Сравнение финальной модели с предшествующими исследованиями - Анализ и прогнозирование уровня конкурентоспособности компаний строительного комплекса
Теперь, когда в рамках данного исследования была получена модель с наилучшими характеристиками для непубличных строительных компаний, полученные результаты можно сравнить с предшествующими исследованиями данной отрасли.
Для этого сначала по нашей тестовой выборке, которая насчитывает данные по 805 строительным компаниям за 2014 год (161-дефолт, 644 - не дефолт), определим также прогнозную силу коэффициента предотвращения банкротства строительных организаций, предложенного Шохнех А. В. (2012). Напомним, что данный показатель рассматривался в ходе исследования как объясняющая переменная, оказался статистически значимым и вошел в финальную модель. Коротко вспомним, что он рассчитывается по формуле
КпбСО = ЗС/СС х ЗС/(ВА+ОА)
Где ЗС - заемные средства; СС - собственные средства; ВА - внеоборотные активы; ОА - оборотные активы.
Прогнозная сила данного подхода отражена в следующей таблице 28:
Таблица 28.
Классификационная таблица |
На основе модели | ||
Не дефолт |
Дефолт | ||
Реально |
Не дефолт |
37% |
63% |
Дефолт |
15% |
85% |
Итак, для более наглядного сравнения прогнозных характеристик данного метода и полученной финальной модели будем использовать понятие чувствительности и специфичности модели. Определение данных понятий вытекает, в том числе, из уже рассмотренных ошибок первого и второго рода. Определим еще несколько необходимых понятий:
TN (True negative) - количество правильно предсказанных случаев не дефолтов строительных компаний;
FP (False positive) - количество неправильно предсказанных случаев дефолтов строительных компаний (ошибка 2 рода);
FN (False negative) - количество неправильно предсказанных случаев не дефолтов строительных компаний (ошибка 1 рода);
TP (True positive) - количество правильно предсказанных случаев дефолтов строительных компаний.
Таким образом, под чувствительностью подразумевается доля правильно предсказанных дефолтов в общем количестве дефолтов на основе тестовой выборки. А специфичность модели заключается в количестве верно определенных состоятельных компаний в общем количестве состоятельных компаний тестовой выборки (Паклин, 2008).
Так, используемые для определения предсказательной силы модели таблицы имеют следующее теоретическое обоснование (табл. 29):
Таблица 29.
Классификационная таблица |
На основе модели | ||
Не дефолт |
Дефолт | ||
Реально |
Не дефолт |
Специфичность |
Ошибка 2 рода |
Дефолт |
Ошибка 1 рода |
Чувствительность |
Теперь, определив необходимые понятия, перейдем непосредственно к сравнению моделей. На основе таблицы 28 можно сделать вывод, что коэффициент предотвращения банкротства строительных компаний является весьма чувствительным тестом - 85% правильно идентифицированных случаев дефолта при достаточно большой ошибке второго рода - 63% строительных компаний ложно были отнесены к дефолтным организациям, серьезно расширив границы группы риска. То есть, данный подход заточен на максимальное предотвращение случаев пропуска дефолтов строительных компаний. Что касается чувствительности финальной модели, полученной в данном исследовании, то она находится на уровне 73% при выбранном пороге идентификации дефолта - 2,5% (табл. 24). При таком пороге модель выглядит достаточно сбалансированной с точки зрения размера группы риска - она позволяет верно определить значительное количество, как состоятельных компаний (77%), так и дефолтных компаний (73%). При этом пользователь модели в зависимости от своих предпочтений и целей может изменить порог отсечения и изменить предсказательные характеристики. Так, например, финальная модель исследования при изменении порога с 2,5% на 1,41% показывает чувствительность уже на уровне 90%, превышая данную характеристику коэффициента предотвращения банкротства строительных компаний.
Также стоит сравнить эти две модели с той точки зрения, что при одинаковом уровне чувствительности (например, 85%) модель данной работы имеет меньшую ошибку второго рода (49%), выявляя меньший размер группы риска (компаний, относительно которых есть подозрение о дефолте в течение следующего года). Для сравнения коэффициент, разработанный Шохнех А. В. (2012) при таком же уровне чувствительности имеет ошибку второго рода на уровне 63% и, соответственно, имеет меньшую долю верных прогнозов касательно состоятельных компаний - 37% против 51% у финальной модели вероятности дефолта строительных компаний. Данный результат был достигнут при установке порога определения события "дефолт" в построенной модели на уровне большем 1,75% (табл. 30).
Таблица 30.
Классификационная таблица |
На основе модели | ||
Не дефолт |
Дефолт | ||
Реально |
Не дефолт |
51% |
49% |
Дефолт |
15% |
85% |
Отдельно необходимо остановиться на предшествующем исследовании Татьмяниной К. М. (2014), касающегося построения модели вероятности дефолта публичных строительных компаний, в отличие от данной работы, в которой исследование проводилось для непубличных строительных компаний. Автором была построена logit - модель с такими переменными, как доля запасов в оборотных активах и его квадрат, коэффициент автономии, рентабельность затрат и индекс цен потребителей. Построение производилось на основе метода статистического отбора переменных. В свою очередь в итоговую модель данного исследования вошли такие переменные, как рентабельность активов, натуральный логарифм чистых активов и его квадрат, оборачиваемость капитала, доля основных средств в активах, оборачиваемость внеоборотных активов и его квадрат, коэффициент предотвращения банкротства строительных компаний и влияние кризисного и пост кризисного периода. Как мы видим, для публичных и непубличных строительных компаний разный набор показателей имеет ключевое значение при определении вероятности их дефолта. Прогнозные характеристики модели Татьмяниной К. М. находятся на очень высоком уровне, о чем свидетельствует форма ROC-кривой. Так, показатель AUC (Area Under Curve) той модели равен 0,82, что немного больше, чем коэффициент AUC модели данного исследования равный 0,80. Это говорит о большей предсказательной силе модели дефолтов публичных строительных компаний, чем модели дефолтов непубличных компаний. В первую очередь, данное различие обусловлено как раз тем, что в предшествующей работе анализировались публичные компании, которые ежегодно проходят аудит финансовой отчетности, а значит, имеют большую степень ее правдоподобности и меньшие риски искажения, чем в непубличных компаниях. Тем не менее, еще раз стоит отметить, что полученная в ходе данного исследования модель также отличается отличным качеством по классификации показателя AUC (Помазанов и др., 2008). Таким образом, данная работа дополняет полученные ранее результаты анализа состоятельности строительных организаций.
Похожие статьи
-
Существует целый ряд классификаций моделей используемых для прогнозирования финансовой несостоятельности заемщиков. В своей работе Григорьева Т. И....
-
Итак, будем тестировать модель с наилучшими характеристиками. Прогноз вне выборки проводился на основе тестовой выборки с 805 наблюдениями. В ней...
-
ВВЕДЕНИЕ - Анализ и прогнозирование уровня конкурентоспособности компаний строительного комплекса
Актуальность темы исследования. Строительная отрасль характеризуется огромным количеством потенциальных исполнителей. Полный цикл возведения любого...
-
Перейдем к интерпретации построенной модели для непубличных строительных компаний, так как она представляет не меньший интерес, чем прогнозное качество...
-
ЗАКЛЮЧЕНИЕ - Анализ и прогнозирование уровня конкурентоспособности компаний строительного комплекса
В ходе проведенного исследования была построена logit-модель вероятности дефолта для непубличных компаний строительного комплекса. Данная модель поможет...
-
Далее предпримем попытки улучшить качество полученных моделей с помощью поочередного перехода к порядковой шкале и нормированной шкале. Полученные...
-
Как отмечалось в ходе исследования, logit-модель может характеризоваться сильной зависимостью от обучающей выборки. Поэтому чтобы быть уверенным в...
-
Отбор и классификация объясняющих переменных Для всесторонней оценки строительной компании в ходе анализа будут использоваться финансовые,...
-
Как показывает практика, чтобы любой инструмент стал широко используемым, он должен либо пройти через сито мнений экспертов отрасли, для анализа которой...
-
Для дополнительной наглядности полученных результатов предлагается подготовить рейтинговую шкалу, которая отмечала бы, какие значения вероятности дефолта...
-
Итак, модели, которые будут дальше анализироваться, и получены с помощью первого метода - проведения теста для выделения наиболее дескриптивных...
-
Для анализа был выбран временной диапазон с 2004 года по 2014 год. В целях построения прогнозной модели собранные годовые данные были разделены на две...
-
Проверим значимость квадратичной формы переменных для двух полученных моделей. Сначала рассмотрим значимость данных преобразований для первой модели...
-
Предпосылки построения индекса Строительная отрасль России характеризуется очень большим объемом строительных компаний и объемом работ, выполненных по...
-
Определение критериев события дефолт Строительная отрасль является одним из главных двигателей экономики. В России количество компаний, работающих на...
-
Ниже можно ознакомиться с первыми результатами расчета всего "семейства" индексов (см. табл. 33 и рис.7): Таблица 33. Значения ИКСО по федеральным...
-
Для целей проверки гипотезы о значимости рассматриваемых нами институциональных показателей (место нахождения, задолженность по уплате налогов), в...
-
При дальнейшем построении модели воспользуемся таким ограничением, как на каждую объясняющую переменную должно приходиться не менее тридцати наблюдений...
-
Сравнительный анализ нейросетевых и регрессионных моделей прогноза без учета пространственного лага Приведем результаты оценки прогноза за период...
-
Эмпирическое исследование интеллектуального капитала компании В последнее время при принятии важных стратегических решений, используется подход, который...
-
Модели потребления - Статистические методы в исследовании потребления населения
Под моделями потребления понимаются уравнения или их система, отражающая зависимость показателей потребления товаров и услуг от комплекса...
-
Анализ статических моделей панельных данных имеет ряд недостатков. Во-первых, при условии корреляции между лагом зависимой эндогенной зависимой...
-
В данной главе перейдем к анализу модели в-конвергенции по панельным данным. Для начала оценим модель безусловной конвергенции, в основе которой лежит...
-
Для комбинирования отобраны модели с наименьшей корреляцией между собой с помощью корреляционной матрицы. Корреляционная матрица состоит из числовых и...
-
Существует немало эмпирических исследований в рамках пространственной экономики, в которых используются российские данные регионального уровня. К....
-
Эмпирические исследования о роли пространственного взаимодействия городов В работе (Eaton, Eckstein, 1994) рассматривается устойчивость распределения...
-
Регрессионный анализ как продуктивный метод исследования статистических данных
РЕГРЕССИОННЫЙ АНАЛИЗ КАК ПРОДУКТИВНЫЙ МЕТОД ИССЛЕДОВАНИЯ СТАТИСТИЧЕСКИХ ДАННЫХ В данной статье рассматривается регрессионный анализ как эффективный метод...
-
Несмотря на то, что сегодня нет единого мнения относительно наличия в-конвергенции среди регионов России в 1992-2000 годах, большинство авторов полагают,...
-
В настоящее время проектный подход к управлению становится общепризнанным мировым стандартом работы. Эффективность деятельности компании определяется ее...
-
Заключение - Слияния и поглощения на фармацевтическом рынке и их влияние на стоимость компаний
В процессе работы над исследованием были изучены труды как отечественных, так и зарубежных авторов посвященные данной тематике. Было отмечено, что...
-
Формирование данных В проводимом исследовании были взяты такие показатели, как реальный ВВП на душу населения, измеряемый в долларах США, за период с...
-
Корреляционный анализ факторов экономического роста В третьей главе приведены результаты оценки условной модели в-конвергенции, в которую входят ряд...
-
Использование статистических показателей в дисперсионном анализе
Задача 1 По территориям Волго-Вятского, Центрально-Черноземного и Поволжского районов известны данные: Район Потребительские расходы в расчете на душу...
-
Построение модели - Анализ поведения домашних хозяйств в современной России
Ориентируясь на результаты предварительного анализа и экономических соображений, была построена базовая регрессионная модель по данным, собранным в...
-
По данным бухгалтерского баланса составим аналитический баланс и проанализируем структуру имущества предприятия и источников его образования, используя...
-
Прогнозирование годового объема перевозок По динамике объема перевозок грузов и грузообороту можно сделать анализ, который служит для обоснования планов...
-
Кей-анализ по оценке изменения стоимости Thermo Fisher Scientific Incorporation в результате поглощения Dionex Corporation Для того чтобы оценить...
-
Поглощение одной компании другой является весьма распространенным механизмом корпоративного строительства. Самый сложный процесс -- определение стоимости...
-
Проанализировав эффективность использования трудовых ресурсов, нам необходимо проанализировать фонд заработной платы (таблица 2.6.2.1.). Таблица 2.6.2.1...
-
Оценка интеллектуального капитала на предприятии ООО "ТК Лидер" будет также производиться на основе расчета коэффициента Тобина. Для этого будет...
Сравнение финальной модели с предшествующими исследованиями - Анализ и прогнозирование уровня конкурентоспособности компаний строительного комплекса