения моделей

Работа выполнялась с использованием программы Microsoft Excel. При наборе формул моделей возникла необходимость применения условной логической функции “Если” (IF) с целью избежать деления на ноль и вычисления логарифма нуля и отрицательных чисел. В таких случаях критический параметр принимался за единицу. Результаты соответствуют ожиданиям (Таблица 2). Модель Фулмера учитывает больше факторов, поэтому и при обстоятельствах, отличных от оригинальных, работает стабильней. Кроме того, вычисление логарифмов, модель учитывает и размер фирм, что, наверное, справедливо как в Америке, так и в любой другой рыночной экономике. По крайней мере, распределение венгерских фирм по уставному капиталу подтверждает правильность идеи. Модель с одинаковой надёжностью определяет как банкротов, так и работающие фирмы. Результаты модели Спрингейта очень несимметричны. Модель явно “сдвинута” в сторону краха и поэтому применять её следует в случае стратегии избежания риска, а также стоит ввести константу, корректирующую “сдвиг”.

Надёжность моделей оказалась намного ниже, чем в среде разработки. Причин несколько:

1. Значения переменных в оригинальных моделях давались в американских и канадских долларах. При применении в других странах нужно учитывать искажение значений логарифмов. Пересчёт на доллары проблему решает, но изменения курса оставляют незначительные ошибки.
2. В венгерском бухучёте значения в бланки отчётов вносятся в тысячах форинтов. Необходима коррекция, которая в свою очередь нарушает непрерывность.
3. Условия экономики венгерского сельхоз-производства сильно отличаются от экономических условий Соединённых Штатов или Канады.
4. Отличительной чертой венгеркой политики и сельского хозяйства является тот факт, что — особенно среди малых сельхоз-предприятий — экономические трудности начинают принимать социальный характер. Таким образом, нарушаются принципы рыночной экономики.

Повысить уровень надёжности моделей можно изменением множителей методом итерации (подбора). Введением константы “сдвига” в модель Спрингейта можно компенсировать её несимметричность. Простым подбором вручную после нескольких шагов по принципу постоянного улучшения удалось поднять надёжность моделей до семидесяти процентов (в модели Фулмера — и выше). Можно использовать функцию-расширение Solver в программе MS Excel. В этом случае важен выбор отправных значений изменяемых множителей.

Советы по возможному применению в России

Прежде всего, без проверки на опытных данных применять их — особенно модель Спрингейта — не стоит. В описании модели использовались наименования, соответствующие российской бухгалтерской практике, однако при адаптации модели к российским условиям необходимо прояснить — проверить опытом — некоторые понятия. При испытании моделей на данных венгерских предприятий, использовалась следующая трактовка:

С помощью статистических софтверов (SPSS или др.) можно провести дискриминантный анализ данных конкретных предприятий, используя коэффициенты представленных моделей. Наиболее же правильным, но трудоёмким, является создание собственной модели.

Литература

[ALTMAN – IZAN, 1984] Altman – Izan: Identifying Corporate Distress in Australia: An Industry Relative Analysis. Working Paper, New York University, 1984.

[ALTMAN – LORRIS, 1976] Altman – Lorris: A Financial Early Warnings System for Over-the Counter Broker Dealers. Journal of Finance, September 1976.

[ALTMAN et al., 1977] Altman – Haldeman – Narayanan: ZETA Analysis, A New Model to Identify Bankruptcy Risk of Corporation. Journal of Banking and Finance, 1977. 29-54 pp.

[ALTMAN et al., 1987] Altman – Frydman – Kao: Introducing Recursive Partitioning for Financial Classification: The Case of Financial Distress. Journal of Finance, 1987/8. 303-320 pp.

[ALTMAN, 1968] Altman, E. I.: Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, September 1968, 589-609 pp.

[BARTH et al., 1985] Barth – Brumbaugh – Sauerhaft – Wang: Thrift-Institution Failures: Causes and Policy Issues. Research Working Paper No. 117 Office of Policy and Economic Research, Federal Home Loan Bank Board, 1985.

[BEAVER, 1966] Beaver W. H.: Financial Ratios as Predictors of Failure. Empirical Research in Accounting, Selected Studies, 1966.

[BOTHERAS, 1979] Botheras, D. A.: Use of a Business Failure Prediction Model for Evaluating Potential and Existing Credit Risk. Unpublished M.B.A. Research Project, Simon Fraser University, Marc 1979. In: INSOLVENCY PREDICTION, E. Sands & Associates Inc. http://www.sands-trustee.com/insolart.htm

[COMPLEX–Céghírek, 2001] CD Céghírek, COMPLEX, 2001. június 30. (База данных фирм)

[Csernyánszky, 2001] Csernyánszky J.: A válság mindig vasárnap üt be. Cégépítés – Cégvezetés, Hírtőzsde Holding, Budapest, 2001. augusztus. 124-129 pp. (âенг.: “Кризис наступает всегда в воскресенье”, Создание фирмы – Управление фирмой)

[DAMBOLENA – KHOURY, 1980] Dambolena – Khoury: Ratio Stability and Corporate Failure. Journal of Accounting Research, 1980/10, 167-179 pp.

[DEAKIN, 1972] Deakin, E. B.: A Discriminant Analysis of Predictors of Failure. Journal of Accounting Research, 1972/10. 167-179 pp.

[FULMER et al., 1984] Fulmer, John G. et al.: A Bankruptcy Classification Model For Small Firms. Journal of Commercial Bank Lending, 1984. július. 25-37 pp.

[IM Mérlegtár, 1999/2] IM Mérlegtár 1999/2 CD, Igazságügyi Minisztérium Cégnyilvántartási és Céginformációs Szolgálata, 1999. (âенг.: База финансовых данных фирм за 1999 год, Информационная Служба Министерства Юстиции)

[LEGAULT, 1987] Legault, J.: C.A. - Score, A Warning System for Small Business Failures Bilanas, 1987. június, 29-31 pp. In: INSOLVENCY PREDICTION, E. Sands & Associates Inc. http://www.sands-trustee.com/insolart.htm

[PANNTELONA – PLATT, 1987a] Panntelona – Platt: Predicting Failure of Savings and Loan Associations. American Real Estate and Urban Economics Association Journal, num 15. 1987a, 46-64 pp.

[PANNTELONA – PLATT, 1987b] Panntelona – Platt: Predicting Commercial Bank Failure Since Deregulation. New England Economic Review, July/August, 1987b, 37-47 pp.

[PLATT – PLATT, 1990] Platt H. D. – Platt M. B.: Development of a Class of Stable Predictive Variables: The Case of Bankruptcy Prediction. Journal of Business Finance and Accounting, Spring, 1990.

[SPRINGATE, 1978] Springate, Gordon L.V.: Predicting the Possibility of Failure in a Canadian Firm. Unpublished M.B.A. Research Project, Simon Fraser University, January 1978. In: INSOLVENCY PREDICTION, E. Sands & Associates Inc. http://www.sands-trustee.com/insolart.htm

[VIRÁG – HAJDU, 1995] Virág M. – Hajdu O.: Pénzügyi mutatószámokon alapuló csődmodell-számítások.
Bankszemle, (40) 1995/5, Budapest, 1995., 42-53. рр. (венг.: “Вычисления моделей банкротства на основании финансовых коэффициентов”, Банк-овозрение)

[ZMIJEWSKI, 1984] Zmijewski, M.: Methodological Issues Related to the Estimation of Financial Distress Prediction Models. Journal of Accounting Research, num 22.1984., 59-82 pp.

Таблицы

Таблица 1
Наиболее известные модели предсказания банкротства

Таблица 2
Точность предсказания моделей за год до несостоятельности

Рисунок 1
Распределение нормально работающих сельхоз-предприятий по уставному капиталу (в форинтах)

Рисунок 2
Распределение несостоятельных(в 2000 г.) сельхоз-предприятий по уставному капиталу (в форинтах)

Рисунок 3
Распределение по уставному капиталу (в форинтах) в выборке несостоятельных сельхоз-предприятий

Литература:

1. При упоминании о сельскохозяйственных предприятиях подразумеваются также предприятия пищевой промышленности, лесоводные, рыбоводные и охотничьи хозяйства. (примечание автора)
2. Причисление к данным категориям справедливо по отношению к американским и канадским предприятиям и происходило по величине годового баланса (примечание автора)
3. Значение константы в оригинальной формуле было не -3,075, а -6,075. Данное изменение обусловлено искажением значения переменной x7, вызванным правилами заполнения бланков баланса в Венгрии, следуя которому данные вносятся в тысячах форинтов. (примечание автора)
4. В соответствие с венгерским законодательством, против несостоятельного предприятия может быть возбуждён судебнный процесс. Просить возбуждение процесса может само предприятие с целью получения отсрочки платежей или окончательной ликвидации, а также кредиторы. Таким образом могут быть возбуждены мимимум три вида процесса. (примечание автора).

Версия для печати