Возможности и ограничения применения моделей диагностики банкротства для предупреждения несостоятельности

В статье решена проблема разработки интегральной классификации существующих моделей прогнозирования банкротства на основе контент-анализа 270 релевантных зарубежных и российских публикаций, изданных в 1910—2020 гг.: выделены две основные группы моделей — нормативные и эмпирические; последние категорированы на экспертные, комбинированные и объективные, включающие статистические модели и модели интеллектуального анализа данных; специфицированы особенности конкретных видов известных моделей прогнозирования банкротства, их преимущества и недостатки. Раскрыто экономическое содержание моделей, используемая индикативная база снижения финансовой устойчивости бизнеса, и сделаны выводы: подходы к выбору переменных редко обоснованы, показатели обычно заимствованы из прежних моделей или обусловлены автоматической конфигурацией базы данных о компаниях; доминирует бухгалтерский подход к диагностике банкротства на основе финансовых коэффициентов, имеющий серьезные ограничения для российских компаний; выделены наиболее значимые рыночные, стоимостные, качественные индикаторы, свидетельствующие о снижении финансовой устойчивости бизнеса. Выявлены значимые ограничения, не позволяющие в целом применять модели диагностики банкротства для принятия решений по предупреждению несостоятельности компаний: невозможность предвидеть воздействие внешних и внутренних неформальных факторов, проявляющихся нерегулярно, не подверженных экстраполяции, неодинаково воздействующих на разные компании; необходимость учета экономических условий национальной экономики, стандартов отчетности, уровня доступности разноплановых данных; невозможность создания индикативной базы снижения устойчивости, универсальной для любого бизнеса ввиду высокой изменчивости условий функционирования бизнеса в России. Перспективными направлениями в рамках развития современных подходов к диагностике банкротства представляются байесовские методы и наукастинг, а также разработка моделей с фиктивной переменной, учитывающих отраслевые особенности, однако основой предупреждения несостоятельности видится не прогнозирование по моделям, а осуществление постоянного мониторинга общего состояния бизнеса во взаимосвязи с влияющими рыночными, операционными, инвестиционными, финансовыми, управленческими и организационными факторами, учетом значимых качественных параметров.

1. Ариничев, И. В., Матвеева, Л. Г., & Ариничева, И. В. (2018). Прогнозирование банкротства организации на основе метрических методов интеллектуального анализа данных. Вопросы регулирования экономики, 9(1), 62-73. https://doi.org/10.17835/2078-5429.2018.9.1.061-073

2. Бобылева, А. З., & Львова, О. А. (2019a). Управление трансформационными программами слияний и присоединений с участием проблемных компаний. Вестник Санкт-Петербургского университета. Менеджмент, 18(4), 483-509. https://doi.org/10.21638/11701/spbu08.2019.401

3. Бобылева А. З., & Львова О. А. (2019b). Предупреждение банкротства: институциональная поддержка слияний и присоединений проблемных компаний. Проблемы теории и практики управления, 7, 100-112.

4. Горбатков, С. А., Белолипцев, И. И., & Макеева Е. Ю. (2013). Выбор системы экономических показателей для диагностики и прогнозирования банкротств на основе нейросетевого байесовского подхода. Финансы: теория и практика, 4, 50-61.

5. Макеева, Е. Ю., Аршавский, И. В. (2014). Применение нейронных сетей и семантического анализа для прогнозирования банкротства. Корпоративные финансы, 8(4), 130-140.

6. Макушина, Е. Ю., & Шихлярова, И. А. (2018). Моделирование вероятности банкротства российских нефинансовых компаний. Финансы и кредит, 24(2), 95-110. https://doi.org/10.24891/fc.24.1.95

7. Могилат, А. Н. (2019). Моделирование финансовой устойчивости компаний реального сектора (на примере промышленности). (дис. на соикание уч. степ. канд. экон. наук). Мос. гос. ун-т.

8. Пестова, А. А., & Мамонов, М. Е. (2016). Обзор методов макроэкономического прогнозирования: в поисках перспективных направлений для России. Вопросы экономики, 6, 45-75. https://doi.org/10.32609/0042-8736-2016-6-45-75

9. Пугановская, Т. И., & Галямин, А. В. (2008). Анализ зарубежных исследований в области моделирования банкротства компании. Проблемы региональной экономики, 3, 46-61.

10. Слабинская, И. А., & Кравченко, Л. Н. (2017). Прогнозирование банкротства как метод оценки экономической безопасности организаций. Вестник Белгородского государственного технологического университета им. В. Г. Шухова, 8, 195-199. https://doi.org/10.12737/article_5968b453283fe8.39704252

11. Станкевич, И. П. (2020). Сравнение методов наукастинга макроэкономических индикаторов на примере российского ВВП. Прикладная эконометрика, 59, 113-127.

12. Хайдаршина, Г. А. (2007). Количественные методы оценки риска банкротства предприятий: классификация и практическое применение. Финансы: теория и практика, 4, 169-178.

13. Alaka, H. A., Oyedele, L. O., Owolabi, H. A., Kumar, V., Ajayi, S. O., Akinade, O. O., & Bilal, M. (2018). Systematic review of bankruptcy prediction models: Towards a framework for tool selection. Expert Systems with Applications, 94, 164-184.

14. Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, 23(4), 589-609.

15. Altman, E. I., & Hotchkiss, E. (1993). Corporate financial distress and bankruptcy.

16. Aziz, M. A., & Dar, H. A. (2006). Predicting corporate bankruptcy: where we stand? Corporate Governance: The international journal of business in society, 6(1), 18-33.

17. Beaver, W. H. (1966). Financial ratios as predictors of failure. Journal of accounting research, 71-111.

18. Bellovary, J. L., Giacomino, D.E., & Akers, M. D. (2007). A review of bankruptcy prediction studies: 1930 to present. Journal of Financial education, 1-42.

19. Bunn, D., & Wright, G. (1991). Interaction of judgemental and statistical forecasting methods: issues & analysis. Management science, 37(5), 501-518.

20. Casey, C. J. (1980). The usefulness of accounting ratios for subjects' predictions of corporate failure: Replication and extensions. Journal of Accounting Research, 18(2), 603613.

21. Cao, Y., Liu, X., Zhai, J., & Hua, S. (2020). A two-stage Bayesian network model for corporate bankruptcy prediction. International Journal of Finance & Economics.

22. Cha, S., & Kang, J. (2018). Corporate default prediction model using deep learning time series algorithm, RNN and LSTM. Journal of Intelligence and Information Systems, 24(4), 1-32.

23. Chauvet, M., & Potter, S. (2013). Forecasting output. Handbook of Economic Forecasting, 2, 141-194.

24. Crouhy, M., Galai, D., & Mark, R. (2000). A comparative analysis of current credit risk models. Journal of Banking & Finance, 24(1-2), 59-117.

25. Dimitras, A. I., Slowinski, R., Susmaga, R., & Zopounidis, C. (1999). Business failure prediction using rough sets. European Journal of operational research, 114(2), 263-280.

26. Dimitras, A. I., Zanakis, S. H., & Zopounidis, C. (1996). A survey of business failures with an emphasis on prediction methods and industrial applications. European journal of operational research, 90(3), 487-513.

27. Falkenstein, E. G., Boral, A., & Carty, L. V. (2000). RiskCalc for private companies: Moody's default model. Available at SSRN 236011.

28. Garcfo, V., Marques, A. I. & Sinchez, J. S. (2019) Exploring the synergetic effects of sample types on the performance of ensembles for credit risk and corporate bankruptcy prediction. Information Fusion, 47, 88-101.

29. Harrison, P. J., & Stevens, C.F. (1976). Bayesian forecasting. Journal of the Royal Statistical Society: Series B (Methodological), 38(3), 205-228.

30. Horak, J., Vrbka, J., & Suler, P. (2020). Support vector machine methods and artificial neural networks used for the development of bankruptcy prediction models and their comparison. Journal of Risk and Financial Management, 13(3), 3, 60-75.

31. Hosaka, T. (2019). Bankruptcy prediction using imaged financial ratios and convolutional neural networks. Expert systems with applications, 117, 287-299.

32. Kumar, P. R., & Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques-A review. European journal of operational research, 180(1), 1-28.

33. Lahmiri, S., Bekiros, S. (2019). Can machine learning approaches predict corporate bankruptcy? Evidence from a qualitative experimental design. Quantitative Finance, 19(9), 1569-1577.

34. Laitinen, T., & Kankaanpaa, M. (1999). Comparative analysis of failure prediction methods: the Finnish case. European Accounting Review, 8(1), 67-92.

35. Libby, R. (1975). Accounting ratios and the prediction of failure: Some behavioral evidence. Journal of Accounting Research, 13, 150—161.

36. Lvova, O. (2017). Financial analysis of distressed companies in emerging countries: Methodological approaches. Proceedings of the 30th International Business Information Management Association Conference, IBIMA 2017 — Vision 2020: Sustainable Economic development, Innovation Management, and Global Growth, 1717—1727.

37. Maldonado, S., Peters, G., & Weber, R. (2020). Credit scoring using three-way decisions with probabilistic rough sets. Information Sciences, 507, 700-714.

38. Min, J. H., & Lee, Y. C. (2005). Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters. Expert systems with applications, 28(4), 603-614.

39. Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of accounting research, 18(1), 109—131.

40. Oz, I. O., Yelkenci, T. A theoretical approach to financial distress prediction modeling. Managerial Finance, 43(2), 212—230.

41. Pompe, P. P., & Bilderbeek, J. (2005). The prediction of bankruptcy of small-and medium sized industrial firms. Journal of Business venturing, 20(6), 847-868.

42. Scott, J. (1981). The probability of bankruptcy: A comparison of empirical predictions and theoretical models. Journal of Banking & Finance, 5(3), 317-344.

43. Shi, Y., & Li, X. (2019). An overview of bankruptcy prediction models for corporate firms: A systematic literature review. Intangible Capital, 15(2), 114-127.

44. Singh, G., & Singla, R. (2019). Corporate bankruptcy prediction using Altman's Z-score model: the effect of time and methodology on accuracy of the model. Journal of Academic Research in Economics, 11(1), 58—71.

45. Tay, F. E., & Shen, L. (2002). Economic and financial prediction using rough sets model. European Journal of Operational Research, 141(3), 641—659.

46. Tian, S., Yu, Y., & Guo, H. (2015). Variable selection and corporate bankruptcy forecasts. Journal of Banking & Finance, 52, 89—100.

47. Traczynski, J. (2017). Firm default prediction: a Bayesian model-averaging approach. Journal of Financial and Quantitative Analysis, 52(3), 1211—1245.

48. Wilson, R. L., & Sharda, R. (1994). Bankruptcy prediction using neural networks. Decision support systems, 11(S), 545—557.

49. Wong, B. K., Bodnovich, T. A., & Selvi, Y. (1997). Neural network applications in business: A review and analysis of the literature (1988-1995). Decision Support Systems, 19(4), 301-320.

50. Zhang, G., Patuwo, B. E., & Hu, M. Y. (1998). Forecasting with artificial neural networks: The state of the art. International journal of forecasting, 14(1), 35—62.

51. Zimmer, I. (1980). A lens study of the prediction of corporate failure by bank loan officers. Journal of Accounting Research, 629—636.

52. Zmijewski, M. E. (1984). Methodological issues related to the estimation of financial distress prediction models. Journal of Accounting research, 59-82.