📄Работа №188274
Тема: ПОСТРОЕНИЕ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА РОССИЙСКИХ ПРЕДПРИЯТИЙ ОПТОВОЙ И РОЗНИЧНОЙ ТОРГОВЛИ
Тип работы
Бакалаврская работа
Предмет
экономика
Объем:
65 листов
Год:
2020
Просмотров:
71
4320
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 4
1. Теоретические аспекты прогнозирования банкротства предприятий 6
1.1 Экономическая сущность банкротства, причины и необходимость своевременной диагностики 6
1.2 Обзор исследований по разработке моделей прогнозирования банкротства 7
2. Сбор и обработка данных для моделирования 25
2.1 Формирование выборочной совокупности 25
2.2 Выбор объясняющих переменных для последующего анализа 28
3. Прогнозирование банкротства предприятий 35
3.1 Классическая MDA-модель оценки риска банкротства 35
3.2 Модели прогнозирования на основе методов бизнес -аналитики 40
3.3 Сравнение моделей и интерпретация результатов 51
Заключение 55
Литература 57
1. Теоретические аспекты прогнозирования банкротства предприятий 6
1.1 Экономическая сущность банкротства, причины и необходимость своевременной диагностики 6
1.2 Обзор исследований по разработке моделей прогнозирования банкротства 7
2. Сбор и обработка данных для моделирования 25
2.1 Формирование выборочной совокупности 25
2.2 Выбор объясняющих переменных для последующего анализа 28
3. Прогнозирование банкротства предприятий 35
3.1 Классическая MDA-модель оценки риска банкротства 35
3.2 Модели прогнозирования на основе методов бизнес -аналитики 40
3.3 Сравнение моделей и интерпретация результатов 51
Заключение 55
Литература 57
📖 Введение
В условиях ужесточившейся на рынке конкуренции особую значимость приобретает принятие менеджментом стратегически верных финансовых и управленческих решений, умение гибко реагировать и приспосабливаться к постоянно меняющимся экономическим условиям. Высокопрофессиональный менеджмент сегодня - одно из главных условий выживания предприятия. Вовремя увидеть, рассчитать угрозу банкротства и применить соответствующий комплекс мер, чтобы избежать его - в этом и заключается талант современного антикризисного менеджера. При этом анализ вероятности банкротства можно в определенной степени унифицировать, то есть не просто провести его для своего предприятия, а рассчитать модель, которая бы помогала предотвратить экономический крах и других компаний.
Практическая значимость данной работы, соответственно, заключается в том, что ее результаты могут применяться в качестве дополнительного инструмента анализа финансового состояния предприятий. Помимо необходимости анализа вероятности банкротства для самих компаний, данный показатель также интересен для инвесторов, банков, государства, а также других фирм на рынке, состоящих в контрагентских отношениях между собой.
В силу широкого спектра практического применения проблема оценки вероятности банкротства компаний на сегодняшний день особо актуальна. Несмотря на большое количество исследований, посвященных данной тематике в зарубежной и российской литературе, до сих пор существует относительно мало моделей прогнозирования банкротства, способных с высокой точностью оценить вероятность наступления банкротства предприятий, отрасли.
Целью работы является прогнозирование банкротства компаний отрасли оптовой и розничной торговли в условиях российского рынка с помощью различных методов, для выявления наиболее точных и применимых моделей.
В рамках поставленной цели необходимо будет выполнить следующие задачи:
1) проанализировать существующие зарубежные и отечественные работы, посвященные прогнозированию банкротства;
2) составить выборки из финансовых отчетов компаний, относящихся к отрасли оптовой и розничной торговли, и рассчитать основные финансовые показатели, необходимые для моделирования;
3) построить различные модели прогнозирования банкротства для предприятий изучаемой отрасли и сравнить их прогностическую способность .
финансовая отчетность российских предприятий,
принадлежащих к отрасли оптовой и розничной торговли.
Предметом исследования является построение моделей прогнозирования вероятности банкротства предприятий на основе финансовых показателей, полученных из отчетности.
Основная часть работы состоит из трех глав, в которых последовательно решаются поставленные задачи.
В целях решения этих задач применяются такие методы, как анализ, сравнение, моделирование и другие.
В качестве источников литературы я использовала зарубежную и отечественную литературу, диссертации, научные журналы и периодические издания, информационную систему «СПАРК-Интерфакс», нормативные акты, данные официальных и новостных сайтов, данные преддипломной практики.
Практическая значимость данной работы, соответственно, заключается в том, что ее результаты могут применяться в качестве дополнительного инструмента анализа финансового состояния предприятий. Помимо необходимости анализа вероятности банкротства для самих компаний, данный показатель также интересен для инвесторов, банков, государства, а также других фирм на рынке, состоящих в контрагентских отношениях между собой.
В силу широкого спектра практического применения проблема оценки вероятности банкротства компаний на сегодняшний день особо актуальна. Несмотря на большое количество исследований, посвященных данной тематике в зарубежной и российской литературе, до сих пор существует относительно мало моделей прогнозирования банкротства, способных с высокой точностью оценить вероятность наступления банкротства предприятий, отрасли.
Целью работы является прогнозирование банкротства компаний отрасли оптовой и розничной торговли в условиях российского рынка с помощью различных методов, для выявления наиболее точных и применимых моделей.
В рамках поставленной цели необходимо будет выполнить следующие задачи:
1) проанализировать существующие зарубежные и отечественные работы, посвященные прогнозированию банкротства;
2) составить выборки из финансовых отчетов компаний, относящихся к отрасли оптовой и розничной торговли, и рассчитать основные финансовые показатели, необходимые для моделирования;
3) построить различные модели прогнозирования банкротства для предприятий изучаемой отрасли и сравнить их прогностическую способность .
финансовая отчетность российских предприятий,
принадлежащих к отрасли оптовой и розничной торговли.
Предметом исследования является построение моделей прогнозирования вероятности банкротства предприятий на основе финансовых показателей, полученных из отчетности.
Основная часть работы состоит из трех глав, в которых последовательно решаются поставленные задачи.
В целях решения этих задач применяются такие методы, как анализ, сравнение, моделирование и другие.
В качестве источников литературы я использовала зарубежную и отечественную литературу, диссертации, научные журналы и периодические издания, информационную систему «СПАРК-Интерфакс», нормативные акты, данные официальных и новостных сайтов, данные преддипломной практики.
✅ Заключение
Существующие подходы и методики прогнозирования банкротства далеки от совершенства, а применение их в первоначальном виде для анализа вероятности банкротства отечественных компаний вообще малоэффективно. Собранная в процессе исследования выборка по российским предприятиям, принадлежащим отрасли оптовой и розничной торговли, из трех тысяч компаний (1000 действующих, 1000 недействующих и 1000 в состоянии банкротства) подтверждает это утверждение. В эту выборку данных были включены малые и микропредприятия, обанкротившиеся в период с января 2019 года по май 2020 года. Далее, исходя из обоснованной методики, была проанализирована бухгалтерская отчетность этих предприятий за 2017 и 2018 годы, и выделены 4 нефинансовые и 24 финансовые переменные для каждого из рассматриваемых периодов. Часть финансовых переменных была рассчитана самостоятельно, часть взята в готовом виде из системы Спарк- Интерфакс.
При обработке данных две из рассматриваемых 24 переменных (отношение операционной прибыли к сумме активов и коэффициент финансовой устойчивости) были отсеяны из-за многочисленных пропусков данных, необходимых для их расчета.
На основе составленной выборки была протестирована прогностическая способность одной из самых известных классических статистических моделей, а именно пятифакторной модели Альтмана для компаний, чьи акции не торгуются на биржевом рынке (Z-Score Model). По результатам анализа качества построенной модели был сделан вывод, что обработка и заполнение пропусков данных не сильно влияет на ее прогноз (данная модель была построена как для исходных, так и для обработанных данных). На тестовой выборке четверть компаний попали в зону неопределенности и еще более четверти организаций оказались классифицированы неверно, что говорит о слабом качестве прогноза и необходимости построения других моделей, которые бы в большей степени соответствовали современным реалиям отечественного рынка и изучаемой отрасли.
В связи с этим на базе имеющейся выборки и таких методов прогнозирования, как логистическая регрессия, дерево решений и нейросети были построены оригинальные модели и выполнен сравнительный анализ их качества. На основе каждого из методов было построено несколько вариантов моделей и выполнен отбор условно «лучшей» версии в соответствии с уровнем прогностической силы и числом задействованных переменных. Для логистической регрессии ключевым оказалось применение прямого метода отбора переменных, позволившее существенно сократить количество используемых переменных без существенной потери предсказательной силы. «Лучшая» модель дерева решений была отобрана по той же причине, выбор переменных при этом осуществлялся по усредненному значению критерия значимости атрибутов для двух исследуемых периодов. Среди вариаций нейросетевой модели, также, была отобрана та, что содержала меньшее количество переменных (только финансовые), и при этом обладала наивысшей прогностической способностью. В то же время было отмечено, что ограничение количества используемых показателей не является единственным и ключевым приоритетом при выборе варианта модели нейронной сети и подтверждена важность структуры нейронной сети, количества и расположения нейронов на ее внутренних слоях.
Далее было произведено сравнение отобранных моделей, составлена таблица наиболее значимых показателей и сделаны следующие выводы:
1) все три представленные модели имеют высокие показатели качества, а также свои особенности классификации, в связи с чем пользователю при выборе модели имеет смысл учитывать количество задействованных в модели атрибутов и полноту данных, которыми он располагает;
2) при тестировании наибольшей прогностической способностью обладает нейросетевая модель, несмотря на то, что при обучении лучшие результаты показывала модель дерева решений;
3) модели дерева решений больше свойственны ошибки II рода, при которых действующим компаниям определяют банкротство, в то время как логистической модели и нейросети - ошибки I рода, когда обанкротившиеся компании определяются как действующие;
4) логистическая модель отличается от других тем, что для нее за 2 года до банкротства показатель чувствительности существенно выше специфичности, а значит, в этом периоде ее способность определять банкротов выше способности не принимать «здоровые» компании за подверженные банкротству, в то время как у моделей дерева решений и нейросети обратная ситуация.;
5) при прогнозировании банкротства в исследуемой отрасли важно учитывать не только финансовые показатели, но и нефинансовые, такие как организационно-правовая форма и среднесписочная численность работников (налоговый режим и возраст компании в данном случае оказались незначимыми).
Данная работа может быть полезна для инвесторов, банков, государства, а также других фирм на рынке, состоящих в контрагентских отношениях между собой, а ее результаты могут применяться в качестве дополнительного инструмента анализа финансового состояния предприятий в целях своевременного осуществления мер по профилактике банкротства, выбора стратегии развития предприятия, учета рисков, принятия решения о вложении средств в организацию и т. д..
При обработке данных две из рассматриваемых 24 переменных (отношение операционной прибыли к сумме активов и коэффициент финансовой устойчивости) были отсеяны из-за многочисленных пропусков данных, необходимых для их расчета.
На основе составленной выборки была протестирована прогностическая способность одной из самых известных классических статистических моделей, а именно пятифакторной модели Альтмана для компаний, чьи акции не торгуются на биржевом рынке (Z-Score Model). По результатам анализа качества построенной модели был сделан вывод, что обработка и заполнение пропусков данных не сильно влияет на ее прогноз (данная модель была построена как для исходных, так и для обработанных данных). На тестовой выборке четверть компаний попали в зону неопределенности и еще более четверти организаций оказались классифицированы неверно, что говорит о слабом качестве прогноза и необходимости построения других моделей, которые бы в большей степени соответствовали современным реалиям отечественного рынка и изучаемой отрасли.
В связи с этим на базе имеющейся выборки и таких методов прогнозирования, как логистическая регрессия, дерево решений и нейросети были построены оригинальные модели и выполнен сравнительный анализ их качества. На основе каждого из методов было построено несколько вариантов моделей и выполнен отбор условно «лучшей» версии в соответствии с уровнем прогностической силы и числом задействованных переменных. Для логистической регрессии ключевым оказалось применение прямого метода отбора переменных, позволившее существенно сократить количество используемых переменных без существенной потери предсказательной силы. «Лучшая» модель дерева решений была отобрана по той же причине, выбор переменных при этом осуществлялся по усредненному значению критерия значимости атрибутов для двух исследуемых периодов. Среди вариаций нейросетевой модели, также, была отобрана та, что содержала меньшее количество переменных (только финансовые), и при этом обладала наивысшей прогностической способностью. В то же время было отмечено, что ограничение количества используемых показателей не является единственным и ключевым приоритетом при выборе варианта модели нейронной сети и подтверждена важность структуры нейронной сети, количества и расположения нейронов на ее внутренних слоях.
Далее было произведено сравнение отобранных моделей, составлена таблица наиболее значимых показателей и сделаны следующие выводы:
1) все три представленные модели имеют высокие показатели качества, а также свои особенности классификации, в связи с чем пользователю при выборе модели имеет смысл учитывать количество задействованных в модели атрибутов и полноту данных, которыми он располагает;
2) при тестировании наибольшей прогностической способностью обладает нейросетевая модель, несмотря на то, что при обучении лучшие результаты показывала модель дерева решений;
3) модели дерева решений больше свойственны ошибки II рода, при которых действующим компаниям определяют банкротство, в то время как логистической модели и нейросети - ошибки I рода, когда обанкротившиеся компании определяются как действующие;
4) логистическая модель отличается от других тем, что для нее за 2 года до банкротства показатель чувствительности существенно выше специфичности, а значит, в этом периоде ее способность определять банкротов выше способности не принимать «здоровые» компании за подверженные банкротству, в то время как у моделей дерева решений и нейросети обратная ситуация.;
5) при прогнозировании банкротства в исследуемой отрасли важно учитывать не только финансовые показатели, но и нефинансовые, такие как организационно-правовая форма и среднесписочная численность работников (налоговый режим и возраст компании в данном случае оказались незначимыми).
Данная работа может быть полезна для инвесторов, банков, государства, а также других фирм на рынке, состоящих в контрагентских отношениях между собой, а ее результаты могут применяться в качестве дополнительного инструмента анализа финансового состояния предприятий в целях своевременного осуществления мер по профилактике банкротства, выбора стратегии развития предприятия, учета рисков, принятия решения о вложении средств в организацию и т. д..
ИЛИ
Поиск аналога
📕 Список литературы
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.