ФГБОУ ВО «Российский экономический университет им. Г. В. Плеханова», Москва, Россия:

Н. А. Казакова, профессор базовой кафедры финансовой и экономической безопасности, докт. экон. наук, эл. почта: axd_audit@mail.ru
Е. А. Сергеева, бизнес-аналитик, бухгалтер

За период с 2015 по 2019 г. в России ежегодно банкротами признавалось более 1300 предприятий обрабатывающей промышленности, включающей сектор черной металлургии, которая входит в пятерку отраслей с наибольшим числом банкротств — более 10 % от всех обанкротившихся компаний в год. Сложившаяся ситуация на мировом и российском рынках повышает риски банкротства компаний черной металлургии, требуя совершенствования аналитических методов диагностики и управления рисками банкротства. Популярные в мировой практике на протяжении более полувека прогнозные модели оценки банкротства, основанные на использовании мультипликативного дискриминантного анализа, сегодня уже не дают достоверного и однозначного результата. Цифровая экономика изменила приоритеты оценки эффективности бизнеса: произошли значительные изменения в структуре активов организаций, критериях устойчивости, ликвидности, роста и рисков бизнеса. В связи с этим методы анализа банкротств должны быть адаптированы к использованию информационных ресурсов, технологий больших данных, актуальному нормативно-правовому регулированию в соответствующих областях. Многие исследователи и эксперты-практики считают более достоверным методом оценки вероятности банкротства на краткосрочную и среднесрочную перспективу логистический регрессионный анализ, модели которого обеспечивают более точное значение. Цель исследования — обоснование риск-факторного подхода к построению регрессионной logit-модели для прогнозирования вероятности банкротства компаний черной металлургии, позволяющего повысить достоверность диагностирования ключевых рисков, способствующих росту финансовой несостоятельности бизнеса. По сравнению с опубликованными ранее примерами построения logit-моделей авторами использован новый подход, ориентированный на нормативно определенную международными стандартами группировку рисков, соответствующих наиболее значимым факторам, выявленным в результате отраслевого анализа. Классификация рисков положена в основу отбора факторных показателей модели, который осуществляли методами корреляционного анализа и оценки их статистической значимости на данных компаний черной металлургии. Для построения модели были рассчитаны и использованы данные за 2016–2020 г., выгруженные из информационной системы профессионального анализа рынков и компаний и Единого государственного реестра юридических лиц по 29 компаниям металлургической отрасли, основной вид деятельности которых входит в ОКВЭД 24.1 «Производство чугуна, стали и ферросплавов», включая признанных банкротами по состоянию на июнь 2021 г. Тестирование модели проведено на 8 компаниях, не входивших в выборку. Для оценки качества полученной модели логистической регрессии построена кривая рабочей характеристики приемника (ROC-кривая), рассчитан статистический показатель AUC, определены предельные эффекты факторных показателей. Полученная модель показала достаточно высокий уровень достоверности прогноза (более 85 %). Научная новизна и практическая ценность предложенной модели заключается в использовании риск-факторного подхода, основанного на развитии авторами парадигмы отраслевого анализа: признанной международной классификации рисков, соответствующих наиболее значимым риск-факторам, выявленным в результате отраслевого анализа, а также системе адекватных, статистически значимых показателей, рассчитанных по эмпирической базе финансовой отчетности компаний черной металлургии, что доказывает релевантность полученных результатов.

Статья подготовлена в рамках научно-исследовательской работы ФГБОУ ВО «РЭУ им. Плеханова» по теме «Мониторинг секторальных рисков финансовой безопасности в цифровой среде с использованием Гарвардской парадигмы отраслевого анализа».

1. Структура ВВП России. Официальный сайт Федеральной службы государственной статистики. URL: https://rosstat.gov.ru/ (дата обращения: 16.07.2021).
2. Казакова Н. А., Когденко В. Г., Кузьмина-Мерлино И., Сивкова А. Е. Оценка и прогнозирование экономической устойчивости российских металлургических компаний // Черные металлы. 2020. № 4. С. 60–67.
3. Информационная система Спарк-Интерфакс. URL: http://www.sparkinterfax.ru (дата обращения: 16.07.2021).
4. Керкхофф Х. Ю. Черная металлургия: растущая неопределенность // Черные металлы. 2018. № 5. С. 61–65.
5. Kijewska A. Conditions for sustainable growth (SGR) for companies from metallurgy and mining sector in Poland // Metalurgija. 2016. Vol. 55. No. 1. P. 139–142.
6. Официальный сайт ПАО «Северсталь». URL: https://www.severstal.com/rus/ir/disclosure/financial_reports/ (дата обращения: 16.07.2021).
7. Dluhošová D., Ptáčková B., Richtarová D. Financial performance evaluation of metallurgy of the Czech Republic // METAL 2018 – 27th International Conference on Metallurgy and Materials. 2018. P. 2055–2061.
8. Kazakova N., Gendon A., Sedova N., Khlevnaya E. Estimation of factors and projected growth of the metallurgical branch of Russia under unstable market conditions // Metalurgija. 2018. Vol. 57. No. 4. P. 360–362.
9. Адно Ю. Л. Мировая черная металлургия: кризис на пороге нового десятилетия // Черные металлы. 2020. № 7. С. 51–58.
10. Российская промышленность ковидного периода. URL: https://www.metalinfo.ru/emagazine/2021/0708/48/ (дата обращения: 16.07.2021).
11. Статистический релиз Федресурса «Банкротства в России: итоги 2020 года». URL: https://fedresurs.ru/news/e3fc79ce-fd38-432f-ab08-8c1561b1b7cb (дата обращения: 16.07.2021).
12. Аналитический бюллетень «Металлургия: тенденции и прогнозы. Итоги 2019 года». URL: http://vid1.rian.ru/ig/ratings/metallurgy_demo37.pdf (дата обращения: 16.07.2021).
13. Как металлургической отрасли легче пережить последствия пандемии. URL: https://www2.deloitte.com/ru/ru/pages/about-deloitte/deloitte-in-press/2020/kak-metallurgicheskoj-otrasli-legche-perezhitposledstviya-pandemii.html (дата обращения: 16.07.2021).
14. Аналитический бюллетень «Металлургия: тенденции и прогнозы. Итоги 2020 года». URL: http://vid1.rian.ru/ig/ratings/metallurgy_demo.pdf (дата обращения: 16.07.2021).

15. Экспресс-анализ рынка черной металлургии в новых экономических условиях: предприятия готовятся к затяжному кризису. URL: https://metallurgprom.org/articles/analytics/3823-jekspress-analiz-rynkachernoj-metallurgii-v-novyh-jekonomicheskih-uslovijah-predprijatijagotovjatsja-k-zatjazhnomu-krizisu.html (дата обращения: 16.07.2021).
16. Дамодаран А. Стратегический риск-менеджмент: принципы и методика. URL: http://pages.stern.nyu.edu/~adamodar/ (дата обращения: 16.07.2021).
17. Zinovyeva E. G., Koptyakova S. V. Assessment of intgration risks for metallurgical enterprises using the fuzzy set method // CIS Iron and Steel Review. 2019. Vol. 17. P. 58–64. DOI: 10/17580/cisisr.2019.01.11.
18. Рабданова В. В. Обзор logit-регрессионных моделей прогнозирования банкротства предприятий // Вестник Восточно-Сибирского государственного университета технологий и управления. 2016. № 4. С. 129–134.
19. Казаков А. В., Колышкин А. В. Разработка моделей прогнозирования банкротства в современных российских условиях // Вестник Санкт-Петербургского университета. Экономика. 2018. № 2. С. 241–266.
20. Единый государственный реестр юридических лиц. URL: https://egrul.nalog.ru (дата обращения: 16.07.2021).
21. Информация Минфина России № ПЗ-9/2012 «О раскрытии информации о рисках хозяйственной деятельности организации в годовой бухгалтерской отчетности». URL: http://www.consultant.ru/document/cons_doc_LAW_135436/ (дата обращения: 16.07.2021).
22. Логистическая регрессия и ROC-анализ — математический аппарат. Loginom Company. URL: https://loginom.ru/blog/logistic-regression-rocauc (дата обращения: 16.07.2021).
23. Дьяконов А. Г. AUC ROC (площадь под кривой ошибок). Анализ малых данных. 2017. URL: https://dyakonov.org/2017/07/28/auc-roc-площадь-под-кривой-ошибок/ (дата обращения: 16.07.2021).