Сочинение: Прогнозирование банкротства авиакомпаний: глобальный рынок

Для каждой из компаний были рассмотрены следующие показатели за 2009-2017 финансовые годы:

• показатели прибыльности компаний;

• показатели долговой нагрузки;

• регион базирования;

• показатели затрат компаний;

• совокупные активы.

На основании показателей мы сформировали базу данных, состоящую из 39 наблюдений по компаниям-банкротам и 312 наблюдений по компаниям не банкротам (для компаний берутся данные за три финансовых года до банкротства).

Стоит дополнительно упомянуть, что в данной работе мы умышленно ограничиваем набор нефинансовых метрик для возможности масштабирования предложенных решений на пользователей с отсутствием доступа к расширенным базам данных по финансовым и операционным показателям компаний.

Обоснование выбора переменных и гипотезы

При выборе регионов для исследования мы руководствовались соображениями наличия компаний, удовлетворяющих нашим критериям, а также наличия среди них компаний-банкротов за данный промежуток времени. В итоге в выборке присутствуют компании из Северной Америки, Европы, Азии и Тихоокеанского региона.

Оборачиваемость активов определяет эффективность их использования компанией. Основными активами авиакомпаний являются самолеты, которые должны производить максимальную отдачу, чтобы поддерживать маржинальность бизнеса. Также можно использовать показатель ROA. Он демонстрирует, насколько эффективно компании генерируют свою выручку по отношению к активам.

Отношение долга к EBITDA демонстрирует способность компании покрывать свой долг. Поскольку закупка самолетов осуществляется за счет предоставления кредитов, данный показатель может сигнализировать как о росте затрат на авиапарк, так и в целом о финансовом состоянии компании.

Коэффициент Current ratio отвечает за способность компании погашать текущие обязательства, в то время как Quick ratio демонстрирует способность компании погашать свои краткосрочные обязательства за счет ликвидных активов. Два данных показателя, связанных с долгом, могут свидетельствовать о наличии проблем у авиакомпании.

Среднегодовая загрузка судов оказывает влияние на бизнес предприятий. От количества проданных билетов зависит доход компании с одного рейса. Поскольку бизнес авиакомпаний низкомаржинальный, компании-банкроты могут быть чувствительны к данному показателю.

Показатели внешней среды (волатильность цен на топливо, волатильность процентных ставок LIBOR) являются основными рисками, присущими авиакомпаниям, и влияют на успешность их функционирования.

В качестве зависимой переменной берется факт банкротства.

Исходя из вышеупомянутых научных работ и выбранных риск-факторов мы будем проверять следующие гипотезы.

• H1: Фактор загрузки судов значимо влияет на вероятность банкротства.

• H2: Региональный фактор повышает качество предсказания модели.

• H3: Комбинация финансовых ставок дает положительные результаты в предсказании банкротств.

• H4: Точность предсказания байесовской квантильной регрессии выше, чем у логит-модели.

• H5: Показатели внешней среды значимо влияют на вероятность банкротства авиакомпаний.

Первая гипотеза выводится из методологий рейтинговых агентств DBRS, S&P, The Airline Analyst. Вторая гипотеза является следствием подтверждения региональных особенностей авиакомпаний в работе [Lee, Hooy, 2012]. Третья и четвертая гипотезы основаны на выводах работы [Chiuling et al., 2015] о качестве предсказаний с использованием финансовых ставок и модели байесовской квантильной регрессии для американского рынка гражданской авиации. Пятая гипотеза основана на методологиях рейтинговых агентств и работе [Suharto Abdul Majid, Sucherly, Umi Kaltum, 2016], исследовавшей банкротства на индонезийском рынке.

Методология исследования

Исследование направлено на создание модели предсказания вероятности банкротств авиакомпаний. В процессе составления регрессионной модели мы отберем четыре наиболее значимых фактора для прогноза. Ограничения на количество факторов накладываются исходя из размеров выборки и целесообразности. При этом в модель должны быть включены факторы, отвечающие за показатели прибыльности авиакомпаний, показатели долговой нагрузки, показатели активов компаний и внешней среды, с целью наиболее полного охвата риск-факторов.

После проведения анализа литературы мы выявили две наиболее подходящие модели для нашего исследования: логит-модель и байесовскую квантильную регрессию. Нашей задачей является построение двух моделей и анализ полученных результатов.

Логит-модель

Модель, используемая для предсказания вероятности события. В качестве зависимой переменной используется индикатор - в нашем случае показатель банкротства, - принимающий значения: единица, если компания была банкротом, и ноль, если компания не была банкротом.

Вероятность возникновения события определяется уравнением

где, i Y =X? б + е Y - зависимая переменная-индикатор; X- матрица факторов.

Если Р больше выбранного порогового значения, то компания считается банкротом. Данная модель успешно использовалась в работах по предсказанию банкротств как для индустрии гражданской авиации, так и для других отраслей.

Байесовская квантильная регрессия

В статье по исследованию американского рынка авиаперевозок авторы, в результате сравнительного анализа, приходят к выводу о высоком качестве применения байесовской квантильной регрессии для прогнозирования банкротств авиакомпаний. Проверим оценки данной модели на глобальном рынке для нашей выборки.

Данный подход интересен для построения модели предсказаний. Во-первых, квантильная регрессия позволяет более точно определять отношения независимых и зависимых переменных, в сравнении с линейной регрессией, за счет возможности исследования различных срезов распределения (квантилей). Также оценки параметров не искажены смещением сдвига условного распределения зависимой переменной. Во-вторых, байесовский подход решает проблемы, возникающие с малой выборкой и возможными зависимостями между переменными, и дает большую точность и возможности для оценки коэффициентов.

Модель бинарного выбора, используемая в квантильной регрессии, строится следующим образом:

Байесовский подход к бинарной квантильной регрессии был предложен в работе [Benoit, Van den Poel, 2012].

Используется функция распределения

гд^е Рв{у ) = У (0- ¹(у < ⁰)).

Делается предположение об ассиметричном распределении Лапласа латентных переменных, и первоначальная модель бинарного выбора пересматривается исходя из предположения, что

Далее

Условное распределение Y *задается округленное слева нулем, если Yi = 1, и справа нулем, если Yi = 0.

Таким образом, апостериорное распределение коэффициента в задается

Для оценки параметров распределения значения генерируются методом Монте- Карло по схеме марковских цепей, используя заданную выборку и квантили. Это позволяет получить наиболее точные оценки.

Эмпирическое исследование

Часть эмпирического анализа будет состоять из описательных статистик и выявления закономерностей в используемых переменных для компаний-банкротов и компаний не банкротов. После определения описательных статистик мы перейдем к результатам построения регрессионных моделей предсказания банкротств авиакомпаний.

Описательная статистика

Исследуемая выборка состоит из компаний трех регионов: Северной Америки, Европы, Азии и Тихоокеанского региона. Данные по количеству наблюдений представлены в табл. 2.

Таблица 2

Региональное распределение выборки

Перейдем к исследованию независимых переменных. Показатель оборачиваемости активов, в среднем, у компаний-банкротов выше, чем у здоровых компаний - 1,52 против 1,04 соответственно. Если посмотреть на данный показатель в региональном разрезе, то можно заметить, что это достигается за счет высоких значений на европейском рынке. На других рынках разница составляет порядка 3%. На данном этапе можно заключить, что существенной относительной разницы в эффективности использования активов в среднем не наблюдается, однако примем во внимание «европейский выброс» и то, что стандартное отклонение у компаний-банкротов, в целом, выше. Результаты представлены в табл. 3. и рис. 1.

Коэффициент текущей ликвидности для компаний не банкротов незначительно выше, чем для компаний-банкротов - 0,9 против 0,87 соответственно. В табл. 4 и рис. 2 приведены результаты в региональном разрезе. Можно заметить, что для здоровых компаний Северной Америки и Европы коэффициент текущей ликвидности выше, чем у ком- паний-банкротов (на 40 и 6% соответственно).

Таблица 3

Оборачиваемость активов, описательные статистики

? Не банкроты ? Банкроты

Рис. 1 Оборачиваемость активов, описательные статистики

Таблица 4

Current ratio, описательные статистики

? Не банкроты ? Банкроты

Рис. 2 Current ratio, описательные статистики

Также для компаний-банкротов стандартное отклонение выше, чем для компаний не банкротов.

Описательные статистики по показателю коэффициента быстрой ликвидности представлены в табл. 5. и рис. 3. Для компаний не банкротов среднее значение составляет 0,7 против 0,47 для компаний-банкротов. Это свидетельствует о различиях в возможностях покрывать свои краткосрочные обязательства между успешными и неуспешными авиакомпаниями.

Таблица 5

Quick ratio, описательные статистики

? Не банкроты ? Банкроты

Рис. 3 Quick ratio, описательные статистики

Среднегодовая загруженность самолетов у компаний первой группы выше, чем у компаний-банкротов на 5% (80 против 75%). Это существенное различие для авиационной индустрии ввиду низкой маржинальности бизнеса. Успешные компании проводят эффективную политику, что в свою очередь повышает загруженность судов. Таким образом, потребители, видящие проблемы у авиакомпании, снижают спрос на ее услуги, ввиду этого падает и фактор загруженности самолетов. Также прослеживается высокая дисперсия данного показателя, что может быть связанно с особенностями развития отрасли. Результаты представлены в табл. 6. и рис. 4.

Таблица 6.

Коэффициент загрузки, описательные статистики