Preview

Вопросы экономики

Расширенный поиск
Доступ открыт Открытый доступ  Доступ закрыт Только для подписчиков

Оценка финансовой устойчивости российских промышленных компаний, или О чем говорят банкротства

https://doi.org/10.32609/0042-8736-2019-3-101-118

Полный текст:

Аннотация

В статье предложен подход к эконометрической оценке рисков финансовой устойчивости российских промышленных компаний. Этот подход учитывает как мировой опыт подобных исследований, так и особенности российских данных, включая относительную редкость события «банкротство» в выборке, ненаблюдаемую проблемность одних компаний и ложную проблемность других. Тестирование разработанного метода на данных большой выборки российских компаний (около 97 тыс. юридических лиц в год, в общей сложности — свыше 1 млн компаний) показало значительное улучшение качества прогнозной силы по сравнению с известными в литературе аналогами. Полученные результаты можно использовать для уточнения мер антикризисной поддержки компаний и отраслей в условиях воздействия различных шоков, а также для оценки перспективных направлений адресной государственной поддержки отраслей промышленности.

Об авторе

А. Н. Могилат
Банк России
Россия

Могилат Анастасия Николаевна, начальник отдела Департамента денежно-кредитной политики 

Москва



Список литературы

1. Демешев Б. Б., Тихонова А. С. (2014). Прогнозирование банкротства российских компаний: межотраслевое сравнение // Экономический журнал ВШЭ. Т. 18, № 3. С. 359—386.

2. Донец С. А., Могилат А. Н. (2017). Кредитование и финансовая устойчивость российских промышленных компаний: микроэкономические аспекты анализа // Деньги и кредит. № 7. С. 41—51.

3. Дуайер Д., Кораблева И., Джао Дж. (2010). Модель RiskCalc V3. 1 Russia компании Moody’s Analytics. Методика моделирования от Moody’s KMV. Moody’s Analytics .

4. Коссова Т. В., Коссова Е. В. (2011). Оценка кредитного риска компаний российского корпоративного сектора на основе прогнозирования вероятности дефолта по обязательствам // Проблемы анализа риска. Т. 8, № 2. С. 68—78.

5. Могилат А. Н. (2015). Банкротство компаний реального сектора в России: основные тенденции и финансовый «портрет» типичного банкрота // Научные труды ИНП РАН. № 13. С. 156—186.

6. Могилат А., Ачкасов Ю., Егоров А., Климовец А., Донец С. (2016). Дискуссии о денежно-кредитной политике и состоянии экономики: в поисках конструктивной критики // Вопросы экономики. № 5. С. 25—43. https://doi.org/10.32609/0042-8736-2016-5-25-43

7. Помазанов М. В., Колоколова О. В. (2004). Разработка формулы вероятности банкротства компании на базе показателей бухгалтерской отчетности // Оперативное управление и стратегический менеджмент в коммерческом банке. № 6. С. 65—84.

8. Сальников В. А., Могилат А. Н., Маслов И. Ю. (2012). Стресс-тестирование компаний реального сектора для России: первый подход (методологические аспекты) // Журнал Новой экономической ассоциации. № 4. С. 46—70.

9. Altman E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance, Vol. 23, No. 4, pp. 589—609.

10. Altman E. I., Saunders A. (1988). Credit risk measurement: Developments over the last 20 years. Journal of Banking and Finance, Vol. 21, No. 11—12, pp. 1721—1742.

11. Atiya A. F. (2001). Bankruptcy prediction for credit risk using neural networks: A survey and new results. IEEE Transactions of Neural Networks, Vol. 12, No. 4, pp. 929—935.

12. Aziz M. A., Dar H. A. (2006). Predicting corporate bankruptcy: Where we stand? Corporate Governance, Vol. 6, No. 1, pp. 18—33.

13. Balcaen S., Ooghe H. (2004). Alternative methodologies in studies on business failure: Do they produce better results than the classic statistical methods?Technical Report, No. 04/249, Faculty of Economics and Business Administration, Ghent University.

14. Beaver W. (1966). Financial ratios as predictors of failure. Journal of Accounting Research, Vol. 4 (Supplement), pp. 71—111.

15. Bellovary J., Giacomino D., Akers M. (2007). A review of bankruptcy prediction studies: 1930 to present. Journal of Financial Education, Vol. 33, pp. 1—42.

16. Chan-Lau J. A. (2006). Fundamentals-based esti mation of default probabilities: A survey. IMF Working Paper, No. 149.

17. Etheridge H., Sriram R. (1997). A comparison of the relative costs of financial distress models. International Journal of Intelligent Systems in Accounting, Finance and Management, Vol. 6, No. 3, pp. 235—248.

18. Fiori R., Foglia A., Iannotti S. (2006). Esti mati ng macroeconomic credit risk and sectoral default rate correlations for the Italian economy. Banca d’Italia Working Paper.

19. Firth D. (1993). Bias reduction of maximum likelihood estimates. Biometrika, Vol. 80, No. 1, pp. 27—38.

20. Galar M., Fernández A., Barrenechea E., Bustince H., Herrera F. (2012). A review on ensembles for the class imbalance problem: Bagging-, boosting-, and hybrid-based approaches. IEEE Transactions on Systems, Man and Cybernetics — Part C: Applications and Reviews, Vol. 42, No. 4, pp. 463—484.

21. Gao S., Shen J. (2007). Asymptotic properties of a double penalized maximum likelihood estimator in logistic regression. Statistics and Probability Letters, Vol. 77, pp. 925—930.

22. Gepp A., Kumar K. (2012). Business failure prediction using statistical techniques: A review. Unpublished manuscript, Bond Business School.

23. Gloubos G., Grammaticos T. (1988). Success of bankruptcy prediction models in Greece. Journal of Banking & Finance, Vol. 7 (Supplement), pp. 37—46.

24. Haixiang G., Yijing L., Shang J., Minguin G., Yuanyue H., Bing G. (2017). Learning from class-imbalanced data: Review of methods and applications. Expert Systems with Applications, Vol. 73, pp. 220—239.

25. Hamer M. M. (1983). Failure prediction: Sensitivity of classification accuracy to alternative statistical methods and variable sets. Journal of Accounting and Public Policy, Vol. 2, No. 4, pp. 289—307.

26. Hoggarth G., Sorensen S., Zicchino L. (2005). Stress tests of UK banks using a VAR approach. Bank of England Working Paper, No. 282.

27. Jakubik P. (2006). Does credit risk vary with economic cycles? The case of Finland. IES Working Paper, No. 11.

28. Jardin P. (2010). Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy. Neurocomputing, Vol. 73, No. 10—12, pp. 2047—2060.

29. Johnsen T., Meliicher R. (1994). Predicti ng corporate bankruptcy and fi nancial distress: Information value added by multinomial logit models. Journal of Economics and Business, Vol. 46, No. 4, pp. 269—286.

30. Karels G., Prakash A. (1987). Multivariate normality and forecasting of business bankr uptcy. Journal of Business Finance & Accounting, Vol. 14, No. 4, pp. 573—593.

31. King G., Zeng L. (2001). Logistic regression in rare events data. Political Analysis, Vol. 9, No. 2, pp. 137—163.

32. Kiviluoto K. (1998). Predicting bankruptcies with the self-organizing map. Neurocomputing, Vol. 21, No. 1—3, pp. 191—201.

33. Kumar K., Ganesalingam S. (2001). Detection of financial distress via multivariate statistical analysis. Detection and Prediction of Financial Distress, Vol. 27, No. 4, pp. 45—55.

34. Laitinen T., KankaanpääM. (1999). Comparative analysis of failure prediction methods: The Finnish case. The European Accounting Review, Vol. 8, No. 1, pp. 67—92.

35. López V., Fernández A., García S., Palade V., Herrera F. (2013). An insight into classification with imbalanced data: Empirical results and current trends on using data intrinsic characteristics. Information Sciences, Vol. 250, pp. 113—141.

36. McCullagh P., Nelder J. A. (1989). Generalized linear models. 2nd ed. London, New York: Chapman and Hall.

37. Merton R. (1974). On the pricing of corporate debt: The risk structure of interest rates. Journal of Finance, Vol. 29, No. 2, pp. 449—470.

38. Miao W., Gastwirth J. L. (2004). The effect of dependence on confidence intervals for a population proportion. American Statistician, Vol. 58, pp. 124—130.

39. Nordal K. B., Syed H. (2010). A model for predicting aggregated corporate credit risk. Norges Bank Economic Bulletin, Vol. 81, pp. 20—29.

40. Ohlson J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research, Vol. 18, No. 1, pp. 109—131.

41. Patrick P. (1932). A comparison of ratios of successful industrial enterprises with those of failed firms. Certified Public Accountant, October, pp. 598—605; November, pp. 656—662; December, pp. 727—731.

42. Platt H. D., Platt M. B. (2008). Financial distress comparison across three global regions. Journal of Risk and Financial Management, Vol. 1, No. 1, pp. 129—162.

43. Pradhan R., Pathak K. K., Singh V. P. (2011). Application of neural network in prediction of financial viability. International Journal of Soft Computing and Engineering, Vol. 1, No. 2, pp. 41—45.

44. Schuermann T., Hanson S. (2004). Estimating probabilities of default. Federal Reserve Bank of New York Staff Reports, No. 190.

45. Shaza M., Ajith A. (2013). A review of class imbalance problem. Journal of Network and Innovative Computing, Vol. 1, pp. 332—340.

46. Tsai C.-F., Wu J.-W. (2008). Using neural network ensembles for bankruptcy prediction and credit scoring. Expert Systems with Applications, Vol. 34, No. 4, pp. 2639—2649.

47. Virolainen K. (2004). Macro stress testing with a macroeconomic credit risk model for Finland. Bank of Finland Discussion Papers, No. 18.

48. Vlieghe G. (2001). Indicators of fragility in the UK corporate sector. Bank of England Working Paper, No. 146.

49. Zavgren C. V. (1985). Assessing the vulnerability to failure of American industrial firms: A logistic analysis. Journal of Business, Finance and Accounting, Vol. 12, No. 1, pp. 19—45.


Для цитирования:


Могилат А.Н. Оценка финансовой устойчивости российских промышленных компаний, или О чем говорят банкротства. Вопросы экономики. 2019;(3):101-118. https://doi.org/10.32609/0042-8736-2019-3-101-118

For citation:


Mogilat A.N. Modelling financial distress of Russian industrial companies, or What bankruptcy analysis can tell. Voprosy Ekonomiki. 2019;(3):101-118. (In Russ.) https://doi.org/10.32609/0042-8736-2019-3-101-118

Просмотров: 222


ISSN 0042-8736 (Print)