Сравнение финальной модели с предшествующими исследованиями - Уровень конкурентоспособности строительных компаний
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 27:
Таблица 27.
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. 28):
Таблица 28.
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. 29).
Таблица 29.
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
-
Предсказательная сила финальной модели - Уровень конкурентоспособности строительных компаний
Итак, будем тестировать модель с наилучшими характеристиками. Прогноз вне выборки проводился на основе тестовой выборки с 805 наблюдениями. В ней...
-
Существует целый ряд классификаций моделей используемых для прогнозирования финансовой несостоятельности заемщиков. В своей работе Григорьева Т. И....
-
Интерпретация финальной модели - Уровень конкурентоспособности строительных компаний
Перейдем к интерпретации построенной модели для непубличных строительных компаний, так как она представляет не меньший интерес, чем прогнозное качество...
-
Введение - Уровень конкурентоспособности строительных компаний
Актуальность темы исследования. Строительная отрасль характеризуется огромным количеством потенциальных исполнителей. Полный цикл возведения любого...
-
Тест на переобучаемость финальной модели - Уровень конкурентоспособности строительных компаний
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,...
-
Заключение - Уровень конкурентоспособности строительных компаний
В ходе проведенного исследования была построена logit-модель вероятности дефолта для непубличных компаний строительного комплекса. Данная модель поможет...
-
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...
-
Поэтапное построение индекса - Уровень конкурентоспособности строительных компаний
Как показывает практика, чтобы любой инструмент стал широко используемым, он должен либо пройти через сито мнений экспертов отрасли, для анализа которой...
-
Определение критериев события дефолт Строительная отрасль является одним из главных двигателей экономики. В России количество компаний, работающих на...
-
Для дополнительной наглядности полученных результатов предлагается подготовить рейтинговую шкалу, которая отмечала бы, какие значения вероятности дефолта...
-
Переход к порядковым и нормированным шкалам - Уровень конкурентоспособности строительных компаний
Далее предпримем попытки улучшить качество полученных моделей с помощью поочередного перехода к порядковой шкале и нормированной шкале. Полученные...
-
Построение модели с помощью логистической регрессии Прежде чем строить логистическую регрессию, необходимо выбрать конечный набор финансовых и...
-
Предпосылки построения индекса Строительная отрасль России характеризуется очень большим объемом строительных компаний и объемом работ, выполненных по...
-
Проверим значимость квадратичной формы переменных для двух полученных моделей. Сначала рассмотрим значимость данных преобразований для первой модели...
-
На следующем этапе в модель были добавлены дамми-переменные годов и отраслей. Таблицы соотношения переменных и данных приведены ниже. Кроме дамми...
-
Динамика индекса конкурентоспособности - Уровень конкурентоспособности строительных компаний
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...
-
Основной целью исследования является сравнение предсказательной силы моделей, построенных на основе различных методов. В условиях несбалансированности...
-
Основные понятия теории экономико-математического моделирования Кибернетический подход к исследованию экономико-математических систем Обычно...
-
Индекс Морана выявил наличие положительной пространственной зависимости в данных. То есть часть наблюдений кластеризуется на территории города по...
-
Данная работа опирается на исследования, посвященные проблематике предсказания банкротства компаний. Наибольший интерес в работах предшественников...
-
После проведения регрессионного анализа получается модель объекта исследований в виде некоторой функции. В простейшем случае линейной регрессии она имеет...
-
Объект исследования и его модель - Основы научных исследований
Объект исследования - это первичное, не сводимое к более простым, понятие. Поэтому дать его общее определение невозможно. Однако можно указать примеры...
-
Искусственные нейронные сети (ИНС) рассматриваются исследователями как возможная альтернатива статистическим методам. Исследования, использующие ИНС, как...
-
Модели пространственной регрессии позволяют определить характер географической взаимосвязи объектов. В основном, используется три вида моделей:...
-
Описание данных Данные для исследования получены из базы Руслана, предоставляемой компанией Бюро Ван Дайк. Эта база содержит данные финансовой отчетности...
-
Постоянство механизмов. Одно из условий, на которое опирается эконометрическое моделирование, состоит в том, что функциональное соотношение не меняется в...
-
В предыдущем разделе обсуждается важность учета пространственных взаимодействий при изучении влияния факторов арендной ставки на рынке недвижимости, как...
-
Вычисления для следующих входных данных F=1000H m=200 кг m'=1 кг/сек k=2 t0=0 сек V0=0 м/сек B=50 n=50 V1 (t) - результаты, полученные с помощью...
-
Большинство современных исследований, посвященных предсказанию банкротства, используют больше одного метода моделирования и делают выводы о сравнительной...
-
Реализуем математическую модель (2) (6) в MS Excel. Для этой цели построим таблицы исходных данных задачи по расчету оптимального графика занятости при...
-
На основе данных таблицы 1 приложения А построим предварительную регрессионную модель: Модель 1: МНК, использованы наблюдения 2005:01-2007:12 (T = 36)....
-
Построение многофакторной корреляционно-регрессионной модели производительности труда
Построение многофакторной корреляционно-регрессионной модели производительности труда Данная работа направлена на выявление факторов, от которых зависит...
-
Заключение - Влияние значений финансовых коэффициентов на вероятность банкротства компании
В рамках данного исследования были построены и оценены модели предсказания банкротства на базе логистической регрессии и искусственных нейронных сетей...
-
Построение корреляционных моделей исследуемых явлений
Построение корреляционных моделей исследуемых явлений Цель работы: На основе данных статистических наблюдений вывести корреляционные зависимости в виде...
-
Введение - Влияние значений финансовых коэффициентов на вероятность банкротства компании
Моделирование вероятности банкротства является широко применимой практической процедурой, которая необходима любой крупной кредитной организации....
-
Маркетинговое исследование представляет собой системный сбор, обработку и анализ всех аспектов процесса маркетинга: продукта, его рынка, каналов...
Сравнение финальной модели с предшествующими исследованиями - Уровень конкурентоспособности строительных компаний