Прогнозирование риска банкротства - Финансы, деньги и налоги курсовая работа

Главная

Финансы, деньги и налоги
Прогнозирование риска банкротства

Теоретические аспекты прогнозирования банкротства. Анализ финансового состояния компаний с целью оценки вероятности их возможного банкротства. Построение моделей и эмпирических исследований, способных предсказать банкротство крупных российских компаний.


посмотреть текст работы


скачать работу можно здесь


полная информация о работе


весь список подобных работ


Нужна помощь с учёбой? Наши эксперты готовы помочь!
Нажимая на кнопку, вы соглашаетесь с
политикой обработки персональных данных

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.
Размещено на http://www.allbest.ru/
Размещено на http://www.allbest.ru/
В настоящее время тема анализа и оценки финансового состояния компаний с целью оценки вероятности их возможного банкротства приобретает все большую актуальность. Восстановление экономики в посткризисный период сопровождается развитием корпоративного сектора и ростом инвестиций, что, в свою очередь, провоцирует рост объемов корпоративного кредитования. Согласно данным Федеральной службы государственной статистики http://www.gks.ru/ , объем инвестиций в период с 2009 по 2015 год вырос с 621.5 млрд. до 805.3 млрд. рублей. В силу этого, коммерческие банки нуждаются в совершенствовании системы управления кредитным риском и разработке моделей, позволяющих предсказывать банкротство их контрагентов.
Наряду с развитием корпоративного сектора, в течение последнего десятилетия, возрастает объем частных инвестиций в стране. Так, по данным Федеральной службы государственной статистики, объем частных инвестиций со стороны населения в период с 2009 по 2015 год увеличился более, чем в три раза, а их доля в общей структуре инвестиций выросла с 1.3% до 2.4%. Основной целью частного инвестора является вложение капитала в максимально безрисковый актив, поэтому прогнозирование банкротства является одной из первостепенных задач в рамках данного вида деятельности.
Таким образом, тема оценки риска и предсказания банкротства компаний занимает особое место как в теоретической, так и в эмпирической литературе.
Цель работы: Построение моделей, способных предсказать банкротство крупных российских компаний.
Достижение поставленной цели подразумевает решение следующих задач:
· Определение факторов, влияющих на банкротство компании
· Оценка моделей вероятности банкротства
· Проверка моделей на контрольной выборке
Объектом исследования является оценка риска банкротства российских компаний. Предметом исследования являются финансовые коэффициенты, влияющие на банкротство.
Работа состоит из введения, двух глав и заключения. Первая глава включает рассмотрение сущности банкротства и необходимости его своевременного предсказания, а также, обзор предыдущих исследований по данной теме. Вторая глава включает описание эмпирического исследования, в том числе: методологию сбора данных для исследования, краткую характеристику моделей и описание полученных результатов. Построение моделей и сопутствующие этому расчеты были выполнены с использованием средств программного пакета «Stata 13» и «Microsoft Excel».
В рамках проведения исследования, в первую очередь следует уделить внимание понятию банкротства, выяснить причины его возникновения и необходимость его своевременного прогнозирования.
Банкротство в современной литературе имеет два основных определения. В ряде источников под банкротством понимается невозможность компании выплачивать обязательства по заемным средствам. Другая часть исследователей рассматривает банкротство, как легальную юридическую процедуру, включая стадии ее проведения. Второе понятие наиболее актуально в литературе, в силу того, что отсутствие возможности выплачивать свои обязательства в текущий момент времени не означает невыполнение выплат по обязательствам в предусмотренные законом сроки (Демешев, Тихонова, 2014). Кроме того, на сегодняшний день существуют такие процедуры, как например, возможность реструктуризации долга, которая подразумевает под собой увеличение срока кредитования или перенос части выплат на более поздний период. Это способствует стабилизации финансового состояния заемщика и увеличению его платежеспособности. Поэтому присущая популярность определения банкротства, как юридической процедуры вполне обоснована. Именно данная трактовка понятия банкротства будет использоваться в рамках текущего исследования.
Причинами дефолта организации могут служить довольно разнообразные по своей природе и происхождению факторы. В работе Недосекина (7), автор предлагает следующую классификацию:
· Причины внешнего окружения компании;
К таким причинам относятся социальные, политические, внешнеэкономические и технологические процессы, которые тем или иным способом влияют на возможность дефолта компании.
В заданную группу входят отсутствие конкурентных преимуществ, малая доля рынка, неустойчивость рынка сбыта и другие.
Данная группа включает неэффективность использования имущества компании, низкая производительность труда, устаревшие технологии и оборудование, неоптимизированное налогообложение и др.
В данную группу входят высокий уровень обязательств, низкое качество обслуживания задолженности, низкий уровень платежеспособности, недостаток ликвидных активов и др.
Данная группа причин подразумевает низкую компетенцию менеджмента компании, как на уровне ее отдельных составляющих, так и на уровне топ-менеджмента.
В рамках предложенной классификации, в данной работе акцент будет сделан на финансовых и внутриэкономических причинах банкротства компании. Выбор обоснован тем, что как финансовое, так и внутриэкономическое состояние компании можно оценить количественно. На сегодняшний день существует немалое количество как абсолютных, так и относительных показателей, с помощью которых можно дать оценку эффективности использования имущества компании и ее финансовому состоянию. Однако следует заметить, что несмотря на то, что те или иные причины банкротства более явно выражены, зачастую организация получает статус банкрота благодаря действию всех изложенных проблем в совокупности. Тем не менее, учесть ряд из них не представляется возможным, несмотря на развитие техник моделирования и технических средств для их применения.
Становление компании банкротом несет по большей части отрицательные последствия как для самой компании, так и для третьих лиц. Последствия для самой компании выражаются в досрочном прекращении ее деятельности и последующей ликвидации. Это, в свою очередь, оказывает негативное влияние на остальных участников рынка, связанных с компанией-банкротом. В первую очередь это сказывается на кредитных организациях, в которых обанкротившаяся компания является заемщиком. В силу того, что компания-заемщик не в состоянии вернуть долг, кредиторы теряют часть своего капитала, что отрицательно сказывается на их финансовом состоянии. Если ликвидируемая компания является консолидированной, то возникает большой риск вызвать последующие банкротства. Данная ситуация может негативно отразиться на рынке в целом, так как рынок теряет целый ряд участников. В результате предложение на рынке может значительно снизиться, спровоцировав дефицит, который, в свою очередь приведет к значительному росту цен и снижению покупательной способности. Кроме того, последствия банкротства негативно сказываются на персонале организации. Длительные задержки заработных плат, пособий и премий значительно ухудшает материальное положение работников, а сокращение рабочих мест вызывает социальную напряженность и снижает платежеспособность населения. Как отмечают Жарковская и Бродский, еще одним последствием банкротства может служить «возможность криминального передела собственности организации и разворовывания имущества, в том числе организаций со значительной долей государственной и муниципальной собственности» (Жарковская, Бродский, 2006),
Таким образом, становится очевидно, что банкротство является серьезной проблемой, негативные последствия которой отражаются на нескольких секторах экономики. Поэтому очень важно своевременно оценивать финансовое состояние компании и заблаговременно предвидеть риск возможного банкротства. В силу этого, как теоретические, так и эмпирические исследования, направленные на разработку методологии оценки риска и прогнозирования банкротства являются актуальными на сегодняшний день.
Интерес к исследованиям, направленным предсказание банкротства начал формироваться еще в 1930-х годах (Bellovary, et. al., 2007). До середины 1960-х годов работы данной тематики были основаны на однофакторном анализе и их суть заключалась в анализе финансовых коэффициентов между компаниями-банкротами и действующими компаниями. В случае, если тот или иной финансовый показатель демонстрировал существенные различия между обанкротившимися и действующими организациями, он принимался за инструмент прогнозирования. Среди подобного рода работ наиболее выделяется исследование Бивера (Beaver, 1966), в котором автор разработал ряд финансовых коэффициентов, и выделил контрольные значения этих коэффициентов для компании в трех состояниях:
2. Компаний, ставших банкротами в течение пяти лет;
3. Компаний, ставших банкротами в течение одного года;
Прогнозирование риска банкротства осуществляется путем сравнения расчетных значений данных коэффициентов для исследуемой компании с контрольно-нормативными значениями, которые выявил Бивер. В работе отмечается, что разработанные автором коэффициенты способны предсказать риск банкротства на горизонте прогнозирования в один год с вероятностью 90 - 92%. Следует отметить, что на сегодняшний день, в рамках финансового анализа, система коэффициентов Бивера является одним из наиболее популярных методов.
Методы, основанные на однофакторном анализе, позволяют выделить основные показатели, влияющие на риск банкротства компании, однако использование таких подходов не позволяет учесть все возможные причины банкротства компаний. В работе Бивера отмечается, что для более точных результатов прогнозирования, возможно, следует применять совокупность финансовых показателей компании.
Многофакторный анализ впервые использовал Эдвард Альтман в 1968 году (Altman, 1968). В своей работе Альтман применил метод множественного дискриминантного анализа (Multiple Discriminant Analysis, MDA) и использовал выборку, состоящую из шестидесяти шести компаний. Исследование Альтмана заключалось в создании двух выборок фирм, к первой из которых относились фирмы, не имеющие проблем с выплатами задолженностей, а ко второй - фирмы, которые имеют проблемы с выплатами задолженностей. На основе этих двух выборок он предложил провести сравнительный анализ ряда коэффициентов за один и тот же промежуток времени. Из этих коэффициентов следовало выбрать те, которые позволяют определить лучшую фирму в выборке, после чего, из этих коэффициентов следовало создать линейную комбинацию, которая бы отражала различия между неплатежеспособными и имеющими возможность выплачивать долги коммерческими организациями.
В итоге, на основе двадцати двух различных финансовых коэффициентов было отобрано пять и каждому был присвоен статистически установленный вес. Таким образом, Альтман вывел следующее уравнение надежности:
Z = 0,012 Х 1 + 0,014 Х 2 + 0,033 Х 3 + 0,006 Х 4 + 0,999 Х 5 , (1)
На основе полученной линейной комбинации, согласно Альтману, если коэффициент Z меньше 1.81, то фирма относится к группе банкротов и является неплатежеспособной. Если же Z больше или равен 2.99, то фирма вполне способна вернуть долг. Значение коэффициента Z в пределах от 1.81 до 2.99 автор назвал зоной неведения (zone of ignorance) в силу того, что платежеспособные и неплатежеспособные компании попали в данную область. Модель Альтмана показала высокую вероятность дефолта компаний, а именно около 92%, за один год до банкротства, однако при более долгом периоде прогнозирования процент верных предсказаний значительно снижался.
В 1977 этот метод был усовершенствован Альтманом, Хальдеманом и Нараянаном (Altman, Haldeman, Narayanan, 1977). В рамках разработки данной модели, исследователями было выявлено не пять, а семь показателей, задачей которых является определение, находится ли фирма в состоянии кризиса или ее положение достаточно стабильно, и она является кредитоспособной. Данные факторы представлены в таблице:
Таблица 1 . Коэффициенты « Зета-модели »
Обратная величина стандартного отклонения десятилетнего тренда рентабельности активов
Отношение средней рыночной стоимости обыкновенных акций компании за пять лет к совокупному долгосрочному капиталу
Модель получила название «Зета-модель» (Zeta-model) и показала очень высокую точность предсказания на различных горизонтах прогнозирования в рамках американского рынка, поэтому на сегодняшний день коэффициенты и пороговые значения Зета-модели не являются общедоступными.
Работа Альтмана послужила толчком к развитию темы прогнозирования банкротства. В последующие годы было написано большое количество работ, основанных на множественном дискриминантном анализе и его различных модификациях. К наиболее популярным из них относятся модели Фулмера (Fulmer et al., 1984), Спрингейта (Sands, Springate, 1984), Таффлера (Taffler, 1984) и др. Количество факторов предсказания варьировалось от двух до сорока семи, а процент верных предсказаний лежал в пределах от 18 до 96 процентов.
Множественный дискриминантный анализ был и остается популярным методом для данного рода исследований, однако существенный недостаток данного метода заключается в том, что он оставляет «зоны неведения» или «серые зоны» (gray area). Касательно компаний, результирующие коэффициенты которых находятся в этих промежутках, нельзя сделать определенных выводов относительно их возможного банкротства.
Джеймс Олсон (Ohlson, 1980) одним из первых использовал метод логистической регрессии для выявления риска банкротства. Кроме того, в выборочную совокупность, которую использовал автор, входило более двух тысяч наблюдений, в то время как предыдущие исследования базировались не более, чем на нескольких сотнях наблюдений. В рамках своего исследования, автор на основе логит-регрессии бинарного выбора выделил девять показателей, наиболее сильно влияющих на риск банкротства компании, и вычислил коэффициент вероятности банкротства Z, который отражает степень влияния этих показателей. Затем, полученная линейная комбинация использовалась в логистической регрессии для нахождения вероятности банкротства и сравнивалась с точкой отсечения. В рамках своей работы Олсон выделил следующие факторы, влияющие на риск банкротства:
Таблица 2 . Финансовые коэффициенты в модели Олсона
1, если объем совокупных обязательств превышает сумму совокупных активов;
Таблица 2 . Финансовые коэффициенты в модели Олсона (продолжение)
1, если чистая прибыль была отрицательна в течение последних двух лет;
Результаты модели показали высокий процент предсказания: 96% за год до банкротства.
В последствии вероятностные методы, основанные на моделях бинарного выбора, приобрели большую популярность в рамках предсказания банкротства. Исследования основывались как на логит, так и на пробит-моделях и количество факторов варьировалось от четырех до тридцати двух. Точность предсказания колебалась в рамках от 20 до 99,5%. Наиболее яркими представителями применения таких моделей являются Азис (Aziz, et. al., 1988, 1989), Скогсвик (Skogsvik, 1990), Дамболена и Шульман (Dambolena, Shulman, 1988), Теодоссу (Theodossiou, 1991) и др. Данные работы показали довольно высокий процент предсказания банкротства: от 60% до 98%.
Следует отметить, что Азис в своих работах делал акцент на введение такого фактора, как денежные потоки компаний. Однако, в ходе проведенных исследований выяснилось, что данный фактор не обладает высокой описательной и прогностической способностью. Теодоссу использовал в анализе как логит, так и пробит-модели и получил впечатляющие результаты: процент предсказания для обоих видов моделей составил от 92.6% до 95.5%.
В 90-х годах XX века большую популярность приобрели методы, основанные на нейронных сетях. Согласно исследованию, «A Review of Bankruptcy Prediction Studies: 1930 to Present» (Bellovary, et. al., 2007), в этот период было написано около 35 работ, основанных на данном методе анализа. Точность предсказания при использовании нейронных сетей составляла от 57% до 100%. Среди ключевых работ можно выделить исследования таких авторов, как Гуан (Guan, 1993), Тсукуда и Баба (Tsukuda, Baba, 1994), а также Эль-Темтами (El-Temtamy, 1995). Предсказательная способность в этих работах достигала 100%. Несмотря на высокую прогнозную силу, использование нейросетевого моделирования обладает рядом недостатков. В частности, применение нейронных сетей требует объемных временных и технических затрат, а также есть немалая вероятность моделирования тупиковой ситуации.
Представленные выше подходы и модели являются основополагающими в рамках оценки и прогнозирования риска дефолта. Однако весь спектр исследований, направленный на развитие данной темы не останавливается на применении только этих методик.
Опираясь на статью «Predicting corporate bankruptcy - where we stand?» (Aziz, Dar, 2006), модели предсказания банкротства можно разделить на три группы:
· Модели искусственного интеллекта;
К первой группе относятся такие методы, как однофакторный анализ, многофакторный дискриминантный анализ и его модификации, анализ условной вероятности, анализ выживаемости (survival analysis), а также логит и пробит модели. Методы второй группы включают дерево решений, ситуативный анализ, нейронные сети, генетические алгоритмы, теория нечетких множеств. К третьей группе относятся балансовое измерение (Balance sheet decomposition measures, BSDM), теория разорения игрока, теории кредитного риска и теории менеджмента.
Несмотря на обилие методик, в современных исследованиях предпочтение отдается статистическим методам. Среди таких исследований следует отметить работу Лоу (Low et. al, 2001). Исследование носило эмпирический характер, и проводилось с использованием данных по компаниям Малайзии. Особенностью данного исследования является то, что авторы попытались ввести факторы, отражающие влияние денежных потоков на банкротство компании, однако, как и в предыдущих подобных работах, эти факторы оказались незначимы. Тем не менее, прогнозная сила модели составила порядка 90% верных предсказаний. В работе Ахмади (Ahmadi et.al, 2012) были рассмотрены компании Ирана, и авторы постарались ввести фактор отношения прибыли до уплаты процентов и налогов (EBIT) к сумме процентных выплат. Прогнозная сила модели составила от 85% до 90%, однако новый фактор оказался незначимым.
Среди российских исследований наиболее выделяются работы Журова (2007), а также Жданова и Афанасьевой (2011). В работе Журова исследование проводилось на базе семидесяти японских компаний, торгующихся на фондовой бирже. Для исследования автор выбрал более восьмидесяти переменных, которые подразделялись на девять групп показателей и включали коэффициенты роста, коэффициенты эффективности капитала, коэффициенты эффективности деятельности, коэффициенты эффективности активов, коэффициенты производительности, коэффициенты ликвидности, коэффициенты устойчивости, коэффициенты денежного потока и показатели в расчете на одну акцию. В ходе исследования автор применил семь техник моделирования, включающих различные наборы факторов. Точность предсказания моделей составила от 81% до 91% верных прогнозов.
Жданов и Афанасьева посвятили свою работу оценке риска авиапредприятий. Для прогнозирования авторы использовали метод логистической регрессии, предложенный Олсоном. В рамках работы первоначально было отобрано 39 факторов, включающие коэффициенты рентабельности, коэффициенты финансовой устойчивости, коэффициенты деловой активности, а также коэффициенты ликвидности. В результате для построения модели было отобрано шесть факторов, обладающих наибольшей объясняющей силой. Что касается прогнозной силы модели, то авторами данный аспект не упоминается.
Подводя итог данному разделу, можно заключить, что прогнозирование банкротства является востребованной темой для исследований уже на протяжении долгих лет. На сегодняшний день существует немалое количество методов и моделей для проведения исследований, имеющих как преимущества, так и недостатки и обладающих разной прогнозной силой.
Следует отметить, что в большинстве работ используются пространственные данные. В рамках текущего исследования предлагается использовать панельную структуру данных для получения более точных оценок коэффициентов и достижения высокой прогнозной силы модели.
банкротство финансовый прогнозирование
Как отмечалось ранее, тема прогнозирования банкротства является довольно популярной уже на протяжении многих лет и на сегодняшний день разработано уже значительное количество методов и моделей для проведения исследований такого рода. Данное исследование носит эмпирический характер, поэтому следует более подробно остановиться на выборе модели, которая будет использоваться для прогнозирования банкротства.
Исследование Азиса и Дара (Aziz, Dar, 2006) показало, что наиболее популярной методологией для проведения эмпирических исследований по предсказанию банкротства являются статистические подходы к оценке. Среди статистических методов наибольшее предпочтение отдается множественному дискриминантному анализу и логит-моделям. Ранее отмечалось, что применение множественного дискриминантного анализа, несмотря на все его преимущества, имеет один существенный недостаток - наличие «серой зоны», в которая не позволят сделать определенных выводов, касательно ряда наблюдений. Поэтому, в рамках данного исследования, выбор был сделан в пользу логит-моделей. В качестве базовой модели для прогнозирования будет использована модель логистической регрессии, разработанная Олсоном (Ohlson, 1980).
Пусть обозначает вектор предикторов i -того наблюдения, а - вектор неизвестных параметров. Обозначим вероятность банкротства, как для любого и а . является некой функцией вероятности, поэтому . Тогда логарифм правдоподобия для любого исхода в двоичном выборочном пространстве («банкрот» или «не банкрот») задается уравнением:
Для любой функции оценки максимального правдоподобия для ,будут получены с помощью:
В виду отсутствия теории банкротства, как таковой, возникает проблема с выбором вида функции . В рамках модели Олсона предпочтение отдается логистической функции:
Такая функция имеет два основных свойства:
В силу этих свойств модель относительно легко интерпретировать, и, по мнению Олсона, это является одним из ее главных достоинств.
Данная работа подразумевает использование панельной структуры данных в рамках поиска наиболее значимых факторов, влияющих на риск банкротства компании. В силу этого, уравнение для y будет иметь вид:
· Индекс i отражает единицу наблюдения (компанию)
· Индекс t отражает временной период
Как было отмечено, данные для исследования имеют панельную структуру. Использование панельных данных для исследования аргументируется рядом преимуществ, а именно:
· Расширяют выборочную совокупность, способствуя снижению зависимости между объясняемыми переменными, что, в свою очередь, снижает стандартные ошибки оценок;
· Учитывают ненаблюдаемые индивидуальные характеристики каждой единицы наблюдения;
· Позволяют отследить изменение факторов во времени для каждого объекта наблюдения;
· Позволяют миновать ошибки спецификации модели при отсутствии значимых переменных;
Таким образом, использование панельных данных позволит получить более точные результаты при проведении статистических тестов и оценивании коэффициентов в ходе выявления основных показателей, влияющих на банкротство компании.
Для исследования было собранно две выборочных совокупности, одна из которых является экспериментальной, вторая - тестовой. Для экспериментальной выборки строятся логит-модели, с помощью которых детерминируются факторы, определяющие банкротство компании. Затем, полученные зависимости будут применяться на тестовой выборке для определения прогнозной силы модели.
В рамках экспериментальной выборки, для исследования было отобрано 100 компаний, являющихся открытыми акционерными обществами (ОАО). Это объясняется тем, что большинство современных исследований по оценке и прогнозированию риска банкротства сконцентрировано на малом и среднем бизнесе. Еще один аргумент в пользу выбора такой формы организации - компании, имеющие статус ОАО, на основании закона (1) должны раскрывать финансовую информацию. Кроме того, отчетность таких компаний проходит внешний и внутренний аудит, что свидетельствует о достоверности предоставляемой информации.
В работе «On the impact of disproportional samples in credit scoring models: An application to a Brazilian bank data» (Louzada et. al., 2012) авторы доказывают гипотезу о том, что для исследований, нацеленных на прогнозирование банкротства нужно использовать сбалансированную выборку. В силу этого аргумента, экспериментальная выборка включает 50 компаний банкротов, получившие такой статус в 2015 году и 50 действующих компаний. Период наблюдения составляет четыре года: с 2011 по 2014 год. Таким образом, экспериментальная выборка включает 400 наблюдений.
Тестовая выборка также является сбалансированной и включает 20 компаний. Однако, в качестве компаний-банкротов были выбраны только те компании, которые получили такой статус в 2016 году. Это сделано для того, чтобы проверить прогнозную силу модели не только в пространственной ретроспективе, но и во временной.
Все данные были собраны вручную, при помощи сервера раскрытия информации «Интерфакс» https://www.e-disclosure.ru/ . Для сбора данных были использованы два основных документа финансовой отчетности компании: бухгалтерский баланс (форма №1) и отчет о финансовых результатах (форма №2).
Первоначальный выбор факторов основывался на работе «A Review of Bankruptcy Prediction Studies: 1930-Present» (Bellovary et. al, 2007). В качестве приложения к своей статье, авторы приводят иерархическую структуру факторов по частоте использования в работах по теме прогнозирования банкротства. В рамках данной работы, в качестве стартового набора факторов были выбраны показатели, использованные не менее, чем в 10 исследованиях.
Таким образом, в качестве базовых детерминант банкротства были выбраны следующие показатели:
Коэффициент показывает, какую долю имеющихся средств компания должна потратить для получения единицы прибыли. Этот показатель отражает способность компании эффективно использовать имущество организации.
· Текущие активы/Текущие обязательства
Данный показатель носит название коэффициента текущей ликвидности и отражает возможность компании погасить краткосрочные заемные средства за счет наиболее быстро реализуемых активов.
· Текущие обязательства/Текущие активы
Коэффициент, обратный предыдущему. Показывает, какая доля наиболее ликвидных активов приходится на единицу краткосрочных обязательств.
· Текущие обязательства/Обязательства
Коэффициент отражает долю срочных обязательств в суммарном объеме привлеченных средств.
Оборотный капитал рассчитывается путем вычитания текущих обязательств из оборотных активов и представляет собой ту часть капитала компании, который задействован в ее повседневной коммерческой деятельности. Таким образом, данный коэффициент отражает, насколько компания целенаправленно и эффективно использует имеющиеся у нее средства.
Данный показатель характеризует, какую часть имущества компания должна потратить, для получения прибыли от основной деятельности. Коэффициент отражает эффективность использования имущества организации в рамках ведения основной деятельности.
Коэффициент характеризуется, как коэффициент оборачиваемости активов и отражает интенсивность использования активов в рамках деятельности организации.
Показатель отражает долю собственных средств компании в общей структуре активов.
Коэффициент показывает долю наиболее ликвидных активов в общей структуре активов.
Данный коэффициент показывает, какую часть совокупного долга компания сможет погасить за счет наиболее ликвидных активов.
Денежные средства являются самым ликвидным активом компании. Данное отношение демонстрирует долю таких активов о общей структуре активов компании.
Показатель отражает долю наиболее ликвидных активов в структуре текущих активов.
Коэффициент носит название финансового рычага и отражает степень обеспеченности компании собственными средствами.
Данный показатель является обратным к коэффициенту оборачиваемости текущих активов, который показывает интенсивность использования текущих активов в рамках деятельности организации.
Следует также заметить, что все показатели, выбранные для исследования, являются относительными. Несмотря на то, что все компании имеют статус открытых акционерных обществ, объем активов и капитализация у всех различается. Поэтому, во избежание эффекта масштаба предприятия, было принято решение использовать относительные показатели. Кроме того, относительные показатели обладают более сильной описательной способностью, нежели абсолютные.
В таблице № 3 представлены гипотезы относительно каждого из описанных факторов, а также вынесены предположения, относительно характера зависимости данных факторов по отношению к зависимой переменной. В рамках текущего исследования зависимая переменная является бинарной и показывает, находится ли компания банкротом. Зависимая переменная принимает значение 1, если компания находится в статусе банкрота, а в ином случае, если компания является действующей, зависимая переменная принимает значение 0.
Рост показателя снижает риск банкротства
Рост показателя снижает риск банкротства
Рост показателя повышает риск банкротства
Рост показателя повышает риск банкротства
Рост показателя снижает риск банкротства
Рост показателя снижает риск банкротства
Рост показателя снижает риск банкротства
Рост показателя снижает риск банкротства
Рост показателя снижает риск банкротства
Рост показателя снижает риск банкротства
Рост показателя снижает риск банкротства
Рост показателя снижает риск банкротства
Рост показателя повышает риск банкротства
Рост показателя снижает риск банкротства
Рост показателя повышает риск банкротства
В ходе оценки факторов, влияющих на риск банкротства, было построено большое количество моделей, которые учитывали в себе различные комбинации факторов. С помощью теста Хаусмана (Hausman test) было выяснено, что для оценки наиболее подходящими являются модели со случайными эффектами. В ходе проведения тестов на спецификацию модели, а также опираясь на информационные критерии (AIC и BIC) было выбрано четыре модели, которые наиболее точно описывают зависимость банкротства от описанных выше коэффициентов. Ре
Прогнозирование риска банкротства курсовая работа. Финансы, деньги и налоги.
Курсовая работа: Русский авангард
Безработица Рк Реферат
Написание Сочинения 15.2
Дипломная работа по теме Разработка информационной системы 'Стимул' для детского оздоровительного центра 'Солнечный' Вологодской области
Реферат: Обеспечение информационной безопасности организаций банковской системы российской федерации
Научная Работа На Тему Эконометрическая Модель Национальной Экономики Турции
Дипломная Работа На Тему Роль Мiжнародної Комерцйної Реклами У Формуваннi Корпоративних Брендiв
Курсовая работа по теме Финансовый рынок, проблемы государственного регулирования
Реферат по теме Газовая хроматография
Реферат по теме Методы исследования личности
Реферат: Западноевропейское Просвещение XVII–XVIII вв. Скачать бесплатно и без регистрации
Дипломная работа по теме Перспективные направления в жилищной политике в управлении городским хозяйством
Доклад: Наблюдатель и его тело
Реферат по теме Медико-биологические средства восстановления физической работоспособности боксеров
Доклад по теме Природа Пакистана
Дипломная работа по теме Определение места Приднестровья в системе всеобщего рынка Российской Империи
Реферат: Принципы налогообложения 3
Курсовая работа по теме Исчисление налога на имущество организации
Доклад по теме Вклад в медицину Пирогова Н.И.
Контрольная работа: Прогноз цены на олово в России и мире на 2000 год. Скачать бесплатно и без регистрации
Організація та проведення наукових досліджень - Менеджмент и трудовые отношения курсовая работа
Общественно-политическая мысль Древней Руси IX-XIII века - История и исторические личности курсовая работа
Современная диагностика опухолей головного мозга - Медицина презентация