иностранных инвесторов. Такие организации, как Всемирный банк. Европейский инвестиционный банк и Европейский банк реконструкции и развития предлагают своим польским партнерам кредитные линии в надежде на то, что средства будут вложены в сектор МСП, где они так необходимы. Однако из-за позиции местных банков, которые не склонны оперативно рассматривать заявки на предоставление займа и смотрят на МСП, скорее, как на источник неприятностей, а не прибыли, польские МСП едва ли могут рассчитывать на помощь иностранных инвесторов. Специально для того, чтобы попытаться заполнить эту брешь, была создана бесприбыльная организация Еп1ефГ18е Credit Coфoration - дочерняя фирма Польско-американского фонда предпринимательства (PAEF).
Недостаток капиталовложений не создавал бы такой проблемы, если бы доля сектора МСП в польской экономике была малой. К сожалению, в отличие от таких бывших коммунистических стран, как Венгрия и Чехословакия, в экономике Польши на частный сектор приходится значительная часть. Доля МСП в экономике с 1991 г. по 1992 г. возросла с 26% до 31%. Всего за год число занятых в этом секторе увеличилось с 24.1% до 58.5% (в 1992 г.). Даже если исключить сельское хозяйство, эта доля останется очень высокой- 44% (см. [95], [96], [166]). Поэтому необходимо изменить неблагоприятное для МСП положение в области кредитования и гарантировать им доступ к инвестициям. В идеале процедура оценки должна учитывать особенности данного сектора экономики, должен быть устранен упор на предоставление залога, увеличены сроки кредитов и приняты меры для поощрения молодых предприятий. Чисто количественные методы при решении вопроса о выделении кредитов здесь не вполне подходят из-за отсутствия прошлых данных и нестандартных способах учета в имеющихся базах данных. Один из возможных подходов к работе с качественными и отсутствующими данными - нейронные сети.
ОПИСАНИЕ БАЗЫ ДАННЫХ
С целью выделить факторы, определяющие кредитный риск для МСП (фирм с числом работающих менее 50), мы рассмотрели 23 польских финансовых организации (их полный список приведен в приложении 1 к данной главе). Это исследование, являющееся продолжением сделанного в работе Джорджа [121], дало основу для построения содержательной базы данных, включающей 60 гипотетических наблюдений для 26 описывающих показателей. Затем были приглашены специалисты в области кредитного дела из 14 новых финансовых организаций, и им было предложено оценить привлекательность инвестиций в МСП (под привлекательностью понимается
способность фирмы вернуть долг с процентами), ответив на следующие три вопроса:
•Считаете ли вы, что это МСП столкнется с финансовыми трудностями в течение ближайших 6 месяцев?
•Считаете ли вы, что это МСП столкнется с финансовыми трудностями в течение ближайших 18 месяцев?
•Изменили бы вы свою оценку, если бы в деле присутствовал полноценный залог?
С нами согласились сотрудничать 12 специалистов (43%). Мы рассчитывали на их способности к «ех antey> прогнозированию финансовых трудностей. В качестве зависимой переменной выбирался усредненный прогноз того, будет ли данная фирма испытывать финансовые трудности в ближайшие 6 месяцев. Так как мы не располагали никакой информацией о вероятности принадлежности фирм к группам, то мы изначально взяли вероятности одинаковыми для всех групп. По результатам усредненного прогноза компании были разбиты на 3 группы:
группа О 40 случаев фирмы, которые должны просуществовать 6 месяцев
группа 1 16 случаев пограничные случаи, разнобой во
мнениях экспертов
группа 2 3 случая фирмы, которые должны обанкротиться в течение 6 месяцев
Один из случаев был отброшен, потому что целевую переменггую невозможно было вычислить. В целом все эксперты оценили базу данных как содержательную и прислали свои ответы по факсу в течение 10 дней. Некоторые из них отметили сложность решения вопроса о кредитоспособности вне связи с его обеспечением.
В табл. 8.1 представлено репрезентативное подможество гипотетической базы данных, которое было предложено экспертам. Совокупность переменных включает 21 нефинансовый показатель, значения которых обозначаются буквосочетаниями, и 5 финансовых показателей.
Все 26 переменных разбиваются на 4 группы:
А Признаки данной компании или отрасли ц
В Организационные факторы, V,.
С Макроэкономические показатели
D Финансовые показатели..
Компания | | | |
Отрасль промышленности | | | | |
Рыночный потенциал л | А2 | | | |
Положение на рынке i | A3 | | | |
Экспорт | А4 г | | | |
Помещения: собственность/аренда j , j | | | | |
Возраст компании (лет) | | | | |
Структура собственности | | | | |
Связь управляющий/владелец | | | | |
Централизованное принятие решений | ВЗ , | | | |
Гибкость организации ,, | | | | |
Число работников (в т.ч. менеджеров) | Б5 , | | | |
Возраст управляющего | | | | |
Стаж его работы в бизнесе (лет) | В7 | | | |
Стаж работы в этой фирме (лет) | | | | |
Благонадежность управляющего | | | | |
Зависимость от обменных курсов • | С1 | | | :п 5 |
Зависимость от инфляции М | | | | |
Зависимость от таможенных сборов | | | | |
Зависимость от прямых налогов | | | | :t> 4 |
Зависимость от косвенных налогов f | | | | .. 2 |
Экологическая безопасность У | | | | |
Чистая маржа ,«: •( i | | | -0.1 | |
Коэффициент покрытия долга , -ц ii | | | | |
Отношение ликвидности , , | D3 , | | | |
Рост объема продаж | | -0.3 | -0.9 | -0.1 |
Дебиторский показатель | | | | |
ПРОГНОЗ КРЕДИТОСПОСОБНОСТИ | | | | |
НА 6 МЕС. | | | | |
Таблица 8.1. Данные по трем гипотетическим МСП, предложенные экспертам
ГРУППА А: Признаки данной компании или отрасли (6 переменных)
Отрасль промышленности (обозначается двубуквенным сокращением) является очень важной переменной, поскольку от нее непосредственно зависят значения финансовых показателей и чувствительность фирмы к изменениям окружающей обстановки. Мы не брали межотраслевые компании, чтобы не было возможной потери информации. Были выделены 8 отраслей: торговля (TD), услуги, пищевая промышленность, легкая промышленность (МА), сельское хозяйство, строительство (СО), транспорт и прочее. Предполагалось, что компании не очень отличаются друг от друга размерами. Рыночный потенциал учитывает спрос на товары или услуги, производи-
мые фирмой, и зависит от того, в какой области работает компания. Положение на рынке оценивает соотношение цена/качество и конкурентноспособность фирмы. Экспорт (обозначение буквенное: Y/N) учитывает степень участия фирмы в экспортно-импортных операциях. Помещения: собственность/аренда (обозначение буквенное: 0/R) указывает, владеет ли компания основными производственными помещениями. С арендой в Польше очень трудно из-за крайне высоких ставок, очень коротких (в пределах года) сроков и возможности отдавать недвижимость в залог. Возраст компании делит фирмы на старые (> 3 лет) и молодые.
ГРУППА В: Организационные факторы*" (9 переменных)
Структура собственности (буквенное обозначение) указывает на одну из семи категорий: совместное предприятие, предприятие с ограниченной ответственностью (LL = Limited Liability), гражданское товарищество, зарегистрированное товарищество, товарищество с ограниченной ответственностью, частное предприятие и частное лицо, зарегистрированное как фирма. Связь управляющий/владелец характеризует, насколько эти два лица связаны (одно и то же лицо, родственники, друзья, знакомые, не связаны). Централизованное принятие решений и гибкость организации в динамичных экономических условиях- очень важные факторы, выделенные Арженти [15]. Благонадежность управляющего показывает, насколько эксперт уверен в том, что управляющий будет считать себя обязанным вернуть долг с процентами. При решении этого вопроса польские банки без колебаний полагаются на сведения, полученные из полиции. Смысл остальных четырех переменных ясен без комметнариев: возраст управляющего, число работников, стаж работы управляющего на руководящей работе (а) в бизнесе вообще, {Ъ) - на данной фирме.
ГРУППА С: Макроэкономические показатели (6 переменных)
Шансы МСП на выживание зависят от следующих важнейших макроэкономических факторов: инфляция, прямые налоги, косвенные налоги, таможенные и акцизные сборы, курсы обмена иностранных валют. Несомненно, что введение в июле 1993 г. налога на добавленную стоимость поднимет уровень цен, и такое изменение будет очень чувствительным в ситуации, когда покупательная способность и рентабельность падают. Экологическая безопасность производства в настоящий момент, может быть, не имеет решающего значения, однако ввиду того, что южные районы Польши сильно загрязнены.
| | | | | |
| 0.79 | 0.91 | 1.18 | f.i -0.68 | -1.25 |
| « 1.12 | 1.04 | 1.15 | 1я 0.91 | 0.47 |
| -1.07 | и 0.53 | 0.07 | „ , 1.08 | -0.29 |
| . -0.94 | , -0.25 | . -0.31 | ао -1-1 | 0.95 |
| 0.95 | , 0.25 | . 1.89 | -0.4 | 0.39 |
| -0.93 | i -0.38 | , ; 0.03 | 1У -0.05 | 0.38 |
| 1.26 | -1.63 | , -0.46 | ы; 0.66 | 2.02 |
| 1.26 | . 0.11 | ..• -1.77 | п -1.07 | -0.99 |
| -0.28 | 0.98 | -1.87 | 1.78 | -2.02 |
| 1.02 | -2.11 | -0.4 | -0.54 | -1.39 |
Таблица 8.2. Числовые характеристики объектов
Показатель ошибки 41% нуждается в уточнении. Дело в том, что ошибки бывают двух типов. Ошибка 1-го рода- это когда заем предоставлен и фирма обанкротилась, а 2-го рода - когда в предоставлении займа было отказано, и напрасно, потому что он принес бы
пять новых измерений охватывают большую часть степеней свободы, имевшихся в исходных данных. В отличие от MDA, которая не может работать с данными в исходном виде, сеть способна воспринимать информацию в различной форме. Поэтому мы брали не одну, а две сети и обучали одну из них на исходном множестве данных, а другую - на преобразованном. По результатам второго эксперимента можно сравнивать между собой качество работы сети и MDA.
АГК был выполнен с помощью модуля обработки категорий пакета SPSS+/PC, версия 5.01. В приложении 2 к этой главе приведены веса компонент в 5 значимых измерениях и собственные числа. Для примера там были взяты 10 первых компаний.
MDA КАК ТОЧКА ОТСЧЕТА
Используя полученные из АГК числовые характеристики объектов, мы провели стандартный линейный множественный дискриминантный анализ с одинаковыми (равными 33%) априорными вероятностями принадлежности элемента .группам. Правильно были классифицированы 41% от общего числа случаев, и это несколько лучше 33-процентной точности, которая получилась бы при случайном отнесении объекта к той или иной группе. Табл. 8.6 ниже - это таблица неправильных классификаций, которая также называется матрицей ошибок.
Размерность
Объект
экологическая безопасность проекта может положительно повлиять на решение о предоставлении кредита. Для поддержки «зеленых» проектов была создана специальная общественная организация - Национальный фонд защиты окружающей среды и водных ресурсов.%и r.-liAttl • .4-
ГРУППА D: Финансовые показатели = д. (5 переменных)«кп)
Финансовые показатели заимствованы из «Z-модели» MDA Альтмана. Чистая маржа - это отношение чистого дохода к обороту. Коэффициент покрытия при обслуживании долга - это отношение прибыли до уплаты процентов и налогов (EBIT) к затратам на выплату процентов. Отношение ликвидности фирмы к сумме долговых обязательств выражает степень ликвидности позиции фирмы. Рост объема продаж- относительное (процентное) увеличение общего объема продаж - можно рассматривать как трендовую переменггую. Наконец, дебиторский показатель - это средний срок платежей в днях (средний дебет / [чистый объем продаж х 360]).
Для обработки данных использовалась MBPN-сеть с логистическими функциями активации. Предполагалось, что после обучения сеть будет в состоянии правильно классифицировать новые (незнакомые ей) компании. В качестве исходной точки для сравнений была взята обычная линейная MDA-модель. Однако для метода MDA требуется, чтобы переменные были числовыми,- с буквенными или порядковыми переменными он работать не может. Проблема сведения всех показателей к числовым была решена при помощи нелинейного анализа главных компонент.
Нелинейный анализ главных компонент
С помощью нелинейного анализа главных компонент (АГК) мы не только преобразовали буквенные и порядковые переменные в числовые, но и уменьшили размерность множества данных с 26 (число переменных) до 5 (число значимых факторов). После этого, конечно, становится труднее представить себе суть этих новых составных переменных и понять, какое влияние каждая из них оказывает на результаты классификации. При АГК для каждого наблюдения вычисляются определенные числовые показатели этого объекта в каждом значимом измерении. Эти показатели (которые можно назвать количественными выражениями того, обладает ли объект тем или иным свойством) и используются в качестве входных данных для MDA. В итоге АГК дает новый набор данных меньшей размерности, чем у исходного (5 вместо 26), где уже все переменные являются числовыми. Конечно, эти два набора данных тесно связаны, поскольку