Зарубежная методика оценки вероятности банкротства и ее применение в российских условиях

Курсовая работа

Вопрос выживания в условиях рыночной экономики для большинства предприятий становится очень актуальным. Руководству организации больше не на кого положиться при решении текущих проблем, все решения приходится принимать самостоятельно, более того, необходимо нести за них ответственность. Вопрос в том, как принимать рациональные решения, чтобы достичь успеха и процветания, а не попасть в финансовую зависимость к кредиторам и стать банкротом.

По статистическим данным проведенных обследований большинство российский организаций сегодня, получая определенную прибыль, тем не менее, финансово неустойчивы и в значительной степени подвержены банкротству. Для того, чтобы предопределить дальнейшие перспективы развития подобных организаций, необходимо, прежде всего, провести оценку их финансового состояния и вероятности банкротства, а затем на основании полученных результатов сделать ряд выводов и предложить мероприятия по устранению причин финансовой нестабильности и финансовому оздоровлению. Поэтому актуальность выбранной темы дипломной работы является вполне очевидной.

Целью данной работы является изучение зарубежной методики оценки вероятности банкротства и ее применения в российских условиях, а также использование методов финансового анализа при решении конкретных ситуаций.

Задачи работы:

1) рассмотреть методику оценки вероятности банкротства в модели Альтмана;

2) рассмотреть особенности модели Альтмана в российских условиях;

3) применить методы экономического анализа при решении конкретных хозяйственных ситуаций.

Полученная в результате технико-экономического анализа деятельности предприятий система показателей позволяет выявить слабые места в экономике предприятия, охарактеризовать состояние дел данного предприятия (его ликвидность, финансовую устойчивость, рентабельность, отдачу активов и так далее).

Однако, на основе такого анализа сделать вывод, что данное предприятие обанкротиться или, наоборот, выживет обычно невозможно. Выводы о вероятности банкротства можно сделать только на основе сопоставления показателей данного предприятия и аналогичных предприятий, обанкротившихся или, наоборот, избежавших банкротства. Однако подыскать в каждом случае подходящий аналог не всегда представляется возможным или такого аналога вообще может не существовать.

34 стр., 16712 слов

Анализ бухгалтерской отчётности предприятия и пути его дальнейшего развития

... дипломной работы, являются: Выявление назначения и роли финансового анализа;, Изучение показателей финансового анализа предприятия; Рассмотрение методов оценки и анализа финансового состояния предприятия с использованием таких форм годовой бухгалтерской отчетности ... реальным условиям вследствие инфляции, конъюнктуры рынка и т.п. Целью дипломной работы является проведение финансового анализа на ...

Задача прогнозирования банкротства может быть решена методом дискриминантного анализа. Последний представляет собой раздел факторного статистического анализа, с помощью которого решаются задачи классификации, то есть разбиения некоторой совокупности анализируемых объектов на классы путем построения так называемой классифицирующей функции в виде корреляционной модели.

В основе зарубежной практики диагностики угрозы банкротства лежит модель Альтмана, или Z-счет Альтмана. Модель Альтмана определяет интегральный показатель угрозы банкротства. В основе расчета лежит пятифакторная модель, представляющая комплексный коэффициентный анализ. Альтман определил коэффициенты значимости отдельных факторов в интегральной оценке вероятности банкротства. Модель Альтмана имеет следующий вид:

Z=0,012X1+0,014X2+0,033X3+0,006X4+0,999X5, (1)

где Z- интегральный показатель уровня угрозы банкротства;

  • X1-отношение собственных оборотных активов (чистого оборотного капитала) к сумме активов;
  • X2- рентабельность активов (нераспределенная прибыль к сумме активов);
  • X3- отношение прибыли к сумме активов;
  • X4- коэффициент соотношения собственного и заемного капитала;
  • X5- оборачиваемость активов, или отношение выручки от реализации к сумме активов.

Если коэффициенты принимаются в виде долей, то формула (1) будет иметь вид:

Z=1,2X1+1,4X2+3,3X3+0,6X4+1,0X5, (2)

Зона неведения находится в интервале от 1,81 до 2,99. Чем больше значение Z, тем меньше вероятность банкротства в течение двух лет.

Уровень угрозы банкротства в модели Альтмана оценивается согласно таблице 1.

Таблица 1

Оценка уровня угрозы банкротства в модели Альтмана

Значение Z

Вероятность банкротства

Менее 1,81

очень высокая

От 1,81 до 2,7

высокая

От 2,7 до 2,99

вероятность невелика

Более 2,99

вероятность ничтожна, очень низкая

Эта модель применима в условиях России только для акционерных обществ, акции которых свободно продаются на рынке ценных бумаг, то есть имеют рыночную стоимость. Поэтому вместо модели Альтмана иногда целесообразно использовать двухфакторную модель в части прогнозирования вероятности банкротства. Для этого выбирают два ключевых показателя, от которых зависит вероятность банкротства организации, например, показатель текущей ликвидности и удельного веса заемных средств в активах. Они умножаются на соответствующие постоянные весовые коэффициенты[3, с. 37].

Предположим, что факт банкротства определяют два показателя: коэффициент покрытия, то есть отношение текущих активов к краткосрочным обязательствам, и коэффициент финансовой независимости, то есть отношение заемных средств к общей стоимости активов.

Первый показатель характеризует ликвидность, второй — финансовую устойчивость. Очевидно, что при прочих равных условиях вероятность банкротства тем меньше, ем больше коэффициент покрытия и меньше коэффициент финансовой зависимости. И, наоборот, предприятие наверняка станет банкротом при низком коэффициенте покрытия высоком коэффициенте финансовой зависимости. Задача состоит в том, чтобы найти эмпирическое уравнение некой дискриминантной границы, которая разделит все возможные сочетания указанных показателей на два класса[4, с. 46]:

1) сочетания показателей, при которых предприятие обанкротится;

2) сочетания показателей, при которых предприятию банкротство не грозит.

Данная задача была решена американским экономистом Э. Альтманом. За определенный период были собраны данные о финансовом состоянии 19 предприятий. По указанным двум показателям положение предприятий было неустойчивым: одна половина предприятий обанкротилась, а другая — смогла выжить. Далее приемами дискриминантного анализа рассчитывались параметры корреляционной линейной функции, описывающей положение дискриминантной границы между двумя классами предприятий:

,(3)

гдеZ- показатель классифицирующей функции

a0 — постоянный параметр

a1 — параметр, показывающий степень влияния коэффициента покрытия на вероятность банкротства

Кп — коэффициент покрытия

а2 — параметр, показывающий степень влияния коэффициента финансовой зависимости на вероятность банкротства

Кфз — коэффициент финансовой зависимости

В результате статистической обработки данных была получена следующая корреляционная зависимость[2,c.50]:

,(4)

При Z = 0 имеем уравнение дискриминантной границы. Для предприятий, у которых Z = 0, вероятность обанкротиться 50 %. Для предприятий, у которых Z < 0, вероятность банкротства меньше 50 % и далее снижается по мере уменьшения Z. Если Z > 0, то вероятность банкротства больше 50 % и возрастает с ростом Z.

Знаки параметров а1 и а2 классифицирующей функции связаны с характером влияния соответствующих показателей. Параметр а1 имеет знак «минус», поэтому чем больше коэффициент покрытия, тем меньше показатель Z и тем меньше вероятность банкротства предприятия. В то же время параметр а2 имеет знак «плюс», поэтому чем выше коэффициент финансовой зависимости, тем больше Z и , следовательно, выше вероятность банкротства предприятия [1, с. 156].

Рассмотрим методику применения двухфакторном модели Альтмана на конкретном примере.

Исходные данные для расчета представлены в таблице 2.

Таблица 2

Исходные данные и результаты расчеты вероятности банкротства предприятий

Номер предприятия

Коэффициент покрытия, %

Коэффициент финансовой независимости, %

Показатель Z

Вероятность банкротства, %

Фактическое положение

1

3,6

60

-0,78

17,2

нет

2

3,0

20

-2,451

0,8

нет

3

3,0

60

-0,135

42

нет

4

3,0

76

0,791

81,8

да

5

2,8

44

-1,841

15,5

нет

6

2,6

56

0,062

51,5

да

7

2,6

68

0,757

80,2

да

8

2,4

40

-0,649

21,1

да

9

2,4

60

0,509

71,5

нет

10

2,2

28

-1,129

9,6

нет

11

2,0

40

-0,221

38,1

нет

12

2,0

48

0,244

60,1

нет

13

1,8

60

1,153

89,7

да

14

1,6

20

-0,948

13,1

нет

15

1,6

44

0,441

68,8

да

16

1,2

44

0,871

83,5

да

17

1,0

24

-0,072

45

нет

18

1,0

32

0,391

66,7

да

19

1,0

66

2,012

97,9

да

В силу того, что двухфакторная модель не полностью описывает финансовое положение предприятия, расчетные и фактические показатели могут расходиться. Та, предприятие 8 имело Z = -0,649, то есть не должно было бы обанкротиться (вероятность банкротства около 20 %), в действительности же потерпело банкротство. В то же время предприятия 9 и 12 имели положительные значения Z, но они сумели избежать банкротства.

На рисунке 1 представлено корреляционное поле и положение на нем дискриминантной линии для двух показателей — коэффициента покрытия и коэффициента финансовой зависимости.

Рис. 1. Дискриминантная линия на корреляционном поле показателей покрытия и финансовой устойчивости.

Из рисунка 1 видно, что предприятия, у которых значения показателей коэффициента покрытия и коэффициента финансовой независимости располагаются ниже и правее дискриминантной линии, вероятнее всего обанкротятся (вероятность их банкротства превышает 50 %).

При этом, чем дальше отстоит точка показателей от дискриминантной линии, тем выше вероятность банкротства. Для предприятий, у которых сочетание значений показателей финансовой устойчивости и покрытия находится выше и левее дискриминантной линии, почти нет угрозы банкротства. Например, точка 2 расположена над дискриминантной линией и достаточно далека от нее; она отражает состояние предприятия 2, у которого коэффициент покрытия равен 3, а коэффициент финансовой зависимости равен 20 %. Предприятие 19 имеет высокую вероятность банкротства (около 98 %), и оно действительно обанкротилось.

Выше отмечалось, что по практическим данным установлены значения для коэффициента покрытия не ниже единицы, а для коэффициента финансовой зависимости не выше 50 %. Если подставить приведенную выше двухфакторную модель Альтмана эти значения (Кп = 1 и Кфз = 50 %), то получим Z = 1,, то есть почт с 90- процентной вероятностью можно утверждать, что такое предприятие в российских условиях обязательно обанкротится.

Прогнозирование банкротства с использованием двухфакторной модели в российских условиях не обеспечивает высокой точности. это объясняется тем, что данная модель не учитывает влияния на финансовое состояние предприятия других важнейших факторов и показателей, характеризующих, например, рентабельность, отдачу активов, деловую активность предприятия и так далее [9, с. 67]. Дискриминантная граница между банкротами и небанкротами имеет вид не тонкой линии, а размытой полосы. Ошибка прогноза с помощью двухфакторной модели оценивается интервалом ? Z = 0,65. Чем больше факторов будет учтено в модели, тем, естественно, точнее рассчитанный с ее помощью прогноз.

При использовании модели Альтмана возможны два типа ошибок[8, с. 156]:

  • прогнозируется сохранение платежеспособности предприятия, а в действительности происходит банкротство;
  • прогнозируется банкротство предприятия, а оно сохраняет платежеспособность.

По мнению Альтмана, с помощью пятифакторной модели прогноз банкротства на горизонте один год можно установить с точностью до 95 %. При этом ошибка первого типа возможна в 6 %, а ошибка второго типа — в 3 %случаев. Спрогнозировать банкротство на горизонте в 2 года удается с точностью до 83 %, при этом ошибка первого рода имеет место в 28 % случаях, а ошибка второго рода имеет место в 6 % случаев.

В 1977 году Альтман со своими коллегами разработал более точную семи факторную модель. Эта модель позволяет спрогнозировать банкротство на горизонте в 5 лет с точностью до 70 %. В модели в качестве переменных используются следующие показатели[10, с. 178]:

  • рентабельность активов;
  • изменчивость или динамика прибыли;
  • коэффициент покрытия процентов по кредитам;
  • кумулятивная прибыльность;
  • коэффициент покрытия или ликвидности;
  • коэффициент автономии;
  • совокупные активы.

В таблице 3 приведены сведения о точности прогнозирования банкротства с помощью пятифакторной и семи факторной модели Альтмана.

Таблица 3

Точность прогноза банкротства

Количество лет до банкротства

Прогноз по пятифакторной модели

Прогноз по семи факторной модели

Банкрот

Небанкрот

Банкрот

Небанкрот

1

93,9

97

96,2

89,7

2

71,9

93,9

84,9

93,1

3

48,3

74,5

91,4

4

28,6

68,1

89,5

5

36

69,8

82,1

При проведении финансового анализа практически к любому оценочному показателю нужно подходить критически. Вместе с тем значение показателя Z следует воспринимать как сигнал опасности. В этом случае необходим глубокий анализ причин, вызвавших снижение этого показателя.

Таким образом, разработанные на Западе модели прогнозирования вероятности банкротства весьма применимы и в современных российских условиях, но, тем не менее, имеют ряд особенностей и характерных черт.

ИСХОДНЫЕ ДАННЫЕ ЗАДАЧИ № 1:

Исходные данные задачи представлены в таблице 4, где Х — готовая продукция на складе предприятия, У — выручка от реализации продукции.

РЕШЕНИЕ:

1) Найдем параметры уравнения регрессии методом наименьших квадратов.

Предполагается наличие линейной связи между Х и У, то есть регрессионная модель описывается функцией:

Уi = а0 + а1 х,(5)

Где Уi — значение результативного признака;

а0 и а1 — параметры уравнения регрессии, определяемые из системы уравнений:

,(6)

Для нахождения параметров уравнения регрессии по методу наименьших квадратов, составим расчетную таблицу (таблица 4)

Таблица 4

Расчетная таблица для нахождения параметров уравнения регрессии

№ п/п

Х

У

Х2

ХУ

У

Уi — У

/Уi — У//Уi

1

18,7

5,5

349,69

102,85

6,399

-0,899

0,163455

2

15,2

4,5

231,04

68,4

5,454

-0,954

0,212

3

15

5

225

75

5,4

-0,4

0,08

4

26,8

7,6

718,24

203,68

8,586

-0,986

0,129737

5

22,3

10,5

497,29

234,15

7,371

3,129

0,298

6

24,6

7,8

605,16

191,88

7,992

-0,192

0,024615

7

27,1

7,8

734,41

211,38

8,667

-0,867

0,111154

8

35,8

10,1

1281,64

361,58

11,016

-0,916

0,090693

9

36,2

11,8

1310,44

427,16

11,124

0,676

0,057288

10

23,2

7,4

538,24

171,68

7,614

-0,214

0,028919

11

21,3

6,8

453,69

144,84

7,101

-0,301

0,044265

12

23,2

6,4

538,24

148,48

7,614

-1,214

0,189688

13

27,2

8

739,84

217,6

8,694

-0,694

0,08675

14

18,7

6,2

349,69

115,94

6,399

-0,199

0,032097

15

23,6

7,2

556,96

169,92

7,722

-0,522

0,0725

16

28

8,7

784

243,6

8,91

-0,21

0,024138

17

23,9

7,4

571,21

176,86

7,803

-0,403

0,054459

18

28,9

9,4

835,21

271,66

9,153

0,247

0,026277

19

19,6

6,5

384,16

127,4

6,642

-0,142

0,021846

20

23,4

9,2

547,56

215,28

7,668

1,532

0,166522

21

28,9

6,1

835,21

176,29

9,153

-3,053

0,500492

22

25,9

7,9

670,81

204,61

8,343

-0,443

0,056076

23

25,9

9,4

670,81

243,46

8,343

1,057

0,112447

24

27,8

10,5

772,84

291,9

8,856

1,644

0,156571

25

32,9

9,6

1082,41

315,84

10,233

-0,633

0,065938

26

30,9

11,5

954,81

355,35

9,693

1,807

0,15713

27

18,3

6,6

334,89

120,78

6,291

0,309

0,046818

28

21,6

7,2

466,56

155,52

7,182

0,018

0,0025

29

15,7

5,6

246,49

87,92

5,589

0,011

0,001964

30

22,4

9,5

501,76

212,8

7,398

2,102

0,221263

Итого

733

237,7

18788,3

6043,81

238,41

3,235601

Подставляем полученные значения из таблицы 4 в формулу (6):

Из первого уравнения выражаем а0, подставляем во второе уравнение и получаем соответствующее значение:

а1 = 0,27 и а0 = 1,33

Тогда искомое уравнение регрессии имеет вид:

Уi= 1,33 + 0,27Х.

2) Для проверки адекватности определим среднее относительное линейное отклонение по формуле (7)

,(7)

Подставляя значения из таблицы 4 в формулу (7), получим:

Е = 0,10 или 10 %.

Так как Е меньше 15 %, то связь между факторным и результативным признаками достаточно тесная.

Полученное уравнение регрессии пригодно для прогнозных значений, так как значение Е меньше 15 %.

Среднегодовое значение Х = 24,43 млн. руб., тогда при среднегодовой величине готовой продукции на сладе 24, 43 млн. рублей, предполагаемая выручка от реализации на следующий год, согласно уравнению регрессии, составит: 7,93 млн. рублей.

3) Составим бюджет движения денежных средств и определим «критический период» в деятельности предприятия. в качестве исходных данных принимаем следующие сценарные условия функционирования предприятия в следующем году. Объемы продаж увеличиваются с темпом прироста в месяц 1,5 % от базового месяца. Предприятие проводит индивидуальную сбытовую политику на основе применения различных видов реализации при разных условиях оплаты: 25 % изделий реализуется за наличный расчет; 75 % с отсрочкой платежа на условиях 3/10 брутто 30; 80 % оплачивается в следующем месяце, из них 25 % со скидкой, а 20 % оплачивается с задержкой еще на 1 месяц.

С учетом прогнозного значения выручки от реализации 7,93 млн. рублей бюджет движения денежных средств организации представлена на рисунке 2.

Сырье закупается в размере потребности следующего месяца, оплата поставщикам производится через месяц.

Издержки определяются в процентах от выручки: 40 % — условно- переменные издержки, 15 % — заработная плата, 10 % — аренда, 5 % — прочие. Прогнозируемое увеличение цен на сырье- 3%. Уровень инфляции — 2 % в месяц. Аренда и зарплата выплачиваются в месяц, следующий за месяцем их возникновения. Единый социальный налог составляет 35,6 % от зарплаты. Ставка налога на прибыль 24 %.

В конце каждого квартала (март, июнь, сентябрь, декабрь) планируется вкладывать в модернизацию производства 31 000 рублей. Другой вариант предусматривает расходы предприятия, связанные с реконструкцией технологических линий в следующем размере: март — 100000 рублей, июнь, сентябрь, декабрь по 310000 рублей. Остаток денежных средств на 1 января составляет 17890 рублей. Этой суммы недостаточно и решено иметь целевой остаток в размере 34000 рублей. Его величина изменяется в следующие месяцы пропорционально темпу инфляции.

В таблице 5 представлен первый вариант бюджета движения денежных средств организации.

Таблица 5

Бюджет движения денежных средств организации, руб. (1 вариант)

< ………..

Показатель

Исходные данные

январь

февраль

март

апрель

май

июнь

июль

август

сентябрь

октябрь

ноябрь

декабрь

1. Реализация

Выручка

660833

670745,5

680806,7

691018,8

701384,1

711904,8

722583,4

733422,1

744423,5

755589,8

766923,7

778427,5

790103,9

Затраты на сырье

276347,1439

280492,4

284699,7

288970,2

293304,8

297704,4

302169,9

306702,5

311303

315972,6

320712,1

325522,8

330405,7

Заработная плата

99124,95

101107,4

103129,6

105192,2

107296

109442

111630,8

113863,4

116140,7

118463,5

120832,8

123249,4

125714,4

Начисления(ЕСН)

35288,4822

35994,25

36714,14

37448,42

38197,39

38961,34

39740,56

40535,37

41346,08

42173

43016,46

43876,79

44754,33

Аренда

66083,3

67404,97

68753,07

70128,13

71530,69

72961,3

74420,53

75908,94

77427,12

78975,66

80555,17

82166,28

83809,6

Прочие расходы

33041,65

33702,48

34376,53

35064,06

35765,34

36480,65

37210,26

37954,47

38713,56

39487,83

40277,59

41083,14

41904,8

Операционная прибыль

150947,4739

152044

153133,6

154215,7

155289,8

156355,2

157411,3

158457,5

159493

160517,3

161529,5

162529,1

163515,1

Налог на прибыль

36227,39373

36490,56

36752,07

37011,78

37269,56

37525,25

37778,72

38029,79

38278,33

38524,15

38767,09

39006,98

39243,63

Чистая прибыль

114720,0801

115553,4

116381,5

117204

118020,3

118830

119632,6

120427,7

121214,7

121993,1

122762,5

123522,1

124271,5

2. Затраты на сырье

Приобретение

284699,7

288970,2

293304,8

297704,4

302169,9

306702,5

311303

315972,6

320712,1

325522,8

330405,7

340317,8

Оплата

276347,1

280492,4

284699,7

288970,2

293304,8

297704,4

302169,9

306702,5

311303

315972,6

320712,1

325522,8

3. Денежный поток

3.1. Приток средств

Наличный расчет

167686,4

170201,7

172754,7

175346

177976,2

180645,8

183355,5

186105,9

188897,5

191730,9

194606,9

197526

Кредит прошлого месяца

393518,2

399421

405412,3

411493,5

417665,9

423930,9

430289,9

436744,2

443295,4

449944,8

456694

463544,4

Кредит позапрошлого месяца

80291,21

99124,95

100611,8

102121

103652,8

105207,6

106785,7

108387,5

110013,3

111663,5

113338,5

115038,6

Итого поступлений

641495,8

668747,6

678778,8

688960,5

699294,9

709784,3

720431,1

731237,6

742206,1

753339,2

764639,3

776108,9

3.2. Остаток средств

Оплата сырья

276347,1

280492,4

284699,7

288970,2

293304,8

297704,4

302169,9

306702,5

311303

315972,6

320712,1

325522,8

Выплата зарплаты

99124,95

101107,4

103129,6

105192,2

107296

109442

111630,8

113863,4

116140,7

118463,5

120832,8

123249,4

Уплата ЕСН

35288,48

35994,25

36714,14

37448,42

38197,39

38961,34

39740,56

40535,37

Страницы: [1] | | 3 |