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 50. Procentil Medián 25. Procentil
240
Min
149
Průměr
227
203 182
Celková likvidita Převodní tabulka mezi bazickými body a ratingovými stupni Rating AAA AA A BBB BB B CCC
Hodnocení 1 2 3 4 5 6 7
Hodnoty likvidity Bazické body < 2,5 ; 3 > 1000 < 2,3 ; 2,49 > 500 - 1000 < 1,8 ; 2,29 > 333 - 500 < 1,5 ;1,79 > 250 - 333 < 1 ; 1,49 > 167 - 250 < 0 ; 0,99 > 143 - 167 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.
Rating a ukazatele - všechny 3 NACE 1000 Celková likvidita
900 800
Pohotová likvidita
Počet výskytů
700 Okamžitá likvidita
600 500
ROA
400 300
Míra vlastního kapitálu
200 Rating
100 0 0%
10%
20%
30%
40% 50% 60% Bázické body (bps)
70%
80%
90%
100%
Výskyt ratingu - všechny 3 NACE 45 40 35
Počet výskytů
30 25 20 15 10 5 0 130155180205230255280305330355380405430455480505530555580605630655680705730755780805830855880905930955980 Bázické body (bps)
Pohotová likvidita - všechny 3 NACE 100 90 80
Počet výskytů
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
Okamžitá likvidita - všechny 3 NACE 160 140 120
Počet výskytů
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
ROA - všechny 3 NACE 160 140 120
Počet výskytů
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
MVK - všechny 3 NACE 40 35 30
Počet výskytů
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 Hodnota ukazatele
1
Ekonomická výkonnost měřená v bazických bodech RATING 400 380
Míra vlastního kapitálu
360
CZ-NACE 45-staveb.
Celková likvidita
340 CZ-NACE 40-energet.
320 300
ROA
CZ-NACE 26-sklo, stavební hm.
Pohotová likvidita
Okamžitá likvidita
Všechny CZ-NACE
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!
