Сочинение: Прогнозирование банкротства авиакомпаний: глобальный рынок

? Не банкроты ? Банкроты

Рис. 4 Коэффициент загрузки, описательные статистики

Финансовый показатель, ROA, также значительно отличается у компаний первой и второй группы. У компаний-банкротов данный показатель в среднем составляет -0,89, а у не банкротов - 3 (табл. 7 и рис. 5). Также, независимо от региона, ROA больше у первой группы. Стоит отметить высокую дисперсию данного показателя для банкротов из азиатского региона.

Таблица 7

ROA, описательные статистики

Рис. 5 ROA, описательные статистики

Средний показатель Net Income у компаний-банкротов отрицательный, а средний показатель EBITDA составляет 1197 и 96 для первой и второй групп соответственно. Это вписывается в логику наличия проблем у авиакомпаний-банкротов. Неуспешные компании теряют выручку и/или неэффективно управляют издержками, что приводит к плохим финансовым результатам.

К показателям внешней среды относятся такие факторы как: годовая волатильность цены на нефть марки Brent (одинаковый тренд со стоимостью Platts и керосина), волатильность ставки LIBOR на 3 и 6 месяцев (лизинговые контракты и стоимость заемных средств привязаны к ставкам). Рассчитанные данные по показателям представлены в табл. 8.

Таблица 8

Волатильность Brent, Libor 3, Libor 6

Завершая анализ описательных статистик, проверим выбранные переменные на предмет корреляции. Корреляционная матрица представлена в табл. 9.

Таблица 9

Корреляции независимых переменных

Результаты оценки логит-модели

Проведя итерации с подбором риск-факторов, основываясь на вышеописанной методологии и анализе корреляций между переменными, мы вывели логит-модель для прогнозирования банкротств авиакомпаний. Модель включает в себя следующие независимые перемененные: Net Income, оборачиваемость активов, Quick ratio, коэффициент загрузки (load factor). Она значима, и все факторы значимы на пятипроцентном уровне, что свидетельствует о возможности использования ее для анализа (результаты представлены в табл. 10). В процессе построения модели мы случайным образом разделили выборку на обучающую и тестовую в соотношении 70% к 30%. В результате была оценена предсказательная сила. Средняя сила предсказания составляет 77%. Точность предсказания: 80% для банкротов и 76% для не банкротов. Матрица ошибок для логит-модели 1 представлена в табл. 11.

Таблица 10

Результаты оценки логит-модели 1

Таблица 13

Матрица ошибок логит-модели 2

Также выяснилось, что для регрессионных моделей волатильности рыночных риск- факторов (Brent, LIBOR) незначимы. Это может быть связано с тем, что как компании- банкроты, так и устойчивые компании одинаково попадают под влияние данных детерминант. Эффективность работы менеджмента компании определяется способностью предугадывать рыночные риски и вовремя применять стратегии хеджирования.

Проверяя гипотезу о значимости регионального фактора, мы добавили дамми- переменные, отвечающие за региональную принадлежность. Вопреки тому, что коэффициенты перед дамми-переменными незначимы, качество предсказания модели повысилось до среднего значения 82% (выросло на 5%). Точность предсказания: 90% (+10%) для банкротов и 78% (+2%) для не банкротов (результаты представлены в табл. 12). Матрица ошибок для логит-модели 2 представлена в табл. 13.

Таблица 12.

Результаты оценки логит-модели 2

Проверим выбранные переменные на предмет мультиколлинеарности для логит- модели. В табл. 14 представлены результаты подсчета показателей VIF. Все значения не превышают 1,2, что свидетельствует об отсутствии проблемы мультиколлинеарности.

Таблица 14

Фактор инфляции дисперсии для независимых переменных

Результаты оценки байесовской квантильной регрессии

Как было упомянуто ранее, для более точной оценки зависимостей между риск- факторами и вероятностью банкротства будет использована байесовская квантильная регрессия. В данном разделе мы проведем оценку параметров регрессии и сравним значения с логит-моделью 1, не вводя дамми переменные.

В ходе оценки параметров было произведено 10000 итераций для получения наиболее точных значений. Предсказательная сила (точность) модели, рассчитываемая на основе оценок выбранных показателей, составила 81%, что превышает качество предсказания логит-модели на 4%.

Результаты оценок параметров для трех квантилей (0,1, 0,5, 0,9) представлены в табл. 15. Независимо от выбранных квантилей и модели, факторы одинаково (по знаку) действуют на вероятность банкротства предприятий. Матрица ошибок для модели представлена в табл. 16.

Таблица 15

Результаты оценки байесовской квантильной регрессии в R

Таблица 16.

Матрица ошибок байесовской квантильной регрессии

Исходя из результатов тестирования модели байесовской квантильной регрессии, мы можем сделать вывод о ее сравнительном преимуществе перед логит-моделью.

Выводы

Замедление темпов экономического роста негативно сказалось на положении дел у авиаперевозчиков, часть из которых уже признали себя банкротами, а другие готовятся это сделать в 2019 г. Разорившиеся авиакомпании называют причиной краха рост цен на топливо и стремительное падение спроса на перелеты. Чтобы выяснить, чего ждать от перевозчиков, следует понимать причины банкротства, заранее обезопасить себя от сотрудничества с проблемными компаниями.

Успешность деятельности компаний гражданской авиации оказывает большое влияние на жизнь любого государства, отвечая за мобильность населения и развитие страны. За последние 10 лет более 100 крупных и малых авиакомпаний прошли процедуру банкротства, что вызывает как научный, так и практический интерес для исследования.

В статье были исследованы данные по 47 компаниям за 2010-2018 гг. с целью выявления ключевых факторов, предсказывающих вероятность банкротства авиакомпаний. Компании были отобраны по размеру флота и наличию международной маршрутной сети и представлены тремя регионами: Северная Америка, Европа, Азия/Тихоокеанский регион. Для достижения цели были исследованы различные комбинации финансовых показателей прибыльности, долга, ликвидности и применены логит-модель и байесовская квантильная регрессия.

В ходе эмпирического анализа мы выделили показатели Net Income, Quick ratio, коэффициент загрузки, оборачиваемость активов и географическую принадлежность компании как факторы, способные эффективно использоваться в модели предсказания вероятности дефолта. Вопреки незначимости показателя загрузки судов, его присутствие повышало точность предсказания логит-модели. Также было обнаружено, что индикаторы внешней среды - колебания цен на нефть марки Brent, 3-х и 6-месячные ставки LIBOR - незначимы для модели.

В рамках исследования было проведено сравнение логит-модели и модели байесовской квантильной регрессии по точности предсказания и сделан вывод о преимуществе последней (77 против 80,4%). Результаты работы могут быть использованы контролирующими органами для анализа отрасли и принятия решений по превентивному финансовому оздоровлению проблемных авиакомпаний.