Модель прогнозирования дефолта для компаний сферы услуг на развивающемся рынке

Обложка

Цитировать

Полный текст

Аннотация

Автор протестировал гипотезу о том, что прогнозирование дефолтов с помощью финансовых данных может быть неприменимо для организаций сферы услуг из России, проанализировав различия в точности моделей предсказания дефолта, построенных на основе исключительно финансовых данных, для организаций сферы услуг из России и развитых европейских стран. В качестве инструментов моделирования использовались методы машинного обучения: логистическая регрессия, random forest (случайный лес), k-nearest neighbors (k-ближайших соседей) на выборке из 404 российских фирм и 304 фирм из развитых европейских стран.

Результаты моделирования показали, что ошибка прогнозирования значительно выше для российских организаций относительно организаций из развитых европейских стран. Таким образом, использование исключительно финансовых коэффициентов для прогнозирования банкротства для организаций сферы услуг в России представляется недостаточным.

Результаты исследования могут быть использованы кредитными организациями, организациями, осуществляющими профессиональную оценку кредитного риска, и прочими участниками рынка, заинтересованными в оценке финансового состояния контрагентов.

Об авторах

В. Афанасьев

НИУ ВШЭ, Санкт-Петербург, Россия

Автор, ответственный за переписку.
Email: vvafanasev@hse.ru

Список литературы

  1. Altman E.I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The Journal of Finance. 1968;23(4):589-609. https://doi.org/10.1111/j.1540-6261.1968.tb00843.x DOI: https://doi.org/10.1111/j.1540-6261.1968.tb00843.x
  2. Matenda F.R., Sibanda M., Chikodza E., Gumbo V. Corporate default risk modeling under distressed economic and financial conditions in a developing economy. Journal of Credit Risk. 2021;17(1):89-115. https://doi.org/10.21314/JCR.2020.267 DOI: https://doi.org/10.21314/JCR.2020.267
  3. Fedorova E., Musienko S., Fedorov F. Analysis of the external factors influence on the forecasting of bankruptcy of Russian companies. Vestnik Sankt-Peterburgskogo universiteta. Ekonomika = St Petersburg University Journal of Economic Studies. 2020;36(1):117-133. (In Russ.). https://doi.org/10.21638/spbu05.2020.106 DOI: https://doi.org/10.21638/spbu05.2020.106
  4. Grigoriev A., Tarasov K. Corporate bankruptcy prediction using the principal components method. Journal of Corporate Finance Research. 2019;13(4):20-38. https://doi.org/10.17323/j.jcfr.2073-0438.13.4.2019.20-38 DOI: https://doi.org/10.17323/j.jcfr.2073-0438.13.4.2019.20-38
  5. Ohlson J.A. Financial ratios and the probabilistic prediction of bankruptcy. Journal of Accounting Research. 1980;18(1):109-131. https://doi.org/10.2307/2490395 DOI: https://doi.org/10.2307/2490395
  6. Hunter J., Isachenkova N. Failure risk: A comparative study of UK and Russian firms. Journal of Policy Modeling. 2001;23(5):511-521. https://doi.org/10.1016/S0161-8938(01)00064-3 DOI: https://doi.org/10.1016/S0161-8938(01)00064-3
  7. Gruszczyński M. Financial distress of companies in Poland. International Advances in Economic Research. 2004;10(4):249-256. https://doi.org/10.1007/BF02295137 DOI: https://doi.org/10.1007/BF02295137
  8. Sirirattanaphonkun W., Pattarathammas S. Default prediction for small-medium enterprises in emerging market: Evidence from Thailand. Seoul Journal of Business. 2012;18(2):25-54. https://doi.org/10.35152/snusjb.2012.18.2.002 DOI: https://doi.org/10.35152/snusjb.2012.18.2.002
  9. Ahmadpour Kasgari A., Divsalar M., Javid M.R., Ebrahimian S.J. Prediction of bankruptcy Iranian corporations through artificial neural network and Probit-based analyses. Neural Computing and Applications. 2013;23(3-4):927-936. https://doi.org/10.1007/s00521-012-1017-z DOI: https://doi.org/10.1007/s00521-012-1017-z
  10. Kovacova M., Kliestik T. Logit and Probit application for the prediction of bankruptcy in Slovak companies. Equilibrium. 2017;12(4):775-791. https://doi.org/10.24136/eq.v12i4.40 DOI: https://doi.org/10.24136/eq.v12i4.40
  11. Odom M., Sharda R. A neural network model for bankruptcy prediction. In: 1990 IJCNN International joint conference on neural networks (San Diego, CA, 17-21 June 1990). Piscataway, NJ: IEEE; 163-168. https://doi.org/10.1109/IJCNN.1990.137710 DOI: https://doi.org/10.1109/IJCNN.1990.137710
  12. Coats P.K., Fant L.F. Recognizing financial distress patterns using a neural network tool. Financial Management. 1993;22(3):142-155. https://doi.org/10.2307/3665934 DOI: https://doi.org/10.2307/3665934
  13. Altman E.I., Marco G., Varetto F. Corporate distress diagnosis: Comparisons using linear discriminant analysis and neural networks (the Italian experience). Journal of Banking & Finance. 1994;18(3):505-529. https://doi.org/10.1016/0378-4266(94)90007-8 DOI: https://doi.org/10.1016/0378-4266(94)90007-8
  14. Zhang G., Hu M.Y., Patuwo B.E., Indro D.C. Artificial neural networks in bankruptcy prediction: General framework and cross-validation analysis. European Journal of Operational Research. 1999;116(1):16-32. https://doi.org/10.1016/S0377-2217(98)00051-4 DOI: https://doi.org/10.1016/S0377-2217(98)00051-4
  15. Kumar P.R., Ravi V. Bankruptcy prediction in banks and firms via statistical and intelligent techniques – A review. European Journal of Operational Research. 2007;180(1):1-28. https://doi.org/10.1016/j.ejor.2006.08.043 DOI: https://doi.org/10.1016/j.ejor.2006.08.043
  16. Cao Y., Liu X., Zhai .J, Hua S. A two-stage Bayesian network model for corporate bankruptcy prediction. International Journal of Finance & Economics. 2022;27(1):455-472. https://doi.org/10.1002/ijfe.2162 DOI: https://doi.org/10.1002/ijfe.2162
  17. Mselmi N., Lahiani A., Hamza T. Financial distress prediction: The case of French small and medium-sized firms. International Review of Financial Analysis. 2017;50:67-80. https://doi.org/10.1016/j.irfa.2017.02.004 DOI: https://doi.org/10.1016/j.irfa.2017.02.004
  18. Xie C., Luo C., Yu X. Financial distress prediction based on SVM and MDA methods: The case of Chinese listed companies. Quality & Quantity. 2011;45(3):671-686. https://doi.org/10.1007/s11135-010-9376-y DOI: https://doi.org/10.1007/s11135-010-9376-y
  19. Shumway T. Forecasting bankruptcy more accurately: A simple hazard model. The Journal of Business. 2001;74(1):101-124. https://doi.org/10.1086/209665 DOI: https://doi.org/10.1086/209665
  20. Fernando J.M.R., Li L., Hou G. Financial versus non-financial information for default prediction: Evidence from Sri Lanka and the USA. Emerging Markets Finance and Trade. 2020;56(3):673-692. https://doi.org/10.1080/1540496X.2018.1545644 DOI: https://doi.org/10.1080/1540496X.2018.1545644
  21. Blanco-Oliver A., Irimia-Diéguez A., Oliver-Alfonso M., Wilson N. Improving bankruptcy prediction in micro-entities by using nonlinear effects and non-financial variables. Finance a úvěr – Czech Journal of Economics and Finance. 2015;65(2):144-166. URL: http://journal.fsv.cuni.cz/storage/1321_blanco_oliver.pdf
  22. Boubaker S., Cellier A., Manita R., Saeed A. Does corporate social responsibility reduce financial distress risk? Economic Modelling. 2020;91:835-851. https://doi.org/10.1016/j.econmod.2020.05.012 DOI: https://doi.org/10.1016/j.econmod.2020.05.012
  23. Altman E.I., Sabato G., Wilson N. The value of non-financial information in SME risk management. Journal of Credit Risk. 2010;6(2):95-127. https://doi.org/10.21314/JCR.2010.110 DOI: https://doi.org/10.21314/JCR.2010.110
  24. Muñoz‐Izquierdo N., Laitinen E.K., Camacho‐Miñano M del‐Mar, Pascual‐Ezama D. Does audit report information improve financial distress prediction over Altman’s traditional Z-Score model? Journal of International Financial Management & Accounting. 2020;31(1):65-97. https://doi.org/10.1111/jifm.12110 DOI: https://doi.org/10.1111/jifm.12110
  25. Makeeva E., Sinilshchikova M. News sentiment in bankruptcy prediction models: Evidence from Russian retail companies. Journal of Corporate Finance Research. 2020;14(4):7-18. https://doi.org/10.17323/j.jcfr.2073-0438.14.4.2020.7-18 DOI: https://doi.org/10.17323/j.jcfr.2073-0438.14.4.2020.7-18
  26. Feng M., Shaonan T., Chihoon L., Ling M. Deep learning models for bankruptcy prediction using textual disclosures. European Journal of Operational Research. 2019;274(2):743-758. https://doi.org/10.1016/j.ejor.2018.10.024 DOI: https://doi.org/10.1016/j.ejor.2018.10.024
  27. Beaver W.H. Financial ratios as predictors of failure. Journal of Accounting Research. 1966;4:71-111. https://doi.org/10.2307/2490171 DOI: https://doi.org/10.2307/2490171
  28. Zhu Y., Xie C., Wang G.-J., Yan X.-G. Comparison of individual, ensemble and integrated ensemble machine learning methods to predict China’s SME credit risk in supply chain finance. Neural Computing and Applications. 2017;28(1):41-50. https://doi.org/10.1007/s00521-016-2304-x DOI: https://doi.org/10.1007/s00521-016-2304-x
  29. Barboza F., Kimura H., Altman E. Machine learning models and bankruptcy prediction. Expert Systems with Applications. 2017;83:405-417. https://doi.org/10.1016/j.eswa.2017.04.006 DOI: https://doi.org/10.1016/j.eswa.2017.04.006
  30. Brown I., Mues C. An experimental comparison of classification algorithms for imbalanced credit scoring data sets. Expert Systems with Applications. 2012;39(3):3446-3453. https://doi.org/10.1016/j.eswa.2011.09.033 DOI: https://doi.org/10.1016/j.eswa.2011.09.033
  31. Karminsky A. Corporate rating models for emerging markets. Korporativnye finansy = Journal of Corporate Finance Research. 2011;5(3):19-29. (In Russ.). https://doi.org/10.17323/j.jcfr.2073-0438.5.3.2011.19-29 DOI: https://doi.org/10.17323/j.jcfr.2073-0438.5.3.2011.19-29
  32. Grishunin S., Egorova A. Comparative analysis of the predictive power of machine learning models for forecasting the credit ratings of machine-building companies. Journal of Corporate Finance Research. 2022;16(1):99-112. https: //doi.org/10.17323/j.jcfr.2073-0438.16.1.2022.99-112 DOI: https://doi.org/10.17323/j.jcfr.2073-0438.16.1.2022.99-112
  33. Kachalin D. Analysis of Russian models of splitting (reorganization) of business that ensure compliance of its scale with special taxation regime. Finansovaya analitika: problemy i resheniya = Financial Analytics: Science and Experience. 2011;(5):52-63. (In Russ.).
  34. Donich S.R. Novelties in the tax administration: The concept of splitting a business. Vestnik Sibirskogo gosudarstvennogo universiteta putei soobshcheniya: Gumanitarnye issledovaniya = The Siberian Transport University Bulletin: Humanitarian Research. 2021;(1):39-44. (In Russ.).
  35. Williams C.C., Nadin S., Newton S., Rodgers P., Windebank J. Explaining off-the-books entrepreneurship: A critical evaluation of competing perspectives. International Entrepreneurship and Management Journal. 2013;9(3):447-463. https://doi.org/10.1007/s11365-011-0185-0 DOI: https://doi.org/10.1007/s11365-011-0185-0
  36. Jaki A., Ćwięk W. Bankruptcy prediction models based on value measures. Journal of Risk and Financial Management. 2021;14(1):6. https://doi.org/10.3390/jrfm14010006 DOI: https://doi.org/10.3390/jrfm14010006
  37. Jandaghi G., Saranj A., Rajaei R., Ghasemi A., Tehrani R. Identification of the most critical factors in bankruptcy prediction and credit classification of companies. Iranian Journal of Management Studies. 2021;14(4):817-934. https://doi.org/10.22059/IJMS.2021.285398.673712
  38. Hosmer D.W. Jr., Lemeshow S., Sturdivant R.X. Introduction to the logistic regression model. In: Applied logistic regression. Hoboken, NJ: John Wiley & Sons, Inc.; 2013:1-33. (Wiley Series in Probability and Statistics). https://doi.org/10.1002/9781118548387.ch1 DOI: https://doi.org/10.1002/9781118548387.ch1
  39. Hassanat A.B., Abbadi M.A., Altarawneh G.A., Alhasanat A.A. Solving the problem of the K parameter in the KNN classifier using an ensemble learning approach. International Journal of Computer Science and Information Security. 2014;12(8):33-39. https://doi.org/10.48550/arXiv.1409.0919
  40. Breiman L. Random forests. Machine Learning. 2001;45(1):5-32. https://doi.org/10.1023/A:1010933404324 DOI: https://doi.org/10.1023/A:1010933404324

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Афанасьев В., 2023

Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».