прогнозированием вероятности банкротства предприятия с использование методов многофакторного статистического анализа. Одним из таких методов является метод дискриминантного анализа, с помощью которого решаются задачи классификации, то есть разбиения некоторой совокупности анализируемых объектов на классы путем построения так называемой классифицирующей функции в виде корреляционной модели [73]. В процессе построения модели, были использованы данные, характеризующие финансовое состояние предприятий ОАО «Лисма» и ЗАО «СЗТП». Выше перечисленные предприятия были выбраны после проведения кластерного и рейтингового анализа, как кризисные. В результате обработке статистических данных была получена следующая корреляционная зависимость: Z = ОД 17 0,876кп+ 0,089кфз. (3.1) При Z = 0 имеем уравнение дискриминантной границы. Для предприятий, у которых Z=0, вероятность обанкротиться равна 50%. Если Z<0, то вероятность банкротства меньше 50% и далее снижается по мере уменьшения Z. Если Z>0, то вероятность банкротства больше 50% и возрастает с увеличением Z. Знаки параметров а.\ ~ кп и а2 = кФЗ классифицирующей функции (3.1) связаны с характером влияния соответствующих показателей. Параметр ахимеет отрицательное значение, поэтому, чем больше коэффициент покрытия, тем меньше показатель Z и тем меньше вероятность банкротства предприятия. В то же время параметр а2 имеет положительное значение, поэтому чем выше коэффициент финансовой зависимости, тем больше Z и, следовательно, выше вероятность банкротства предприятия. Исследование данной модели показывает не совсем адекватное описание состояния финансового состояния предприятий корпорации. Так, по некоторым предприятиям с низкой вероятностью банкротства, они поправили свое состояние за счет корпоративного взаимодействия. Прогнозирование кризисных состояний с помощью двухфакторной модели, включающей финансовые показатели, не обеспечивает высокой точности. Это объясняется тем, что вышеописанная модель не учитывает влияния на финансовое положение предприятия других важных показателей, в том числе нефинансовых. Обычно, дискриминантная граница между различными группами состояний, в общем случае, имеет более сложный вид и представляет собой размытую область, а не прямую [73]. 127 |
36 • доходности и финансового результата; • показатели эффективности использования внеоборотного капитала и инвестиционной активности капитала; • показатели исполнения обязательств перед бюджетом и государственными внебюджетными фондами. Рассмотрим основные подходы к прогнозированию финансового состояния предприятий с позиции возможного банкротства. Надежность выводов о банкротстве может быть существенно повышена, если дополнить финансовый анализ прогнозированием вероятности банкротства предприятия с использование методов многофакторного статистического анализа. Одним из таких методов является метод дискриминантного анализа, с помощью которого решаются задачи классификации, то есть разбиения некоторой совокупности анализируемых объектов на классы путе.м построения так называемой классифицирующей функции в виде корреляционной модели. [56] Процесс построения модели прогнозирования вероятности банкротства предприятия с использованием метода дискриминантного анализа включает в себя следующие этапы: 1. Формирование выборки предприятий аналогичного типа, содержащей как обанкротившиеся предприятия, так и избежавшие банкротства. 2. Определение состава показателей, характеризующих финансовое состояние предприятия. 3. Разбиение сформированной совокупности предприятий на две группы: предприятия-банкроты и предприятия, преодолевшие кризис и выжившие, и их описание с помощью выбранной системы финансовых показателей. 4. Формализованное представление исходных данных в виде некоторых формальных конструкций. 5. Построение дискриминантной (разделяющей, классифицирующей) функции и ее идентификация. 92 дого конкретного предприятия. Весовые значения коэффициентов для повышения информативности проводимого анализа, также должно быть тщательно обоснованы. Различные показатели не только дают разностороннюю характеристику предприятия, но и отвечают интересам различных внешних пользователей аналитической информации. Поэтому необходимо перед проведением расчёта того или иного показателя для получения боле объективной оценки, учитывать финансово-экономическое состояние контрагента. [67]. При расчёте тех или иных коэффициентов их значения могут попадать в пограничную область вокруг границы, разделяемой два смежных интервала. Величину области можно определить только субъективным способом, используя процентную оценку. Таким образом, область с 5%-иым отклонением от границы может считаться пограничной. В настоящее время как в отечественной, так и в зарубежной практике существует ряд методов по прогнозированию несостоятельности предприятий. Рассмотрим ряд методов ио прогнозированию банкротства и оценим их с точки зрения применимости к российской действительности, где опыт рыночного функционирования предприятий ограничен. Метод дискриминантного анализа Надежность выводов о банкротстве может быть существенно повышег* на, если дополнить финансовый анализ прогнозированием вероятности банкротства предприятия с использование методов многофакторного статистического анализа. Одним из таких методов является метод дискриминантного анализа, с помощью которого решаются задачи классификации, то есть разбиения некоторой совокупности анализируемых объектов на классы путем построения так называемой классифицирующей функции в виде корреляционной модели. [56] * В процессе построения модели, были использованы данные, характеризующие финансовое состояние предприятий трех районов Новоторьяльского, 93 Параньгинского и Сернурского. Выше перечисленные районы были выбраны после проведения кластерного и рейтингового анализа, как кризисные. В результате обработке статистических данных была получена следующая корреляционная зависимость: Z = 0,3877 1,0736кп + 0,0579кфз. (9) 'И При Z=0 имеем уравнение дискриминантной границы. Для предприятий, у которых Z=0, вероятность обанкротиться равна 50%. Если Z<0, то вероятность банкротства меньше 50% и далее снижается по мере уменьшения Z. Если Z>0, то вероятность банкротства больше 50% и возрастает с увеличением Z. Знаки параметров ai и а2 классифицирующей функции связаны с характером влияния соответствующих показателей. Параметр ах имеет отрицательное занчение, поэтому чем больше коэффициент покрытия, тем меньше показатель Z и тем меньше вероятность банкротства предприятия. В то же время параметр имеет положительное значение, поэтому чем выше коэффициент финансовой зависимости, тем больше Z и, следовательно, выше вероятность банкротства предприятия. Решение данной модели лучше представить в виде таблицы в приложении 10 и 11. В таблице приведены исходные данные (столбцы 1,2,3,6) и результаты расчетов показателя Z и вероятности банкротства (столбцы 4,5). В силу того, что двухфакторная модель не полностью описывает финансовое положение предприятия, прогнозные (расчетные) и фактические показатели могут расходиться. Так, предприятия колхоз им. Овчинникова имело Z=-0,021 и вероятность банкротства чуть более 0,1% (то есть не должно было обанкротиться, так как имело мало на это шансов), в действительности же это предприятие стало банкротом. В то же время предприятие СХПК «Илсть» имело положительное значения Z и вероятность банкротства 73,3%, но оно сумело избежать банкротства. Прогнозирование банкротства с помощью двухфакторной модели, включающей коэффициенты покрытия и финансовой зависимости, не обес |