Международный экономический форум 2009

Лысюк Р.С., Щуплова Н.С.

Методы прогнозирования кредитоспособности

Кредитоспособность кредитополучателя зависит от многих внешних и внутренних факторов.  В экономической  литературе  достаточно хорощо рассмотрены методы рейтинговой оценки кредитоспособности и модели прогнозирования банкротств. Рейтинговые модели делят кредитополучателей на классы кредитоспособности.  Модели прогнозирования  кредитоспособности указывают   на возможное  банкротство.  В современных условиях              хозяйствования наибольшую актуальность приобретают методы прогнозирования банкротств.

Прогнозные модели используются для прогнозирования кредитоспособности  и базируются на статистических методах, наиболее распространенными из которых является множественный дискриминантный анализ (МДА). Общий вид дискриминантной функции:

где     А0и Аi - некоторые параметры (коэффициенты регрессии);

 - факторы, характеризующие финансовое состояние

      кредитополучателя (например, финансовые коэффициенты).

Коэффициенты регрессии рассчитываются в результате статистической обработки данных по выборке фирм, которые либо обанкротились, либо сумели выжить в течение некоторого периода. Все компании делятся на две группы: на тех, кому финансовые затруднения вплоть до банкротства в ближайшем будущем не грозят, и на тех, кому это грозит. Если Z - оценка некоторой компании находится ближе к показателю средней компании - банкрота, то при условии продолжающего ухудшения ее положения она обанкротится. Если менеджеры компании и банк, осознав финансовые трудности, предпринимают шаги, чтобы предотвратить усугубление ситуации, то банкротство не произойдет, следовательно, Z - оценка является сигналом раннего предупреждения.

Для применения методов дискриминантного анализа необходима достаточно репрезентативная выборка предприятия, дифференцированных по отраслям, размерам. Проблема использования метода заключается в том, что внутри отрасли не всегда возможно найти достаточное количество обанкротившихся фирм, чтобы рассчитать коэффициенты регрессии. Наиболее известными моделями МДА являются модели Альтмана и Чессера. Экономистами Альтманом, Хольдерманом и Нарайаной введен «Z - анализ» на основании следующего уравнения:

Z = 1,2 Х1 +1,4 Х2 + 3,3 Х3 + 0,9 Х4 +3,3 Х5,

где

Х2 - резервы/общие активы (+1,4);

Х3  - валовая прибыль/общие активы (+3,3);

Х4 - собственный капитал/общая задолженность (+0,9);

Х5 - обороты/общие активы (+3,3).

Отнесение предприятия к определенному классу надежности производится на основании следующих значений индекса Z:

Z < 1,8 - вероятность банкротства очень высокая;

2,7 < Z < 3,0 - вероятность банкротства низкая;

3,0 < Z -вероятность банкротства очень низкая.

Пятифакторная модель Альтмана позволяет дать достаточно точный прогноз банкротства на 2-3 года вперед. Факт банкротства на один год   устанавливается  с точностью до 95%. Следующая  модель способна предсказывать банкротства с высокой степенью точности на два года вперед и с меньшей, с приемлемой точностью (70%) на пять лет вперед.

Z = 1,2 Х1 + 1,4 Х2 + 3,3 Х3 + 0,6 Х4 + 0,9 Х5 - 2,675

Если Z < 0, то кредитоспособность  предприятия расценивается как низкая, если Z > 0 - предприятие считается  кредитоспособным.

Модель Альтмана была преобразована из пятифакторной модели в восьмифакторную  модель,  причем некоторые коэффициенты имеют отрицательный знак. Показатели с положительным коэффициентом увеличивают общую оценку (уменьшают степень риска банкротства), тогда как показатели с отрицательным коэффициентом уменьшают эту оценку (увеличивают степень риска). В модели Банка Франции показатели платежеспособности и доли добавленной стоимости в оборотах наделены отрицательными коэффициентами, означающими, что они увеличивают риск банкротства.

Z = -1,225 Х1+2,003 Х2 - 0,824 Х3+5,221 Х4 - 0,689 Х5 - 1,164 Х6+0,706Х7+1,408 Х8,

где       Х1 - стоимость кредита/валовая прибыль (-1,225);

Х2 - степень покрытия инвестиций собственными средствами (+2,003);

Х3 - долгосрочная задолженность/чистые активы (-0,824);

Х4 - норма валовой прибыли(+5,221);

Х5 - продолжительность кредита поставщиков (-0,689);

Х6 - добавленная стоимость/обороты (-1,164);

Х7 - продолжительность кредитов клиентов (+0,706);

Х8 - производственные инвестиции/общие инвестиции (+1,408).                

Сумма произведений каждого показателя на соответствующий коэффициент позволяет судить об уровне риска банкротства предприятия. Если полученный показатель > 0,125, то положение предприятия считается удовлетворительным, если < -0,25, то имеются основания полагать, что предприятию грозят серьезные финансовые трудности. При показателях, находящихся в промежутке -0,25 и 0,125, положение предприятия и риск его банкротства считаются неопределенными.

Модель надзора за кредитами Чессера прогнозирует случаи невыполнения клиентом условий кредитного договора. При этом под «невыполнением условий» подразумевается не только непогашение кредита, но и любые другие отклонения, делающие кредит менее выгодным для кредитора, чем было предусмотрено первоначально. Оценочные показатели модели следующие:

Y = -2,0434 - 5,24 Х1+0,0053 Х2 - 6,6507 Х3+4,4009 Х4 - 0,0791 Х5- 0,1220 Х6,

Где Х1 - наиболее ликвидные активы/общие активы (+5,24);

Х2 - выручка от реализации/ликвидные активы (+0,005);

Х3 - совокупный доход/общие активы (+6,65);

Х4 - общая задолженность/общие активы (+4,4);

Х5 - основной капитал/оборотные активы (+0,07);

Х6 - оборотные активы/выручка от реализации (+0,1).                             

Переменная Y, которая представляет собой линейную комбинация независимых переменных, используется в следующей формуле для оценки вероятности невыполнения условий кредитного договора, Z:

                          

где,   е - 2,71828 (число Эйлера), причем

- если Z > 0,50, то кредитополучателя следует отнести к группе, которая не выполнит условий договора;

- если Z < 0,50, то кредитополучателя можно отнести к группе надежных.

Дискриминантные модели прогнозирования банкротств представлены двухфакторной моделью М.А. Федотовой и пятифакторной моделью Р.С. Сайфулина, Г.Г. Кадыкова. Модель оценки вероятности банкротств М.А. Федотовой опирается на коэффициент текущей ликвидности (Х1) и долю заемных средств в валюте баланса (Х2):

Z = -0,3877 - 1,0736 Х1 + 0,0579 Х2 .               

При отрицательном значении индекса Z вероятно, что предприятие останется платежеспособным. Уравнение Р.С. Сайфулина, Г.Г. Кадыкова имеет вид:

Z = 0,1 Х2 + 2Х2+  2,5 Х3 + 0,45 · Х4 + 0,2 Х5,                  

В уравнении используются следующие коэффициенты: коэффициент обеспеченности собственными средствами (нормативное значение Х1 > 0,1); коэффициент текущей ликвидности (Х2 > 2); интенсивность оборота авансируемого капитала (Х3 > 2,5); рентабельность продаж  (Х4  >0,45); рентабельность собственного капитала (Х5 > 0,2).

При полном соответствии значений финансовых коэффициентов минимальным нормативным уровнем индекс Z равен 1. Финансовое состояние предприятия с рейтинговым числом менее 1 характеризуется как неудовлетворительное. Наряду с множественным дискриминантным анализом прогнозирования банкротства кредитополучателя может использоваться  упрощенная модель У. Бивера,  основанная на системе определенных показателей.

Таблица 1 - Система показателей для диагностики банкротства  У. Бивера

Показатели

Алгоритм расчета

Значения показателя

финансово

устойчивого

предприятия

  до банкротства

За 1 год до банкротства

За 5 лет 

За 1 год

Коэффициент Бивера

(чистая прибыль-

амортизация)/

обязательства

0,4-0,45

0,17

-0,15

Рентабельность активов, %

Чистая прибыль/

 активы

6-8

4

-22

Финансовый  рычаг

Обязательства/активы

>0,37

>0,5

>0,8

Коэффициент покрытия активов

(собственный капитал-

внеоборотные активы)/ активы

0,4

>0,3

0,06

Коэффициент покрытия

Оборотные активы/

Краткосрочные обязательства

>3,2

>2

>1

 Сложившаяся система отбора субъектов кредитования, по которой работает большинство коммерческих банков сегодня, во многом далека от совершенства. Направления совершенствования анализа кредитоспособности предприятия:

- формирование и использование расширенного множества эффективных и классификационных признаков;

- формирование репрезентативных обучающих выборок, обеспечивающих внутреклассовую однородность и межклассовые различия наблюдений;

- учет возможной миграции рейтингов  заемщиков, то есть перехода заемщика из одного класса кредитоспособности в другой в течении кредитного срока;

- учет влияния внешних факторов на различные типы заемщиков и кредитный рынок.