Стресс-тестирование компаний реального сектора для России: методологические аспекты и первые результаты1 Докладчики: В.А. Сальников2, А.Н. Могилат, сотрудники Института народнохозяйственного прогнозирования (ИНП) РАН, Центра макроэкономического анализа и краткосрочного прогнозирования (ЦМАКП), Москва Модели и подходы к стресс-тестированию широко распространены в анализе состояния кредитных организаций и финансового сектора в целом (обзор методик – Sorge, 2004; Quagliariello, 2009 и др.). В то же время работ, посвященных стресс-тестированию объектов реального сектора, заметно меньше, хотя первые исследования по оценке вероятности наступления «неблагоприятного события» для фирм (дефолт, установление банкротства через суд или по соглашению с кредиторами), датируются началом 60-х годов. Подробный обзор ранних работ представлен в (Ooghe, Claus, Sierens, Camerlynck, 1999). В России, как и в мире, наиболее проработана проблематика стресс-тестированию банков и финансового сектора в целом (например, (Пересецкий А.А. и др., 2004), (Карминский А.М. и др., 2007), (Пересецкий А.А., 2007), (Мамонов М.Е., Солнцев О.Г., Пестова А.А., 2012) и т.д.), однако в настоящей работе внимание было сосредоточено именно на исследованиях по оценке устойчивости компаний реального сектора.3 Российских исследований, посвященных проблемам как стресс-тестирования, так и скоринга, и находящихся в открытом доступе, крайне мало. Оценке моделей вероятности банкротства российского корпоративного сектора посвящены работы О.В. Колоколовой, М.В. Помазанова (2004), а также Коссовой Т.В., Коссовой Е.В. (2011). Обширное исследование факторов дефолта российских компаний проводилось в рамках исследовательской группы Moody’s Analytics с применением модели Moody’s Analytics RiscCalc4, протестированной на обширной базе данных о более чем 290 000 компаниях в 2002-2009 гг. К сожалению, результаты исследования для России отсутствуют в открытом доступе. Учитывая существующий опыт по стресс-тестированию компаний реального сектора, нами была реализована методика, основные особенности которой состоят в следующем. В качестве базового моделируемого «неблагоприятного события» выступало начало процедуры банкротства компании (юрлица). В качестве основной рассматривалась смешанная модель банкротства, использующая как данные бухотчетности компаний, так и отраслевые показатели. Оценка модели проведена как по пространственным выборкам для каждого года, так и по панельным данным за период 2006-2011 гг. Авторы выражают глубокую признательность своим коллегам Д.Галимову, М.Мамонову и А.Пестовой за помощь и ценные замечания, полученные в ходе работы. 2 Контактная информация: Владимир Сальников, vs@forecast.ru 3 Модели для банков принципиально не отличаются от моделей для предприятий лишь по общему подходу, в то же время, это виды бизнесов достаточно разные, чтобы воздержаться от прямого перенесения опыта по оценке банковских моделей на реальный сектор. 4 В основе модели лежит статистический подход к определению расстояния до «точки дефолта» компании и ожидаемой частоты банкротства на основе анализа исторических данных о дефолтах (Колоколова, Помазанов, 2004). 1 1 С учетом опыта предшествующих исследований, в базовую спецификацию модели вошли (и подтвердили свою значимость) показатели рентабельности, платежеспособности, оборачиваемости активов, ликвидности (взятые с лагом в один период по отношению к году банкротства). Была предпринята попытка максимально возможного расширения состава объясняющих переменных, включая ряд уникальных. В частности, в модели оценивалась значимость показателей, характеризующих: а) устойчивость изменения доли юрлица на отраслевом рынке, б) тип собственности; в) юридическую форму; г) долю юрлица на локальном рынке; д) финансовое положение материнских компаний; е) уровень концентрации структуры собственности; ж) возраст юрлица. Для основных показателей рассматривались не только их абсолютные значения, но и их изменение в период, предшествующий оцениваемому, а также отклонение показателя для юрлица от среднеотраслевого показателя. Кроме того, была проведена проверка на целесообразность использования для переменных пороговых уровней. Для оценки качества моделей банкротства применялись показатели, используемые в рамках сигнального подхода: шум-сигнал, доля верно предсказанных исходов и др. С точки зрения ошибок первого и второго родов наши результаты находятся на уровне худшего квартиля аналогичных скоринговых моделей для других стран. Результаты скоринговой модели и, особенно, стресс-тестирования пока далеки от совершенства. Основной проблемой является не слишком высокое (хотя в первом приближении, вполне приемлемое) качество работы модельного фильтра, выделяющего юрлица-банкроты. В зависимости от спецификации, уровень шума не удается опустить существенно ниже 7-8%-ного порога при удовлетворительном предсказании факта банкротства (условная вероятность не менее 2/3). Улучшение отношения шум/сигнал возможно лишь за счет уменьшения условной вероятности. Ниже представлены результаты сравнительной оценки доли юрлиц с повышенной вероятностью банкротства для инерционного сценария, с одной стороны, и сценария «Большого мирового кризиса» (далее в разделе – «кризисный сценарий»), с другой. Как следует из расчетов, наибольший рост доли юрлиц «группы риска»5 ожидается в обрабатывающей промышленности (см. табл.). В случае реализации кризисного сценария, число юрлиц «группы риска» возрастает на треть: с 2148 до 2868 единиц (по доле – с 13,9% до 18,6% всех компаний обрабатывающих производств выборки). По другим показателям прирост оказывается заметнее, что связано с попаданием в «группу риска» относительно более крупных компаний: так, активы юрлиц6 «группы риска» возрастают в 1,7 раза – с 12,0% до 20,0% всех активов компаний. Наиболее же существенно7 увеличивается доля «группы риска» в задолженности по кредитам и займам: на 8,6 проц. пункта, до 25,1%. Следует напомнить, что согласно методике и полученной наилучшей спецификации модели «группа риска» – это компании (юрлица) с плохими показателями финансовой отчетности, частота банкротства которых приблизительно на порядок превышает среднюю по исходной выборке компаний. 6 Строка 1600 формы 1 по РСБУ. 7 Как по абсолютному приросту (в процентных пунктах от активов), так и по достигаемому уровню. 5 2 Таблица 1 – Результаты стресс-теста для обрабатывающей промышленности Сценарий «Большой мировой кризис» Всего в том числе "группа риска" в абс. выраженнии в % от всего базовый стресс прирост базовый стресс прирост Количество юрлиц 15 432 2 148 2 868 720 13.9% 18.6% 4.7% Размер активов юрлиц, млрд.руб. 17 622 2 117 3 527 1 410 12.0% 20.0% 8.0% Объем выпуска, млрд.руб. 18 574 1 201 2 154 953 6.5% 11.6% 5.1% Объем задолженности по кредитам банков, млрд.руб. 5 703 946 1 434 488 16.6% 25.1% 8.6% Численность работников, тыс.чел. 3 999 565 808 243 14.1% 20.2% 6.1% На уровне основных обрабатывающих видов деятельности, можно говорить о следующих результатах стресс-тестирования. Наиболее «проблемный» вид деятельности – производство транспортных средств и оборудования, где в случае реализации кризисного сценария следует ожидать наиболее сильного роста доли активов юрлиц группы риска: с 29% до 49%. Еще более высокий уровень рисковых активов (59%) в деревообработке, однако данный вид деятельности проблемный «традиционно»: даже в случае базового сценария проблемные активы составляют здесь около половины). С точки зрения масштабов прироста проблемных активов выделяется еще три вида деятельности: металлургия (рост с 5% до 20%), производство прочих неметаллических минеральных продуктов (15% и 26% соответственно), а также резиновых и пластмассовых изделий (4% и 14%). С точки зрения сохранения высокого уровня рисков следует выделить также производство машин и оборудования (26% и 27%), а также одежды и обуви (20-23% и 24%). В других видах деятельности прирост проблемных активов не превышает 6 проц. пунктов, а уровень в кризисном сценарии – 20%. Особенно же низкий уровень рисков в нефтепереработке и химическом производстве (менее 5% активов). Из проанализированных видов деятельности, не относящихся к обрабатывающим производствам, заслуживает комментария ситуация в производстве и распределение электроэнергии, газа и воды, а также сельском хозяйстве – здесь вне зависимости от сценария наблюдается стабильно высокая доля рисковых активов (48-54% и 36-39% соответственно). Следует также отметить распределение рисковых активов по формам собственности (согласно классификатору ОКФС), правовым формам (ОКОПФ), а также принадлежности органам государственной власти и управления (ОКОГУ). Наиболее низкий уровень риска, причем практически не возрастающий при реализации кризисного сценария – у юрлиц, находящихся в иностранной собственности (7% 3 активов в базовом сценарии, 8-9% – в кризисных сценариях), а также частной собственности (6% и 7-9% соответственно). Также, достаточно низкие риски у юрлиц в совместной частной и иностранной собственности (7% и 8-11%), а также совместной собственности субъектов Российской Федерации и иностранной собственности (4% – в базовом, 4-11% – в кризисных сценариях). На другом полюсе, с высокими рисками – прежде всего, юрлица в федеральной собственности (91% вне зависимости от сценария), а также совместной федеральной и иностранной собственности (45% и 92% соответственно), и, особенно, в смешанной российской собственности с долями федеральной собственности и собственности субъектов Российской Федерации (97-98% вне зависимости от сценария). Также, весьма высокие риски у юрлиц в муниципальной собственности (39% и 50-61%), а также в собственности субъектов Российской Федерации (31% и 64% соответственно). В разбивке по правовым формам наиболее высокие риски – у унитарных предприятий (на праве оперативного управления – 87% в любом сценарии, на праве хозяйственного ведения – 38% и 60-65%). Наиболее низкий уровень рисков – у ООО (6% и 7-9%), и, особенно, производственных кооперативов (2% и 3%). В разбивке по ОКОГУ, среди крупных групп следует отметить высокий уровень рисков у муниципальных организаций; обществ, образованных из государственных предприятий; юрлиц, принадлежащих Федеральному космическому агентству, а также ОАО РЖД. Пониженный – у организаций, учрежденных гражданами, фермерских хозяйств, а также АО, товариществ, сельхозкооперативов, образованных при реорганизации колхозов и совхозов и приватизации отдельных сельхозпредприятий. Мы собираемся продолжить работу по улучшению модели стресс-тестирования по двум основным направлениям. Во-первых, будут протестированы на целесообразность включения в модель новые показатели8. Во-вторых, мы постараемся расширить состав одновременно или в какой-либо комбинации моделируемых негативных событий (дефолт, ликвидация юрлица, резкое сокращение рыночной доли и т.п.). Ко времени выступления на конференции, по-видимому, будут готовы новые результаты. Например, показатели технической эффективности (на основе Stochastic Frontier Approach), отраслевой доли обязательств в валюте и проч. 8 4