Оценка вероятности банкротства компаний строительной отрасли - Дипломная работа

Компании банкроты включались в выборку только за обозначенные периоды ухудшения экономической ситуации в стране: 2008-2009 гг. и 2013-2014 гг. В рамках данного исследования рассматривается один из методов прогнозирования банкротства предприятий - logit-модель с использованием финансовых показателей, рассчитанных на основании годовой финансовой отчетности по российским стандартам. Результаты настоящего исследования могут быть использованы строительными компаниями с целью прогнозирования банкротства, так как в ходе построения модели будут выявлены особо значимые показатели, на которые необходимо обращать внимание при ухудшении финансового положения предприятия. В развитии этого метода исследователи Мартин (1977) и Олсон (1980) и их последователи, например, Азиз и Лоусон (1989), начали разрабатывать модели с использованием регрессионного анализа моделей бинарного выбора, такие как logit-probit-модели, которые стали обладать еще более высокими прогнозными качествами. Разница состоит лишь в методах расчета этого показателя, так как уравнения моделей состоят из разных комбинаций финансовых переменных, которые, в свою очередь, «кочуют» из модели в модель. Также в работе S-M Lin, J Ansell, G Andreeva (2012) доказывается, что при построении моделей вероятности банкротства (МДА и logit-модель) для мелких предприятий необходимо учитывать коэффициенты роста по финансовым показателям и оценивать эффективность работы предприятия.* - 10%-ый уровень значимости; ** - 5%-ый уровень значимости; *** - 1%-ый уровень значимости; в скобках указано значение t-статистики. На 1%-ом уровне значимости коэффициенты при переменных текущая ликвидность (LIQ), указывающая на платежеспособность предприятия, и показатель отношения темпов роста выручки и темпов роста себестоимости (K) являются значимыми и имеют отрицательный знак, то есть при увеличении данных показателей вероятность банкротства будет уменьшаться. Таким образом, при построении эконометрической модели из 10 финансовых показателей были выявлены значимые переменные, которые являются сигналами банкротства для предприятий строительной отрасли: показатель отношения темпов роста выручки к темпам роста себестоимости (K), текущая ликвидность (LIQ), рентабельность продаж (ROS), финансовый рычаг (ZS), доля директора компании в собственном капитале. Особенную ценность исследованию придает то, что показатель отношения темпов роста (K) в работах предыдущих исследователей не использовался в таком виде, так как чаще всего включают отдельно темп роста выручки или других показателей прибыл, однако в настоящем исследовании и в предыдущем исследовании для мебельной отрасли данный показатель является значимым. Необходимо сравнивать темп роста выручки с темпом роста себестоимости, так как если компания сработала с более высокими темпами роста выручки, чем у себестоимости, то можно предполагать о наличии эффекта от масштаба или наличии у компании эффективных мер по сокращению издержек на производство.Показатель Logit-модель Как было сказано ранее. общая выборка разделена на две части: тестирующая (30%) и обучающая (70%). Логистическая регрессия, построенная на обучающей выборке, протестирована на второй выборке. в которую вошли 191 компаний строительного сектора. из них: 125 действующих и 66 - банкротов. С помощью программного пакета Stata12, путем подстановки значений переменных из указанной выборки в логистическую регрессию, было выявлено только 21 несоответствий истинному значению, а значит модель верно предсказывает банкротство в 89% случаев. Ошибок первого рода больше, чем ошибок второго рода, что характеризует модель с положительной стороны.В заключение следует отметить, что в ходе настоящего исследования, во-первых, был произведен обзор существующих моделей прогнозирования банкротства, из них выбрана наилучшая по своим характеристикам для выявления значимости финансовых показателей на вероятность банкротства предприятий. Во-вторых, были отобраны российские предприятия строительной отрасли, занимающихся строительством жилых и нежилых зданий, и собраны эмпирические данные для построения модели, что позволило выявить значимость показателей. Для достижения результата в ходе исследования были использованы работы зарубежных и отечественных авторов, годовая финансовая отчетность предприятий (бухгалтерский баланс, отчет о финансовых результатах), методы статистического и эконометрического анализа. Настоящее исследование по оценке вероятности банкротства на примере строительной отрасли России позволило выявить наиболее значимые для диагностики и предупреждения банкротства финансовые коэффициенты в период ухудшающей экономической ситуации в стране. Ими стали показатели рентабельности продаж, текущей ликвидности, финансовый рычаг, показатель, рассчитываемый как отношение темпов роста выручки к темпам роста себестоимости, и доля директора компании в собственном капитале этой компании.

Оглавление

Введение

Теоретический обзор

Постановка исследовательского вопроса

Методология исследования

Описание данных

Эмпирические результаты

Заключение

Список использованных источников

Приложения

Успешное функционирование компании на рынке в современных экономических условиях является одной из ключевых задач всех отраслей промышленности, так как каждая компания нацелена на увеличение собственной стоимости с целью привлечения инвестиций, получение прибыли и увеличение лояльности к своим товарам среди большей доли потребителей на рынке. Для оценки финансового состояния и положения компании на рынке используется анализ ее финансовых показателей, с помощью которого можно спрогнозировать вероятность банкротства.

В настоящее время существует множество подходов к оценке вероятности банкротства, каждый из которых имеет свои достоинства и недостатки. Существует различные модели, которые регулярно применяются на практике ввиду простоты расчета и интерпретации результатов.

Однако многие из этих моделей являются устаревшими, неприменимыми к российским компаниям изза разных методов к расчетам финансовых показателей, а также обладают низкими прогнозными качествами. Кроме того, один из вопросов, который ставят исследователи при построении моделей - какие финансовые показатели являются индикаторами банкротства.

Стоит отметить, что каждая отрасль промышленности имеет ряд показателей, которые могут в большей степени влиять на оценку сигналов банкротства и построении модели, которая будет включать специфику российских отраслей промышленности. тоящее исследование посвящено построению модели для оценки финансового положения компаний строительного сектора. Выбор указанной отрасли обусловлен тем, что на основании анализа делового климата в строительстве на конец 2017 года отмечается, что отрасль находится в неблагоприятном финансовом положении относительно других отраслей в современных экономических условиях ввиду высокой волатильности индекса предпринимательской уверенности, низких показателей индексов потребления в Российской Федерации (ДКС ВШЭ, 2017).

Таким образом, целью данной работы является выявление и оценка внутренних показателей, с помощью которых можно спрогнозировать вероятность банкротства российских предприятий строительного сектора за год до наступления данного события.

Для достижения цели необходимо решить ряд задач: ? проанализировать существующие модели прогнозирования банкротства компаний с использованием современных исследований;

? изучить особенности рынка строительства в соответствие современной российской экономики;

? определить основные показатели, которые вероятностно могут влиять на банкротство компаний;

? построить модель оценки вероятности банкротства предприятий на основе модели логистической регрессии;

? определить значимые переменные и интерпретировать полученный результат.

В соответствии с поставленными задачами работу можно разить на нескольких частей. В теоретической части работы предполагалось подробное описание существующих моделей вероятности банкротства компаний и формирование целостного представления о их различных спецификациях.

Для решения этой задачи, в первую очередь, необходимо было сконцентрироваться на специализированной литературе, систематизирующую все существующие модели. В связи с этим, ключевым источником информации здесь являлась исследование Азиза и Дара (2006).

Также в первой части работы описаны существующие модели прогнозирования банкротства от начала 30-х годов ХХ века.

Особое внимание уделяется статистическим моделям прогнозирования банкротства: дискриминантный анализ Альтмана, logit-модель. Кроме того, в современных исследованиях акцентируется внимание на создание моделей, учитывающих специфику отрасли, то есть, другими словами, подбор такого набора объясняющих переменных, который будет максимально предсказывать вероятность банкротства и при этом учитывать особенности отрасли. Основными работами по данной проблематике являются: Федорова Е. и Тимофеева Я. (2015), Gu (2002), Parsa, Self, Njite, King (2005), Рыбалка А. (2017), Marginean, Mihaltan, (2015) и др.

Вторым этапом исследования является анализ состояния строительного сектора в российской экономике, постановка исследовательского вопроса и выбор подходящих переменных для логистической регрессии. В основу проведения данного анализа заложены инструменты описательной статистики, предполагающие сбор данных, их обработку и последующее представление результатов. Хотелось бы отметить особенности сбора базы данных. Действующие компании включались в выборку за последние доступные два отчетных периода 2015-2006 гг. Компании банкроты включались в выборку только за обозначенные периоды ухудшения экономической ситуации в стране: 2008-2009 гг. и 2013-2014 гг. В рамках данного исследования рассматривается один из методов прогнозирования банкротства предприятий - logit-модель с использованием финансовых показателей, рассчитанных на основании годовой финансовой отчетности по российским стандартам. Заключительным этапом исследования является построение логистической регрессии и интерпретация полученных показателей. Результаты настоящего исследования могут быть использованы строительными компаниями с целью прогнозирования банкротства, так как в ходе построения модели будут выявлены особо значимые показатели, на которые необходимо обращать внимание при ухудшении финансового положения предприятия.

Теоретический обзор

В научной литературе есть достаточное количество работ как по выявлению факторов, влияющих на банкротство компаний, так и по оценке вероятности банкротства компаний. История развития моделей прогнозирования банкротства с помощью анализа коэффициентов отдельных фирм и их сравнение началась с 30х годов XX века. В 1930 году «The Bureau of Business Research» (BBR) опубликовало результаты исследования анализа финансовых показателей промышленных предприятий-банкротов. (Jodi Bellovary, 2007). В данном исследовании было задействовано 29 фирм и проанализировано 24 показателя в целях выявления общих характеристик банкротства компаний. На основании проведенного анализа BBR заключил, что одним из самых ценных показателей является оборотный капитал к совокупным активам. Кроме того, в исследованиях в период 1930-1965 гг., например, ФИЦПАТРИК (1932), Джакендоф (1962), было выявлено, что одними из самых значимых финансовых показателей являются текущая ликвидность и отношение оборотного капитала к совокупным активам.

Рассмотренные работы послужили основой для дальнейших более углубленных исследований и разработки более сложных моделей, например, модели Бивера (1966) и Альтмана (1968). Данные исследователи стали разрабатывать модели с использованием линейной комбинации финансовых показателей с определенными коэффициентами, что давало более точный прогноз. Метод множественного дискриминантного анализа (МДА) был популярным на ранних этапах прогнозирования банкротства.

В развитии этого метода исследователи Мартин (1977) и Олсон (1980) и их последователи, например, Азиз и Лоусон (1989), начали разрабатывать модели с использованием регрессионного анализа моделей бинарного выбора, такие как logit-probit-модели, которые стали обладать еще более высокими прогнозными качествами.

Наилучшая систематизация всех последних работ представлена в работе Азиза и Дара (2006). На основании данного исследования можно выделить несколько групп моделей прогнозирования банкротства: статистические модели, модели искусственного интеллекта и теоретические модели. В рамках указанных моделей существует множество методов и подходов оценки вероятности банкротства компаний, каждый из которых имеет сильные и слабые стороны.

Классические статистические модели широко используются для прогнозирования банкротства и включают в себя как однофакторный, так и многофакторный анализ, фокусируясь на симптомах банкротства. Модели искусственного интеллекта чаще всего проводятся с помощью многофакторных моделей, являются результатом технического прогресса и зависят от компьютерных технологий, так же, как и статистические модели, рассматривают симптомы банкротства.

Теоретические модели в свою очередь базируются на качественных причинах банкротства, носят многомерный характер и действуют в паре со статистическими методами для количественного подтверждения качественных выводов (Aziz, Dar, 2006). Основные виды прогнозирования банкротства указанных моделей представлены на рисунке 1.

Далее было разработано множество других моделей с использованием разных методов к сбору и анализу эмпирических данных, но до сих пор определенно нельзя сказать какие финансовые показатели точно смогут указать на вероятность банкротства. Указанная проблема может возникать изза разности во времени разработки моделей, экономических особенностей в разных странах и отраслях. Статистические модели прогнозирования банкротства заслуживают особого внимания, так как данные методы анализа являются наиболее популярными среди других ввиду несложности расчета и интерпретации показателей и высокими прогнозными качествами.

Рис.1. Виды прогнозирование банкротства*

*Составлено на основании ст.: M. Adnan Aziz and Humayon A. Dar, 2006

Настоящее исследование находится в поле статистических методов, где наиболее известными и широко используемыми методиками являются двухфакторная и пятифакторная модель Альтмана, система показателей Бивера (1966), Чессера (Scott, 1981). Более поздними, но не менее популярными являются разработки Спрингейта или Таффлера (Aziz, Dar, 2006). Однако перечисленные модели зачастую не применимы к российской действительности. Это обусловлено тем, что многие финансовые показатели, используемые в моделях, не рассчитываются для российских предприятий или рассчитываются иным образом (Богданова, Алекссева, 2011).

В отечественной практике в большей степени признаны модели Ковалева, Савицкой, Зайцевой, модель Беликова-Давыдовой, которые основаны на инструментарии множественного дискриминантного анализа (Воронина, 2007). В них учтены особенности формирования финансовой отчетности в России и специфика отраслей. Однако данные модели обладают низким прогнозным качеством и завышенными удельными весами у некоторых переменных в уравнениях по сравнению с другими переменными в них, что ставит под вопрос релевантность моделей и цель включения в модель показателей с низкими удельными весами. Методология всех вышеуказанных авторов совпадает и представляет собой расчет показателя вероятности банкротства на основе выборочных финансовых коэффициентов и сравнение его со шкалой, присваивающей численному значению какую-либо качественную характеристику (чаще всего о степени вероятности банкротства на следующий год деятельности компании: низкая, средняя, высокая). Разница состоит лишь в методах расчета этого показателя, так как уравнения моделей состоят из разных комбинаций финансовых переменных, которые, в свою очередь, «кочуют» из модели в модель.

В работе Федоровой Е. и Тимофеева Я. (2015) был произведен сравнительный анализ зарубежных методик оценки вероятности банкротства и logit-модели на примере российских строительных и сельскохозяйственных предприятий. Результат показал, что прогнозные значения логистической регрессии для двух отраслей выше, чем классических дискриминантных моделей Альтмана, Фулмера, Таффлера и др. Аналогично в работе Никитиной Ю. (2016) при оценке вероятности банкротства в пищевой промышленности более высокими прогнозными свойствами обладает логистическая регрессия.

В.Ю. Жданов и О.А. Афанасьева в своей работе провели сравнительный анализ отечественных моделей вероятности банкротства для предприятий авиационно-промышленного комплекса (Афанасьева О.А. 2011). Как показал анализ построенных моделей, логистическая регрессия обладает более высокими прогнозными качествами по сравнению с дискриминантной моделью Белькова-Давыдовой (1999).

Так в современных исследованиях используется статистический метод такой как logit-модель. Преимущества данной модели заключаются в том, что изза нелинейной зависимости между переменными получается более точный результат прогноза, так как зависимая переменная принимает только значения в промежутке от 0 до 1.

Применение классических статистических моделей для конкретного предприятия без изменений может дать неверный результат. В первую очередь, это обусловлено тем, что включенные в модель факторы могут оказаться незначимы для анализируемой ситуации, определяемой отраслевой и страновой особенностями. Ввиду этого многие исследователи используют известные подходы, генерируя на собственных данных модели, не обладающих таким революционным характером, который имели первые работы Альтмана, Бивера, Олсона и др. ввиду узкой эмпирической направленности исследования.

В литературе рассмотрены локальные модели, прогнозирующие банкротство ресторанов (Gu, 2002), отельного бизнеса (Parsa, Self, Njite, King, 2005) или компаний обрабатывающей промышленности (Алексеева, Богданова, 2011). Несмотря на их многообразие, каждая отражает особенности изучаемого кейса и несет исследовательскую ценность, доказывая необходимость разработки регрессионных моделей прогнозирования банкротства с учетом специфики отраслей.

Доказано, что наиболее простая модель Альтмана (2006) релевантна для мебельных предприятий (Marginean, Mihaltan, 2015), поэтому широко используется ими за рубежом. Однако, например, российская мебельная отрасль нуждается в индивидуальной модели, более точно описывающей особенности ее деятельности, что являлось целью нашего предыдущего исследования.

Зарубежными исследователями выявлено, что сигналами о вероятном банкротстве могут стать не только внутренние показатели предприятия, но и характеристики среды, такие как развитость рынка продукции или услуги и экономический рост. Одним из примеров является исследование Topaloglu (2012), в котором анализируются результаты построения logit-модели для оценки вероятности банкротства предприятия обрабатывающей отрасли США, включающую в себя макроэкономические (изменение реального ВВП) и рыночные показатели (доля рынка предприятия, избыточная доходность, стандартное отклонение доходности). Результаты анализа показали, что, включая указанные переменные в модель вместе с финансовыми, тем самым улучшаются прогнозные качества модели. В добавление к сказанному автор отмечает, что при построении моделей оценки вероятности банкротства предприятий подотраслей обрабатывающей промышленности значимость рыночных коэффициентов меняется, а макроэкономический показатель остается значимым для подотраслей и для отрасли в целом.

Также стоит обратиться к исследованию Eisdorfer, Hsu (2011), в котором анализируется связь между технологическими инновациями и вероятностью банкротства предприятия. Авторы получили, что технологические инновации, обусловленные макроэкономическими условиями, развитием рынка, устареванием оборудования, увеличением спроса и т.д., увеличивают вероятность банкротства слабых конкурентоспособных предприятий.

Кроме того, для добавления динамики в модель оценки вероятности банкротства к сравнению должны быть приняты не валовые значения показателей текущего года, а относительные показатели, то есть отношение значений текущего отчетного периода к предыдущему. Такой подход использован Богдановой Т.К. (2011) при попытке оценить вероятность банкротства предприятий обрабатывающей отрасли с учетом динамики изменения финансовых показателей при помощи logit-модели.

Также в работе S-M Lin, J Ansell, G Andreeva (2012) доказывается, что при построении моделей вероятности банкротства (МДА и logit-модель) для мелких предприятий необходимо учитывать коэффициенты роста по финансовым показателям и оценивать эффективность работы предприятия. Анализ качественных показателей эффективности работы дали отрицательные результаты, однако количественные показатели как отношение финансовых показателей к количеству сотрудников позволяют оценить эффективность управления и являются значимыми в моделях.

В исследовании Рыбалка А.И. (2017), посвященному анализу изменений прогнозной силы моделей определения дефолта строительных компаний при включении факторов корпоративного построения, доказывается, что с финансовыми трудностями в строительном бизнесе России лучше справляются небольшие по численности советы директоров. Опровергается гипотеза о том, что при увеличении возраста компании, вероятность дефолта уменьшается. Кроме того, результаты данной работы показывают, что учет корпоративного построения улучшает прогностическую способность модели.

В результате анализа многочисленных работ по данной тематике наиболее часто встречающиеся финансовые показатели можно разбить на четыре группы: · показатели финансовой устойчивости;

· показатели рентабельности;

· показатели деловой активности;

· показатели платежеспособности и ликвидности.

Кроме того, стоит заметить, что в современных работах помимо финансовых показателей в модель оценки вероятности банкротства компаний включаются макропоказатели, показатели эффективности работы и характеристики топ-менеджмента (пол, стаж, доля собственного капитала директора компании, численность Совета директоров). Однако для российских компаний различных отраслей может быть невозможным рассчитать указанные показатели ввиду отсутствия информации.

Принимая во внимание результаты анализа предыдущих исследований, очевиден прогресс в области построения моделей прогнозирования банкротства предприятий. Стоит заметить, что целью первоначальных исследований являлось разработка модели, обладающей наиболее высокими прогнозными качествами. В свою очередь, в работах современных авторов наблюдается ориентация на отрасли и разработка определенного набора показателей, который будет максимально точно предсказывать вероятность банкротства. Таким образом, анализ научной литературы позволил сформировать детальное представление о существующих моделях оценки вероятности банкротства компаний, а также заложил теоретические основы для настоящего исследования и разработки модели, включающей себя определенный набор показателей, предсказывающую вероятность банкротства компаний.

Постановка исследовательского вопроса

Справедливая оценка экономического положения компаний России с начала кризиса 2014 года вызывает исключительный интерес аналитиков, властей и управляющих бизнесом. Мониторинги министерства экономического развития РФ подтверждают процессы экономического спада: падение промышленных и потребительских рынков, уход предприятий с рынка, отток капиталов (Economy.gov.ru, 2016).

Многие компании объективно утрачивают финансовую стабильность, что провоцирует их прибегать к сокрытию информации, для привлечения инвесторов и клиентов. Недобросовестное поведение фирм в конечном счете приводит к расстроенным сделкам, неплатежам, затормаживанию реальных производственных процессов. В этой связи особенно актуальной становится задача качественной оценки финансовых возможностей фирмы и ее контрагентов: поставщиков и партнеров.

Согласно российскому законодательству в ФЗ «О несостоятельности (банкротстве)» от 26.10.2002 г. выделяется один из главных признаков банкротства, который заключается в том, что предприятие не способно удовлетворить требования кредиторов ввиду ухудшения финансового положения. Кроме того, следует отметить, что российское законодательство относительно банкротства и несостоятельности в равной степени поддерживает кредитора и должника, так как на каждом этапе процедуры банкротства учитываются интересы кредитора и находятся оптимальные пути улучшения финансового состояния должника. Другими словами, с одной стороны, законодательная поддержка может помочь предприятию-должнику сохранить часть своих активов, с другой стороны, обеспечить защиту прав кредиторов в процессе ликвидации организации. Таким образом, в российской практике соблюдается баланс между интересами должника и кредитора.

Настоящая исследовательская работа пополнит ряд работ, посвященных оценке вероятности банкротства через составление списка микроэкономических сигналов, по которым можно предсказать приближающееся банкротство. Под микроэкономическими сигналами понимаются внутренние показатели компании: финансовые показатели, рассчитанные на основании публичной годовой финансовой отчетности, и показатели, характеризующие компанию (размер, возраст, количество работников и др.).

Как было сказано ранее, в настоящем исследовании анализ проводится для строительных компаний, занимающихся строительством жилых и нежилых зданий. Такой выбор обусловлен, во-первых, относительной открытостью данных по предприятиям и нехваткой эмпирических исследований, посвященных изучению и разработке модели оценки вероятности банкротства.

Во-вторых, по последним данным Росстата (рис. 2) в период 2000-2016 гг. число действующих строительных организаций с каждым годом прирастает в среднем в пределах от 5% до 15%. Однако если рассматривать строительные компании, занимающихся строительством жилых и нежилых зданий, можно заметить следующую тенденцию.

Рис. 2. Число действующих строительных организаций в РФ за 2000-2016 гг.*

*Составлено по ист.: Федеральная служба государственной статистики: Строительство.

Рис. 3. Разница между зарегистрированными и прекратившим свою деятельность компаниями за период 2002-2016 гг.*

*Составлено по ист.: СПАРК-Интерфакс; расчеты автора.

По данным СПАРК-Интерфакс в период сбора базы данных для настоящего исследования на рисунке 3 за период с 2002 по 2016 гг. показана разница между количеством компаний, зарегистрированных в конкретный отчетный период, и компаний, прекративших свою деятельность по каким-либо причинам в тот же период, например, ввиду ликвидации вследствие банкротства или прекращения деятельности при слиянии или присоединении. Наблюдается нисходящий тренд, другими словами, ежегодно компаний, прекративших свою деятельность, становится больше, чем компаний, начинающих новую деятельность в сфере строительства.

Для понимания экономической ситуации страны в отраслях промышленности целесообразно обратиться к следующим показателям. Согласно данным Росстата, индекс предпринимательской уверенности в обрабатывающей промышленности в целом принимает значения на конец 2014 года - -10%, 2015 года - -11%, 2016 года - -8%.

Кроме того, на данный момент в России наблюдается снижение реальных доходов населения (оценка падения на конец 2016 г. составляет 5,6%), и на фоне этого спрос на первичном рынке жилой недвижимости продолжает оставаться сравнительно слабым (Фонарева С., 2017).

Государственное субсидирование позволило предотвратить значительное падение рынка; по предварительным оценкам, ввод жилой недвижимости сократился на 9% в 2016 г. На рынке коммерческой недвижимости в 2016 г. спад ввода оценивается в 20%, а возврат к росту ожидается не ранее 2019 г. Низкие темпы восстановления рынка объясняются в первую очередь существенно снизившейся покупательной способностью населения и упавшим уровнем деловой активности (Фонарева С., 2017).

Такие результаты подтверждают сложность ситуации в указанной области промышленности ввиду нестабильной ситуации в российской экономике, неопределенности сроков завершения кризиса доходов населения и высоких инфляционных рисков (ДКС ВШЭ, 2017).

Однако также одной из главных проблем, проявляющейся в последнее время, являются банкротства строительных организаций (ДКС ВШЭ, 2017). По данным последнего предпринимательского опроса, примерно 16-17% от общего числа обследованных подрядных организаций находятся в предбанкротном состоянии. Это те экономические агенты, у которых уже на протяжении 3-4 кварталов постоянно ухудшается финансовое состояние, падает объем строительно-монтажных работ и серьезно сокращается портфель новых строительных заказов (ДКС ВШЭ, 2017). Принимая во внимание результаты анализа теоретического материала и экономической ситуации в строительстве, перед нами стоит вопрос: какие внутренние показатели компании в условиях нестабильной экономической ситуации в стране влияют на вероятность банкротства? Напомним, что ключевой целью настоящей работы является выявление финансовых показателей, с помощью которых можно спрогнозировать вероятность банкротства российских предприятий строительного сектора за год до наступления данного события. Ранее нами уже проводились исследования построения моделей оценки вероятности банкротства компаний машиностроительной и мебельной отраслей, в результате которых был определен набор финансовых показателей, при котором модель обладает высокими прогнозными качествами.

В настоящей работе можно предположить какое влияние каждый показатель, входящий в модель оценки вероятности банкротства, оказывает на характер финансового положения строительной компании. Необходимо проверить: ухудшение финансовых показателей будет способствовать увеличению вероятности банкротства строительных компаний. Кроме того, в рамках строительной отрасли в исследовании Рыбалка А.И. (2017) в модель включаются показатели корпоративного управления. В настоящей работе помимо финансовых показателей проверится гипотеза: при увеличении доли директора компании в уставном капитале компании вероятность банкротства снижается.

Методология исследования

В ходе анализа существующих моделей прогнозирования банкротства в качестве лучшей по прогнозным качествам для настоящего исследования была выбрана статистическая модель - логистическая регрессия (logit-модель). Для построения модели в качестве зависимой переменной в логистической регрессии была задана переменная Y, отражающая статус предприятия: (1)

Текущий исследовательский вопрос целесообразно решать через моделирование процентного значения вероятности банкротства в зависимости от изменения внутренних показателей. Здесь и далее под внутренними показателями компании понимаются финансовые показатели и характеристики компании, то есть микропоказатели компаний. Выбор данных показателей представляется одной из ключевых задач исследования, так как напрямую определяет его качество.

Процесс отбора показателей на уровне фирмы и отрасли усложнен их теоретическим многообразием. Аналитиками разработаны десятки коэффициентов для определения финансового и хозяйственного состояния субъекта (Шеремет, Негашев, 2008). В настоящем исследовании выбор проведен путем анализа результатов значимых показателей, используемых в иных эмпирических работах по оценке вероятности банкротства предприятий (Кован, Кочетков, 2009; Богданова, Алексеева 2011; Безрукова, Шанин, 2012; Парушина, 2012), а также на основании собственных предыдущих исследований. Кроме того, выбор следующих финансовых показателей обусловлен тем, что для многих компаний, например, период оборота дебиторской задолженности необходимо смотреть в динамике, учитывать специфику отрасли и внутреннюю политику управления операционными и денежными циклами организации, а также ее кредитную политику. Другими словами, необходимо рассматривать отдельно каждую компанию в выборке для того, чтобы оценить значение показателя в отчетном периоде с положительной или с отрицательной стороны для компании.

Формулы (табл. 1) и интерпретация представленных ниже финансовых показателей, выбранных для построения эконометрической модели в настоящем исследовании, базируются на методике Шеремета и Негашева (2008).

Таблица 1

Формулы расчета финансовых показателей

Краткое обозначение переменной Значение Расчет

K Отношение показателей

ROE Рентабельность собственного капитала

ROA Рентабельность активов

ROS Рентабельность продаж

ZS Финансовый рычаг

Liq Текущая ликвидность

OA Отношение показателей

LNTR Логарифм выручки -

1. Коэффициент текущей ликвидности (LIQ) показывает возможность предприятия погасить краткосрочные обязательства за счет ликвидных средств.

2. Показатель финансового рычага (ZS) характеризует степень финансовой устойчивости предприятия и зависимость от внешних займов.

Показатели (1) и (2) являются индикаторами платежеспособности предприятий, так как отражают их способность платить по своим обязательствам (Безрукова, Шанин, 2012). Таким образом, исходя из значений показателей, можно предположить следующее: увеличение показателя ликвидности является хорошей тенденцией в отличии от увеличения значения финансового рычага, так как при увеличении доли заемного капитала в сумме источников финансирования предприятие находится в зоне высокого финансового риска.

3. Доходность собственного капитала (ROE) используется для оценки инвестиционной привлекательности компании, так как характеризует доходность вложений в предприятие.

4. Доходность совокупных активов (ROA) показывает сколько единиц чистой прибыли приносит каждая единица активов.

5. Рентабельность продаж (ROS) показывает долю операционной прибыли в выручке предприятия.

Показатели рентабельности (3), (4) и (5) указывают на финансовую устойчивость предприятия, изменение которых может являться угрозой банкротства (Кован, Кочетков, 2009). В случае со строительными компаниями эти показатели имеют особую важность, так как деятельность такого рода компаний напрямую зависит от внешних инвестиций и спроса на рынке.

6. Оборотные активы к совокупным активам (OA).

Показатель (6) наилучшим образом определяет деловую активность предприятия (Парушина, 2012). Низкая деловая активность свидетельствует о стагнирующих процессах, приводящих без эффективного управления к банкротству. Данный коэффициент

7. Коэффициент K, выраженный в отношении темпов роста выручки к темпам роста себестоимости.

Сопоставление выручки и себестоимости также позволяет судить об финансовом положении предприятия. Однако неблагоприятные показатели в одном отчетном периоде не означают кризис на предприятии, а наоборот могут быть следствием эффективной модернизации. Поэтому к сравнению должны быть приняты не валовые значения, а динамика показателей (темпы роста). Такой подход использован Богдановой Т.К. (2011) при попытке оценить вероятность банкротства предприятий обрабатывающей отрасли с учетом динамики изменения финансовых показателей.

Значение переменной K при превышении темпов роста выручки над темпами роста себестоимости больше 1 является положительной характеристикой финансового состояния предприятия. Превышение же темпов роста себестоимости означает не только отсутствие прибыли, но и неспособность предприятия покрыть операционные расходы, что может являться сигналом банкротства.

8. Логарифм выручки (LNTR).

Дифференциация в значениях показателя выручки указывает на то, что масштаб деятельности предприятий различен. Следовательно, для контроля размера фирмы целесообразно ввести переменную выручки. Для удобства интерпретации переменная была прологарифмирована (LNTR).

Зарубежными и отечественными исследователями выявлено, что сигналами о вероятном банкротстве могут стать не только финансовые показатели предприятия, но и его характеристики, такие как количество лет работы на рынке (YEAR) и доля директора в уставном капитале компании (PR_DIR) (Topaloglu, 2012).

Исходя из значений указанных финансовых показателей, можно предположить какое влияние каждый показатель оказывает на характер финансового положения компании. Так показатели, указывающие на способность предприятия платить по обязательствам, являться рентабельным и эффективно управлять себестоимостью, снижают риск банкротства. Другими словами, улучшение данных показателей будет способствовать снижению вероятности банкротства компаний.

Таким образом, экономическая модель настоящего исследования включает целый ряд основных внутренних показателей компаний: показателей платежеспособности, деловой активности, финансовой устойчивости и рентабельности, возраста и доли директора в уставном капитале, отражающих финансовое состояние предприятий, и принимает вид: (2)

Так в настоящем исследовании эконометрическая модель принимает следующий вид: (3) где: константа;

оценки коэффициентов;

ошибка модели;

количество наблюдений.

Кроме того, следует отметить, что в качестве методологической опоры настоящего исследования выступает сходная по проблематике работа доцента НИУ ВШЭ Богдановой Т.К., в которой рассматриваются предприятия обрабатывающего комплекса, разрабатывается статистическая и динамическая logit-модели для предсказания вероятности их банкротства, а также проводится оценка качества модели на тестирующий выборке. Так, в настоящем исследовании проведено разбиение наблюдений на обучающую и тестирующую выборки (70% и 30% соответственно) и проведен последующий анализ. В добавление к сказанному, в качестве методологической опоры является исследование Рыбалка А.И. (2017), в котором строится logit-модель дефолта строительных компаний и проверяются гипотезы влияния возраста компании и доли директора в собственном капитале компании.

Описание данных

В выборке, на основании которой проводилось исследование, использовались кросс-секционные данные из документов публичной годовой финансовой отчетности 486-ти предприятий строительного сектора России, из которых 70% действующих на конец 2016 года и 30% компаний, официально признанных банкротами в обозначенные кризисные периоды 2008-2009 гг. и 2013-2014 гг. (ДКС ВШЭ, 2017) Напомним, что под строительным сектором подразумевается строительство жилых и нежилых зданий. Источником бухгалтерских отчетов стало сетевое издание «Информационный ресурс СПАРК». Данные по 2017 г. не были доступны к моменту разработки модели, так как отчетность российских предприятий подается в налоговые органы до 1 апреля, а публикуется в общественных изданиях позже. дефолт банкротство финансовый отчетность

Вместе с этим, стоит сделать акцент на том, что в ходе исследования предполагается сбор публичных годовых бухгалтерских отчетов, составленных по российским стандартам. Также стоит отметить, что в выборку включались компании, действующие минимум два года на рынке. Это объясняется тем, что по нормативам продолжительности строительства и задела в строительстве предприятий максимальный срок не превышает 24 месяца (ДКС ВШЭ, 2017), а также показатель K рассчитывается на основании двух лет деятельности компаний, так как включает в себя темпы роста.

Для предприятий банкротов рассматривалась отчетность перед годом банкротства предприятия. Использование отчетности разных лет не оказывает влияния на результаты анализа, ведь к рассмотрению принимаются показатели независимых микросистем, то есть фирм (Богданова, Алексеева, 2011). Кроме того, как было сказано ранее, сейчас на рынке строительства нестабильная экономическая ситуация, действующие компании работают в условиях кризиса, именно поэтому в выборку входят компании-банкроты за два кризисных периода для того, чтобы выявить с помощью каких показателей можно прогнозировать банкротство компаний в условиях ухудшающихся экономических условий.

Таким образом, в единую базу данных была собрана информация по переменным: K, LIQ, ROE, ROA, ROS, OA, ZS, LNTR, YEAR, PR_DIR. Первичная обработка данных показала необходимость исключения выбросов. На основе анализа точечных графиков и ящичковых диаграмм были введены ограничения исключено 40 наблюдений, так как их наличие могло стать причиной неточной оценки и неустойчивости знаков коэффициентов регрессии.

Так в выборке осталось 446 наблюдения, в том числе 79% действующих компаний и 21% компаний-банкротов. Точечный график всех переменных представлен в Приложении 1. Переменные в обновленной выборке были проверены на нормальность с помощью гистограмм с наложением нормального распределения и графиков Квантиль-Квантиль.

Значения описательных статистик переменных (медиана, среднее значение, стандартное отклонение и коэффициент вариации) представлены в Таблице 2. Описательные статистики приведены отдельно для действующих компаний (0) и банкротов (1).

Разница средних значений переменных для компаний «банкротов» и «не банкротов» значительно отличается друг от друга, что подтверждает проведение теста на проверку значимости разности в средних значениях на двух подвыборках. Тем самым, получилось, что средние значения возраста компании банкротов и не банкротов статистические не отличаются друг от друга, аналогично с логарифмом выручки. Более высокие средние значения всех переменных соотв

С помощью эконометрического пакета Stata12 была произведена оценка коэффициентов регрессии с помощью метода максимального правдоподобия. Результаты оценок представлены в таблице 4.

Таблица 4

Результаты оценки коэффициентов регрессий

Переменная Logit-модель

Коэффициент

Const 1.97 (1.47)

Отношение темпов роста выручки к темпам роста себестоимости -4.34*** (0.75)

Текущая ликвидность -1.09*** (0.29)

Рентабельность совокупных активов -0.007 (0.21)

Рентабельность собственного капитала -0.26 (0.17)

Рентабельность продаж -1.38** (0.55)

Финансовый рычаг -0.13*** (0.03)

Оборотные активы к совокупным активам 0.19 (0.18)

Логарифм выручки 0.14 (0.08)

Возраст компании 0.03 (0.03)

Доля директора в уставном капитале -1.01** (0.4)

Колво наблюдений 446

* - 10%-ый уровень значимости; ** - 5%-ый уровень значимости; *** - 1%-ый уровень значимости; в скобках указано значение t-статистики.

Оценки коэффициентов логистической регрессии (Табл. 4) соответствуют здравому смыслу и поставленным гипотезам. На 5%-ом уровне значимости переменная, показывающая долю директора в уставном капитале (PR_DIR), является значимой. При увеличении этой доли увеличивается вероятность банкротства. Это может обусловлено психологическим фактором, когда директор компании является ее соучредителем. он может быть более заинтересованным лицом в финансовом результате компании ввиду получения больших доходов от своей деятельности. Кроме того. в исследовании Рыбалка (2017) гипотеза о наличии доли директора в собственном капитале подтвердилась. В нашем случае гипотеза о направленности влияния данного показателя тоже подтверждена.

Кроме того, на 5%-ом уровне значимости коэффициент рентабельности продаж (ROS) является значимым. Для строительной отрасли это может объяснять тем, что существует высокая зависимость деятельности от спроса. так как застройщики жилых и нежилых зданий на этапе проектирования дома начинают продавать землю под строительство будущих зданий.

На данном этапе строительным компаниям необходимо выстроить доверительные отношения с потенциальными покупателями, доказать финансовую устойчивость с целью обеспечивания стабильных продаж в течение и после строительно-монтажных работ зданий. Также при увеличении данного показателя вероятность банкротства будет снижаться, что является подтверждением вышесказанного.

Однако в предыдущих исследованиях про компании, производящие мебель, и машиностроительные компании данный показатель не влиял на вероятность банкротства. На 1%-ом уровне переменная финансовый рычаг (ZS) значима. Ранее было сказано, что с увеличением доли заемного капитала усиливается угроза неплатежеспособности компании, а значит вероятность банкротства. Однако в настоящем исследовании взаимосвязь данного показателя с зависимой переменной обратная, что опровергает выдвинутую ранее гипотезу. Это можно объяснить тем, что для проведения первоначальных работ по строительству зданий необходимы заемные средства, которыми финансируется вся внутренняя деятельность компании. Однако в предыдущих исследованиях увеличение данного показателя являлось негативной тенденцией (Marginean R.., 2015). На 1%-ом уровне значимости коэффициенты при переменных текущая ликвидность (LIQ), указывающая на платежеспособность предприятия, и показатель отношения темпов роста выручки и темпов роста себестоимости (K) являются значимыми и имеют отрицательный знак, то есть при увеличении данных показателей вероятность банкротства будет уменьшаться. Такая взаимосвязь показателей с вероятностью банкротства объясняется тем, что ликвидность показывает, в какой мере предприятие может в срочном порядке погасить свои краткосрочные обязательства, а значит, чем выше значение этого показателя, тем меньше индикаторов для потенциального банкротства у предприятия. Изменение темпа роста выручки должно превышать изменения темпа роста себестоимости для успешного функционирования предприятий и положительных результатов значений прибыли, которые оказывают влияние на значение рентабельности, что влияет на инвестиционную привлекательность компаний.

Таким образом, при построении эконометрической модели из 10 финансовых показателей были выявлены значимые переменные, которые являются сигналами банкротства для предприятий строительной отрасли: показатель отношения темпов роста выручки к темпам роста себестоимости (K), текущая ликвидность (LIQ), рентабельность продаж (ROS), финансовый рычаг (ZS), доля директора компании в собственном капитале.

Особенную ценность исследованию придает то, что показатель отношения темпов роста (K) в работах предыдущих исследователей не использовался в таком виде, так как чаще всего включают отдельно темп роста выручки или других показателей прибыл, однако в настоящем исследовании и в предыдущем исследовании для мебельной отрасли данный показатель является значимым.

Данный факт можно объяснить тем, что если, например, у компании в отчетном периоде отрицательный темп рост выручки или себестоимости по отношению к предыдущему году, то это значение самостоятельно не будет нести экономического смысла ввиду того, что не предоставляется возможным оценить характер финансового результата в текущем периоде. Необходимо сравнивать темп роста выручки с темпом роста себестоимости, так как если компания сработала с более высокими темпами роста выручки, чем у себестоимости, то можно предполагать о наличии эффекта от масштаба или наличии у компании эффективных мер по сокращению издержек на производство.

Для определения силы влияния показателей на зависимую переменную следует обратиться к расчету предельных эффектов. Это позволяет моделировать потенциальное поведение зависимой переменной при изменении ее предикторов. С помощью эконометрического пакета Stata 12.0 были вычислены предельные эффекты каждой переменной, результаты представлены в Таблице 5.

Таблица 5

Предельные эффекты переменных

Переменная Предельный эффект, %

Const -

Отношение темпов роста выручки к темпам роста себестоимости -18.5

Текущая ликвидность -4.69

Рентабельность совокупных активов -0.03

Рентабельность собственного капитала -1.1

Рентабельность продаж -5.9

Финансовый рычаг -0.55

Оборотные активы к совокупным активам -0.88

Логарифм выручки 0.6

Возраст компании 0.14

Доля директора в уставном капитале -4.3

Исходя из полученных результатов, представленных в табл. 5. можно сделать следующие выводы. Во-первых, самое сильное влияние на вероятность банкротства оказывает отношение темпов роста выручки к темпам роста себестоимости. так как при увеличении этого показателя на одну долю. вероятность банкротства будет уменьшаться на 18.5%. Остальные переменные не оказывают такого сильного влияния в сравнение с текущей ликвидностью. Во-вторых, при увеличении текущей ликвидности предприятий на 1 ед. вероятность банкротства будет снижаться на 4.69%. При увеличении доходности продаж на 1% вероятность банкротства будет снижаться на 5.9%. Однако при увеличении доли заемного капитала по отношению к собственному капиталу на 1 ед. вероятность банкротства будет уменьшаться на 0.44%. Следует отметить, что увеличение доли директора в собственном капитале уменьшает вероятность банкротства на 4.3%. что доказывает наиболее сильную влияние на вероятность банкротства по сравнению с предыдущим исследованием (Рыбалка, 2017).

С целью проверки качества построенной модели использовались формальные эконометрические характеристики оценки качества логистических регрессий. Модель имеет достаточно высокие показатели чувствительности и специфичности (64.89% и 95.45% соответственно). Доля ошибок первого рода принимает значения 35.1% и второго рода меньше 25%, что позволяет доверять результатам оценивания. Значение показателей представлены в Таблице 6. Также на рис. 4 представлена графически площадь под ROC-кривой.

Таблица 6В заключение следует отметить, что в ходе настоящего исследования, во-первых, был произведен обзор существующих моделей прогнозирования банкротства, из них выбрана наилучшая по своим характеристикам для выявления значимости финансовых показателей на вероятность банкротства предприятий. Во-вторых, были отобраны российские предприятия строительной отрасли, занимающихся строительством жилых и нежилых зданий, и собраны эмпирические данные для построения модели, что позволило выявить значимость показателей. Следовательно, все поставленные задачи были выполнены.

Результатом исследования является построенная статистическая модель, логистическая регрессия, со значимыми показателями, целью которой является оценка вероятности банкротства строительных компаний. Для достижения результата в ходе исследования были использованы работы зарубежных и отечественных авторов, годовая финансовая отчетность предприятий (бухгалтерский баланс, отчет о финансовых результатах), методы статистического и эконометрического анализа.

Настоящее исследование по оценке вероятности банкротства на примере строительной отрасли России позволило выявить наиболее значимые для диагностики и предупреждения банкротства финансовые коэффициенты в период ухудшающей экономической ситуации в стране. Ими стали показатели рентабельности продаж, текущей ликвидности, финансовый рычаг, показатель, рассчитываемый как отношение темпов роста выручки к темпам роста себестоимости, и доля директора компании в собственном капитале этой компании. Наибольшее процентное изменение вероятности банкротства происходит при изменении соотношения темпов роста выручки к темпам роста себестоимости, характеризующее финансовый результат компании за отчетный период. Кроме того, стоит отметить, что результат попытки включения в статическую модель динамики является положительным, так как указанная переменная является значимой и при увеличении снижает вероятность банкротства. Влияние остальных значимых показателей соответствует здравому смыслу и теоретической интерпретацией. Особое внимание уделяется подтверждению гипотезы, что при увеличении доли директора в собственном капитале компании уменьшает вероятность банкротства компании, что дополняет предыдущие исследования других авторов.

С практической точки зрения результаты исследования могут быть полезны управляющим строительного бизнеса, нуждающимся в оценке финансового состояния своей компании и компаний конкурентов, что особенно актуально в кризисные периоды экономики.

Следует также выделить ряд ограничений настоящего исследования. Самым существенным недостатком стало несовершенство данных, так как по России более 2-х тыс. компаний зарегистрированы под основным видом деятельности: строительство жилых и нежилых зданий. Однако только около 40% компаний вошло в выборку ввиду того, что многие компании были исключены из выборки ввиду сокрытия отчетности или предоставления неполной информации. Также стоит отметить, что в выборку включались компании, которые существуют на рынке как минимум 2 года, так как в противном случае было бы невозможно рассчитать значения переменной, учитывающей динамику.

Кроме того, в настоящем исследовании не учитываются нормативные показатели коэффициентов. Предполагается, что увеличение значения финансового показателя является положительной тенденцией, однако интерпретация их динамики представляет более сложный процесс и является отдельным исследовательским вопросом. Также не учитываются в модели макропоказатели, однако выборка собрана так, что включает в себя компании, действующие в кризисные периоды в экономической ситуации в стране. Тем самым в настоящей работе выявлены показатели, которые могут быть чувствительны к макроэкономической ситуации в стране.

Стоит отметить, что разработанная модель, имеющая высокие прогнозные качества, позволяет оценить вероятность банкротства строительной отрасли Российской Федерации за год до наступления неблагоприятного события с помощью финансовых показателей, которые можно рассчитать, используя публичную годовую отчетность, составленную по российским стандартам. Также исследование создает широкую базу для дальнейшей работы в предметной области оценки банкротства и будет продолжено в рамках будущих исследовательских проектов.

Нормативно правовые акты

1. Федеральный закон от 26.10.2002 N 127-ФЗ (ред. от 29.12.2015) "О несостоятельности (банкротстве)" (с изм. и доп.. вступ. в силу с 29.03.2016).

Специальная литература

1. Афанасьева О., Жданов В. Модель диагностики риска банкротства предприятий авиационно-промышленного комплекса // Корпоративные Финансы, 2012. 5(4) - 77-89 с.

2. Безрукова Т.Л.. Шанин И.И. Классификация показателей оценки эффективности экономической деятельности промышленного предприятия // Общество: политика. экономика. Экономика и организация предприятия. Управление предприятием 2012. №1. - С. 73-79.

3. Беликов А.Ю.. Давыдова Г.В. Методика количественной оценки риска банкротства предприятий // Управление риском. 1999. № 3. С.13-20

4. Богданова Т.К.. Алексеева Ю.А. Прогнозирование вероятности банкротства предприятий с учетом изменения финансовых показателей в динамике. // Бизнес-информатика. 2011. №1 (15). С. 50-60.

5. Воронина В.М. Прогнозирование банкротства промышленных предприятий с помощью количественных и качественных методов анализа: проблемы теории и практики // Экономический анализ: теория и практика. 2007. № 18. С.27-34.

6. Индекс экономического настроения (ДКС ВШЭ) в IV квартале 2016 года. М.: НИУ ВШЭ. 2017 - 20 с.

7. Кован С.Е.. Кочетков Е.П. Финансовая устойчивость предприятия и ее оценка для предупреждения его банкротства // Экономический анализ: теория и практика. 2009. №15. - С. 52-59.

8. Парушина Н.В. Основные направления анализа и прогнозирования финансового состояния по данным бухгалтерской (финансовой) отчетности организаций // Международный бухгалтерский учет. 2012. №2. - С. 55-63.

9. Рыбалка А.И. Моделирование вероятности дефолта в строительном секторе: факторы корпоративного построения // Корпоративные финансы. 2017. №3. Т. 13. - 77-99 с.

10. Федорова Е.А.. Тимофеев Я.В. Разработка моделей прогнозирования банкротства российских предприятий для отраслей строительства и сельского хозяйства. // Финансы и кредит. Экономика и экономические науки. 2015. № 32 (656). С. 2-10.

11. Фонарева С. Обзор затрат на строительство и строительные материалы в России // КПМГ Росси и СНГ. 2017. -16 с.

12. Шеремет А.Д. Сайфулин Р.С.. Негашев Е.В. Методика финансового анализа. - М.: ИНФРА-М. 2008. - 208 с.

13. Altman Edward. Hotchkiss Edith. Corporate financial distress and bankruptcy. // John Wiley & Sons. Hoboken. New Jersey. 2006. Р. 354.

14. Aziz M.A.. Dar H.A. Predicting corporate bankruptcy: where we stand? // Corporate governance. 2006. №1(6). Р. 18-33.

15. Aziz A.. Lawson G.H. Cash Flow Reporting and Financial Distress Models: Testing of Hypotheses // Financial Management. 1989. № 1 (18). Р. 55-63.

16. Beaver W. Financial Ratios as Predictors of Failure // Journal of Accounting Research. 1966. №5. P. 71- 111.

17. Bellovary J.. Giacomino D.. Akers M. A Review of Bankruptcy Prediction Studies: 1930-Present // Journal of Financial Education. 2007. № 33. Р. 1-33.

18. Eisdorfer A., Hsu PH. The effect of technology competition on corporate bankruptcy. / /Financial Management. 2011. №40 (4) - P. 1087-1117

19. FITZPATRICK P. A comparison of ratios of successful industrial enterprises withthose of failed companies. // The Certified Public Accountant. 1932. P. 598-605.

20. Gu Z. Analyzing bankruptcy in the restaurant industry: A multiple discriminant model // International Journal of Hospitality Management. 2002. Vol. 21. Issue 1. P.: 25-42.

21. Jackendoff. N. A Study of Published Industry Financial and Operating Ratios. // Bureau of Economic and Business Research. 1962.

22. Marginean R.. Mihaltan D. Diagnostic of bankruptcy risk in the furniture industry using the Canon-Holder and Altman nodels. 2015. Vol. 3. Issue 2 (8). - Р. 83-91.

23. Parsa H.G.. Self John T.. Njite D.. King T. Why Restaurants Fail // Cornell Hospitality Quarterly. 2005. Vol. 46. Issue 3. - P. 304-322.

24. Scott J. The probability of bankruptcy: A comparison of empirical predictions and theoretical models // Journal of Banking & Finance. 1981. Vol. 5. Issue 3. P.: 317-344.

25. S-M Lin, Andreeva G., Ansell J. "Predicting default of a small business using different definitions of financial distress // Journal of the Operational Research Society. 2012. vol 63, no. 4 - P. 539-548.

26. Topaloglu Z. A Multi-Period Logistic Model of Bankruptcies in the Manufacturing Industry // International Journal of Finance and Accounting. 2012. № 1(3). P.: 28-37.

Электронные ресурсы

27. Федеральная служба государственной статистики // Официальная статистика / Предпринимательство / Строительство. 2017. [Электронный ресурс]. URL: http://www.perepis-2020.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/enterprise/building/# (Дата обращения: 10.05.2018)

28. Altman Edward. Financial ratios. discriminant analysis and the prediction of corporate bankruptcy // The Journal of Finance. 1968. №4(23). P. 589-609. [Электронный ресурс]. URL: http://www.jstor.org/stable/2978933 (Дата обращения: 06.04.2017)

29. Economy.gov.ru. 2016. Деятельность/Направления/Макроэкономика//Мониторинг и анализ социально-экономического развития Российской Федерации и отдельных секторов экономики. [Электронный ресурс]. URL: http://economy.gov.ru/minec/activity/sections/macro/monitoring/ (Дата обращения: 28.03.17)

30. Ohlson J.A. Financial Ratios and the Probabilistic Prediction of Bankruptcy // Journal of Accounting Research. 1980. №1(18). Р. 109-131. [Электронный ресурс]. URL: http://www.jstor.org/stable/2490395 (Дата обращения: 06.04.2017)