Analysis of Bankruptcy Risk Factors of Russian Industrial Companies

Abstract

Прогнозированию банкротства компаний и выявлению специфических его факторов посвящено множество научных исследований, включая изучение проблематики охвата широкого пула детерминантов банкротства, в том числе отраслевых значимых факторов, использования современных высокоточных методов прогнозирования. Особой важностью отличается исследование данного вопроса в условиях роста количества инициируемых процедур банкротства в рамках такого системообразующего сектора экономики, как промышленное производство. Целью данной работы стало выявление значимых факторов риска банкротства российских промышленных предприятий. В рамках достижения поставленной цели были выделены ключевые подходы к прогнозированию риска банкротства, отобраны отечественные и зарубежные модели прогнозирования, проведено эмпирическое исследование. Исследование проводилось на выборке 1119 компаний сектора промышленности за период 2013-2022 г., включая предприятия обрабатывающих производств, добычи полезных ископаемых, электроэнергетики и водоснабжения. Путем построения моделей логистической регрессии и случайного леса были выявлены отдельные факторы риска банкротства и значимые группы факторов для каждой из составляющих сектора, осуществлено их ранжирование, проведено сравнение предсказательной способности выбранных методов. Таким образом, в рамках данной работы было установлено влияние факторов групп оборачиваемости, ликвидности и платежеспособности на банкротство предприятий обрабатывающего сектора, групп структуры капитала и ликвидности - на сектор добычи полезных ископаемых. Аналогичным образом была определена значимость групп факторов оборачиваемости, финансовой устойчивости и структуры капитала для сектора электроэнергетики, важность факторов оборачиваемости, рентабельности и ликвидности для сектора водоснабжения. Кроме того, была подтверждена необходимость учета отраслевых особенностей для прогнозирования риска банкротства, установлена высокая прогностическая способность алгоритма машинного обучения (случайного леса).

Many scientific studies have been devoted to forecasting the bankruptcy of companies and identifying its specific factors, including questions regarding wide pool of bankruptcy determinants of bankruptcy and industry-specific significant factors in particular, the use of modern high-precision forecasting methods. It should be noted that the study of this issue in the context of an increasing number of initiated bankruptcy procedures within the backbone sector of the economy, the industrial production is of significant importance. The purpose of this paper is to identify significant risk factors for bankruptcy of Russian industrial companies. In order to achieve this goal, key approaches to forecasting bankruptcy risk were identified, Russian and foreign forecasting models were selected, and an empirical study was conducted. The study was conducted on a sample of 1,119 companies in the industrial sector for the period 2013-2022, including industrial enterprises, companies of mining industry, electric power, and water supply sectors. By building models of Logistic Regression and Random Forest, individual bankruptcy risk factors and significant groups of factors for each of the components of the industrial sector were identified, their ranking was carried out, and the predictive ability of the selected methods was compared. Thus, within the framework of this paper, the influence of turnover, liquidity, and solvency ratios on the bankruptcy of manufacturing enterprises, the impact of capital structure and liquidity ratios on the mining sector’ insolvency was determined. Similarly, the importance of turnover, financial stability and capital structure ratios for the electric power sector, the importance of turnover, profitability and liquidity ratios for the water supply sector were determined. In addition, the need to consider industry specifics for predicting bankruptcy risk was confirmed, as well as the high predictive ability of the machine learning algorithm (random forest) applied to the bankruptcy prediction as a classification task.