Metodika hodnocení ekonomicky spjatých skupin ČR Výsledky projektu a možnosti jeho uplatnění v praxi Praha 17. 2. 2015 Jan Cikler, Luděk Mácha
Ekonomicky spjatá skupina Ekonomicky spjatá skupina komplexní organismus složený z velkého množství majetkově, personálně, obchodně či jinak spojených subjektů Vymezení Ekonomicky spjaté skupiny ČNB: Kvalifikovaná účast osoby na jiné osobě Kvalifikovaná účast osoby na více nezávislých osobách Stejná osoba popř. osoby blízké ve statutárních či kontrolních orgánech Propojení zárukami nebo úvěry Propojení vzájemnými obchodními vztahy V zahraniční literatuře často pouze analýza lokálního propojení malého vzorku, popř. identifikace konečného vlastníka či studium vazeb na první úrovni Studie velkých korporací z hlediska vazeb je stále na začátku Hodnocení ESS z hlediska jejich rizikovosti dosud neexistuje!!! Znalost všech přímých i nepřímých vazeb může zredukovat riziko lokálního či globálního selhání 2
Příklady A A 20 % B 20 % B C ovládá ovládá Osoba A má přímý podíl na základním kapitálu nebo D hlasovacích právech osoby B ve výši 20 % Osoba A má nepřímý podíl na základním kapitálu nebo hlasovacích právech osoby D ve výši 20 % 3
Příklady B ovládá A 7 % 7 % C Osoba A má přímý podíl v osobě C 7 % a zároveň v té samé osobě nepřímý podíl rovněž 7 %. Osoba A je proto osobou s kvalifikovanou účastí ve výši 14 % v osobě C 4
Příklady nepřímý podíl Vlastní vnitřní předpisy bankovních domů pro posouzení propojenosti osob či subjektů Neveřejné Příklad najít skupinu s majetkovou vazbou nad 50 % A 51 % B C 51 % 38 % D 26 % 26 % E Do ESS patří A, B, C a E Do ESS nepatří D 5
Příklady nepřímý podíl Příklad najít skupinu s majetkovou vazbou nad 50 % Patří E do takto definované ESS? N/A 51 % 49 % 49 % A 51 % 38 % B C D 48 % 26 % 26 % E A vlastní v E 26,52 % Neznámý vlastník (vlastníci?) 73,48 % 6
Příklad z praxe Jaký má Praha nepřímý podíl v Pražské energetice? 7
Příklad z praxe Zobrazení všech podstatných majetkových vazeb EnBW přímý + nepřímý podíl 69,84 % Praha nepřímý podíl 29,61 % Neznámý vlastní 0,55 % 8
Schéma postupu hodnocení ESS Nalezení konečných vlastníků Klasifikace NI (negativní informace/jevy) Vytvoření kostry ESS Klasifikace vazeb Současnost Historie Napojení klíčových FO na kostru ESS Hodnocení FO z jejich historie Hodnocení konečných vlastníků, subjektů okolí ( dcerosester ) a vlastního subjektu Výsledné hodnocení ESS 9
Definice skupiny 1. Krok nalezení konečných vlastníků F A 49 % 49 % 51 % 51 % A vlastní v E 26,52 % F vlastní v E 73,48 % B 73,48 % 48 % 26 % C 26,52 % 26 % E 10
Definice skupiny 2. Krok majetkově propojené subjekty (nad 30 %) F 49 % 49 %? % 58,78 % přes E B 48 % 73,48% C 26 % 26 % 20 % 9,80 % přes C 68,58 % celkem E 80 % 11 G
Skupina kolem Pražské energetiky Praha 27. 11. 2014 12
Ohodnocení negativních informací Závažnost negativních informací hodnocena na základě rizika bankrotu (tvrdého defaultu) Tvrdý default V konkurzu V úpadku V konkurzu po zrušení VS Výpočet podmíněné pravděpodobnosti pro každý typ negativní informace Do hodnocení vstupuje normovaná pravděpodobnost bankrotu (riziko bankrotu) Vstupní informace: o počty standardních společností s negativní informací o počty zbankrotovaných společností s negativní informací 13
Možné scénáře bankrotu subjektu 1) X 4) X Bankrot Start NI > 500 dní 2) OK Start NI End NI Bankrot Start NI Bankrot 5) OK < 500 dní 3) OK Start NI End NI Bankrot Start NI Bankrot End NI 14
Ohodnocení vazeb Celkem vymezeno 114 typů vazeb Váha vazby určena na základě její relevance, která vychází z expertního ohodnocení Relevance: o Velmi vysoká o Vysoká o Střední o Střední až nižší o Nízká o Žádná 15
Ohodnocení fyzických osob Hodnocení fyzických osob vychází z klasifikace vazeb a negativních informací Vstupní informace nutné k ohodnocení FO: o Tabulka osob/objektů identifikovaných RČ nebo IČ o Tabulka vazeb o Tabulka ohodnocené relevance vazeb o Tabulka ohodnoceného rizika negativních informací 16
Příklad výpočtu skóre konkrétní fyzické osoby 17
Všechny vazby fyzické osoby: Petr Both (5.8.1974) Tabulka zobrazuje jednotlivé subjekty, které jsou ve vztahu s fyzickou osobou, začátek a konec vztahu a případné negativní informace subjektů spolu s informací o začátku a konci negativní informace a případném vlivu FO na NI Subjekt Negativní informace Riziko NI Start NI Konec NI Vazba s fyzickou osobou Váha vazby Start vazby Konec vazby Vliv osoby na NI EURO PELLETS s.r.o. Exekuce 0,057 8. 3. 2013 Jednatel 1 26. 3. 2012 ANO EURO PELLETS s.r.o. Návrh na konkurz 0,213 1. 4. 2013 1. 10. 2013 Jednatel 1 26. 3. 2012 ANO EURO PELLETS s.r.o. Exekuce 0,057 13. 3. 2012 Jednatel 1 26. 3. 2012 NE EURO PELLETS s.r.o. Bankrot 0,639 11.9.2013 Jednatel 1 26. 3. 2012 ANO Petr Both X X X X Společenství vlastníků jednotek domu Mučednická 33,35 Společenství vlastníků jednotek domu Mučednická 33,35 FOP a shoda před RČ 0,75 31. 7. 2000 X X X X X Orgány 0,75 12. 5. 2010 25. 10. 2013 X X X X X Místopředseda výboru 0,25 12. 5. 2010 X 18
Ohodnocení ekonomicky spjaté skupiny Konečné hodnocení ekonomicky spjaté skupiny okolo subjektu vychází z těchto tří hodnocení: 1. Ohodnocení samotného subjektu 2. Ohodnocení množiny konečných vlastníků subjektu 3. Ohodnocení množiny dcerosester subjektu Možnost volby počtu subjektů zahrnutých do ESS prostřednictvím parametrického omezení majetkového podílu (např. zahrnutím jen těch subjektů, jejichž majetková účast je >= 30 %) 19
HODNOCENÍ DCEROSESTER 2013 Výsledný stupeň ohodnocení ESS daného subjektu Příklad matice výpočtu konečné kategorie rizika pro subjekty ohodnocené stupněm B: SUBJEKT = B HODNOCENÍ KONEČNÝCH VLASTNÍKŮ A B C D E Není A X X X X X X B X X X X X X C X X X X X X D X X X X X X E X X X X X X Není X X X X X X Výsledná kategorie A A B B B A A B B B C B B B B C C B B B C C C C B C C C D C A B B C C - 20
Děkujeme za pozornost Jan Cikler, Luděk Mácha