Analysis of factors of financial insolvency risk of Russian companies

Abstract

Данное исследование поднимает проблематику определения основных факторов финансовой несостоятельности компаний на российском рынке. Объектом исследования является выборка крупных компаний различных отраслей на промежутке 2009-2020 годов. В работе анализируется более 30 различных факторов, включая показатели структуры капитала, рентабельности, оборачиваемости, финансовой устойчивости и ликвидности. Для анализа факторов, не включённых в классические регрессионные модели и обработки большого массива наблюдений в работе, кроме моделей логистических регрессий, используются алгоритмы машинного обучения: случайный лес и нейронная сеть. Особое внимание в работе уделяется определению направления взаимосвязи и весов факторов финансовой несостоятельности российского бизнеса. Анализ выполнялся как для выборки в целом, так и для отраслевых подвыборок: компаний сферы производства, торговли и услуг. Было зафиксировано, что для производственных компаний и сферы услуг наибольшую роль играют показатели структуры капитала. В свою очередь, для торговых компаний основными являются показатели рентабельности. В исследовании также проводилось сравнение объясняющей силы логит-моделей, случайного леса и нейронных сетей при помощи непараметрического теста Мак-Немара. Работа может представлять особый интерес для акционеров компании, её менеджмента, совета директоров, аналитиков, кредиторов и ряда других сторон с точки зрения понимания ориентиров для определения текущего финансового положения компании.

This paper aims at determining the key factors of financial insolvency of Russian firms. The sample consists of large companies from the main industries in the 2009-2020 period. More than 30 factors including capital structure indicators, profitability, turnover rates, financial stability and liquidity are analyzed in the research. Along with conventional logistic regression models, the research includes the application of machine learning algorithms such as random forest and neural network. These methods allow processing a larger array of observations and encompassing a range of factors that are not included in previously developed models. The main focus of the study is to identify the weights of factors and the direction of the relationships between the factor and the bankruptcy probability. Along with the general sample, three sub-samples were drawn for the analysis: production companies, trade companies, and service companies. It was found that for production companies and service companies the capital structure indicators are the most important, whereas for trade companies the profitability indicators demand the most attention. The research also provides the comparison of models’ and algorithms explanatory power with the McNemar's test. The paper can be used by the company’s shareholders, its management and the board of directors, internal and external analysts, creditors, and other stakeholders in order to assess the entity’s current financial position.