Специфика прогнозирования банкротств кредитных организаций Российской Федерации, Основные подходы к прогнозированию банкротств кредитных организаций - Факторы финансовой устойчивости коммерческих банков и подходы к прогнозированию банкротств

Основные подходы к прогнозированию банкротств кредитных организаций

Проблема исследования финансовой устойчивости кредитных организаций и поиска предпосылок их банкротства становится наиболее актуальной в связи с возникшей нестабильностью в банковском секторе Российской Федерации. Адекватная оценка риска банкротства финансовой организации позволяет осуществить превентивные действия и не допустить катастрофических последствий не только для банка и вкладчиков, но и для всей финансовой системы в целом.

Задача прогнозирования банковских дефолтов относится к более широкому классу задач прогнозирования банкротств любых экономических агентов. Наиболее часто используемыми методами для предсказания банкротств являются методы дискриминантного анализа, logit-модели и нейронные сети. В работах M. A. Aziz, H. A. Dar [16] сделан обзор используемых методик в зарубежных экономических исследованиях за период с 1968 по 2003 год (табл. 1).

Таблица 1. Методы прогнозирования дефолтов

Методология

Количество

Дискриминантный анализ

27

Logit-модели

19

Нейронные сети

8

Дерево решений

5

Теории энтропии

4

Генетические алгоритмы

4

Теория неточных множеств

3

Одномерный анализ

3

Теории управления ликвидностью

3

Модели временных рядов

3

Линейная модель вероятности

3

Теории кредитного риска

2

Прецедентный анализ

2

Probit-модель

2

Задача о разорении игрока

1

Total

89

Первым наиболее значимым трудом в области прогнозирования банкротств является труд W. H. Beaver (1966) [17], в котором автор, используя одномерный анализ, сравнил финансовые характеристики 79 "здоровых" и 79 обанкротившихся фирм. В результате расчета предикативных характеристик 30 финансовых показателей, W. H. Beaver пришел к выводу, что наилучшим показателем, отражающим высокий риск банкротства организации, является показатель отношения чистого денежного потока компании к сумме ее внешнего долга. Несмотря на высокую предикативную способность полученных результатов (78%), ограничением полученной модели является ее одномерность и пренебрежение другими факторами, которые хоть и в меньшей степени, но определяют финансовую устойчивость.

В 1968г. Э. Альтман (E. Altman)[15] развил идею W. H. Beaver(а) путем добавления 4 дополнительных переменных и использования метода дискриминантного анализа (Multiple Discriminant Analysis, MDA). В качестве основных переменных, определяющих финансовую устойчивость организаций, в работе выделяются: 1) отношение оборотного капитала к совокупным активам; 2) отношение нераспределенной прибыли к совокупным активам; 3) отношение EBIT к совокупным активам; 4) отношение рыночной стоимости капитала к балансовой стоимости обязательств; 5) отношение выручки к совокупным активам.

В дальнейшем, на основе первоначальной модели Э. Альтмана, был построен ряд моделей, наиболее точно отражающих специфику рынка, экономическую развитость страны и т. д. Например, для прогнозирования банкротств в долгосрочной перспективе в 1977г. в трудах E. Altman, R. Haldelman, P. Narayanan [13] на основе дискриминантного анализа построена Zeta-функция, к переменным, формирующим которую, относятся: 1) доходность активов, 2) стабильность дохода 3) коэффициент обслуживания долга (отношение EBIT к краткосрочной задолженности по кредитам и займам) 4) накопленная прибыль, 5) ликвидность (отношение оборотного каптала к активам), 6) капитализация; 7) размер активов. В 1983г. Э. Альтманом [11] была сформирована Z'-модель, адаптированная под специфику частных компаний. Эта модель в 1995г. была развита в совместном труде Altman, Hartzell, Peck [14], новая модель Z''score - модель была адаптирована под развивающиеся страны, растущие рынки и могла быть использована для предсказания банкротства организаций сферы услуг, в том числе кредитных организаций. Переменные, которые были включены в модель в качестве основных характеристик финансовой устойчивости, включают: 1) отношение оборотного капитала к совокупным активам; 2) отношение нераспределенной прибыли к совокупным активам; 3) отношение EBIT к совокупным активам; 4) Отношение балансовой стоимости капитала к балансовой стоимости обязательств.

На основе моделей Э. Альтмана были опубликованы научные труды, в которых модель z-score была адаптирована под страновую специфику. Например, в работах V. Agarwal и R. Taffler [8] приведены результаты построения z-score модели для Великобритании, в работе H. H. A. Altaee, I. M. A. Talo, M. H. M. Adam [9] - для стран Совета сотрудничества арабских государств Персидского залива (ССАГПЗ), в работе R. Pradhan [26] - для индийского банковского сектора. Кроме того, существует ряд публикаций, нацеленных на оценку применимости модели Э. Альтмана для прогнозирования дефолтов в банковском секторе: Европейского Союза - J. R. Chieng [18], Греции - G. Kyriazopoulos, K. Kanta, K. Mitou [23], Кении - A. Q. Mamo[24]. Также существуют исследования, основной целью которых является повышение предикативных характеристик моделей предсказания дефолтов банков США, основанных на дискриминантном анализе, к ним относятся: D. Jordan, D. Rice, J. Sanchez, C. Walker, D. Wort [21], S. Cleary, G. Hebb [19].

Помимо исследований, основанных на методе дискриминантного анализа, существуют публикации, использующие другие методики для прогнозирования финансовой несостоятельности: в работе Schaeck [27] используется квантильная регрессия, в работах Ozkan-Gunay, Ozkan [25] и Yim [29] - нейронные сети, в работе Ercan and Evirgen [20] - компонентный анализ, в работе J. Kolari, D. Glennon, H. Shin, and M. Caputo [22] - logit-модель и т. д.

Научные труды, посвященные прогнозированию дефолтов российских банков принадлежат А. М. Карминскому, А. А. Пересецкому, С. В. Голованю, А. В. Копылову, С. М. Дробышевскому, А. В. Зубареву [1,2,3,5]. Приведенные исследования в качестве метода математического моделирования используют модели бинарного выбора. В работе [1] в качестве независимых переменных, оказывающих влияние на вероятность дефолтов банков, выступают следующие показатели: 1) сумма пассивов, 2) резервы под возможные потери от финансовых операций, 3) кредиты нефинансовым организациям, 4) вложения в государственные долговые обязательства, 5) размер собственного капитала, 6) ликвидные активы, 7) депозиты физических лиц, 8) неликвидные активы, 9) негосударственные долговые обязательства.

Таким образом, большинство моделей прогнозирования дефолтов экономических агентов основаны на методе множественного дискриминантного анализа. При этом наиболее значимые исследования вероятности банкротства элементов российского банковского сектора в качестве основного метода прогнозирования используют логистические регрессии.

Похожие статьи




Специфика прогнозирования банкротств кредитных организаций Российской Федерации, Основные подходы к прогнозированию банкротств кредитных организаций - Факторы финансовой устойчивости коммерческих банков и подходы к прогнозированию банкротств

Предыдущая | Следующая