Везде
Analysis of bankruptcy factors of the Russian developers
Table of contents
Annotation Estimate Publication content
References Comments Additional materials
Share
QR
Metrics
Analysis of bankruptcy factors of the Russian developers
Annotation
PII
S042473880018089-6-1
DOI
10.31857/S042473880018089-6
Publication type
Article
Status
Published
Authors
Anastasia Kosyakina 
ORCID: 0000-0002-9758-0544
Occupation: Junior researcher at Laboratory of Socio-Economic Problems of Regulation
Affiliation: Institute for control and supervision, Russian Presidential Academy of National Economy and Public Administration
Address: 82, Vernadsky Ave., Moscow, 119571, Russian Federation
Edition
Volume 58 Issue 4
Pages
92-101
Abstract

In 2019, there was a transition to project financing of housing construction in Russia. As a result, by the end of 2021, more than 73% of the area of apartments under construction are sold using escrow accounts. However, about 21% of the apartments being sold are being built by developers who are in the process of bankruptcy. Regional primary housing markets are, firstly, segmented, and secondly, in some regions – mainly in the regions of the Far North, Eastern Siberia and the Far East – there is a high concentration of developers, which can lead to additional negative consequences in terms of the development of housing markets of these regions in case of bankruptcy of regional companies. In this situation, it is important to form additional tools for assessing the risks of bankruptcy of companies in order to be able to prevent negative consequences in a timely manner in the future. Despite the fact that a large number of scientific publications of both foreign and domestic researchers have been devoted to the issues of modeling the risks of bankruptcy of firms, only a small number of authors have addressed the issues of assessing the financial stability of Russian developers. The novelty of this study consists in constructing a model for predicting the probability of bankruptcy of developers in Russia (that is, a risk management system) based on an original database, which, in addition to financial coefficients from companies' reports, also includes industry-specific indicators. The aim of the work is to build a quantitative model of bankruptcy risks of developers (in the short and medium term) based on easily observable characteristics of their activities. The results obtained show that the probability of bankruptcy is high for companies with low values of return on assets, asset turnover ratio and current liquidity ratio. Additional factors that reduce the likelihood of bankruptcy are the fact of the developer's group membership, experience in housing construction. Also, the financial stability of companies in the industry as a whole is affected by macroeconomic shocks.

Keywords
housing construction, probability of bankruptcy, financial stability, construction companies, developers' operations, logit models, project financing, risk-oriented regulation
Acknowledgment
The article was prepared as part of the research work of the state assignment of the RANEPA
Received
24.12.2021
Date of publication
07.12.2022
Number of purchasers
11
Views
256
Readers community rating
0.0 (0 votes)
Cite   Download pdf
1

Введение
2 Отрасль жилищного строительства имеет длительный производственный цикл, в процессе которого могут возникать риски финансовой неустойчивости, результатом которых, в свою очередь, является банкротство застройщиков и невозможность погашения обязательств перед участниками долевого строительства.
3 С точки зрения экономической политики оценка финансовой устойчивости застройщиков и выявление среди них потенциальных банкротов необходимы для совершенствования критериев, используемых государством (регулятором) при принятии решения о допуске застройщика на рынок, для мониторинга состояния строительной отрасли, а также для обоснованного определения субъектов государственной поддержки в условиях кризисов.
4 С 2017 г. проблема банкротства застройщиков обостряется: число банкротов растет, что приводит к росту государственных расходов по исполнению обязательств перед дольщиками. По состоянию на конец 2021 г. открыто конкурсное производство в отношении 651 застройщика, а также введена иная процедура банкротства в соответствии с Федеральным законом ФЗ № 1271 в отношении 27 застройщиков. Еще порядка 430 застройщиков имеют проблемные объекты. Общая площадь жилья, вводимого застройщиками-банкротами, а также проблемных объектов – свыше 17 млн кв. м.
1. Федеральный закон от 26.10.2002 N 127-ФЗ (ред. от 02.07.2021, с изм. от 16.11.2021) «О несостоятельности (банкротстве)» (с изм. и доп., вступ. в силу с 18.10.2021).
5 В связи с этим особенно актуально разработать дополнительные инструменты, которые бы позволяли количественно оценивать вероятность банкротства застройщиков и принимать решения о необходимости дальнейшего развития или поддержки региональных рынков первичного жилья. С практической точки зрения общая площадь проблемных объектов примерно эквивалентна 340 тыс. квартир2, ввод которых позволил бы улучшить жилищные условия не менее 260 тыс. семей. Кроме того, к 2024 г. планируется увеличение объемов ввода жилищного строительства до 120 млн кв. м, из которых около половины должно быть возведено в рамках многоквартирных домов. Все это обуславливает значимость проведенного исследования.
2. При средней площади квартиры в 50 кв. м.
6 Целью настоящего исследования является анализ факторов банкротства компаний и построение количественной модели риска банкротства застройщиков в кратко- и среднесрочной перспективе на основе легко наблюдаемых характеристик их деятельности.
7 Моделирование банкротств компаний в различных отраслях широко обсуждается в экономической литературе, однако, для российской отрасли жилищного строительства соответствующие модели отсутствуют. Научная новизна исследования состоит в разработке количественно модели, которая позволяет прогнозировать вероятность банкротства в разрезе отдельных компаний на основе сформированной авторами базы данных о застройщиках во всех регионах РФ.
8

Выбор методологии исследования
9 Настоящее исследование посвящено количественному моделированию вероятности банкротства российских застройщиков. В экономической литературе вопросы моделирования рисков банкротства фирм обсуждаются исследователями на протяжении более чем полувека3. Анализ мирового и российского опыта моделирования позволяет классифицировать существующие методологические подходов к анализу финансовой устойчивости компаний на два блока (см. таблицу 1). К первому блоку относятся модели, в которых банкротство фирм прогнозируется преимущественно на основе анализа показателей финансовой и бухгалтерской отчетности предприятий. Работы данного блока отличаются между собой, в первую очередь, методологическим подходом к анализу: в том числе широко используются методы дискриминантного анализа, эконометрические модели бинарного выбора (логит, пробит), анализ выживаемости (англ. SA, survival analysis), искусственные нейронные сети, метод опорных векторов (англ. SVM, support vector machine) и другие подходы.
3. В качестве первой работы, в которой была предпринята попытка количественного анализа рисков дефолта компаний на основе данных финансовых коэффициентов, обычно упоминается статья Бивера . Подробный обзор экономических исследований, посвященных банкротству фирм, представлен в работах Балкаэна и Уге (Balcaen, Ooghe, 2006), Геппа и Кумара (Gepp, Kumar, 2012) и других.
10 Ко второму блоку относятся так называемые «рыночные» модели, в основе которых лежит информация, доступная игрокам фондового рынка – прежде всего рыночные данные по котируемым ценным бумагам (акциям и облигациям) компаний-заемщиков. Для прогнозирования банкротства российских компаний данный подход практически не применялся, что, прежде всего, связано с недостаточной развитостью публичного финансирования компаний-застройщиков.
11 Таблица 1. Методы оценки вероятности банкротства в экономической литературе
12
Метод Метод Исследования для России Исследования для других стран
Модели, основанные на анализе преимущественно финансовой и бухгалтерской отчетности Дискриминантный анализ Макеева, Неретина (2013) Altman (1968); Hillegeist et al. (2004); Chava, Jarrow (2004); Lin (2009); Lee, Choi (2013); Karas, Srbová (2019)
Модели, основанные на анализе преимущественно финансовой и бухгалтерской отчетности Эконометрический анализ: модели бинарного выбора (логит, пробит), анализ выживаемости (англ. SA, survival analysis) Жданов, Афанасьева (2011); Дробышевский, Зубарев (2011); Макеева, Неретина (2013); Демешев, Тихонова (2014); Федорова, Тимофеев (2015); Могилат (2019) Ohlso ; Мартин (1977); Zmijewski (1984); Shumway (2001) (SA); Hillegeist et al. (2004); Chava, Jarrow (2004) (SA); Lin (2009); Ding et al. (2012) (SA); Jabeur (2017)
Модели, основанные на анализе преимущественно финансовой и бухгалтерской отчетности Нейронные сети Макеева, Бакурова (2012) Odom, Sharda (1990); Lin (2009); Lee, Choi (2013)
Модели, основанные на анализе преимущественно финансовой и бухгалтерской отчетности Прочие методы (метод опорных векторов (SVM), генетическое программирование (genetic programming), decision trees, rough set) Демешев, Тихонова (2014) Slowinski, Zopounidis (1995); Min et al. (2006); Lensberg et al. (2006); Danenas, Garsia (2015)
«Рыночные» модели (анализ стоимости ценных бумаг) - Hillegeist et al. (2004), Afik et al. (2016)
Источник: Составлено авторами на основе анализа литературы.
13 Такие методы, как множественный дискриминантный анализ4 и эконометрические модели бинарного выбора5, исторически наиболее часто применялись для решения задач оценки вероятности банкротства фирм по сравнению с другими статистическими методами. Наиболее ранние работы, использовавшие метод логит- анализа относятся к 80-м годам прошлого века (см., например, статьи Олсона (Ohlson, 1980) и Мартина (Martin, 1977)), а использовавшие множественный дискриминантный анализ – к 70-м (см., например, работу Альтмана (Altman, 1968)).
4. Так называемый линейный дискриминант Фишера.

5. Прежде всего, логит- и пробит-модели.
14 Искусственные нейронные сети (англ. ANN, artificial neural networks) стали достаточно широко использоваться для моделирования вероятности банкротства, начиная с 1990-х, а одной из первых подобных работ была статья Одома и Шарда (Odom, Sharda, 1990)6. Среди менее популярных статистических подходов, использовавшихся для прогнозирования банкротства, можно отметить такие методы машинной лингвистики, как деревья решений (англ. DT, decision trees), метод опорных векторов (англ. SVM, support vector machine) (см., например, работу Мина и др. (Min, Lee, Han, 2006), работу Даненаса и Гарсва (Danenas, Garsva, 2015)), генетическое программирование (англ. GP, genetic programming) (см., например, работу Ленсберга и др. (Lensberg, Eilifsen, McKee, 2006)), метод неточных (грубых) множеств (англ. RS, rough set) (см., например, работу Слоуински и Зопунидис (Slowinski, Zopounidis, 1995)) и другие.
6. При разработке нейронной сети применялись различные алгоритмы, методы обучения и архитектуры. Наиболее часто при моделировании банкротства применялись многослойные перцептронные нейронные сети (см., например, статью Жардина ).
15 Банкротство российских строительных компаний исследовалось значительно реже. В российской практике предпринимались попытки спрогнозировать банкротство фирм на основе эконометрического анализа данных (см., например, работы Могилат (Могилат, 2019), Макеевой и Неретиной (Makeeva, Neretina, 2013a), (Makeeva, Neretina, 2013b), Федорова и Тимофеевой (Федорова, Тимофеев, 2015) и др.7). Ряд авторов (см., например, работы Жданова и Афанасьевой (Жданов, Афанасьева, 2011), Макеевой и Неретиной (Makeeva, Neretina, 2013a), (Makeeva, Neretina, 2013b)), исследовавших вопросы оценки вероятности банкротства российских компаний, пришли к выводу о том, что модели, основанные на построении логистической регрессии, превосходят по точности модели многомерного дискриминантного анализа.
7. Перечисленные авторы использовали логит- и пробит-модели бинарного выбора.
16 В настоящей работе в качестве основного инструмента анализа используются логистические модели. Основным преимуществом методов эконометрического анализа по сравнению с альтернативными подходами (дискриминантным анализом, нейронными сетями и другими) является простота интерпретации получаемых результатов и возможность проверки результатов на соответствие экономической логике. При этом, по итогам анализа литературы, нельзя сделать вывод о том, что данный метод в среднем уступает альтернативным подходам с точки зрения точности получаемых прогнозов.
17 В ряде работ уже моделировалась вероятность банкротства российских фирм строительной отрасли – так, например, в статье Федорова и Тимофеевой (Федорова, Тимофеев, 2015) авторы предложили модель для прогнозирования банкротства российских фирм строительной и сельскохозяйственной отраслей, а в работе Демешева и Тихоновой (Демешев, Тихонова, 2014) была смоделирована вероятность банкротства российских малых и средних компаний, занимавшихся операциями с недвижимостью, а также работавших в отрасли строительства. Однако, отдельных исследований, посвященных моделированию вероятности банкротства российских застройщиков, не проводилось. Вместе с тем, деятельность компаний-застройщиков имеет свои специфические черты. Во-первых, это длинный производственный цикл: промежуток времени от момента начала получения прав на земельный участок и разработки проектной документации до начала строительства может составлять 1-2 года, а период от начала строительства многоквартирного дома до его ввода в эксплуатацию может составлять еще порядка 2-4 лет (см., например, работу Стерник и др. (Стерниr и др., 2018), а также мнения представителей отрасли8). Во-вторых, неравномерность поступления доходов от продажи ДДУ оказывает негативное влияние на финансовую устойчивость застройщиков, а отрицательная динамика финансовых показателей компании не всегда свидетельствует об их неустойчивости. В-третьих, наличие головной компании-девелопера у многих компаний, напротив, может снижать риск банкротства. Все это обуславливает необходимость оценки отдельной модели на относительно однородной выборке (то есть с включением только компаний-застройщиков, а не всех компаний строительной отрасли и смежных отраслей).
8. Ведомости. Около 80 млн кв. м жилья планируют сдать в эксплуатацию в 2020 году в России. URL: >>>>
18

Факторы банкротства российских застройщиков
19 Для России можно выделить несколько ключевых причин банкротства застройщиков, как до, так и после перехода к системе проектного финансирования (перехода к использованию эскроу счетов для защиты средств дольщиков):
20
  1. нестабильная макроэкономическая ситуация и, как следствие, рост издержек застройщиков на сырье и материалы, а также сокращение спроса за счет повышения процентных ставок с целью сдерживания инфляции Банком России;
  2. недоступность проектного финансирования вследствие невозможности привлечения банковского финансирования и отсутствие альтернативных источников финансирования (после 1 июля 2019 г.);
  3. регуляторные изменения, которые влияют на издержки застройщиков (как при оформлении проектной и разрешительной документации, так и требования к качеству строительства и проектирования9).
9. Например, использование цифровых технологий в проектировании и строительстве.
21 Все эти причины непосредственно сказываются на издержках застройщиков и приводят к сокращению доступных для застройщиков финансовых средств. В значительной степени причина недоступности проектного финансирования актуальна для небольших застройщиков, число банкротств которых увеличилось при переходе к данной схеме.
22 Банкротство застройщиков наиболее часто наступает на 5-7 год существования компаний, второй «пик» рисков наступления банкротства приходится на возраст 11-13 лет (см. рисунок 1, на котором продемонстрировано распределением возраста застройщиков). Таким образом, к моменту банкротства компании обычно успевают завершить один-два строительных цикла.
23

24 Рис. 1. Распределение компаний-застройщиков по возрасту10
10. Красной линией обозначено число «здоровых» застройщиков определенного возраста (правая вертикальная ось), серыми столбцами – число застройщиков-банкротов (левая вертикальная ось).
25 Источник: составлено авторами по данным ЕИСЖС и системы СПАРК.
26 Соотношение числа банкротов и «здоровых» застройщиков неоднородно в региональном разрезе. На рисунке 2 отображено распределение субъектов РФ с точки зрения доли проблемных домов среди строящихся в регионе объектов, а на рисунке 3 – с точки зрения доли банкротств среди компаний-застройщиков. Высокие значения данных показателей служат индикаторами проблем с финансовой устойчивостью строительной отрасли и характерны, в первую очередь, для таких географических регионов как Дальний Восток, Сибирь и Северный Кавказ, то есть для субъектов, в которых функционирует относительно небольшое число застройщиков. Также высокая доля проблемных объектов и застройщиков-банкротов наблюдается в регионах и с высокой конкуренцией.
27

28 Рис. 2. Распределение регионов РФ по доле проблемных домов среди строящихся объектов
29 Источник: составлено авторами по данным ЕИСЖС на декабрь 2021 г.
30

31 Рис. 3. Распределение регионов РФ по доле банкротств среди компаний-застройщиков в соответствующем регионе
32 Источник: составлено авторами по данным ЕИСЖС на декабрь 2021 г.
33 Несмотря на относительно большую вариативность в выборе конкретных финансовых коэффициентов, все детерминанты банкротства, использующиеся при моделировании финансовой устойчивости компаний, могут быть разделены на показатели рентабельности, ликвидности, долговой нагрузки и деловой активности. Также на вероятность банкротства компаний строительной отрасли могут влиять нефинансовые характеристики застройщиков, к которым можно отнести возраст фирм, факт их вхождения в группы компаний и организационно-правовую форму.
34 Помимо индивидуальных характеристик отдельных застройщиков, на вероятность их банкротства могут влиять макроэкономические факторы, в том числе изменение социально-экономических условий как на национальном, так и региональном уровне. В частности, увеличение ставок ипотеки должно приводить к снижению спроса со стороны населения, что может негативно сказываться на рентабельности и ликвидности застройщиков и приводить к снижению их финансовой устойчивости. Рост курса доллара к рублю и может негативно влиять на финансовую устойчивость застройщиков из-за увеличения издержек последних. Рост оплаты труда, напротив, должен стимулировать спрос населения на недвижимость, увеличивая тем самым поступления денежных средств на счета застройщиков и улучшая их финансовое состояние.
35 Таким образом, можно сформулировать набор гипотез о влиянии различных факторов на риски банкротства:
36
  1. Рост финансовых показателей рентабельности, ликвидности и деловой активности приводит к увеличению финансовой устойчивости застройщиков.
  2. Рост финансовых показателей долговой нагрузки свидетельствует о снижении финансовой устойчивости застройщиков.
  3. Вероятность банкротства застройщиков с организационно-правовой формой ООО ниже по сравнению с компаниями с такими правовыми формами, как АО, ЗАО, и ПАО, и для застройщиков, входящих в группы компаний.
  4. Вероятность банкротства малых и микро-застройщиков выше, чем вероятность банкротства средних и крупных компаний, иными словами компании большего размера являются более устойчивыми благодаря увеличению возможностей привлечения долгового финансирования по мере роста их размера.
  5. Ухудшение макроэкономической конъюнктуры, о котором может свидетельствовать рост ключевой ставки и ослабление национальной валюты, а также рост цен строительных материалов, приводит к повышению вероятности банкротства застройщиков.
37

Методология исследования и формирования анализируемой выборки
38 В качестве основного инструмента анализа использовались бинарные эконометрические модели (логистический анализ), в которых зависимой переменной выступала вероятность банкротства застройщика. В итоге, для количественной оценки вероятности банкротства российских застройщиков на уровне отдельных компаний в качестве основной спецификации рассматривалась следующая модель – см. уравнения (1)-(3):
39
pi =PDEATHi=1=Fzi, (1)
где
Fz=11+e-z (2)
и
zit=b0+∑b×Financial_ratiosit-1+∑b×Developer_characteristicsit-1+∑b×Macrojt-1+uit-1, (3)
где PDEATHi=1  – вероятность банкротства застройщика; i – застройщик; j – регион хозяйственной деятельности застройщика; t – период времени (год); DEATH – дамми-переменная, принимающая значение «1» для компаний-банкротов, если t≥By , где By – год банкротства застройщика; и «0» – для остальных наблюдений; Financial_ratios – показатели финансовой отчетности (коэффициенты рентабельности, долговой нагрузки, ликвидности и оборачиваемости); Developer_characteristics – нефинансовые характеристики застройщика (ОПФ, принадлежность ГК, размер, возраст); Macro – макроэкономические характеристики, влияющие на финансовую устойчивость компаний строительной отрасли (в качестве таких переменных рассматривались номинальный курс доллара США к рублю, ставка по ипотечным кредитам, номинальные среднемесячные заработные платы и другие); u – случайная ошибка регрессии.
40 Оценка коэффициентов модели производилась путем максимизации функции правдоподобия. Расчет параметров модели производился с помощью программного обеспечения STATA.
41 Наилучшие спецификации отбирались на основе анализа точности получаемого внутривыборочного прогноза по всей выборке. Точность моделей, оцененных с использованием различных наборов независимых переменных и оцененных на различных выборках, измерялась11 на основе таких показателей, как доля верно-классифицированных моделью наблюдений, чувствительность12 модели и специфичность13 модели.
11. Показатели точности рассчитывались, исходя из предположения о пороге решающего правила, равном 0.5

12. Чувствительность модели отражает вероятность того, что застройщик, являющийся в действительности банкротом, будет классифицирован как банкрот.

13. Специфичность модели отражает вероятность того, что не обанкротившийся в действительности застройщик будет классифицирован как «здоровое» предприятие.
42 Перечень компаний, вошедших в выборку, формировался на основе анализа данных реестра застройщиков ЕИСЖС. По состоянию на 30 июня 2021 г. в данном реестре содержалась информация о 4513 застройщиках, в том числе о 3790 функционировавших на рынке организациях и 723 компаниях, в отношении которых была введена процедура банкротства. Итоговая выборка для проведения эконометрического анализа формировалась в соответствии со следующим алгоритмом:
43
  1. На первом этапе из реестра застройщиков были отобраны все компании, в отношении которых была введена процедура банкротства за период с начала 2018 г. по конец I полугодия 2021 гг. компании (316 застройщиков). Данные о застройщиках, обанкротившихся в более ранние периоды, не учитывались в рамках настоящего анализа14. Сопоставление числа банкротств, информация о которых содержалась в ЕИСЖС, и оценок аналитиков об общем числе банкротств, произошедших в России за период с 2018 по 2021 гг.15, позволяет говорить о том, что в исследуемую в работе выборку вошло подавляющее большинство застройщиков, обанкротившихся в данный период времени.
  2. На втором этапе для каждого застройщика-банкрота, вошедшего в выборку, была подобрана одна или несколько компаний16 со схожим размером активов и организационно-правовой формой из числа «здоровых» предприятий отрасли, информация о которых содержалась в реестре ЕИСЖС. Оценка параметров модели проводилась на различных выборках, в которых соотношение банкротов и «здоровых» застройщиков могло составлять 1 к 1 или 3 к 1. Использование выборки с соотношением двух типов компаний, равным 3 к 1, имеет ряд преимуществ. Во-первых, в реальной экономике банкротство компаний, в частности, застройщиков, является относительно редким событием – например, доля компаний-банкротов в общем числе включенных в реестр ЕИСЖС застройщиков на конец I полугодия 2021 г. составляла порядка 16%. Во-вторых, увеличение размеров выборки должно способствовать росту состоятельности получаемых оценок.
  3. На третьем этапе для застройщиков, обанкротившихся в год t , а также их аналогов, действующих компаний, были собраны данные об их характеристиках и прочих объясняющих переменных в год t-1 . Таким образом, исследуемые параметры застройщиков относились к временному интервалу 2017-2020 гг.
14. Это связано с тем, что в реестре ЕИСЖС не содержалось репрезентативной информации о банкротствах застройщиков до 2018 г.: сопоставление числа банкротств, зафиксированных в ЕИСЖС и данных Рейтингового агентства строительного комплекса (РАСК), показывает, что данные ЕИСЖС покрывают менее 40% банкротов. Кроме того, финансовые модели застройщиков могли трансформироваться при переходе к новым механизмам финансирования с использованием эскроу-счетов, появившимся в 2017 г. и активно внедрявшимся с середины 2019 г.

15. Рейтинговое агентство стройкомплекса (РАСК)

16. Для исследования формировалось 2 выборки: в первой выборке соотношение банкротов и «здоровых» компаний составляло 1 к 1, во второй – 1 к 3, что позволило улучшить качество получаемых эконометрических оценок.
44 Перечень показателей, использованных при анализе финансовой устойчивости застройщиков, и их предполагаемое влияние на зависимую переменную представлены в таблице 2. В отдельных спецификациях были использованы усредненные за несколько лет значения финансовых коэффициентов.
45 Таблица 2. Описание переменных, использовавшихся при моделировании устойчивости застройщиков
46
Название переменной Описание переменной Предполагаемое направление влияния на финансовую устойчивость (гипотезы) Источник данных
Deathit Дамми-переменная, принимающая значение «1» для застройщиков-банкротов и значение «0» для «здоровых» компаний Зависимая переменная Единый реестр застройщиков ЕИСЖС
Levit-1 Коэффициент соотношения заемных и собственных средств (коэффициент финансового левериджа), отношение Отрицательное СПАРК
ROAit-1 Рентабельность активов (ROA), отношение Положительное СПАРК
CRit-1 Коэффициент текущей ликвидности, отношение Положительное СПАРК
AssetTurnit-1 Коэффициент оборачиваемости совокупных активов, отношение Положительное СПАРК
StockTurnit-1 Оборачиваемость запасов, раз Положительное СПАРК
Ageit-1 Возраст17 застройщика, лет Вероятность банкротства застройщиков в первые годы (на самых ранних этапах строительного цикла, до получения разрешений на строительство) низкая, и повышается в конце первого строительного цикла (в среднем занимал порядка 6-8 лет). По мере накопления опыта вероятность банкротства компаний вновь снижается. Расчеты авторов по данным системы СПАРК, Единого реестра застройщиков ЕИСЖС
Dummy_OOOi Дамми-переменная, принимающая значение «1» для застройщиков с организационно-правовой формой ООО и значение «0» для всех остальных компаний Положительное Единый реестр застройщиков ЕИСЖС
Dummy_GKi Дамми-переменная, принимающая значение «1» для застройщиков, входящих в группы компаний и значение «0» для всех остальных застройщиков Положительное Единый реестр застройщиков ЕИСЖС
Dummy_SizeB_smalli Дамми-переменная, принимающая значение «1» для застройщиков, которые возводили/возводят в совокупности не более 2 домов, и значение «0» для всех остальных застройщиков Отрицательное Расчеты авторов по данным Единого реестра застройщиков ЕИСЖС
Dummy_SizeB_mediumi Дамми-переменная, принимающая значение «1» для застройщиков, которые возводили/возводят в совокупности не менее 3 и не более 19 домов, и значение «0» для всех остальных застройщиков Положительное Расчеты авторов по данным Единого реестра застройщиков ЕИСЖС
Dummy_SizeB_largei Дамми-переменная, принимающая значение «1» для застройщиков, которые возводили/возводят в совокупности 20 и более домов, и значение «0» для всех остальных застройщиков Положительное Расчеты авторов по данным Единого реестра застройщиков ЕИСЖС
Mortit-1 Cредневзвешенная процентная ставка по ипотечным жилищным кредитам в рублях, выданным с начала года, в регионе хозяйственной деятельности застройщика, % Отрицательное ЕМИСС, ЦБ18
Exchit-1 Средний номинальный курс доллара США к рублю за период с начала года, руб./долл. Отрицательное ЦБ19
wit-1 Среднемесячная номинальная начисленная заработная плата работающих в экономике в регионе хозяйственной деятельности застройщика, руб. Положительное ЕМИСС20
Источник: составлено авторами.
17. Для застройщиков-банкротов возраст рассчитывался как промежуток времени между датой регистрации компании и датой ее банкротства, для здоровых компаний – как промежуток времени между датой регистрации и датой, на которую были собраны данные для настоящего анализа (30 июня 2021 г.). Источником данных о дате регистрации организаций-застройщиков выступала система СПАРК, а о дате решения о введении процедуры банкротства в отношении компании –реестр ЕИСЖС.

18. ЦБ РФ. Показатели рынка жилищного (ипотечного жилищного) кредитования URL: >>>>

19. ЦБ РФ. База данных по курсам валют Банка России URL: >>>>

20. ЕМИСС. Среднемесячная номинальная начисленная заработная плата работающих в экономике с 2017 г. (рубль) URL: >>>>
47

Результаты моделирования вероятности банкротства российских застройщиков
48 В таблице 3 представлены результаты оценки параметров логистической модели на данных о финансовых и прочих характеристиках застройщиков, влиявших на вероятность их банкротства, за 2017-2020 гг. Представленные спецификации отличались, в частности, набором независимых переменных – использовались как модели с включением исключительно финансовых коэффициентов21 из отчетности застройщиков (спецификации (1) и (4)), так и модели, дополненные нефинансовыми характеристиками застройщиков; также в модели были включены макроэкономические факторы22.
21. При формировании итогового набора независимых переменных учитывалась полнота данных по отдельным показателям. В частности, в приведенных спецификациях в уравнение регрессии не были включены такие финансовые показатели, как соотношение совокупного долга к EBIT и оборачиваемость запасов, которые содержали большое число пропусков в данных. При этом, добавление данных переменных в модель не оказывало существенного влияния на точность получаемых оценок (измеренную через площадь под кривой ROC).

22. Одним из критерием выбора набора макроэкономических факторов была оперативность публикации данных в открытых источниках – для оперативного мониторинга невозможно было бы использовать данные, которые публикуются спустя длительное время после окончания отчетного периода.
49 Таблица 3. Результаты оценки модели финансовой устойчивости застройщиков на основе анализа факторов банкротства за период с 2017 по 2020 гг.
50
Соотношение «здоровых» компаний и банкротов в выборке 1 к 1 1 к 1 1 к 1 3 к 1 3 к 1 3 к 1
№ спецификации (1) (2) (3) (4) (5) (6)
Коэффициент соотношения заемных и собственных средств 0.00 0.00 -0.00 -0.00 -0.00 -0.00
Рентабельность активов (ROA) -5.39*** -3.57* -0.09 -3.22*** -3.04*** -0.04
Коэффициент текущей ликвидности -0.07 -0.06 -0.03* -0.08* -0.06 -0.05***
Коэффициент оборачиваемости совокупных активов -5.46*** -6.68*** -3.25*** -4.87*** -5.87*** -3.10***
Дамми для ООО -0.80 -0.55 -0.34 -0.12
Дамми для ГК -1.65*** -1.42*** -1.73*** -1.46***
Возраст 0.04* 0.04*** 0.06*** 0.05***
Дамми для средних предприятий 0.38 0.74 -0.18 0.42
Дамми для малых предприятий 0.55 1.13** 1.41* 0.88*
Ставка по ипотеке 0.30 -0.18 0.05 -0.20
Заработная плата 0.00 0.00 0.00 -0.00
Номинальный обменный курс доллара к рублю 0.05 -0.03 -0.00 -0.03
Заработная плата × Дамми для малых предприятий -0.00**
Константа 0.06 -5.03 3.73 -0.97*** -0.71 3.12
Число наблюдений 311 311 490 663 663 942
Доля верно-классифицированных наблюдений, % 74.92 74.28 73.06 82.35 84.31 77.6
Специфичность, % 89.29 85.71 80.39 99.09 95.99 93.35
Чувствительность, % 50.43 54.78 65.11 2.61 28.7 30.21
Площадь под кривой ROC 0.78 0.83 0.78 0.76 0.83 0.79
Примечания:
  1. Зависимая переменная: вероятность банкротства (Death).
  2. *** - значимость на уровне 1%, ** - на уровне 5%, * - на уровне 10%.
  3. В спецификациях (3) и (6) использовались усредненные за 3 года значения финансовых коэффициентов.
  4. Спецификации (1), (2) и (3) были оценены на выборке с соотношением «здоровых» застройщиков и банкротов 1 к 1, спецификации (4), (5) и (6) – 3 к 1.
Источник: составлено авторами.
51 Среди всех проанализированных факторов, которые потенциально могли бы оказывать влияние на финансовую устойчивость (вероятность банкротства) российский компаний-застройщиков следует выделить рентабельность активов23, коэффициент оборачиваемости совокупных активов24, коэффициент текущей ликвидности25, а также вхождение застройщика в группу компаний и его организационно-правовая форма. Ниже результаты по всем факторам обсуждаются более подробно.
23. Отношение чистой прибыли (после налогообложения) к активам.

24. Отношение выручки от продаж к средней стоимости активов, которое неявно отражает востребованность продукции компании на рынке (способность компании генерировать прибыль при заданном уровне активов).

25. Отношение оборотных активов к краткосрочным обязательствам, характеризует способность компании вовремя погашать свои долговые обязательства за счет использования активов.
52 Выводы о влиянии прочих финансовых коэффициентов на устойчивость застройщиков различались в зависимости от того, использовались ли усредненные за несколько лет или обычные значения показателей. Так, при использовании значений финансовых показателей только за один период, было выявлено, что значимое положительное влияние на финансовую устойчивость застройщиков оказывал рост рентабельности активов предприятия. Однако, при использовании усредненных за три года значений финансовых коэффициентов, влияние рентабельности на финансовую устойчивость переставало быть значимым, что могло быть связано с тем, что значения прибыли застройщиков могли сильно изменяться в зависимости от стадии проекта. Также, при использовании усредненных за три года значений показателей отчетности застройщиков, значимое влияние на финансовую устойчивость компаний оказывали показатели ликвидности: при росте коэффициента текущей ликвидности вероятность банкротства застройщиков при прочих равных снижалась. Последние результаты можно рассматривать как наиболее надежные в силу того, что показатели финансовой отчетности застройщиков могут сильно меняться от года к году в зависимости от стадии строительного цикла, а процедура усреднения показателей позволяет нивелировать данный фактор. Однако такая спецификация модели неприменима для оценки финансовой устойчивости «молодых» компаний, которые присутствуют на рынке меньше трех лет.
53 Учет при моделировании таких характеристик компаний, как их организационно-правовая форма, возраст, факт вхождения в корпоративный контур группы и размер, позволял увеличить точность моделей за счет повышения их чувствительности, т. е. способности «распознавать» банкротов. При этом, нефинансовые характеристики застройщиков оказывали значимое влияние на вероятность наступления их банкротства. В частности, для застройщиков, входивших в группы компаний, риски банкротства при прочих равных были ниже, нежели для самостоятельных застройщиков. Наибольшие риски банкротства при прочих равных испытывали маленькие компании, возводившие за время своего существования не более 2 домов26.
26. В том числа в составе одного жилого комплекса.
54 В то же время, добавление в уравнение регрессии макроэкономических факторов оказывало лишь незначительное положительное влияние на точность модели, а коэффициенты при соответствующих переменных были незначимы практически почти для всех рассмотренных спецификаций27. Это могло быть связано с тем, что эффекты от изменения в подобных «внешних» факторах могли быть уже включены в динамику финансовых коэффициентов. Например, падение спроса на жилье в результате снижения доходов населения могло приводить к снижению чистой прибыли застройщиков, а, следовательно, и коэффициентов рентабельности активов, капитала и других. Еще одной причиной отсутствия значимых коэффициентов при макро-переменных в большинстве рассмотренных спецификаций могла быть низкая вариативность значений последних в следствие использования относительно короткого временного интервала для анализа (три года)28. При этом, при выработке поддержки строительной отрасли в условиях кризисов необходимо учитывать, что ухудшение макроэкономической конъюнктуры отрицательно влияет на отрасли в целом.
27. Однако, увеличение номинальной заработной платы в регионе значимо и положительно влияло на финансовую устойчивость малых застройщиков.

28. Особенно актуально данное замечание для переменной, соответствовавшей номинальному обменному курсу доллара к рублю, т.к. ее значения, в отличие от ставок по ипотеке и номинальной заработной платы, не менялись от региона к региону.
55 Точность моделей с использованием средних финансовых показателей была ниже с точки зрения доли верно-классифицированных наблюдений, но выше с точки зрения чувствительности по сравнению с моделями с включением текущих финансовых показателей. Точность моделей, оцененных на выборках с различным соотношением банкротов и «здоровых» компаний, была сопоставимой с точки зрения таких показателей, как площадь под кривой ROC и доля верно-классифицированных наблюдений.
56 В 2019-2020 гг. для строительной отрасли произошло сразу несколько значимых событий: во-первых, с 1 июля 2019 г. стало обязательным использование эскроу-счетов при продаже квартир на первичном рынке, что привело к изменению структуры компаний-банкротов из-за проблем отдельных застройщиков с доступом к финансированию, во-вторых, во II квартале 2020 г. резко сократились продажи первичного жилья, что оказало негативный эффект на состояние отрасли в целом, в-третьих, значительное влияние на спрос и цены на первичном рынке оказала программа льготной ипотеки, которая реализовалась с III квартала 2020 г.
57 Так как описанные выше события могли существенно повлиять на бизнес-процессы компаний строительной отрасли и финансовые модели застройщиков, отдельно были оценены модели данных за период с 2018 по 2019 и за период с 2020 по 2021 гг. (см. таблицу 4).
58 Таблица 4. Результаты оценки модели финансовой устойчивости застройщиков до и после пандемии 2020-21 гг.
59
Год, к которому относилась зависимая переменная 2018-2019 2020-2021 2018-2019 2020-2021
Соотношение «здоровых» компаний и банкротов в выборке 1 к 1 1 к 1 3 к 1 3 к 1
№ спецификации (1) (2) (3) (4)
Коэффициент соотношения заемных и собственных средств -0.00 0.00** -0.00 0.00
Рентабельность активов (ROA) -3.23* -6.35 -3.55** -1.67
Коэффициент текущей ликвидности 0.01 -0.40** -0.04 -0.10
Коэффициент оборачиваемости совокупных активов -5.13*** -15.10*** -4.75*** -8.16***
Дамми для ООО -0.60 -5.16*** -0.07 -1.02
Дамми для ГК -2.03*** -1.53* -2.10*** -0.71
Возраст 0.01 0.06 0.03 0.09***
Дамми для средних предприятий 0.36 -1.99 -0.13 -1.01
Дамми для малых предприятий 0.85 -2.14 0.23 -1.22
Ставка по ипотеке -1.35 -0.83 -0.62 0.45
Заработная плата -0.00 0.00 -0.00 -0.00
Номинальный обменный курс доллара к рублю -0.29 -0.37 -0.12 0.09
Константа 32.77 39.39 13.55 -9.31
Число наблюдений 194 117 403 260
Доля верно-классифицированных наблюдений, % 75.26 82.05 85.11 86.15
Специфичность, % 86.44 89.74 94.19 97.29
Чувствительность, % 57.89 66.67 46.05 23.08
Площадь под кривой ROC 0.84 0.89 0.83 0.82
Примечания:
  1. Зависимая переменная: вероятность банкротства (Death).
  2. *** - значимость на уровне 1%, ** - на уровне 5%, * - на уровне 10%.
  3. Спецификации (1) и (3) были оценены на данных о банкротстве застройщиков за 2018-2019 гг. (для независимых переменных, 2017-2018 гг.), спецификации (2) и (4) – за 2020-2021 гг.
  4. Спецификации (1) и (2) были оценены на выборке с соотношением «здоровых» застройщиков и банкротов 1 к 1, спецификации (3) и (4) – 3 к 1.
Источник: составлено авторами.
60 Результаты представленных количественных оценок позволяют говорить о том, что снижение коэффициента оборачиваемости совокупных активов значимо и отрицательно влияло на финансовую устойчивость российских застройщиков как до, так и во время кризиса. При этом, влияние данного показателя оказалось более сильным при анализе банкротств, пришедшихся на 2020-21 гг.
61 Для застройщиков, обанкротившихся в 2020 и 2021 г., значимое влияние на вероятность банкротства также оказывали такие показатели, как соотношение заемных и собственных средств (показатель финансовой независимости), и показатель ликвидности: при увеличении соотношения заемных и собственных средств вероятность банкротства застройщика при прочих равных увеличивалась; рост коэффициента текущей ликвидности, напротив, при прочих равных приводил к снижению рисков банкротства застройщиков.
62 Для застройщиков же, обанкротившихся в 2018 и 2019 г., влияние данных факторов (левериджа и ликвидности) было незначимым. В то же время, в данный период времени на финансовую устойчивость застройщиков значимо влияла рентабельность: при увеличении рентабельности риски банкротства застройщика при прочих равных снижались. Таким образом, можно предположить, что в период экономических кризисов в первую очередь банкротились компании, которые не смогли погасить свои долговые обязательства при помощи имеющихся активов, в то время как в периоды стагнации и роста с рынка уходили неэффективные предприятия с низкой рентабельностью.
63 Для оценки качества полученных моделей с точки зрения точности классификации был построен прогноз вероятности банкротства компании в 2020 г. на основе данных о коэффициентах финансовой отчетности и прочих характеристиках застройщиков, а также макроэкономических показателях за 2019 г. Для этого была сформирована выборка, в которую входили все компании ЕИСЖС, обанкротившиеся в 2020 г. и I полугодии 2021 г., а также все «здоровые» на момент проведения исследования (на 30.06.2021 г.) компании. Результаты моделирования29 позволили верно классифицировать компании (на «здоровых» и банкротов) порядка 69.6-91.7% компаний (в зависимости от спецификации), а доля выявленных банкротов достигала около 40%30. Модель, оцененная на выборке с соотношением «здоровых» компаний и застройщиков-банкротов 3 к 1 и с использованием усредненных за три года финансовых коэффициентов в качестве независимых переменных, продемонстрировала наиболее высокую долю верно-классифицированных компаний. При пороге решающего правила, равном 0.5, использование этой модели позволило верно классифицировать 93.3% здоровых компаний и около 17.3% банкротов, а при пороге решающего правила, равном 0.3 – 81.4% здоровых застройщиков и 32.7% банкротов.
29. Спецификации, описанные в столбцах (2), (3), (5) и (6) таблицы 3 и столбцах (1)-(4) таблицы 4.

30. Порог решающего правила принимался равным 0.5, т.е. застройщик относился к банкротам при значении оцененной вероятности банкротства выше 50%.
64

Заключение: практическое использование результатов и основные выводы из анализа
65 На основе полученных оценок коэффициентов регрессии были рассчитаны прогнозные вневыборочные значения вероятности банкротства российских застройщиков в 2021 г. Оценка производилась для компаний, входивших в ЕИСЖС и не являвшихся банкротами на конец I полугодия 2021 г. Всего таких компаний было 3790 штук. Так как модель оценивалась на данных о компаниях исключительно с такими организационно-правовыми формами, как ООО, АО, ЗАО, ПАО, оценки вероятности банкротства застройщиков с прочими видами ОПФ не вычислялись, что привело к исключению из анализа 94 наблюдений.
66 Для всех действующих компаний из реестра были собраны данные об их характеристиках (на 31.06.2021 г. для таких показателей, как число проблемных, строящихся и построенных домов, возраст, ОПФ и факт вхождения в ГК застройщиков, и за 2020 г. – для всех финансовых показателей и макроэкономических переменных). С использованием собранных данных были вычислены модельные оценки вероятности банкротства компаний в 2021 г. Применение модели на вневыборочных данных позволяет утверждать, что вероятность банкротства 40 компаний-застройщиков в 2021 г. составляет более 70%, а 6 из них – более 80%. В совокупности эти 40 компаний возводят 50 домов, 20% из которых уже признаны проблемными, а общая численность работающих на данных предприятиях сотрудников составляет свыше 355 человек. Суммарная цена договоров, заключенных с данными застройщиками, составляет порядка 12 млрд рублей, из них около 8 млрд рублей приходится на договора с использованием эскроу-счетов. Для погашения оставшихся обязательств застройщиков в случае наступления банкротства последних государству потребовалось бы порядка 4 млрд рублей.
67 Текущая практика государственного регулирования рынка, в том числе при оценке первичной недвижимости предполагает анализ трех основных показателей – отношения активов к обязательствам, норматива целевого использования средств и норматива размера собственных средств. Данные показатели содержатся в проектной декларации и регулярно31 обновляются застройщиками. Таким образом, для своевременного выявления застройщиков-банкротов в такой системе необходимо регулярно собирать и анализировать большой объем данных. При этом предупреждение неблагоприятных ситуаций до выдачи разрешения на строительство в такой системе невозможно.
31. В среднем 1 раз в месяц.
68 Использование предложенной в рамках настоящего исследования модели могло бы стать основой механизма оценки и предупреждения банкротств компаний. В этом случае регулятор мог бы опираться на модельные оценки вероятности банкротства отдельных застройщиков, получаемые на основе предлагаемой в настоящем исследовании модели. Использование оценки вероятности банкротства застройщиков особенно актуально в регионах с небольшим число застройщиков, так как банкротство одного или нескольких будет существенным образом влиять на уровень конкуренции на соответствующем региональном рынке и ценовую политику оставшихся компаний, а также являться индикатором необходимости поддержки всей отрасли в случае ухудшения прогноза вероятности банкротства значительной части компаний по всей стране.

References

1. REFERENCES (with English translation or transliteration) Afik, Z., Arad, O., Galil, K. (2016). Using Merton model for default prediction: An empirical assessment of selected alternatives // Journal of Empirical Finance. Vol. 35, P. 43-67. DOI: https://doi.org/10.1016/j.jempfin.2015.09.004

2. Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // The Journal of Finance. Vol. 23. No. 4. P. 589-609. DOI: https://doi.org/10.1111/j.1540-6261.1968.tb00843.x

3. Balcaen, S., Ooghe, H. (2006). 35 years of studies on business failure: an overview of the classic statistical methodologies and their related problems // The British Accounting Reviev. Vol. 38. No. 1. P. 63-93. DOI: https://doi.org/10.1016/j.bar.2005.09.001

4. Beaver, W. (1966). Financial ratios as predictors of failure // Journal of accounting research. Vol. 71-111. DOI: https://doi.org/10.2307/2490171

5. Chava, S., Jarrow, R. A. (2004). Bankruptcy prediction with industry effects // Review of Finance. Vol. 8. No. 4. P. 537-569. DOI: https://doi.org/10.1093/rof/8.4.537

6. Danenas, P., Garsva, G. (2015). Selection of support vector machines based classifiers for credit risk domain // Expert Systems with Applications. Vol. 42. No. 6. P. 3194-3204. DOI: https://doi.org/10.1016/j.eswa.2014.12.001

7. Demeshev, B., Tikhonova, A. (2014). Default Prediction for Russian Companies: Intersectoral Comparison // HSE Economic Journal. Vol. 18. No. 3. P. 359-386. (in Russian).

8. Ding, A. A., Tian, S., Yu, Y., Guo, H. (2012). A class of discrete transformation survival models with application to default probability prediction // Journal of the American Statistical Association. Vol. 107. No. 499. P. 990-1003. DOI: https://doi.org/10.1080/01621459.2012.682806

9. Drobyshevsky, S., Zubarev, A. (2011). Sustainability of Russian Banks in 2007-2009 (p. 108). Moskva: Gaidar Inst.

10. Du, Jardine. P. (2010). Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy // Neurocomputing. Vol. 73. No. 10-12. P. 2047-2060. DOI: https://doi.org/10.1016/j.neucom.2009.11.034

11. Fedorova, E., Timofeev, Ya. (2015). Developing the bankruptcy prediction models for russian businesses of the construction and agriculture industries // Finance and Credit. Vol. 32. No. 656. P. 2-10. (in Russian).

12. Gepp, A., Kumar, K. (2012). Business failure prediction using statistical techniques: A review // Some recent developments in statistical theory and applications. P. 1-25.

13. Hillegeist, S. A., Keating, E. K., Cram, D. P., Lundstedt, K. G. (2004). Assessing the probability of bankruptcy // Review of accounting studies. Vol. 9. No. 1. P. 5-34. DOI: https://doi.org/10.1023/B:RAST.0000013627.90884.b7

14. Jabeur, S. B. (2017). Bankruptcy prediction using partial least squares logistic regression // Journal of Retailing and Consumer Services. Vol. 36. P. 197-202. DOI: https://doi.org/10.1016/j.jretconser.2017.02.005

15. Karas, M., Srbov?, P. (2019). Predicting bankruptcy in construction business: Traditional model validation and formulation of a new model // Journal of International studies. Vol. 12. No. 1. P. 283-296. DOI: https://doi.org/10.14254/2071-8330.2019/12-1/19

16. Lee, S., Choi, W. S. (2013). A multi-industry bankruptcy prediction model using back-propagation neural network and multivariate discriminant analysis // Expert Systems with Applications. Vol. 40. No. 8. P. 2941-2946. DOI: https://doi.org/10.1016/j.eswa.2012.12.009

17. Lensberg, T., Eilifsen, A., McKee, T. E. (2006). Bankruptcy theory development and classification via genetic programming // European Journal of operational research. Vol. 169. No. 2. P. 677-697. DOI: https://doi.org/10.1016/j.ejor.2004.06.013

18. Lin, T. H. (2009). A cross model study of corporate financial distress prediction in Taiwan: Multiple discriminant analysis, logit, probit and neural networks models // Neurocomputing. Vol. 72. No. 16-18. P. 3507-3516. DOI: https://doi.org/10.1016/j.neucom.2009.02.018

19. Makeeva, E., Bakurova, A. (2012). Forecasting Bankruptcy Oil and Gas Companies Using Neural Networks // Journal of Corporate Finance Research. Vol. 6. No. 3. P. 22-29. (in Russian). DOI: https://doi.org/10.17323/j.jcfr.2073-0438.6.3.2012.22-30

20. Makeeva, E. U., Neretina, E. A. (2013a). A binary model versus discriminant analysis relating to corporate bankruptcies: the case of Russian construction industry // Journal of Accounting, Finance and Economics. Vol. 3. No. 1. P. 65-76.

21. Makeeva, E., Neretina, E. (2013b). The prediction of bankruptcy in a construction industry of Russian Federation // Journal of Modern Accounting and Auditing. Vol. 9. No. 2. P. 256-271.

22. Martin, D. (1977). Early warning of bank failure: A logit regression approach // Journal of banking & finance. Vol. 1. No. 3. P. 249-276. DOI: https://doi.org/10.1016/0378-4266 (77)90022-X

23. Min, S. H., Lee, J., Han, I. (2006). Hybrid genetic algorithms and support vector machines for bankruptcy prediction // Expert systems with applications. Vol. 31. No. 3. P. 652-660. DOI: https://doi.org/10.1016/j.eswa.2005.09.070

24. Mogilat, A. (2019). Modelling financial distress of Russian industrial companies, or What bankruptcy analysis can tell // Voprosy Ekonomiki. No. 3. P. 101-118. (in Russian). DOI: https://doi.org/10.32609/0042-8736-2019-3-101-118

25. Odom, M. D., Sharda, R. (1990). A neural network model for bankruptcy prediction // IJCNN International Joint Conference on neural networks. P. 163-168. DOI: https://doi.org/10.1109/IJCNN.1990.137710

26. Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy // Journal of accounting research. Vol. 18. No. 1. P. 109-131. DOI: https://doi.org/10.2307/2490395

27. Shumway, T. (2001). Forecasting bankruptcy more accurately: A simple hazard model // The journal of business. Vol. 74. No. 1. P. 101-124. DOI: https://doi.org/10.2139/ssrn.171436

28. Slowinski, R., Zopounidis, C. (1995). Application of the rough set approach to evaluation of bankruptcy risk // Intelligent Systems in Accounting, Finance and Management. Vol. 4. No. 1. P. 27-41. DOI: https://doi.org/10.1002/j.1099-1174.1995.tb00078.x

29. Sternik, S., Sternik, G. (2018). Methods of forecasting the input volume in the local market of housing construction and sales // Russian Journal of Housing Research. Vol. 5. No. 2. P. 131-151. (in Russian).

30. Zhdanov, V., Afanasyeva, O. (2011). Bankruptcy Risk Diagnostics Model for Aviation Enterprises // Journal of Corporate Finance Research. Vol. 20. No. 4. P. 77Ð89. (in Russian). DOI: https://doi.org/10.17323/j.jcfr.2073-0438.5.4.2011.77-89

31. Zmijewski, M. E. (1984). Methodological issues related to the estimation of financial distress prediction models // Journal of Accounting research. Vol. 22. P. 59-82. DOI: https://doi.org/10.2307/2490859

Comments

No posts found

Write a review

(additional_1.pdf) [Link]

(additional_2.pdf) [Link]

(additional_3.pdf) [Link]

Translate