Все
 
 
 


Анализ факторов банкротства российских застройщиков
 
Код статьиS042473880018089-6-1
DOI10.31857/S042473880018089-6
Тип публикации Статья
Статус публикации Опубликовано
Авторы
Косякина Анастасия Игоревна 
Должность: Младший научный сотрудник Лаборатории социально-экономических проблем регулирования
Аффилиация: ИКНД РАНХиГС
Адрес: Российская Федерация, 119571, Москва, пр. Вернадского, 82
Название журналаЭкономика и математические методы
ВыпускТом 58 Номер 4
Страницы92-101
Аннотация

В 2019 году в России произошел переход к проектному финансированию жилищного строительства. В результате, на конец 2021 г. более 73% площади строящихся квартир реализуются с использованием счетов эскроу. Однако, порядка 21% продаваемых квартир возводится застройщиками, находящимися в процессе банкротства. Региональные рынки первичного жилья являются, во-первых, сегментированными, во-вторых, в отдельных регионах – преимущественно в регионах Крайнего Севера, Восточной Сибири и Дальнего Востока – наблюдается высокая концентрация застройщиков, что может приводить к дополнительным негативным последствиям с точки зрения развития рынков жилья этих регионов в случае банкротств их компаний. В этой ситуации актуально формировать дополнительные инструменты оценки рисков банкротства компаний, чтобы в дальнейшем иметь возможность своевременно предотвращать негативные последствия. Несмотря на то, что вопросам моделирования рисков банкротства фирм посвящено большое число научных публикаций как зарубежных, так и отечественных исследователей, лишь незначительное число авторов затрагивали вопросы оценки финансовой устойчивости российских застройщиков. Новизна настоящего исследования состоит в построении модели прогнозирования вероятности банкротств застройщиков в России (то есть системы управления рисками) на основе оригинальной базы данных, в которую помимо финансовых коэффициентов из отчетности компаний включены также специфические для отрасли показатели. Цель работы – построение количественной модели риска банкротства застройщиков в кратко- и среднесрочной перспективе на основе легко наблюдаемых характеристик их деятельности. Полученные результаты показывают, что вероятность банкротства велика для компаний с низкими значениями рентабельности активов, коэффициента оборачиваемости активов и коэффициента текущей ликвидности. Дополнительными факторами, снижающими вероятность банкротства, являются факт вхождения застройщика в группу компаний, наличие опыта строительства жилья. Также на финансовую устойчивость компаний в отрасли в целом влияют макроэкономические шоки.

Ключевые словажилищное строительство, вероятность банкротства, финансовая устойчивость, строительные компании, деятельность застройщиков, логит-модели, проектное финансирование, риск-ориентированное регулирование
Источник финансированияСтатья подготовлена в рамках выполнения научно-исследовательской работы государственного задания РАНХиГС
Получено24.12.2021
Дата публикации07.12.2022
Кол-во символов42636
Цитировать  
100 руб.
При оформлении подписки на статью или выпуск пользователь получает возможность скачать PDF, оценить публикацию и связаться с автором. Для оформления подписки требуется авторизация.

Оператором распространения коммерческих препринтов является ООО «Интеграция: ОН»

Всего подписок: 0, всего просмотров: 240

Оценка читателей: голосов 0 

1. Демешев, Б. Б., Тихонова, А. С. (2014). Прогнозирование банкротства российских компаний: межотраслевое сравнение // Экономический журнал Высшей школы экономики. Т. 18. № 3. С. 359-386.
2. Дробышевский, С., Зубарев., А. (2011). Факторы устойчивости российских банков в 2007–2009 гг. (стр. 108). Москва: Ин-т Гайдара.
3. Жданов, В., Афанасьева, О. (2011). Модель диагностики риска банкротства предприятий авиационно-промышленного комплекса // Корпоративные финансы. Т. 20. № 4. С. 77–89. DOI: https://doi.org/10.17323/j.jcfr.2073-0438.5.4.2011.77-89. 
4. Макеева, Е. Ю., Бакурова, А. О. (2012). Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей // Корпоративные финансы. Т. 6. № 3. С. 22-29. DOI: https://doi.org/10.17323/j.jcfr.2073-0438.6.3.2012.22-30. 
5. Могилат, А. Н. (2019). Оценка финансовой устойчивости российских промышленных компаний, или О чем говорят банкротства // Вопросы экономики. № 3. С. 101-118. DOI: https://doi.org/10.32609/0042-8736-2019-3-101-118. 
6. Стерник, С. Г., Стерник, Г. М. (2018). Методика прогнозирования объемов ввода на локальном рынке строительства и продажи жилья // Жилищные стратегии. Т. 5. № 2. С. 131-151.
7. Федорова, Е. А., Тимофеев, Я. В. (2015). Разработка моделей прогнозирования банкротства российских предприятий для отраслей строительства и сельского хозяйства // Финансы и кредит. Т. 32. № 656. С. 2-10.
8. Afik, Z., Arad, O., Galil, K. (2016). Using Merton model for default prediction: An empirical assessment of selected alternatives // Journal of Empirical Finance. Vol. 35, P. 43-67. DOI: https://doi.org/10.1016/j.jempfin.2015.09.004 
9. Altman, E. I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // The Journal of Finance. Vol. 23. No. 4. P. 589-609. DOI: https://doi.org/10.1111/j.1540-6261.1968.tb00843.x 
10. Balcaen, S., Ooghe, H. (2006). 35 years of studies on business failure: an overview of the classic statistical methodologies and their related problems // The British Accounting Reviev. Vol. 38. No. 1. P. 63-93. DOI: https://doi.org/10.1016/j.bar.2005.09.001 
11. Beaver, W. (1966). Financial ratios as predictors of failure // Journal of accounting research. Vol. 71-111. DOI: https://doi.org/10.2307/2490171 
12. Chava, S., Jarrow, R. A. (2004). Bankruptcy prediction with industry effects // Review of Finance. Vol. 8. No. 4. P. 537-569. DOI: https://doi.org/10.1093/rof/8.4.537 
13. Danenas, P., Garsva, G. (2015). Selection of support vector machines based classifiers for credit risk domain // Expert Systems with Applications. Vol. 42. No. 6. P. 3194-3204. DOI: https://doi.org/10.1016/j.eswa.2014.12.001 
14. Ding, A. A., Tian, S., Yu, Y., Guo, H. (2012). A class of discrete transformation survival models with application to default probability prediction // Journal of the American Statistical Association. Vol. 107. No. 499. P. 990-1003. DOI: https://doi.org/10.1080/01621459.2012.682806 
15. Du, Jardine. P. (2010). Predicting bankruptcy using neural networks and other classification methods: The influence of variable selection techniques on model accuracy // Neurocomputing. Vol. 73. No. 10-12. P. 2047-2060. DOI: https://doi.org/10.1016/j.neucom.2009.11.034 
16. Gepp, A., Kumar, K. (2012). Business failure prediction using statistical techniques: A review // Some recent developments in statistical theory and applications. P. 1-25.
17. Hillegeist, S. A., Keating, E. K., Cram, D. P., Lundstedt, K. G. (2004). Assessing the probability of bankruptcy // Review of accounting studies. Vol. 9. No. 1. P. 5-34. DOI: https://doi.org/10.1023/B:RAST.0000013627.90884.b7 
18. Jabeur, S. B. (2017). Bankruptcy prediction using partial least squares logistic regression // Journal of Retailing and Consumer Services. Vol. 36. P. 197-202. DOI: https://doi.org/10.1016/j.jretconser.2017.02.005 
19. Karas, M., Srbov?, P. (2019). Predicting bankruptcy in construction business: Traditional model validation and formulation of a new model // Journal of International studies. Vol. 12. No. 1. P. 283-296. DOI: https://doi.org/10.14254/2071-8330.2019/12-1/19 
20. Lee, S., Choi, W. S. (2013). A multi-industry bankruptcy prediction model using back-propagation neural network and multivariate discriminant analysis // Expert Systems with Applications. Vol. 40. No. 8. P. 2941-2946. DOI: https://doi.org/10.1016/j.eswa.2012.12.009 
21. Lensberg, T., Eilifsen, A., McKee, T. E. (2006). Bankruptcy theory development and classification via genetic programming // European Journal of operational research. Vol. 169. No. 2. P. 677-697. DOI: https://doi.org/10.1016/j.ejor.2004.06.013 
22. Lin, T. H. (2009). A cross model study of corporate financial distress prediction in Taiwan: Multiple discriminant analysis, logit, probit and neural networks models // Neurocomputing. Vol. 72. No. 16-18. P. 3507-3516. DOI: https://doi.org/10.1016/j.neucom.2009.02.018 
23. Makeeva, E. U., Neretina, E. A. (2013a). A binary model versus discriminant analysis relating to corporate bankruptcies: the case of Russian construction industry // Journal of Accounting, Finance and Economics. Vol. 3. No. 1. P. 65-76.
24. Makeeva, E., Neretina, E. (2013b). The prediction of bankruptcy in a construction industry of Russian Federation // Journal of Modern Accounting and Auditing. Vol. 9. No. 2. P. 256-271.
25. Martin, D. (1977). Early warning of bank failure: A logit regression approach // Journal of banking & finance. Vol. 1. No. 3. P. 249-276. DOI: https://doi.org/10.1016/0378-4266 (77)90022-X
26. Min, S. H., Lee, J., Han, I. (2006). Hybrid genetic algorithms and support vector machines for bankruptcy prediction // Expert systems with applications. Vol. 31. No. 3. P. 652-660. DOI: https://doi.org/10.1016/j.eswa.2005.09.070 
27. Odom, M. D., Sharda, R. (1990). A neural network model for bankruptcy prediction // IJCNN International Joint Conference on neural networks. P. 163-168. DOI: https://doi.org/10.1109/IJCNN.1990.137710 
28. Ohlson, J. A. (1980). Financial ratios and the probabilistic prediction of bankruptcy // Journal of accounting research. Vol. 18. No. 1. P. 109-131. DOI: https://doi.org/10.2307/2490395 
29. Shumway, T. (2001). Forecasting bankruptcy more accurately: A simple hazard model // The journal of business. Vol. 74. No. 1. P. 101-124. DOI: https://doi.org/10.2139/ssrn.171436 
30. Slowinski, R., Zopounidis, C. (1995). Application of the rough set approach to evaluation of bankruptcy risk // Intelligent Systems in Accounting, Finance and Management. Vol. 4. No. 1. P. 27-41. DOI: https://doi.org/10.1002/j.1099-1174.1995.tb00078.x 
31. Zmijewski, M. E. (1984). Methodological issues related to the estimation of financial distress prediction models // Journal of Accounting research. Vol. 22. P. 59-82. DOI: https://doi.org/10.2307/2490859

Распределение компаний-застройщиков по возрасту (Kosyakina-ris-1.pdf, 33 Kb) [Скачать]

Распределение регионов РФ по доле проблемных домов среди строящихся объектов (Kosyakina-ris-2.pdf, 71 Kb) [Скачать]

Распределение регионов РФ по доле банкротств среди компаний-застройщиков в соответствующем регионе (Kosyakina-ris-3.pdf, 68 Kb) [Скачать]

Система Orphus

Загрузка...
Вверх