BANKROTNÍ A BONITNÍ MODELY PŘI HODNOCENÍ PRAVDĚPODOBNOSTI ÚPADKU FIRMY Ing. Jana Kotěšovcová, Ing. Václav Leinweber, PhD., MBA
Hlavní cíle zkoumání, výběr metodologie Hlavní cíle zkoumání: Cílem výzkumné práce bylo vybrat vhodné ukazatele pro stanovení ratingu firem. Otestovat 33 vybraných ukazatelů, Vybrat nejvhodnější ukazatele, Na 600 testovaných firem otestovat vybrané ukazatele a přiřadit jim ratingového hodnocení. Metodologie: K výběru ukazatelů jsme využili statistické metody rozptylu, směrodatné odchylky. Pro znázornění vhodných ukazatelů jsme vycházeli z Gaussovy zvonové křivky normálního rozdělení hustoty. Využili jsme metodu rozčlenění ukazatele na jednotlivé meze a přiřazení konkrétního ratingu každé z těchto mezí, která byla použita v modelu řízení rizika společnosti od J. P. Morgana Credics Matrics v kapitole 8. Asset value model, který využívá ukazatele procentní změny hodnoty aktiv.
Zdroje dat, kritéria výběru firem, metodologie Zdroje dat pro testování ukazatelů: Účetní závěrky 600 českých podniků v roce 2010, získaných z výročních zpráv společností a pomocí programu Albertina. Kritériem výběru firem: Firmy v oboru stavebnictví, sklářského průmyslu a energetiky.
Postup při vytváření bonitního ratingového modelu Ukazatele: Z 33 ukazatelů jsme vybrali ty ukazatele, které tvarem odpovídají zvonovému tvaru normálního rozdělení Gaussovy křivky. Hodnotě každého ukazatele jsme přiřadili konkrétní hodnocení na základě vzájemného vztahu mezi ratingem a rozptylem analyzovaných hodnot, vypočítaných pomocí směrodatné odchylky. Stanovili jsme hranice intervalů spolehlivosti pomocí normálního rozdělení četností s parametry m a s u jednotlivých skupin firem. Výsledkem byla soustava ukazatelů, které jednotlivě vypovídají o tom, jaká je z pohledu ukazatelů pravděpodobnost, že společnost nepatří mezi nejhorší společnosti.
Postup při vytváření bonitního ratingového modelu Dojde tak k přiřazení příslušného ratingu každému pásmu ohraničenému horní a spodní mezí. Pásmo hodnot ukazatele, které všechny spadají do 70 % pravděpodobnosti, že společnost nepatří mezi nejhorší podniky 50%, 65%, 70%, 75%, 80%, 85%, 90% a 95% Jedná se celkem o 8 mezí, které rozdělují celé pásmo na 9 intervalů, které využijeme pro vybraných 7 ukazatelů. Využijeme ratingové hodnocení AAA, AA,,D.
Ukazatel Rating (bps) Max 731 99. Procentil 599 95. Procentil 400 75. Procentil 240 50. Procentil - Medián 203 25. Procentil 182 Min 149 Průměr 227
Celková likvidita Převodní tabulka mezi bazickými body a ratingovými stupni Rating Hodnocení Hodnoty likvidity Bazické body AAA 1 < 2,5 ; 3 > 1000 AA 2 < 2,3 ; 2,49 > 500-1000 A 3 < 1,8 ; 2,29 > 333-500 BBB 4 < 1,5 ;1,79 > 250-333 BB 5 < 1 ; 1,49 > 167-250 B 6 < 0 ; 0,99 > 143-167 CCC 7 hodnota > 3 ;hodnota < 0 0-167
Souvislost mezi ratingovými stupni a směrodatnou odchylkou ukazatele Gaussovu křivku je možné interpretovat tak, že každé hodnotě ukazatele, která se nalézá na ose x (na obrázku je stupnice rozčleněna tak, jak tomu odpovídá ve zvonové křivce), lze přiřadit konkrétní rating. Zároveň se standardním označením ratingu (v našem případě AAA D) můžeme každý z ratingů označit i číslem, protože s čísly lze lépe pracovat.
Sestavení rovnice přímky Vezměme například interval mezi ratingy AA a A, kterým odpovídají příslušné hodnoty na ose x, vidíme, že tento vztah mezi ratingem a směrodatnou odchylkou, vyjádřený přímkou p, vede ke trojúhelníku ABC. Následně jsou stanoveny souřadnice bodů A, B, C, souřadnice vektoru charakterizujícího přímku p, což nám dále umožňuje sestavit rovnici přímky p.
Postup při vytváření bonitního ratingového modelu Použili jsme ukazatele z oblasti likvidity, rentability, a kapitálové struktury, celkem 5 ukazatelů. Vybrali jsme na základě testování následující ukazatele: celková likvidita okamžitá likvidita celková likvidita rentabilita aktiv ROA míra zadluženosti vlastního kapitálu Nejvíce se Gaussovu normálnímu rozdělení hustoty blíží ukazatel míra vlastního kapitálu.
Výskyt ukazatele míra vlastního kapitálu se nejvíce blíží Gaussovu rozdělení četností
Výskyt ukazatele celkové likvidity
Výskyt ukazatele okamžité likvidity
Ukazatele jsme sloučili do jednoho souhrnného, který hodnotí rating firmy, dostali jsme křivku blížící se Gaussovu normálnímu rozdělení hustoty, kde je zřejmé, že rating, sestavený z ukazatelů, které nevytváří Gaussovu křivku, se může ke tvaru Gaussovy křivky více či méně blížit.
Počet výskytů Rating a ukazatele - všechny 3 NACE 1000 900 800 Celková likvidita Pohotová likvidita 700 600 500 400 300 200 100 0 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% Bázické body (bps) Okamžitá likvidita ROA Míra vlastního kapitálu Rating
Počet výskytů 45 Výskyt ratingu - všechny 3 NACE 40 35 30 25 20 15 10 5 0 130155180205230255280305330355380405430455480505530555580605630655680705730755780805830855880905930955980 Bázické body (bps)
Počet výskytů 100 Pohotová likvidita - všechny 3 NACE 90 80 70 60 50 40 30 20 10 0-0,1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3 Hodnota ukazatele
Počet výskytů 160 Okamžitá likvidita - všechny 3 NACE 140 120 100 80 60 40 20 0-0,1 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2 1,3 1,4 1,5 1,6 1,7 1,8 1,9 2 2,1 2,2 2,3 2,4 2,5 2,6 2,7 2,8 2,9 3 Hodnota ukazatele
Počet výskytů 160 ROA - všechny 3 NACE 140 120 100 80 60 40 20 0 0 0,02 0,04 0,06 0,08 0,1 0,12 0,14 0,16 0,18 0,2 0,22 0,24 0,26 0,28 0,3 0,32 0,34 0,36 0,38 0,4 0,42 0,44 0,46 0,48 Hodnota ukazatele
Počet výskytů 40 MVK - všechny 3 NACE 35 30 25 20 15 10 5 0 0 0,04 0,08 0,12 0,16 0,2 0,24 0,28 0,32 0,36 0,4 0,44 0,48 0,52 0,56 0,6 0,64 0,68 0,72 0,76 0,8 0,84 0,88 0,92 0,96 1 Hodnota ukazatele
Ekonomická výkonnost měřená v bazických bodech R A T I N G 400 380 Míra vlastního kapitálu 360 340 320 Celková likvidita CZ-NACE 45-staveb. CZ-NACE 40-energet. 300 CZ-NACE 26-sklo, stavební hm. ROA Pohotová likvidita Všechny CZ-NACE Okamžitá likvidita
Závěrem Tři obory, které jsme testovali, stavebnictví, sklářský průmysl a stavební hmoty a energetiku nám dali kritéria pro komparaci dalších společností z testovaných oborů. Bylo by dobré v této analytické práci dále pokračovat, rozšířit databázi i na další obory a pravidelně aktualizovat o nová aktuální data. K tomu jsme předpokládali sestavit benchmarkingový model, který by se průběžně minimálně jednou ročně aktualizoval o nová data a sloužil by firmám.
Děkuji Vám za pozornost!