текст(all)

что даѐт возможность получить более точный результат, основанный на анализе реально функционирующих предприятий. Однако система оценки Бивера была произведена на основе данных финансовой отчѐтности американских предприятий, полученных ещѐ в 60-х годах, и следовательно для еѐ применения необходим сбор и анализ статистических данных той страны и региона, в которой она будет применена.

Вто же время отсутствие весовых коэффициентов не позволяет

смаксимальной точностью отнести оценку финансового состояния компании к той или иной группе. Выходом из создавшегося положения мог бы являться единый обобщѐнный показатель, который бы являлся итогом оценки кредитоспособности предприятия.

Существенным недостатком системы показателей Бивера является и отсутствие учѐта специфики предприятий (например структуры капитала в различных отраслях) и экономической ситуации в стране.

Следующим этапом в развитии применения финансовых коэффициентов для прогнозирования банкротства предприятий стали попытки сконструировать обобщѐнный показатель (индикатор), который можно было бы использовать в предсказании вероятности банкротства.

Втабл. 2.2 обобщены наиболее известные зарубежные работы по предсказанию неплатѐжеспособности с помощью многопеременных статистических методов, применяемые модели и их точность предсказания за год до банкротства предприятий [117].

Таблица 2.2

Наиболее известные зарубежные модели предсказания банкротства

	Модели	Метод	Точность за год до
			краха, %
	1	2	3
	Altman (1968)	DAN	95
	Deakin (1972)	DAN	97
	Altman – Lorris (1976)	DAN	90
	Korobow – Sturh – Martin (1976)	REG	90

71

		Окончание табл. 2.2
1	2		3
Altman – Halderman – Narayanan (1977)	DAN		93
Springate (1978)	DAN		93
Springate – Botheras (1979)	DAN		88
Dambolena – Khoury (1980)	DAN		96
Zmijewski (1984)	Probit		76
Zmijewski (1984)	Probit		97
Altman – Izan (1984)	DAN		92
Fulmer (1984)	DAN		98
Barth – Brumbaugh –Sauerhaft – Wang	Logit		87
(1985)
Frydman – Altman –Kao (1985)	REK		94
Pantelona – Platt (1987)	DAN		95
Pantelona – Platt (1987)	Logit		96
Legault (CA-Score) (1987)	DAN		83
Platt – Platt (1990)	Logit		90
Altman – Hartzell – Peck (1995)	DAN		92
Moody’s RiskscoreTM (HERRITY, 1999)	–		79
DAN = дискриминантный анализ

REG = регрессионная модель

REK = рекурсивное деление

Probit = стандартное нормальное отклонение

Logit = логистическая регрессия

Можно заметить, что наиболее популярным является дискриминантный анализ. Начиная с середины 80-х годов ХХ века, 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 вероятности банкротства?

72

–В каких пропорциях нужно принимать во внимание данные коэффициенты?

–Каким методом можно выявить данные коэффициенты и их соотношения друг с другом?

Авторы моделей, перечисленных в табл. 2.2, 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 практике зарубежных финансовых организаций для оценки вероятности банкротства наиболее часто используется индекс кредитоспособности Э. Альтмана, который представляет собой пятифакторную модель, успешно действующих и обанкротившихся предприятий США. Однако его можно использовать лишь в отношении крупных компаний, котирующих свои акции на биржах. Именно для таких компаний можно получить объективную рыночную оценку собственного капитала, поэтому в российской практике в основном применяется модифицированная четырехфакторная модель для компаний, акции которых не котировались на бирже. Некоторые банки также используют модель Альтмана как метод расчѐта индекса кредитоспособности.

R = 8,38Х1 + Х2 + 0,054Х3 + 0,63Х4,

(2.1)

где Х1 – доля чистого оборотного капитала в активах; Х2 – отношение накопленной прибыли к активам; Х3 – рентабельность активов; Х4 – балансовая стоимость акций.

С нашей точки зрения, не стоит всецело полагаться на данные, полученные исходя из расчѐтов модели Альтмана, т.к. она, также как и система Бивера, основана на анализе статистических данных американских компаний. При внимательном изучении модели также видно, что представленный в формуле (2.1) коэффициент составлен некорректно: Х1 связан с кризисом управления, Х4 характеризует наступление финансового кризиса, в то время как остальные – экономического. С точки зрения системного подхода данный показатель не имеет права на существование.

Также недостатком этой модели является то, что согласно формуле (2.1) у предприятий с рентабельностью выше некоторой границы вероятность становления банкротства равна нулю. В российских условиях рентабельность отдельного предприятия в значительной мере подвергается опасности внешних колебаний.

73

По-видимому, эта формула в российских условиях должна иметь менее высокие параметры при различных показателях рентабельности.

Преимуществом методов, подобных модели Альтмана, на наш взгляд, является высокая вероятность, с которой предсказывается банкротство, приблизительно за два года до фактического объявления конкурса, недостатком – уменьшение статистической надѐжности результатов при составлении прогнозов относительно отдалѐнного будущего.

Построение моделей, подобных уравнению Альтмана, для российских кредитных организаций является проблематичным как из-за отсутствия статистики банкротств, так и из-за влияния на факт признания предприятия банкротом многих факторов, не поддающихся учѐту.

Альтман предлагал использовать его модель как дополнение к «скорее качественному и интуитивному» подходу инспекторов кредитных отделов банков, отмечая, что его модель не даѐт балльной оценки кредита и не способна заменить оценки, которые предлагают служащие банка. Модель и получаемые через неѐ Z-оценки могут послужить ценным инструментом определения общей кредитоспособности клиентов и сигналом раннего предупреждения о возможности плохого финансового состояния.

Системы диагностики банкротства предприятий Бивера и Альтмана существенно отличаются друг от друга. Данное обстоятельство заключается в целом ряде причин: различные статистические базы, на которых были основаны сами системы, различные виды рассчитываемых коэффициентов. Коэффициент Альтмана определяет вероятность возникновения банкротства предприятия в течение двух лет, показатели Бивера прогнозируют вероятность наступления банкротства в течение пяти лет.

Помимо моделей Альмана и Бивера существуют и болееменее успешно применяются и другие модели прогнозирования банкротства. Рассмотрим более подробно две из перечисленных в табл. 2.2 таких моделей. Это модели Фулмера и Спрингейта. Они были выбраны по следующим причинам. Во-первых, в той стране, где эти модели были разработаны, они проявили весьма высокую степень надѐжности. Во-вторых, обе модели готовились на основе данных малых и средних предприятий. А именно такие предприятия составляют основу бизнеса в России. В-третьих, мо-

74

дели используют исключительно данные баланса, а также отчѐта о прибылях и убытках.

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 [118].

Общий вид модели:

	Н	5,528Х1 0,212 Х 2 0,073Х 3 1,27 Х 4			(2.2)
	0,12 Х 5 2,335Х 6 0,575Х 71,083Х 8 0,894 Х			9 3,075
	где:
	X1	Нераспределённая прибыль прошлых лет	,
		Баланс

X 2

X3

X 4

X 5

X 6

X 7

X8

X 9

Выручка (нетто) от реализации , Баланс

Прибыль до налогообложения , Собственный капитал

Денежный поток

Обязательства краткоср. долгоср.

Долг осрочные обязательства , Баланс

Краткосрочные обязательства , Баланс

log Материальныые активы ,

Оборотный капитал , Обязательства

log

Прибыль до налог ообложения

Проценты к уплате

,

1 .

Если H < 0, банкротство предприятия неизбежно. Точность прогнозов, сделанных с помощью данной модели на год вперѐд, – 98%, на два года – 81%.

75

Модель Спрингейта была построена Спрингейтом в университете Симона Фрейзера в 1978 году с помощью пошагового дискриминантного анализа методом, который разработал Альтман в

1968 году.

В процессе создания модели из 19 – считавшихся лучшими – финансовых коэффициентов в окончательном варианте осталось только четыре [122]. Общий вид модели:

		Z = 1,03X1 + 3,07X2 + 0,66X3 + 0,4X4,					(2.3)
где:
X1	Оборотный капитал		,
		Баланс
		Прибыль до налог ообложения
X 2		проценты к уплате			,
		Баланс
X3		Прибыль до налогообложения		,
		краткосрочные обязательства
X 4		Выручка (нетто) от реализации				.
		Баланс

Если Z < 0,862, предприятие получает оценку «крах». При создании модели Спрингейт использовал данные 40 предприятий и достиг 92,5 процентной точности предсказания неплатѐжеспособности на год вперѐд. Позднее Бодерас, 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 деятельности предприятий. Полностью полагаться на их результаты неразумно и опасно. Применять их следует только после проверки и коррекции в среде будущего применения.

Попытаемся привести примеры возможного использования представленных выше моделей:

а) обработка данных потенциальных заѐмщиков с целью определения риска неплатѐжеспособности;

б) определение условий кредита; в) покупка или продажа предприятия;

г) «сигнал тревоги» для менеджмента предприятия;

76

д) проверка принятых решений в симулировании экономических ситуаций;

е) создание динамичной картины платѐжеспособности предприятия (анализ трендов), используя данные предыдущих отчѐтных периодов.

Данные модели, с целью апробации в зарубежных странах, были применены для анализа финансового состояния предприятий венгерским учѐным А.Б. Арутюняном [28]. Можно заметить, что при применении моделей в условиях «отличных» от американской экономики степень вероятности предсказания банкротства значительно снижается (табл. 2.3).

Таблица 2.3

Точность предсказания моделей Фулмера и Спрингейта за год до банкротства предприятий

		Вероятность пред-	Вероятность	Среднее зна-
			предсказания ста-	чение веро-
	Модель	сказания банкротст-
			бильной работы	ятности
		ва предприятий
			предприятий	предсказания
	Фулмера	66%	66%	66%
	Спрингейта	79%	40%	60%

Модель Фулмера учитывает больше факторов, поэтому и при применении ее в зарубежной экономике работает стабильней. Кроме того, модель учитывает и размер фирм, что, наверное, справедливо как в Америке, так и в любой другой стране с рыночной экономикой. Модель с одинаковой надѐжностью определяет как банкротов, так и работающие фирмы. Результаты модели Спрингейта очень несимметричны. Модель явно «сдвинута» в сторону краха, почти две трети нормально работающих фирм определено неправильно.

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

–значения переменных в оригинальных моделях давались в американских и канадских долларах, в результате изменения курса валют возникают незначительные погрешности;

–условия экономики в зарубежных странах сильно отличаются от экономических условий Соединѐнных Штатов или Канады.

77

Повысить уровень надѐжности моделей можно изменением множителей методом итерации (подбора). Введением константы в модель Спрингейта можно компенсировать еѐ несимметричность.

Применение данных моделей в российских условиях без проверки на опытных данных не представляется возможным. Примером тому служит проведѐнный анализ применения моделей в условиях венгерской экономики.

А.Б. Арутюняну удалось увеличить надѐжность модели Фулмера до 75% – с помощью дискриминантного анализа, и до 77% – с помощью логистической регрессии. Но ещѐ более важно, что в улучшенных моделях часть переменных была отброшена, а знак переменной X6 (пропорция краткосрочных обязательств в балансе) поменялся с плюса на минус, то есть влияние данного финансового коэффициента на оценку платѐжеспособности венгерских сельскохозяйственных предприятий противоположно его действию в условиях американской экономики. Не исключено подобное различие в истолковании значений финансовых коэффициентов в условиях российской экономики. Исходя из этого наиболее правильным, но трудоѐмким является создание собственной модели, адаптированной к российским условиям.

Мы рассмотрели наиболее часто используемые зарубежные модели прогнозирования банкротства, применяемые для оценки кредитоспособности предприятий-заемщиков. В представленном материале не анализировались громоздкие в своих вычислениях logit и probit модели (табл. 2.2), а также аналогичные по объѐмам производимых расчѐтов модели. Данное обстоятельство объясняется как ограниченностью объѐма написания работы, так и непопулярностью использования сложных математических расчѐтов среди зарубежных и отечественных кредитных организаций. Недостатками моделей прогнозирования банкротства предприятий являются переоценка роли количественных факторов, произвольность выбора системы базовых количественных показателей, высокая чувствительность к искажению исходных данных, что особенно характерно при применении данных моделей в российских условиях, сравнительная громоздкость.

Таким образом, мы рассмотрели зарубежные методики оценки кредитоспособности предприятий коммерческими банками. Кроме того, была представлена авторская классификация

78

данных методов. Выявлены основные преимущества и недостатки зарубежных методик оценки кредитоспособности, а также возможности их применения отечественными кредитными организациями.

Как показал проведѐнный нами анализ зарубежных методик определения кредитоспособности заѐмщика, большинство кредитных организаций переходят от использования метода, основанного на наборе показателей, к интегральному понятию рейтинга. Основной показатель, используемый зарубежными коммерческими банками для оценки кредитоспособности заѐмщика, – кредитный рейтинг. Использование рассмотренных методик в «чистом» виде в отечественных условиях осложняется объективными межстрановыми различиями в деятельности заѐмщиков. Проведение комплекса мероприятий, направленных на исправление недостатков рассмотренных методик, позволит повысить точность и эффективность расчѐтов.

2.2. Анализ российских методик оценки кредитоспособности предприятий

Происходящая в последние годы в нашей стране макроэкономическая стабилизация, последовательное снижение процентных ставок, укрепление банковской системы, усиление инвестиционной активности российских предприятий способствуют росту объѐмов кредитования реального сектора экономики. В условиях функционирования коммерческих банков, привлечения ими новых потенциальных предприятий-заѐмщиков, вывода на рынок современных кредитных продуктов точная оценка кредитоспособности клиентов начинает оказывать большое влияние на деятельность кредитной организации, поскольку кредитование, принося большинству коммерческих банков основную долю доходов, в то же время подвержено значительному риску, а именно – риску невозврата выданных денежных средств или вероятному банкротству заѐмщика.

Центральную роль в регулировании кредитных отношений играет оценка кредитоспособности заѐмщика на этапе выдачи кредита, поскольку акцентирование внимания аналитика в большей степени на стадии начальных взаимоотношений банка с заѐмщиком, чем на стадии сопровождения кредита, значительно

79

облегчает решение задачи обеспечения его эффективного функционирования, способствуя в конечном счѐте реализации важнейшего принципа кредита – возвратности.

Оценке кредитоспособности заѐмщика в системе управления кредитным риском отечественные и западные банки отводят разные роли. Как показал анализ эволюции банковского дела в России, в некоторые исторические этапы критерии кредитоспособности сильно формализуются существованием «кредитования по знакомству». Современный период не является исключением.

Кредитование заѐмщиков западными коммерческими банками не подвержено столь сильно субъективным тенденциям, характерным для нашей страны. Целесообразность заключения кредитной сделки определяется множеством факторов, ключевым из которых является кредитоспособность заѐмщика. Именно показатели кредитоспособности реально оценивают возникающий уровень кредитного риска. Такие глубокие различия культур кредитования обуславливают основное различие в показателях кредитоспособности, используемых в отечественной банковской практике.

Постепенное реформирование отечественной банковской системы согласно методике Базельского комитета привело к необходимости создания внутренних систем оценки кредитоспособности предприятий-заѐмщиков. С этой целью в марте 2004 г. Банком России было принято Положение № 254-П «О порядке формирования кредитными организациями резервов на возможные потери по ссудам, по ссудной и приравненной к ней задолженности». Согласно этому положению в целях определения размера расчѐтного резерва в связи с действием факторов кредитного риска ссуды классифицируются на основе профессионального суждения специалистов кредитной организации согласно внутренней инструкции банка. Данные внутренние инструкции кредитных организаций должны содержать детально разработанную и строго регламентированную методику оценки кредитоспособности потенциального клиента.

В связи с принятием Положения № 254-П у отечественных кредитных организаций возникла необходимость в срочной разработке собственных методик оценки кредитоспособности пред- приятий-заѐмщиков. Как следствие, одним из единственных выходов в сложившейся ситуации являлось изучение и применение

80