Полная версия

Главная arrow Финансы arrow Анализ финансового состояния предприятий ОАО "Инжтехэнергострой" и ОАО "АДЛ"

  • Увеличить шрифт
  • Уменьшить шрифт


<<   СОДЕРЖАНИЕ   >>

Зарубежные методики оценки финансового состояния организации (методика кредитного скоринга)

Методика кредитного скоринга впервые была предложена американским экономистом Д. Дюраном в начале 40-х годов XX в. Ее сущность заключается в классификации фирм по степени риска, исходя из фактического уровня показателей финансовой устойчивости и рейтинга каждого показателя, выраженного в баллах на основе экспертных оценок.

Скоринг представляет собой классификационную задачу, где исходя из имеющейся информации необходимо получить функцию, наиболее точно разделяющее выборку клиентов на "плохих" и "хороших". Существует два основных подхода, которые пригодны для работы как с количественными, так и с качественными характеристиками:

  • 1. Преобразовать каждый признак в отдельную двоичную переменную (приводит к большому количеству переменных, хотя он не навязывает никаких дополнительных отношений между зависимой и независимыми переменными)
  • 2. Преобразовать каждую характеристику в переменную, которая будет принимать значения, соответствующие отношению числа "плохих" клиентов с данным признаком к числу "хороших" клиентов с этим же признаком. Более усложненный вариант - взять логарифм этого отношения. Таким образом, каждый признак получает числовую величину, соответствующую уровню его "рискованности".

Методы собственно классификации весьма разнообразны и включают в себя:

  • · статистические методы, основанные на дискриминантном анализе (линейная регрессия, логистическая регрессия)
  • · различные варианты линейного программирования
  • · дерево классификации или рекурсионно-партиционный алгоритм (РПА)
  • · нейронные сети
  • · генетический алгоритм
  • · метод ближайших соседей.

Традиционными и наиболее распространенными являются регрессионные методы, прежде всего линейная многофакторная регрессия:

р = wo + w1x1 + w2x2 + … + wnxn,

где р - вероятность дефолта,

w - весовые коэффициенты,

x - характеристики клиента.

Недостаток данной модели заключается в том, что в левой части уравнения находится вероятность, которая принимает значения от 0 до 1, а переменные в правой части могут принимать любые значения от - Ґ до + Ґ.

Логистическая регрессия позволяет преодолеть этот недостаток:

log (p/(1-p)) = wo + w1x1 + w2x2 + … + wnxn.

Для применения логистической регрессии необходимы гораздо более сложные расчеты для получения весовых коэффициентов и, следовательно, более мощная компьютерная база и усовершенствованное компьютерное обеспечение. Но при современном уровне развития компьютерной техники это не является проблемой, и в настоящее время логистическая регрессия является лидером скоринговых систем.

Преимущество логистической регрессии еще и в том, что она может подразделять клиентов как на две группы (0 - плохой, 1 - хороший), так и на несколько групп (1, 2, 3, 4 группы риска).

Все регрессионные методы чувствительны к корреляции между характеристиками, поэтому в модели не должно быть сильно коррелированных независимых переменных.

Линейное программирование также приводит к линейной скоринговой модели. Провести абсолютно точную классификацию на плохих и хороших клиентов невозможно, но желательно свести ошибку к минимуму. Задачу можно сформулировать как поиск весовых коэффициентов, для которых ошибка и будет минимальной.

Дерево классификации и нейронные сети представляют собой системы, которые разделяют клиентов на группы, внутри которых уровень риска одинаков и максимально отличается от уровня риска других групп. Нейронные сети используются главным образом при определении кредитоспособности юридических лиц, где анализируются выборки меньшего размера, чем в потребительском кредите.

При использовании метода ближайших соседей выбирается единица измерения для определения расстояния между клиентами. Все клиенты в выборке получают определенное пространственное положение. Каждый новый клиент классифицируется исходя из того, каких клиентов - плохих или хороших - больше вокруг него.

Однако тестирование многих организаций по данным моделям показало, что они не вполне подходят для оценки риска банкротства отечественных предприятий, так как не учитывают специфику структуры капитала, отраслевые особенности, состояние российской экономики и другие факторы. Выход из создавшегося положения заключается в разработке отечественных моделей для каждой отрасли, которые учитывали бы специфику нашей действительности.

 
Перейти к загрузке файла
<<   СОДЕРЖАНИЕ   >>