Финансовые аспекты банкротства предприятия.

Содержание

стр.

Введение
1. Теоретические аспекты банкротства предприятий
1.1. Сущность и причины банкротства
1.2. Виды банкротства
1.3. Преимущества и недостатки банкротства
2. Диагностика банкротства организаций (российская и западные методики прогнозирования)
2.1. Сущность, задачи и сравнительная характеристика методов диагностики вероятности банкротства организаций
2.2. Количественные методы диагностики
2.3. "Качественные" кризис-прогнозные методики
2.4. Методика предсказания банкротства с учетом специфики отраслей и предсказания нейронных сетей
2.5. Преимущества и недостатки современных методов антикризисной диагностики
3. Пути выхода предприятий из кризисной ситуации
3.1. Способы предотвращения банкротства
3.2. Пути выхода из финансового кризиса
3.3. Управление персоналом в условиях кризиса
Заключение
Список литературы

Финансовые аспекты банкротства предприятия.

Показатель
Расчет
Значение показателей
Благополучные компании
За 5 лет до неплатежеспособности
За год до неплатежеспособности
1
2
3
Коэффициент Бивера
(Чистая прибыль - амортизация) / (долгосрочные обязательства + краткосрочные обязательства)
0,4
0,17
-0,15
Рентабельность активов
Чистая прибыль / активы
6-8
4
-22
Финансовый леверидж
(Долгосрочные обязательства + краткосрочные обязательства)/ активы
<37
<50
<80
Коэффициент покрытия активов чистым оборотным капиталом
(Собственный капитал - внеоборотные активы) / активы
0,4
<0,3
<0,06
Коэффициент покрытия
Оборотные активы / краткосрочные обязательства
<3,2
<2
<1
Недостатком модели является ее прогнозный период: по результатам расчета предприятия попадают в одну из трех групп - "благополучные компании", "за год до неплатежеспособности" и "за пять лет до неплатежеспособности". Очевидно, что в современных условиях срок 1-5 лет является слишком долгосрочным периодом для прогноза. Поэтому модели должны давать прогноз платежеспособности на срок от 4-6 месяцев до года. Кроме того, рассрочка платежа обычно не предоставляется на срок более года.
Модель R (разработана в Иркутской государственной экономической академии) составлена с использованием данных российского рынка и имеет вид:
R = 8,38 х K1 + K2 + 0,054 х K3 + 0,63 х K4,
где
оборотный капитал
K1 = ────────────────────────
активы
чистая прибыль
K2 = ────────────────────────
собственный капитал
чистая прибыль
K3 = ───────────────────────
общие затраты
Вероятность неплатежеспособности компании в соответствии со значением модели R определяется следующим образом (таблица 5):
Таблица 5
Вероятность банкротства исходя из значений показателя R
Значение R
Вероятность банкротства, %
Меньше 0
Максимальная (90-100)
0-0,18
Высокая (60-80)
0,18-0,32
Средняя (35-50)
0,32-0,42
Низкая (15-20)
Больше 0,42
Минимальная (до 10)
Единственным недостатком модели является то, что в ней не учтена специфика отрасли компании.
Модель Сайфулина-Кадыкова. Данная модель наиболее проста и применима в российских условиях. Кроме того, она может быть модифицирована под особенности конкретной отрасли.
,
где
- коэффициент обеспеченности собственными средствами,
- коэффициент текущей ликвидности,
- коэффициент оборачиваемости активов,
- коммерческая маржа (рентабельность реализации продукции),
- рентабельность собственного капитала.
При полном соответствии финансовых коэффициентов их минимальным нормативным уровням рейтинговое число будет равно единице, что соответствует удовлетворительному финансовому состоянию компании. У организаций с рейтинговым числом меньше единицы финансовое состояние характеризуется как неудовлетворительное.
В свою очередь, профессор Сибирского университета потребительской кооперации Ольга Зайцева для оценки финансового кризиса компаний предложила использовать комплексный показатель:
Ккомпл = 0,25 Куп + 0,1 Кз + 0,2 Кс + 0,25 Кур + 0,1 Кфр + 0,1 Кзаг, где
Куп - коэффициент убыточности фирмы, характеризующийся отношением чистого убытка к собственному капиталу;
Кз - показатель соотношения кредиторской и дебиторской задолженности;
Кс - коэффициент отношения краткосрочных обязательств и наиболее ликвидных активов (обратная величина показателю абсолютной ликвидности);
Кур - коэффициент убыточности реализации продукции, характеризующийся отношением чистого убытка к объему реализации этой продукции;
Кфр - соотношение заемного и собственного капитала;
Кзаг - показатель загрузки активов (величина, обратная оборачиваемости активов).
Если фактический коэффициент больше его нормативного значения, то вероятность банкротства компании велика, если меньше - мала.
Для каждой из моделей при выборе показателей необходимо выполнение следующих требований к финансовым коэффициентам:
- максимальная информированность и целостная картина устойчивости финансового состояния предприятия;
- одинаковая направленность показателей (рост коэффициента означает улучшение финансового состояния);
- заданные числовые нормативы минимального удовлетворительного уровня или диапазон изменений;
- возможность проведения рейтинговой оценки предприятия как в пространстве (в сравнении с другими предприятиями), так и во времени (за ряд периодов).(9)
2.3. "Качественные" кризис-прогнозные методики
Наиболее известными качественными методиками прогнозирования платежеспособности компании-партнера являются:
1. Балльная оценка (метод Аргенти).
Джон Аргенти разработал альтернативный подход к прогнозированию банкротства, основанный на учете субъективных суждений участников процесса кредитования. По мнению Аргенти, причиной банкротства компании могут стать неквалифицированное руководство, неэффективная система учета и отчетности и неспособность фирмы приспосабливаться к изменяющимся условиям рынка.
В соответствии с методикой А-модели, уровень вероятности финансового кризиса компании оценивают по балльной системе. Факторам присваивают определенное количество баллов и рассчитывают агрегированный показатель - А-счет (табл. 6).
Таблица 6
Метод А-счета для предсказания банкротства
Недостатки
Балл согласно Аргенти
Директор-автократ
8
Председатель совета директоров является также директором
4
Пассивность совета директоров
2
Внутренние противоречия в совете директоров (из-за различия в знаниях и навыках(
2
Слабый финансовый директор
2
Недостаток профессиональных менеджеров среднего и нижнего звена (вне совета директоров)
1
Недостатки системы учета: отсутствие бюджетного контроля
3
Отсутствие прогноза денежных потоков
3
Отсутствие системы управленческого учета затрат
3
Вялая реакция на изменения (появление новых продуктов, технологий рынков, методов организации труда и т.д.)
15
Максимально возможная сумма баллов
43
«Проходной балл»
10
Если сумма больше 10, недостатки в управлении могут привести к серьезным ошибкам
Ошибки
Слишком высокая доля заемного капитала
15
Недостаток оборотных средств из-за слишком быстрого роста бизнеса
15
Наличие крупного проекта (провал такого проекта подвергает фирму серьезной опасности)
15
Максимально возможная сумма баллов
45
«Проходной балл»
15
Если сумма баллов на этой стадии больше или равна 25, компания подвергается определенному риску
Симптомы
Ухудшение финансовых показателей
4
Использование «творческого бухучета»
4
Нефинансовые признаки неблагополучия (ухудшение качества, падение «боевого духа» сотрудников, снижение доли рынка)
4
Окончательные симптомы кризиса (судебные иски, скандалы, отставки)
3
Максимально возможная сумма баллов
12
Максимально возможный А-счет
100
«Проходной балл»
25
Большинство успешных компаний
5-18
Компании, испытывающие серьезные затруднения
35-70
При его определении для конкретной компании необходимо ставить либо количество баллов согласно Аргенти, либо ноль. Промежуточные значения не допускаются. Если итоговая сумма по группам системы превышает критический уровень - 25 баллов, - это говорит о высокой вероятности банкротства компании. Следует отметить, что на основе показателей балльной модели сложно принимать решения в условиях, когда задача имеет множество критериев.
2. Метод, разработанный учеными Государственного технологического университета (г. Казань). Необходимо разделить все предприятия по классам кредитоспособности. Расчет класса платежеспособности связан с классификацией оборотных активов по степени их ликвидности.
Поскольку показатели ликвидности являются различными для разных отраслей экономики, то ученые разработали критериальные значения показателей для следующих отраслей:
- промышленность;
- торговля;
- строительство;
- наука.
3. Комплексный индикатор финансовой устойчивости В.В. Ковалева, который основан на двухуровневой системе. К первому уровню относятся критерии и показатели, которые при неблагоприятных текущих значениях или негативной динамике изменения свидетельствуют о возможных значительных финансовых затруднениях в обозримом будущем. Во вторую группу входят критерии и показатели, неблагоприятные значения которых не дают основания рассматривать текущее финансовое состояние как критическое. Вместе с тем они указывают, что при определенных условиях или непринятии действенных мер ситуация может резко ухудшиться.
Анализ платежеспособности заемщика говорит о состоянии активов и пассивов в прошлом (этот недостаток присущ и независимым рейтингам заемщиков).
Однако в настоящий момент ситуация уже могла измениться. Например, плохие финансовые показатели еще не свидетельствуют напрямую о неплатежеспособности заемщика. Поэтому необходим комплексный подход и прогнозирование будущих значений.(11)
Таким образом, хорошо контролируемый, четкий процесс оценки финансового положения заемщика соответствует нескольким принципам. Во-первых, он основан на легкоконтролируемых и анализируемых методах и данных. Во-вторых, способствует четкому разделению ролей и ответственности. И, в-третьих, включает бизнес-процессы, соответствующие всем нормам, выдвигаемым регулирующими органами. Следовательно, такой процесс приносит стабилизацию доходов и денежных потоков, а также снижение стоимости капитала.
2.4. Методика предсказания банкротства с учетом специфики отраслей и предсказания нейронных сетей
Сущность методики «Отраслевых» прогнозов состоит в сравнении сводных показателей отчетности предприятия с показателями других предприятий отрасли. Компании предварительно делятся на три класса в соответствии с уровнем их кредитоспособности, которая зависит от степени ликвидности оборотных активов фирмы (табл. 7).
Таблица 7
Распределение по классам кредитоспособности
Классы кредитоспособности
Финансовое состояние
Финансовые показатели
Риск невозврата кредита
1 класс
Хорошее
Выше среднеотраслевых
Минимальный
2 класс
Удовлетворительное
На уровне среднеотраслевых
Нормальный
3 класс
Неудовлетворительное
Ниже среднеотраслевых
Повышенный
На основе фактических данных рассчитывают коэффициенты для группы однородных предприятий определенной отрасли. Полученные данные по каждому показателю представляют в виде таблицы. В качестве примера можно привести таблицы, разработанные учеными Казанского государственного технологического университета для отечественных предприятий промышленности (табл. 8).
Таблица 8
Значения показателей для распределения промышленных предприятий по классам кредитоспособности
Наименование показатели
Значения показателей по классам
1 класс
2 класс
3 класс
Соотношение собственных и заемных средств
0,8
0,8-1,5
Более 1,5
Вероятность банкротства Z-счет Альтмана
Более 3,0
1,5-3,0
Менее 1,5
Общий коэффициент покрытия
Более 2,0
1,0-2,0
Менее 1,0
Сравнительный финансовый анализ позволяет наилучшим образом учесть специфику отрасли и товарного рынка отдельной компании.
Нейронная сеть – схема решения типовых задач, сконструированная по аналогии с работой человеческого мозга, которая позволяет построить отображение по заданному ряду его значений.
В основе конструкции каждого нейрона - сумма входных величин с определенным коэффициентом, итоговое значение которой с помощью функции активации приводят к интервалу от 0 до 1. Первый слой нейронов сети обрабатывает входные сигналы, следующий - показатели предыдущего уровня, и так до тех пор, пока последний нейрон не выдаст итоговый показатель. Изменяя коэффициенты входных величин, сеть стремится максимально приблизить выходной сигнал к известному результату. После этого нейронной сети можно подать новые данные, и она выдаст свой прогноз.
Нейросетевое моделирование обеспечивает точность предсказания банкротств на 90 процентов. Снизив требования к ошибкам классификации нормальной фирмы как банкрота, можно повысить "подозрительность" нейросети, что обеспечит точность выявления предприятий-банкротов до 99 процентов. Нейронные сети широко используют для прогноза финансового кризиса такие известные фирмы, как General Electric, American Airlines, Coca Cola, Philip Morris, Procter&Gamble, Merrill Lynch и многие другие.(20)
2.5. Преимущества и недостатки современных методов антикризисной диагностики
При сравнительной экономической характеристике методов антикризисной диагностики к каждому из них применялась следующая система критериев оценки:
1) соответствие принципам антиципативного менеджмента организаций, главными из которых в корреспонденции с задачами антикризисной диагностики являются: возможность рассмотрения процесса формирования кризисного состояния как целостной системы; учет отраслевых характеристик деятельности; многокритериальное диагностирования; возможность получения динамической оценки;
2) возможность получения однозначной результативной характеристики диагностирования;
3) максимальная объективность результата диагностирования;
4) ориентация на внутрифирменное использование.
При этом сравнительная оценка методов антикризисной диагностики осуществлялась на основе определения преимуществ и недостатков каждого, а последних - в спектре специфичных и общих. Совокупность изложенной системы требований позволит сформировать основу для определения направлений совершенствования методов антикризисной диагностики.
Итак, применение стохастического факторного анализа в целях диагностики вероятности банкротства является в условиях однородности и представительности статистических данных наиболее приемлемым в современных условиях. При этом необходимо учитывать:
1) достаточно высокую точность прогноза;
2) многокритериальность данных моделей, обеспечивающую охват широкого круга симптомов возможного кризисного состояния;
3) возможность оценки их одновременного влияния;
4) возможность исключения тех факторов, которые оказывают взаимное влияние друг на друга;
5) простоту применения: практически все модели можно рассчитать, обладая информацией, содержащейся в бухгалтерской отчетности.
Однако его использование в отечественной аналитической практике связано с рядом трудностей. Отечественные методики построения Z-индексов основаны на использовании подходов, предложенных Альтманом и другими западными учеными, и представляют собой адаптированные к российским условиям их модификации. Все эти методики объединяет одна черта: они основаны на анализе большого массива статистических данных. Кроме того, как отмечают многие исследователи данной проблемы, практика применения этих методик в развитых странах показывает, что веса в Z-индексах и пороговые значения сильно различаются не только от страны к стране, но и год от года, а также по отраслям экономики в рамках одной страны. Это свидетельствует о том, что методики, основанные на построении Z-моделей, не обладают устойчивостью к вариациям в исходных данных.
Таким образом, выделим основные специфичные недостатки, присущие методам стохастического факторного анализа в целях антикризисной диагностики организаций:
1) весовые константы зарубежных моделей установлены на основе статистических данных, отражающих динамику развития предприятий в иных, коренным образом отличных от российских, условиях функционирования, а в этой связи они не позволяют адекватно оценить степень воздействия каждого из факторов на оценочную характеристику вероятности банкротства, что в свою очередь делает не корректным сложившиеся критериальные значения Z-индексов;
2) весовые константы отечественных моделей (речь идет прежде всего о Z-индексе Давыдовой-Беликова), а следовательно, и критериальные их границы, требуют периодического уточнения по истечении времени, для чего необходима специфичная, а главное представительная, статистическая информация о деятельности организаций-банкротов; при этом попытка практического решения данной задачи в рамках проведенного исследования натолкнулась на проблему отсутствия в органах статистики такой информации в необходимом разрезе и объеме;
3) проблематичным представляется установление рыночной стоимости собственного капитала (в частности, при расчете пятифакторного Z-индекса Альтмана, использование которого получило наибольшее распространение на практике);
4) специфичные условия функционирования организаций различных отраслей экономики делают не корректной для диагностики вероятности их банкротства применяемую систему коэффициентов, которая у зарубежных аналитиков имеет унифицированный характер, без дифференциации по отраслям.
Детерминированные однокритериальные модели предполагают построение оценки вероятности банкротства на основе расчета и интерпретации одного частного показателя - коэффициента, в той или иной степени характеризующего ликвидность организации. Однако ориентация на какой-то один критерий, даже весьма привлекательный с позиции теории, на практике не всегда оправдана. Многообразие экономических процессов в деятельности предприятий, множественность показателей характеристики их финансовой стабильности (отражающих, как правило, лишь один из аспектов функционирования предприятий), а также различия в уровне оптимального значения коэффициентов вызывают в данном случае трудности антикризисной диагностики.
Таким образом, оценка вероятности банкротства организаций на основе однокритериального подхода не может быть объективной по следующим причинам:
1) ограниченность индикаторов диагностирования: все отдельные коэффициенты, предлагаемые для оценки вероятности банкротства, исходят из характеристики ликвидности, оставляя без внимания другие сферы деятельности организации, не позволяя тем самым описать тенденцию развития с максимальной точностью прогноза;
2) фактическое значение коэффициентов ликвидности недостаточно объективно отражает уровень финансового состояния предприятий по причине:
- неоднородности и условности дифференциации активов по уровню ликвидности активов, а пассивов - по сроку их изъятия из оборота;
- моментного характера значения коэффициентов.
Детерминированные модели, основанные на расчете комплексного показателя, а также на анализе чувствительности, дают возможность проведения более глубокого анализа. При этом надо учитывать, что они основаны на:
1) многокритериальном подходе к диагностированию вероятности банкротства;
2) возможности учета отраслевых особенностей деятельности изучаемой совокупности организаций.
В совокупности оба преимущества повышают точность и адекватность оценки ситуации на основе методов обратного детерминированного факторного анализа. Однако практика их применения обнаружила характерный недостаток, который присущ всем представителям данной группы. Это определение весов значимости частных показателей системы, методика расчета которых в условиях ограниченности статистической информации и невозможности использования в данных целях корреляционно-регрессионного анализа, строится по большей части на основе экспертных оценок, для которых типична высокая степень субъективизма.
Проведение скоррингового анализа как разновидности сравнительного позволяет:
1) учесть комплексный подход к диагностированию признаков формирования кризисной ситуации;
2) определить "рейтинг" банкротства;
3) установить (в отдельных случаях, а именно при использовании методики У. Бивера) возможный временной интервал его наступления, т.е. получение векторного результата диагностирования, вследствие чего можно сформировать " некоторое подобие динамической оценки".
Вместе с тем с применением многокритериального подхода в скорринговом анализе, справедливость которого бесспорна, возникают трудности в формировании точной обобщающей характеристики сложившейся ситуации по причине:
1) наличия вероятности принадлежности организации к разным классам кредитоспособности по каждому из включенных в систему критериев;
2) необходимости сравнения фактически рассчитанных значений коэффициентов с нормативными;
3) невозможности объективного определения значений отдельных коэффициентов системы из-за ограниченности информации об исходных показателях (в частности, это касается сведений о рыночной стоимости капитала анализируемой организации, необходимых для расчета пятифакторной модели Альтмана, являющейся составным критерием классификации организации по методике Казанского государственного технологического университета).