«Разработка модели оценки вероятности банкротства компании»




страница8/26
Дата05.05.2016
Размер1.16 Mb.
1   ...   4   5   6   7   8   9   10   11   ...   26

3.2. Модель оценки вероятности банкротства компании

3.2.1. Описание модели


Модель оценки вероятности банкротства компании была разработана с применением эконометрического анализа статистики из 16 компаний различных производственных сфер деятельности и различных организационных форм. В статистике присутствовали 5 компаний – банкротов. Использовались последние (до момента банкротства) финансовые документы компаний. Остальные 11 компаний являются стабильными и в настоящий момент продолжают вести свою деятельность. В модели использовались документы таких компаний за 4 – 5 лет до текущего момента для полноты уверенности в отсутствии вероятности банкротства этих компаний. Полный перечень компаний и их финансовые показатели представлены в приложениях 4 – 15 к работе.

Зависимой переменной модели была выбрана бинарная переменная, характеризующая вероятность банкротства компании (1 – для компаний – банкротов, и 0 – для стабильных компаний). В ходе построения модели исследовалось влияние 58 различных показателей (30 финансовых коэффициентов и 28 показателей баланса компании в денежном выражении). Большая часть этих факторов была отсеяна при проведении корреляционного анализа.

Полученная модель состоит из четырех показателей:


  • ROA – рентабельность активов;

  • R1 – отношение оборотных активов к общим активам;

  • R2 –рентабельность собственного капитала;

  • R4 –рентабельность затрат.

Общий вид модели:

P=0.841 – 0.194*ROA – 0.883*R1 – 1.126*R2 – 0.337*R4

где:


P – вероятность банкротства компании;

ROA – рентабельность активов;

R1 – отношение оборотных активов к общим активам;

R2 –рентабельность собственного капитала;



R4 –рентабельность затрат.

3.2.2. Тестирование модели


В Таблице 14 представлены данные эконометрической модели вероятности банкротства компании из программы EViews 6.

Таблица 14.

Модель оценки вероятности банкротства компании

Dependent Variable: BANCRUPT







Method: Least Squares







Date: 04/29/13 Time: 00:48







Sample: 1 16










Included observations: 16





































Variable

Coefficient

Std. Error

t-Statistic

Prob.  































ROA

-0.193815

0.084076

-2.305242

0.0416

R1

-0.883188

0.332838

-2.653506

0.0224

R2

-1.125628

0.458049

-2.457440

0.0318

R4

-0.337174

0.106296

-3.172035

0.0089

C

0.841039

0.203106

4.140876

0.0016































R-squared

0.670550

    Mean dependent var

0.312500

Adjusted R-squared

0.550750

    S.D. dependent var

0.478714

S.E. of regression

0.320863

    Akaike info criterion

0.814703

Sum squared resid

1.132485

    Schwarz criterion

1.056137

Log likelihood

-1.517622

    Hannan-Quinn criter.

0.827066

F-statistic

5.597240

    Durbin-Watson stat

1.761498

Prob(F-statistic)

0.010443







































Из таблицы видно, что все коэффициенты получились значимы, так как вероятность теста на равенство нулю меньше 0,05 для всех переменных. Показатель R-squared равен 0,67, что говорит о том, что модель объясняет 67% вариации банкротств. Информационные критерии так же достаточно высоки (Akaike info criterion = 0,8147, Schwarz criterion = 1,056).

Описательная статистика остатков приведена в рисунке 7.



Рис.7. Описательная статистика остатков

Из графика видно, что распределение остатков является нормальным, поскольку вероятность теста Жака-Бера не равна нулю, асимметрия близка к нулю и эксцесс близок к 3.

Распределение остатков представлено на рисунке 8.



Рис. 8. Распределение остатков

Найдём коэффициент корреляции между вероятностью банкротства и остатками (Таблица 15).



Таблица 15.

Корреляция между вероятностью банкротства и остатками




BANCRUPT

resid

BANCRUPT

1

0.5739

resid

0.5739

1

Коэффициент корреляции равен 0,57, что говорит о том, что связь между переменными присутствует.

Ramsey RESET-test на правильность спецификации приведен в приложении 16 к данной работе, тесты на гетероскедастичность (Breusch-Pagan-Godfrey, Harvey, Glejser и White) приведены в приложениях 17 – 20 к данной работе. Коэффициент перед FITTED^2 в Ramsey RESET-test очень маленький, то есть добавление предсказанных значений Y, возведённых в квадрат не улучшает регрессию, а значит, спецификация модели верна. Так как p-value тестов на гетероскедастичность больше 0,05 (кроме теста Harvey, в котором модель получилась не значимой), то гипотеза о гомоскедастичности не отвергается.

Рассчитаем показатели VIF для каждой объясняющей переменной (Таблица 16).



Таблица 16.

Показатели VIF

Переменная

VIF

ROA

2.0466

R1

1.8507

R2

1.9596

R4

1.5853

После расчёта показателей можем сделать вывод о том, что мультиколлинеарность отсутствует, поскольку значения меньше 5 для всех переменных. Корреляция между переменными менее 0,6, значит мультиколлинеарность отсутствует (кроме показателей R4 и R2, но при исключении одного из них модель сильно ухудшается). Корреляционная матрица представлена в Таблице 17.

Таблица 17.

Корреляционная матрица между переменными




R1

R2

R4

ROA

R1

1

0.15

-0.41

-0.51

R2

0.15

1

-0.71

-0.19

R4

-0.41

-0.71

1

0.46

ROA

-0.51

-0.19

0.46

1

Из проведенного анализа можно сделать вывод, что представленная модель имеет верную спецификацию. В ней отсутствуют мультиколлинеарность и гетероскедастичность. Поэтому, возможно применение модели на практике.


1   ...   4   5   6   7   8   9   10   11   ...   26


База данных защищена авторским правом ©ekonoom.ru 2016
обратиться к администрации

    Главная страница