Дипломная работа: Прогнозирование банкротства: случаи страховых компаний в России

В рамках обзора литературы были выявлены ключевые стратегии развития страхового рынка. Кроме того, перечислены основные риски характерные для сферы страхования и описаны основные методы борьбы с ними, основанные на международном опыте. Также были изучены основные виды и характеристики банкротства. В работе отражены ступени процедуры банкротства страховых организаций, которые закреплены федеральным законом РФ. Произведен анализ существующих работ по прогнозированию банкротств и выявлены преимущества и недостатки каждой из приведенных моделей.

Для исследования была сформирована выборка, в которую вошли наиболее популярные показатели для прогнозирования банкротства. Итоговый набор переменных включает в себя четыре группы коэффициентов: показатели деловой активности, ликвидности и платежеспособности предприятия, финансовой устойчивости и рентабельности. Для сбора данных использовались системы SPARK, Руслана, FIRA и финансовая отчетность страховых компаний. В результате для исследования были использованы панельные данные в период с 2016 по 2018 год.

Исследование показало, что наибольшей прогнозной силой среди трех нелинейных моделей обладает модель случайного леса, показавшая результат в 100%, на втором месте находится бинарное классификационное дерево с точностью в 80%, а на третьем месте - logit-модель, чья предсказательная сила равна 75%. Все три модели обладают вполне хорошей силой прогнозирования, однако только logit-модель и алгоритм бинарного классификационного дерева могут получить понятную интерпретацию, в то время как объяснить модель случайного леса затруднительно.

Стоит отметить, что кроме финансовых коэффициентов, которые могут быть посчитаны для любой фирмы вне зависимости от отрасли, каждая модель показала значимость коэффициента, отражающего отношение объема страховых премий к чистой прибыли (PREMNI), что свидетельствует о важности принятия во внимание финансовых коэффициентов, характерных именно для страховщиков. Действительно, чем выше данный коэффициент, тем меньше вероятность банкротства компании, так как он показывает востребованность компании на рынке и ее хорошее финансовое состояние. В то же время нефинансовый коэффициент (возраст) был отмечен как оказывающий незначительное влияние на вероятность банкротства. Среди коэффициентов финансовой устойчивости наиболее важным оказалось отношение выручки от реализации к активам (RA), отмеченное во всех трех моделях. Увеличение данного коэффициента говорит об улучшении финансового благополучия компании и ее платежеспособности, что уменьшает степень вероятности банкротства. Модель случайного леса и logit-модель также отмечают значимость коэффициента рентабельности собственного капитала (ROE). Высокие значения данного показателя отражают хороший уровень эффективности распоряжения собственным капиталом компании и общую эффективность ее работы, что в свою очередь снижает вероятность наступления банкротства. Наша гипотеза о значимости показателей из группы коэффициентов финансовой устойчивости в целом подтвердилась: было выявлено два таких показателя: выручка от реализации/активы (RA) и уровень долговой нагрузки (DEBT). Коэффициент страхового рынка PREMNI (объем премий/чистая прибыль) тоже является одним из важнейших предикторов во всех трех моделях.

В качестве перспектив исследования стоит выделить анализ данных, собранных через несколько лет (например, за 2020-2022 годы). По мнению И. Юргенса, президента ВСС, последствия карантина, вызванного коронавирусной инфекцией, начнут отражаться на страховом рынке именно в 2021 году. Аналитики S&P Global предсказывают увеличение убытков страховщиков и падение спроса на мединское страхование, а также КАСКО и ОСАГО. Кроме того, по словам Н. Галушина, гендиректора «РТ_Страхование» возможен уход малых компаний с рынка (Коммерсантъ, 2020). На наш взгляд, исследование свежей отчетности способно пролить свет на новые факторы, оказывающие влияние на банкротство. Нам также представляется целесообразным продолжить исследования с использованием более продвинутых методов, таких как нейронные сети или бустинг.

СПИСОК ЛИТЕРАТУРЫ

1. Гринавцева, Е. В., Купавцева, А. А. Понятие несостоятельности (банкротства) и специфика страховой компании как предпринимательской структуры. // Сборник статей XV Международной научно-практической конференции. 2018. С. 117-119.

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

3. Демешев, Б. Б., Тихонова, А. С. Прогнозирование банкротства российских компаний: межотраслевое сравнение. // Экономический журнал ВШЭ. 2014. №3. С. 359-386.

4. Евстропов, М. В. Оценка возможностей прогнозирования банкротства предприятий в России // Вестник Оренбургского государственного университета. 2008. № 4. С. 25-32.

5. Жданов В. Ю., Афанасьева О. А. Разработка модели диагностики риска банкротства для авиапредприятий // Корпоративные финансы. 2011. № 4(20). С. 77-89.

6. Зайцева, О. П. Антикризисный менеджмент в российской фирме // Сибирская финансовая школа. 1998. № 11-12 (28-29). С. 66-73.

7. Львова, О. А., Пеганова, О. М. Факторы и причины банкротства компаний в условиях современной экономики. // Государственное управление. Электронный вестник. 2014. № 44.

8. Мифтахова, Ч. А., Сыч, С. А. Причины и механизмы банкротства страховых компаний. // Сборник статей VII Международной научно-практической конференции. 2019. С. 184-189.

9. Николаева, И. П., Палювина, А. С. Банкротство: причины, особенности и последствия в России. // Известия Волгоградского государственного технического университета. 2014. № 17. С. 31-39.

10. Федорова Е.А., Гиленко Е.В., Довженко С.В. Модели прогнозирования банкротства: особенности российских предприятий // Проблемы прогнозирования. 2013. № 2. С. 85-91.

11. Хайдаршина Г. А. Совершенствование методов оценки рисков банкротства для российских предприятий в современных экономических условиях // Имущественные отношения в Российской Федерации. 2009. № 8. С. 86-95.

12. Altman, E. I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. // The Journal of Finance. 1968. № 23. P. 589-609.

13. Altman, E. I., Sabato G. Modeling Credit Risk for SMEs: Evidence from the US Market. // Abacus. 2007. № 43. P. 332-357.

14. BarNiv R., Hershbarger R. A. Classifying financial distress in the life insurance industry. // The Journal of Risk and Insurance. 1990. № 57. P. 110-136.

15. Beaver, W. H. Financial ratios as predictors of failure. // Journal of accounting research. 1966. № 4. P. 71-111.

16. Chesser, D. L. Predicting Loan Noncompliance // Journal of Commercial Bank Lending. 1974. №56(12). P. 28-38.

17. Dietrich, J., Kaplan, R. S. Empirical Analysis of the commercial loan classification decision. // The accounting review. 1982. № 62. P. 18-38.

18. Eisenbeis, R. A. Pitfalls in the application of the discriminant analysis in business, finance, and economics. // The journal of finance. 1977. № 32. P. 875-900.

19. Fulmer, J. G. Jr., Moon, J. E., Gavin, T. A., Erwin M. J. A bankruptcy classification model for small firms // Journal of Commercial Bank Lendin.1984. №11(66). P. 25-37.

20. Gruszczinsky, M. Financial distress of companies in Poland // IAER. 2004. № 10. P. 249-256.

21. Hunter, J., Isachenkova, N. Failure risk. A comparative study of UK and Russian firms // Journal of policy modeling. 2001. № 23. P. 511-521.

22. Lawrence, J.R. The Use Of Ohlson's O-Score For Bankruptcy Prediction In Thailand. // The Journal of Applied Business Research. 2015. №31. P. 1067-1076.

23. Lin, K. C., Dongb, X., Corporate social responsibility engagement of ?nancially distressed ?rms and their bankruptcy likelihood. // Advances in accounting. 2018. № 43. P. 32-45.

24. Lin, L., Piesse, J. // Identification of corporate distress in UK industrials: a conditional probability analysis approach. Applied Financial Economics. 2004. №14. P. 73-82.

25. Lugovskaya, L. Predicting default of Russian SMEs on the basis of ?nancial and non-?nancial variables // Journal of financial services marketing. 2010. № 14. P. 301-313.

26. Minussi, J., Soopramanien, D., Worthington, D., Statistical modelling to predict corporate default for Brazilian companies in the context of Basel II using a new set of financial ratios // Lancaster University Management School working paper. 2007.

27. Muntean, N., Plotnikov, V., Anghel, I., Ciєmaєu, I. D. The impact of corruption on corporate insolvencies in the central and eastern Europe countries. // Quality - Access to Success. 2019. № 20. P. 408-415.

28. Nam, J. H., Jinn, T. Bankruptcy prediction: evidence from Korean listed companies during the IMF crisis // Journal of international financial management and accounting. 2000. № 11. P. 179-197.

29. Ohlson, J.A. Financial Ratios and the Probabilistic Prediction of Bankruptcy. // Journal of Accounting Research. 1980. №18. P. 109-131.

30. Oz, I. O., Simga-Mugan, C. Bankruptcy prediction models' generalizability: Evidence from emerging market economies. // Advances in Accounting. 2018. № 41. P. 114-125.

31. Pastena, V., Roland, W. The Merger/Bankruptcy Alternative. // Accounting Review. 1986. №2. P. 288-301.

32. Springate, G. L.V. Predicting the possibility of failure in a Canadian firm. // MBA Research Project, Simon Fraser University. 1978.

33. Taffler, R.J. The Assessment of Company Solvency and Performance Using a Statistical Modeling // Accounting and Business Research. 1983. №13(52). P. 295-307.

34. Rubio, C. M., Mack, F. Top 10 Things Every Business Lawyer Should Know about Bankruptcy. // Business Law Today. 2016. P. 1-3.

35. Singh, B.P., Mishra, A.K. Re-estimation and comparisons of alternative accounting based bankruptcy prediction models for Indian companies. // Financial Innovation. 2016. №6. P. 1-28.

36. Sirirattanaphonkun W., Pattarathammas S. (2012) Default Prediction for Small- Medium Enterprises in Emerging Market: Evidence from Thailand // Seoul Journal of Business. Vol. 18. No. 2, 25-54.

37. Stolbova, M., Shchepeleva, M. Systemic risk,economic policy uncertainty and firm bankruptcies: Evidence from multivariate causal inference. // SSRN Electronic Journal. 2019.

38. Taffler, R., Tisshaw H. Going, going, gone four factors which predict. // Accountancy. 1977. № 45. P. 50-54.

39. Zmijewski, M.E. Methodological Issues Related to the Estimation of Financial Distress Prediction Models. // Journal of Accounting Research. 1984. №22. P. 59-82.

40. Актуальные тренды в страховании - формирование, влияние, развитие // Страхование сегодня [сайт]. URL: http://www.insur-info.ru/interviews/1371/

41. Аргументы и факты [сайт]. URL: https://aif.ru/boostbook/bankrotstvo-juridicheskikh-lits.html

42. Бюллетень о текущих тенденциях российской экономики // Аналитический центр при правительстве Российской Федерации, 2019. 4 с.

43. Стратегия развития страховой отрасли Российской Федерации, Общее собрание Всероссийского союза страховщиков, протокол №21, 2018

44. ФЗ «О несостоятельности/банкротстве» от 26.10.2002 № 127-ФЗ (ред. От 08.01.20)

ПРИЛОЖЕНИЕ

Динамика отзыва лицензий страховых организаций

Матрица коэффициентов корреляции

Дескриптивная статистика переменных по годам

Примечание. - среднее значение, - стандартное отклонение, - количество наблюдений для i-ого года