Bc. Jiří Majer
14.5.2010
PREDIKCE FINANČNÍCH POTÍŢÍ A ÚPADKU STAVEBNÍHO PODNIKU
4
Anotace
Annotation
5
Klíčová slova
Key words
6
OBSAH 1.
Úvod ................................................................................................................................... 9
2.
Literární rešerše ................................................................................................................ 11 2.1
Pouţívané pojmy - legislativa.................................................................................... 11
2.2
Kdo se zabývá finančními úpadky a koho se týkají .................................................. 12
2.3
Důvody úpadku.......................................................................................................... 13
2.4
Náklady spojené s finančními potíţemi..................................................................... 14
2.5
Historie a vývoj modelů predikce úpadku ................................................................. 14
2.6
Typy modelů .............................................................................................................. 16
2.6.1
Bonitní modely ................................................................................................... 16
2.6.2
Bankrotní modely jednorozměrné ...................................................................... 17
2.6.3
Bankrotní modely vícerozměrné ........................................................................ 17
2.7
První dílčí závěr ......................................................................................................... 21
3.
Statistiky - úpadek firem a situace na českém stavebním trhu ......................................... 22
4.
Důvody úpadku podniků .................................................................................................. 24
5.
Symptomy úpadku ............................................................................................................ 26
6.
Čemu se při finančním vedení firmy vyvarovat ............................................................... 27
7.
Náklady spojené s úpadkem ............................................................................................. 28
8.
7.1
Náklady před úpadkem .............................................................................................. 28
7.2
Náklady vzniklé při a po úpadku ............................................................................... 29
Bankrotní modely a jejich úspěšnost v Čechách .............................................................. 29 8.1 Zdroje dat ....................................................................................................................... 29 8.2 Zpracování dat ................................................................................................................ 31 8.3 Úspěšnost modelů na českém stavebním trhu ................................................................ 32 8.3.1
Altmanovo Z-score ............................................................................................. 32
8.3.2
Indexu důvěryhodnosti ....................................................................................... 38
8.3.3
IN 99 ................................................................................................................... 41
8.3.4
Indikátor bonity .................................................................................................. 45
8.3.5
Beermanova diskriminační funkce ..................................................................... 49
8.3.6
Tafflerův model .................................................................................................. 51
8.3.7
Quick test............................................................................................................ 55
8.4 Dílčí závěr – zhodnocení predikční síly modelů ............................................................ 58 9.
Tvorba modelu pro český stavební trh ............................................................................. 60 9.1
Zdroj dat .................................................................................................................... 60 7
9.2
Výběr členů vzorce .................................................................................................... 60
9.3
Zpracování dat ........................................................................................................... 64
9.4
Výsledný vzorec a jeho úspěšnost ............................................................................. 66
9.4.1
Popis členů ......................................................................................................... 67
9.4.2
Volba hranic ....................................................................................................... 69
9.4.3
Úspěšnost modelu .............................................................................................. 70
Dílčí závěr.................................................................................................................. 72
9.5 10.
Rozbory známých českých stavebních úpadků (Case Studies) ..................................... 73
10.1
Podniky v likvidaci ................................................................................................ 73
10.1.1 Metal Progres, a.s. .............................................................................................. 74 10.1.2 CBPS s.r.o. ......................................................................................................... 75 10.1.3 Geosan Group, a.s. ............................................................................................. 76 10.1.4 AQ Okna, s.r.o. ................................................................................................... 76 10.2
Zdravé podniky ...................................................................................................... 77
10.3
Čtvrtý dílčí závěr .................................................................................................... 79
11.
Návrh na další postup práce .......................................................................................... 79
12.
Závěr.............................................................................................................................. 80
12.1
Souhrn dílčích závěrů ............................................................................................ 80
12.1.1 První dílčí závěr – Literární rešerše ................................................................... 80 12.1.2 Druhý dílčí závěr – Úspěšnost modelů na českém stavebním trhu .................... 80 12.1.3 Třetí dílčí závěr – Tvorba modelu pro český stavební trh.................................. 82 12.1.4 Čtvrtý dílčí závěr - Rozbory známých českých stavebních úpadků ................... 83 12.2
Vyhodnocení hypotéz ............................................................................................ 84
12.3
Závěr ...................................................................................................................... 85
13.
Soupis citací .................................................................................................................. 86
8
1. Úvod Cílem diplomové práce je zjistit, jaké modely pro predikci úpadku jsou vhodné pro český stavební trh. Druhým cílem je z nabitých zkušeností ze stávajících modelů sestavit nový model přímo pro tento trh. Pro úspěšné dosaţení těchto cílů slouţilo mnoho literárních zdrojů. Dále pak zcela zásadním prvkem byla databáze CreditInfo – firemní monitor, díky které bylo moţno zařadit do výzkumu téměř čtyři tisíce firem se všemi potřebnými účetními údaji. Na následné zpracování všech potřebných dat byl pouţit software Statistica, díky kterému bylo moţno vytvořit finální podobu nového modelu pro český stavební trh. Po nabytí potřebných teoretických znalostí byly sestaveny tyto hypotézy. Hypotéza 1: Je třeba u modelů vytvořených v zahraničí nastavit pro český trh niţší resp. „měkčí“ hranice pro predikci úpadku? Hypotéza 2: Jsou členy obsaţené ve stávajících modelech optimální pro český stavební trh? Hypotéza 3: Jsou modely vytvořené pro český trh úspěšnější neţ modely vytvořené v zahraničí? Hypotéza 4: Vytvořit model s dokonalou úspěšností nelze, protoţe důvody úpadku nejsou vţdy jen špatné finanční politiky podniku. Po úvodu následuje kapitola 2 – Literární rešerše, kde jsou sepsány teoretické znalosti, které autor nabyl z dostupné literatury. V této kapitole je popsána česká legislativa týkající se úpadku. Dále jsou pak rozebrány subjekty, kterých se úpadek týká, náklady a důvody úpadku. Podstatnou částí je pak představení modelů, které je moţno pouţívat pro predikci úpadku, jejich podoby a historický vývoj. Třetí kapitola se věnuje statistice podniků na českém trhu, jejich rozloţení a zastoupení dle odvětví. Ještě podstatnějšími informacemi v této kapitole jsou ty, které se týkají úpadků podniků. Dodávají celé práci patřičnou důleţitost, kterou si toto téma rozhodně zaslouţí. Jaké jsou důvody úpadků jak všeobecně tak i pouze na českém trhu, se rozebírá v následující kapitole číslo 4. Pokud jiţ firma směřuje do finančních potíţí, objevují v jejím chování a výsledcích různé symptomy. Ty jsou popsány v páté kapitole. 9
Kapitola 6 analyzuje, čemu by se vedení podniků mělo vyvarovat, aby předešlo finančním potíţím. V kapitole 7 se pak vyjmenovává a popisuje, jaké náklady jsou spojené s úpadkem společnosti. Náklady jsou rozděleny na ty, které vzniknou ještě před vyhlášeným konkurzem, a ty, které jsou spojeny s procesem insolvenčního řízení. Osmá kapitola plní první cíl diplomové práce, kterým je zjištění úspěšnosti bankrotních modelů. Kaţdý model je mimo jiné rozebírán i z pohledu vhodnosti pouţití, jeho nevýhod a nedostatků. Hlavní součástí je však zjištění jak je který model schopen predikovat úpadek. A to i s ohledem na dlouhodobější predikci. V kapitole 9 se popisuje, jak autor dospěl k novému modelu, který vytvořil přímo pro český stavební trh. Jsou zde popsány metody výběru vhodných ukazatelů, metody na určení koeficientů a metody, kterými se určily hranice oddělující zdravé podniky a podniky v úpadku. Desátá kapitola se věnuje ukázkovým příkladům firem. Jsou rozebrány a graficky znázorněny hodnoty čtyř podniků, které se dostaly v posledních letech do likvidace. V druhé části této kapitoly jsou porovnány výsledné hodnoty předních českých stavebních společností.
10
2. Literární rešerše Cílem této literární rešerše je vytvořit ucelený přehled znalostí, které autor diplomové práce nabyl z dostupné současné publikace týkající se tématu predikce finančních potíţí a případného úpadku firem. Jde o téma, které se blízce dotýká celého finančního vedení firmy, protoţe uţ samotné zamýšlení se nad tímto problémem vede finanční manaţery k úvahám jak správně vést společnost. Právě díky této provázanosti se tohoto tématu týká velká část knih o finančním managementu. Dalším zdrojem byly publikované články v Čechách i v zahraničí, články zveřejněné na internetu a v neposlední řadě i znalosti nabrané při výuce.
2.1 Pouţívané pojmy - legislativa Pro práci jsou důleţitá názvosloví termínů, která se v této práci budou vyskytovat. Samotný termín finanční tíseň (financial distress) popisuje Frank J. Fabozzi ve své knize „Financial management & analysis“ jako stav, kdy „ je pro firmu obtížné splácet platby svým věřitelům. Avšak ne všechny firmy s tímto problémem nakonec skončí s právním statusem bankrotu“[1, strana 606]. Edward I. Altman ve své knize “Corporate Financial Distress and Bankruptcy” uvádí čtyři v literatuře obecně pouţívané termíny spojené s tímto tématem: úpadek, insolventnost, default a bankrot („ failure, insolvency, default and bankruptcy“ [2, strana 4]). Úpadek z ekonomického hlediska znamená, kdyţ má společnost „nedostatečné tržby na pokrytí nákladů, kde průměrná návratnost na investici je neustále pod úrovní ceny kapitálu“[2, strana 4]. Insolvence je stav kdy „se firma nalézá v situaci, kdy celkové její závazky přesahují tržní hodnotu celkových aktiv“ [2, strana 5]. Firemní default dle profesora Altmana nastane, kdyţ „dlužník nedodrží obchodní podmínky smlouvy s věřitelem, čímž vznikne náležitý právní následek“ [2, strana 5]. Samotný bankrot je „právní opatření, které postihne osoby či podniky, které nejsou schopny dostát svým dluhům” [3] Takto fungují úpadky v Spojených státech amerických a dalších anglicky mluvících zemí. V Čechách byla tato problematika upravena zákonem o konkurzu a vyrovnání. Tento zákon však „prakticky neumožňoval jiné řešení dlužníkova úpadku, než prodej jeho majetku. Konkurs přitom často přicházel pozdě, věřitelé neměli větší vliv na průběh konkursu a k podstatným informacím o jednotlivých konkursech se dostávali složitě.“ [19] Tento nedokonalý zákon v roce 2008 nahradil nový Zákon 182/2006 Sb. o úpadku a způsobech jeho řešení (insolvenční zákon). Nový insolvenční zákon má mnoho výhod. Jendou z nich je, ţe „nabízí věřitelům a dlužníkovi možné a spravedlivé (a kolektivní) řešení dlužníkova úpadku a současně nabízí 11
nepodnikatelům možnost projít procesem oddlužení a zajistit si tak pro budoucnost osvobození od zbytků dluhů.“ [19] Dle samotného Insolvenčního zákona platí: „Dlužník je v úpadku, jestliže má a) více věřitelů a b) peněžité závazky po dobu delší 30 dnu po lhůtě splatnosti a c) tyto závazky není schopen plnit ("platební neschopnost").“ [20] Novinkou oproti bývalému zákonu je, ţe dluţník má více moţností jak svůj úpadek řešit. Těmito moţnostmi jsou: „a) konkurs, b) reorganizace, c) oddlužení a d) zvláštní způsoby řešení úpadku, které tento zákon stanoví pro určité subjekty nebo pro určité druhy případu.“ [20]
2.2 Kdo se zabývá finančními úpadky a koho se týkají Jak jiţ bylo zmíněno, predikce finančních potíţí se týká kaţdé firmy v její finanční sféře. Ovšem nejenom vedení firem se zajímá o budoucí vývoj finanční situace společností. Profesor Altman dokonce píše ve své knize, ţe „ počet profesionálů pracujících s jedinečností podnikové smrti roste v USA tolik, že se celé toto odvětví dá nazývat až „bankruptcy industry“. Celkově se počet lidí, kterých se touto problematikou zabývá, dá odhadnout minimálně na 40,000 osob globálně “ [2, strana vii]. Všechny procesy spojené s finančním úpadkem firem vytvářejí řadu profesí, které jsou pro celé řešení situace nutná. V první řadě jde o manaţery, kteří se samotné situaci úpadku firmy snaţí zabránit. Druhou a moţná ještě obsáhlejší skupinou jsou profese, které se zabývají řešením následků po samotném bankrotu, ať jiţ jde o právníky, soudy či účetní atd. Kniha Corporate Financial Distress and Bankruptcy vyjmenovává zainteresované profese a strany následovně: „ právníci, soudci a další pracovníci soudního prostředí; účetní, daňoví specialisté, bankéři, a ostatní finanční poradci pracující s dlužníky v likvidaci; investoři zajímající se o potenciální koupi a záchranu upadajících firem; a samozřejmě výzkumníky.“ [2, strana 11]. Dle insolvenčního zákona jsou procesními subjekty: „a) insolvenční soud, b) dlužník, c) věřitelé, kteří uplatňují svá práva vůči dlužníku, 12
d) insolvenční správce, popřípadě další správce, e) státní zastupitelství, které vstoupilo do insolvenčního řízení nebo do incidenčního sporu, a f) likvidátor dlužníka.“ [20]
2.3 Důvody úpadku Nad důvody úpadku firmy by se bezpodmínečně kaţdý manaţer měl minimálně zamyslet. Právě následek nesprávného vedení společnosti je v literatuře brán jako hlavní důvod úpadku. „Bez námitek, nejvíce všudypřítomný důvod finančních tísní a případných úpadků firem je některý druh manažerské nezpůsobilosti. Dun & Breadstreet přiřkli tomuto důvodu za následek až 90% všech nesnází. Je pravda, že firmy selhávají následkem kombinací více důvodů, ale manažerská neschopnost bývá vždy jádrem problému.” [2, strana 13]. Mezi další důvody se v literatuře udává: “ - chronicky nemocné obory průmyslu (např. textilní, zemědělský, atd) - deregulace klíčových odvětví (zdravotní péče, energie, finanční servis, atd) - vysoká úroková míra v určitém období - konkurence na lokální i mezinárodní úrovni - přeplněnost skrz celé odvětví - neúměrný nárůst zadluženosti společnosti - relativně vysoká úroveň vstupu nových firem do odvětví „ [2, strana 13] Uvedené příčiny mají rozhodně své opodstatnění, ale často však nejsou zcela ideálně vyjmenovány a sestaveny. Z pohledu autora by se příčiny daly lépe rozdělit do kategorií: problémy s konkurencí, problémy způsobené finanční politikou, manaţerské problémy a příčiny z ekonomického cyklu v odvětví. Kapitole 4 se tématu příčin úpadku firem věnuje podrobněji. Jedním důvodem malé neshody s literaturou bude fakt, ţe předchozí citace je z knihy vydané v Americe, tudíţ zohledňuje důvody úpadku na trhu v USA. Do kategorie manaţerských problémů určitě zapadají podvody buď účetní či jiné. Podvody se nejčastěji snaţí zakrýt falešnými účetními uzávěrkami pravdivá data, která ovšem pro firmu nejsou dostatečně pozitivní, tak aby zvýšily podnikový „goodwill“. Profesor Altman v knize uvádí, ţe „dva ze tří největších bankrotů v Americe (Conseco, Enron, WorldCom) byly spojené s podvodem (Enron a WorldCom). Například WorldCom měl účetní hodnotu aktiv cca 104 miliard dolarů, zatímco jejich tržní hodnota byla přibližně padesátkrát nižší.“ [2, strana 3]. Společnost Enron zase nadhodnocovala zisk, aby splnila odhady Wall Streetu a očekávání investorů.
13
2.4 Náklady spojené s finančními potíţemi S úpadkem firmy jsou vţdy spojeny přidané náklady. Jako příklad těchto nákladů udává kniha příklad ohledně jiţ zmiňovaného Enronu. „Například poplatky placené finančním poradcům pro bankroty při úpadku Enronu nakonec překročili částku jeden tisíc miliard (10^12) dolarů.“[2, strana 93]. Jde však o extrémní ukázku. Ovšem často náklady spojené s úpadkem společnosti můţou pro velkou firmu být relativně zanedbatelné, ale pro menší firmy můţou tyto náklady převýšit i zbylou hodnotu firmy a můţou se stát konečnou příčinou likvidace. V literatuře se tyto náklady dělí dle různých přístupů, buď na přímé a nepřímé nebo na náklady před a po bankrotu. „Přímé náklady zahrnují položky jako právní, administrativní a účetní položky. Tyto náklady se podle posledních výzkumů odhadují na 6,2 % hodnoty firmy. S nepřímými náklady se velice obtížně operuje a jejich odhad či výpočet je velice komplikovaný.“[1, strana 610] Dělení na náklady před a po bankrotu je dělení čistě dle toho, kdy náklady vzniknou. Ukázky a podrobnější řešením této problematiky je uvedeno v sedmé kapitole.
2.5 Historie a vývoj modelů predikce úpadku Právě proto, aby manaţeři mohli s případným úpadkem společnosti počítat jiţ dopředu, se vytvořily modely, které pomáhají identifikovat toto nebezpečí. Modely se od sebe vzájemně liší metodami a přístupy k výsledkům. Profesor Altman tvrdí, ţe „Skoro všechny kreditní statistické modely používané dnes jsou variace na stejné téma. Zahrnují kombinaci skupiny měřitelných finančních indikátorů o podnikovém výkonu.“ [4, strana 6]. První pokusy o tvorbu modelů se prováděly jiţ v třicátých letech minulého století. Ekonom Mervyn a další v té době začali sbírat vzorky a zkoumat, jaké účetní ukazatele budou mít největší vypovídající hodnotu ohledně finančního zdraví firmy. Další krok ve vývoji predikce úpadku firem měl však aţ v roce 1968 William Beaver. „Klasickou prací v oblasti poměrové analýzy a bankrotu firem provedl Beaver. Jeho jednorozměrné analýzy vytvořilo hlavní podklady pro jeho následníky.“ [4, strana 7] Beaver jako první pouţil statistické metody, aby zjistil, které ukazatele nejlépe rozdělí skupiny posbíraných vzorků firem na úspěšné a neúspěšné. „Avšak, zpochybnil použití vícerozměrných analýz pro tyto účely. Rok poté však profesor Edward I.Altman využil právě vícerozměrnou analýzu, se kterou vytvořil jeden z nejvíce používaných modelů až dodnes.“ [4, strana 7] Tento model zvaný Z-score se po různých opravách stal jedním z nejpouţívanějších. K tomuto modelu se však práce vrátí později.
14
V průběhu výzkumů se dospělo k tomu, ţe nejvyšší vypovídající hodnotu mají „ukazatele měřící ziskovost, likviditu a solventnost. Jejich pořadí dle důležitosti není až doposud jasné. Každá literatura má za nejpodstatnější ukazatel jiný.“[4, strana 8] Modely se pak dále vyvíjely a autoři často své modely upravovali. V některých případech se zkoušelo jít i novými cestami. „Všechny zmíněné modely jsou ve své podstatě čistě statické a mohou být použity v jakýkoliv čas nezávisle na výkonnosti a dopadu ekonomiky. Některé z nedávných pokusů experimentovaly s možností zahrnout do modelu vnější faktory – například HDP - hrubý domácí produkt.“ [4, strana 24] Jako nejvhodnější statistická metoda pouţívaná na určení vhodnosti ukazatelů a jejich ohodnocení se povaţuje diskriminační analýza. “ Diskriminační analýza je statistická technika, kdy se body dvou různých tříd (podniky s problémy, prosperující podniky) zobrazí pomocí dvou (spíše více) ukazatelů do „grafu“. Nalezne se přímka (diskriminační přímka, nadrovina nebo i křivá plocha), která tyto třídy co nejlépe odděluje). Nové pozorování se pak zařazuje do té tříd, podle strany, na které od diskriminační „přímky“ leží. Spolehlivost zařazení se pak posuzuje vzdáleností (na normálové přímce) od diskriminační přímky. Kolem diskriminační přímky se pak někdy konstruuje „šedá zóna“, ve které nelze přijatelně určit příslušnost.“ [5]. Výstupem z této analýzy je tvar Z = a1x1 + a2x2 + a3x3 + … + anxn , kde Z je diskriminační skóre. Prvky a1 aţ an jsou diskriminační koeficienty respektive váha koeficientu. Členy x1 aţ xn jsou diskriminační proměnné.
Obrázek 1: Ukázka principu diskriminační analýzy [2, strana 240]
Tato metoda je vyuţita i v této diplomové práci na vytvoření modelu pro český stavební trh. „Kritici diskriminační analýzy upozorňují, že většina (ne-li všechny) finanční modely používající tuto metodu porušují několik statistických pravidel.“[4, strana 11]
15
2.6 Typy modelů Modely se dají dělit na modely bonitní a bankrotní. „Bonitní modely vycházejí z normativních hodnot vybraných ukazatelů finanční analýzy, na jejichž základě jsou podniky zařazovány do různých bonitních tříd“ [6]. Naproti tomu “bankrotní modely vycházejí z toho, že finanční problémy podniku je možno rozeznat podle určitých příznaků před tím, než se skutečné problémy plně projeví” [6]. Jak jiţ bylo zmíněno v předchozím odstavci, bankrotní modely jsou buď jednorozměrné nebo vícerozměrné.
2.6.1 Bonitní modely Mezi bonitní modely patří: a) Kralickův „Quick test“ Ten je „založen na rychlém posouzení základních oblastí finanční analýzy, tzn. finanční stability a výnosové situace podniku, pomocí čtyř ukazatelů.“[6]. Jde o model, který známkou 1 aţ 5 ohodnotí úspěšnost firmy v kaţdém ze čtyř ukazatelů. Z finální známky, která se vytvoří aritmetickým průměrem dílčích známek, se pak usuzuje, jestli společnosti hrozí finanční problémy v dohledné době. Pan Kralicek pouţil tyto ukazatele: A = Vlastní kapitál / Celková aktiva B = Provozní Cash Flow / podnikový výkon C = EBIT / Celková aktiva D = (Cizí zdroje – Finanční majetek) / Celkový roční Cash Flow b) Tamariho model Tento model vyuţívá odlišnou skladbu ukazatelů. Dalším rozdílem a pokrokovějším systémem u tohoto modelu je, ţe ukazatele mají různou hodnotu. Ta je odvozena počtem bodů, které se přiřazují různým hodnotám u kaţdého ukazatele. V následující tabulce jsou vidět pouţité ukazatele a jejich bodové ohodnocení. Celkový součet bodů pak určí jak náchylný je podnik k bankrotu. „Při celkovém počtu bodů vyšším než 60 se jedná o podnik, u kterého je malá pravděpodobnost bankrotu. Při součtu bodů nižším než 30 je pravděpodobnost bankrotu vysoká.“ [6] Ukazatel T1 - vlastní kapitál/cizí zdroje
Interval hodnot 0,51 a více 0,41 - 0,50 0,31 - 0,40 0,21 - 0,30 0,11 - 0,20 do 0,10
16
Body 25 20 15 10 5 0
T2 - vývoj zisku: a) v absolutním vyjádření b) ukazatel ROA
posledních 5 let kladné a) a b) posledních 5 let kladné a) a b) posledních 5 let kladné a) b) horní kvartil b) medián jinak T3 - běţná likvidita 2,01 a více 1,51 - 2,00 1,11 - 1,50 0,51 - 1, 10 do 0,50 T4 - výrobní spotřeba/průměrný horní kvartil a více stav nedokončené výroby medián - horní kvartil dolní kvartil - medián dolní kvartil a méně T5 trţby/průměrný stav horní kvartil a více pohledávek medián - horní kvartil dolní kvartil - medián dolní kvartil a méně T6 - výrobní spotřeba/pracovní horní kvartil a více kapitál medián - horní kvartil dolní kvartil - medián dolní kvartil a méně Maximálně dosaţitelný počet bodů
horní kvartil medián
25 20 15 10 5 0 20 15 10 5 0 10 6 3 0 10 6 3 0 10 6 3 0 100
Tabulka 1: Tabulka pro výpočet Tamariho modelu [7, strana 127] Sedláček J.: Účetní data v rukou manažera – finanční analýzy v řízení firmy
2.6.2 Bankrotní modely jednorozměrné Prakticky jediný bankrotní model jednorozměrný vytvořil jiţ zmiňovaný William Beaver. Ten postupným statistickým testováním vytřídil z původních třiceti ukazatelů pouze čtyři, které podle něho a statistických metod měli nejvyšší vypovídající hodnotu v rozdělování podniků zdravých a nezdravých. „Byly to ukazatele: rentabilita vlastního kapitálu, zadluženost, běžná likvidita a podíl pracovního kapitálu z celkových aktiv. Postupem času Beaver svůj model zdokonalil tím, že ke čtyřem uvedeným ukazatelům přiřadil pátý, kterému začal dokonce přisuzovat nejvyšší důležitost. Tímto ukazatelem je Cash Flow / Cizí zdroje“ [6]. Jak se ukáţe v kapitole týkající se tvorby vzorečku na český stavební trh, posledně zmiňovaný poměr Cash Flow / Cizí zdroje má vysokou vypovídající hodnotu i na našem trhu. „Nevýhodou jednorozměrných modelů je, že podle různých ukazatelů může být podnik střídavě zařazován mezi finančně bezproblémové a problémové podniky.“ [6]
2.6.3 Bankrotní modely vícerozměrné Právě pro tento nedostatek začaly vznikat bankrotní modely vícerozměrné. Ty „jsou konstruovány na bázi několika vybraných poměrových ukazatelů, kterým jsou přiřazovány
17
určité váhy. Výsledek je sumarizován do jednoho čísla, podle jehož výše je odhadovaná budoucí finanční situace podniku.“ [6] a) Altmanovo Z-Score Z-score model byl publikován v roce 1968 Edwardem I. Altmanem, který v té době byl profesorem financí na New York University. První fází jeho výzkumu bylo nasbírat dostatečné mnoţství vzorků resp. finančních ukazatelů firem zdravých a firem v úpadku. „Původní vzorek byl složen z 66 firem s polovinou firem s oficiálním statusem bankrotu. První skupina (firmy v úpadku) byly manufakturní společnosti, které zbankrotovaly v období 1946 až 1965. Toto dvacetileté období není pro tvorbu zcela ideální. Vhodnějšími vzorky by byly firmy zbankrotované v rozmezí 2 až 3 let. Bohužel v té době bylo pro malé množství těchto informací zhola nemožné takové vzorky sehnat.“ [4, strana 11] Dalším kritériem pro výběr společností byla výše jejich aktiv. Profesor Altman vybral pouze firmy s velikostí aktiv v rozsahu 1 aţ 25 miliónů dolarů. “Poté co byly počáteční vzorky podniků vybrány a data z rozvahy a výkazy zisku a ztrát byla shromážděna, profesor Altman vybral 22 potenciálně užitečných ukazatelů pro výzkum. Z originálního seznamu pak vytřídil postupně pět ukazatelů, které měly nejvyšší vypovídající hodnotu pro predikci bankrotu.“[2, strana 241] Z nich pomocí násobné diskriminační analýzy vytvořil výsledný vzoreček ve tvaru: Z = 1,2 X1 + 1,4 X2 + 3,3 X3 + 0,6 X4 + 0,999 X5 Kde:
X1 = čistý pracovní kapitál / aktiva celkem X2 = nerozdělený zisk / aktiva celkem X3 = zisk před zdaněním a úroky (EBIT) / aktiva celkem X4 = Vlastní kapitál / celková pasiva X5 = Obrat / aktiva celkem
Pokud je výsledná hodnota Z menší neţ 1,88 firmě hrozí během následujících dvou let úpadek. Naopak firmy s výsledkem vyšším neţ 2,99 jsou vnímány jako firmy, kterým finanční problémy nehrozí. Úspěšnost předpovědi úpadku tohoto modelu byla na původním vzorku firem 72%. „Z-score je kolem 90% přesné při předpovědi úpadku jeden rok předem a kolem 80% přesné při předpovědi na dva roky dopředu.“[9, strana 596]
Tabulka 2:Úspěšnost modelu v letech 1969 aţ 1999 [4, strana 18]
18
„Altmanův model byl odzkoušen v mnoha zemích a na mnoha souborech a většina finančních expertů souhlasila s tím, že jeho schopnost predikce je vysoká. Výhodou modelu je zejména to, že celkem věrohodně předvídá bankrot asi 2 roky dopředu před skutečným bankrotem. Pracuje však s menší spolehlivostí do vzdálenější budoucnosti.“ [6] Prakticky na stejném principu vytvořili modely další čtyři autoři. Jde o model indikátor bonity, Beermanova diskriminační funkce, Taflerův bankrotní model a Index důvěryhodnosti českého modelu IN. b) Index důvěryhodnosti českého podniku Pro podmínky České republiky sestavili model finanční analytici I. a I. Neumaierovi. Zkráceně se tomuto model říká index IN. „Model obsahuje šest vybraných ukazatelů, kterým jsou obdobně jako u Altmanova modelu přiřazeny váhy“ [6]. Tyto váhy jsou ovšem různé pro kaţdé odvětví průmyslu. Výsledný vzorec vypadá následovně: IN = V1 *
A CZ
V2 *
EBIT U
V3 *
EBIT A
V4 *
T OA V5 * A KZ KBU
V6 *
ZPL T
kde: A = aktiva; CZ = cizí zdroje; U = nákladové úroky; T = trţby; OA = oběţná aktiva; KZ = krátkodobé závazky; KBU = krátkodobé bankovní úvěry; ZPL = závazky po lhůtě splatnosti; V1 - V6 = váhy Pro stavebnictví se uvádějí váhy: V1 = 0,34; V2 = 0,11; V3 = 5,74; V4 = 0,35; V5 = 0,10 a V6 = 16,54. Hranice pro tento model jsou 1 a 2. Manţelé Neumairovi vytvořili i zjednodušenou verzi vzorečku, dle kterého se určí, zda podnik tvoří či netvoří hodnotu. Tvar vzorečku je: IN =
0,017 *
A CZ
4,573 *
EBIT A
19
0,481*
V OA 0,015 * A KCZ
kde: A = aktiva; CZ = cizí zdroje; V = celkové výnosy; OA = oběţná aktiva; KCZ = krátkodobé cizí zdroje (včetně krátkodobých bankovních úvěrů) c) Indikátor bonity Jde prakticky jen o variantu Altmanova Z-score pouze s pouţitím jiných ukazatelů. Tento model se pouţívá zejména v německy mluvících zemích. Z výsledku se určí, v jaké situaci se podnik nachází. Jde o sedm rozmezí s hranicemi -3, -2, …, 2, 3. B = 1,5 x1 + 0,08 x2 + 10 x3 + 5 x4 + 0,3 x5 + 0,1 x6 kde:
x1 = CF/cizí zdroje x2 = aktiva/cizí zdroje x3 = EBT/aktiva x4 = EBT/celkové výkony x5 = zásoby/celkové výkony x6 = celkové výkony/aktiva
d) Beermanova diskriminační funkce Tato funkce má deset členů a pouţívá se převáţně pro řemeslné a výrobní firmy. Výsledná hodnota se porovnává s hranicí 0,3. BDF = 0,217 x1 - 0,063 x2 + 0,012 x3 + 0,077 x4 - 0,105 x5 - 0,813 x6 + 0,165 x7 + 0,161 x8 + 0,268 x9 + 0,124 x10 kde:
x1 = odpisy hmotného majetku/(počáteční stav hmotného majetku + přírůstek) x2 = přírůstek hmotného majetku/odpisy hmotného majetku x3 = EBT/trţby x4 = závazky vůči bankám/celkové dluhy x5 = zásoby/trţby x6 = CF/celkové dluhy x7 = celkové dluhy/aktiva x8 = EBT/aktiva x9 = trţby/aktiva x10 = EBT/celkové dluhy
e) Tafflerův bankrotní model Další variace na Altmanova Z-score vypadá takto: Z = 0,53 x1 + 0,13 x2 + 0,18 x3 + 0,16 x4 kde:
x1 = EBT/krátkodobé závazky x2 = oběţná aktiva/cizí kapitál x3 = krátkodobé závazky/aktiva x4 = trţby/aktiva 20
Hranice v tomto modelu jsou 0,2 a 0,3. Jde o model vytvořeny profesorem R. J. Tafflerem z Velké Británie.
2.7 První dílčí závěr Modelů pro predikci úpadku firmy je velké mnoţství. Všechny mohou být pro práci manaţerů vhodné a často mohou pomoci odhalit případné finanční problémy v budoucnosti podniku. Všechny literatury se shodují, ţe dobré výsledky v těchto testech nestačí. „Při hodnocení získaných výsledků je třeba vzít v úvahu, že žádný index nemůže nahradit komplexně provedenou finanční analýzu. Slouží však k ověření, zda naše závěry z jednotlivých oblastí finančního hospodaření podniku byly správné.“[6] Na závěr článku od profesora Altmana je napsáno poselství, které se plně shoduje s předchozím závěrem: „Mít modely jednoduše není dostačující.“ [4, strana 34] Motivačním prvkem pro tuto diplomovou práci je i poznámka pod čarou v knize Účetní data v rukou manažera od J.Sedláčka. „Opakovaně ale upozorňujeme na nebezpečí mechanického přejímání takto definovaných ukazatelů a diskriminačních rovnic pro předvídání finančního vývoje našich firem. Pro reálnou českou praxi by bylo třeba jak přehodnotit používané ukazatele, tak i přepočítat hodnoty jednotlivých koeficientů.“ [7, strana 111] Také v článku od profesora Altmana se dají vyčíst další motivace pro další práce. Pro příklad mohou poslouţit tyto otázky: „(1) Které ukazatele jsou nejpodstatnější pro detekci pro úpadek firmy? (2) Jaké váhy by měli být přiřazeny těmto ukazatelům? (3) jak objektivně tyto váhy určit? „ [4, strana 8]
21
3. Statistiky - úpadek firem a situace na českém stavebním trhu Na českém trhu během let 1998 aţ 2008 působilo celkem přes dva a půl miliónu firem. 13 % z tohoto počtu má jako hlavní činnost stavebnictví. Počet 325 000 firem řadí stavební odvětví na čtvrté místo mezi obory. Následující graf ukazuje, jak se vyvíjí zastoupení pěti hlavních odvětví.
Z celkového počtu stavebních firem je naprostá většina mikropodniků, které mají méně jak deset zaměstnanců. To samé platí i pro celý český trh. Malých firem s deseti aţ padesáti zaměstnanci jsou 4 % z celkového počtu podniků. Pouze 1 % jsou firmy střední s počtem zaměstnanců menším neţ 250. Velkých podniků je na českém stavebním trhu pouze 72 z celkového mnoţství. Dělení podniků dle ročního obratu odpovídá výše popsanému rozloţení. Statistiky firem, které zanikly, jsou bohuţel značně nepřesné. Tato data publikuje Český statistický úřad. Jde ovšem o zkreslené informace, protoţe neberou v ůvahu ty podnikatele, kteří přestali být aktivní, a mnoho malých úpadků, které nebyli zaregistrovány díky velice brzkému záhynu. Následující graf se snaţí naznačit, jaká je úmrtnost v průběhu vývoje společnosti.
22
Počet nově vzniklých firem
Modelový průběh zániku malých firem v čase 1000 800 embryo 600 ;
400 dospívání
200
zralost 0 0
1
2
3
4
5
Čas [roky]
Z grafu vychází, ţe z původního mnoţství zaloţených nových firem se do vývojového stupně zralosti dostane přibliţně pouze pětina. Některé další teorie dokonce udávají, ţe podniků, které se doţijí deseti let, je pouhých pět procent. Pokud by se graficky znázornilo, jakou ţivotnost mají firmy, úpadek v prvních letech působení by zcela zastínil ty ostatní. Následující graf zachycuje, jak dlouho působily na českém stavebním trhu, firmy, které se dostaly do likvidace a zároveň publikovaly své účetní uzávěrky.
V posledních letech je počet bankrotujících firem více, coţ je způsobeno převáţně ekonomickou krizí, která se nevyhýbá ani stavebním podnikům. Český statistický úřad udává, ţe „v České republice zbankrotovalo v roce 2009 celkem 1 482 firem (právnických osob a fyzických osob-podnikatelů), což bylo o 42 % více než v roce 2008. Návrhy na bankrot přitom ve firemním sektoru rostly výrazně rychleji než vyhlášené bankroty, což dále do budoucna 23
indikuje nepříjemná očekávání další narůstání počtu vyhlášených bankrotů - vývoj v roce 2009 představuje tak z tohoto pohledu jen horní část ledovce“ [17] Ve stavebnictví vzrostl počet bankrotů v prvním pololetí roku 2009 o 49 % oproti stejnému období předchozího roku. [18]
Předchozí graf mimo jiné potvrzuje fakt, ţe počet úpadků má zvyšující se tendenci v posledních letech. Data dokonce vypovídají, ţe počet nově vzniklých podniků je niţší neţ těch, které zanikly. Z celkového počtu úpadků připadá pouze 16 % na akciové společnosti. Zbylých 84 % úpadků je právnických a fyzických osob.
4. Důvody úpadku podniků Jak jiţ bylo zmíněno v podkapitole 2.3, důvody úpadku firem se dají rozdělit z několika různých pohledů. Z mého pohledu je nejvhodnější dělení následující: a) Problémy způsobené konkurencí b) Problémy způsobené finanční politikou c) Problémy způsobené makroprostředím d) Manaţerské problémy Problémy související s konkurencí jsou zcela zřejmé. Konkurence pro daný podnik se můţe rozrůst o nové firmy, které na podniku odeberou část trhu, který ještě do té doby firma ovládala. Častým problémem v této době je vniknutí na trh zahraničním podnikem. To bývá pro podniky zvláště nebezpečným případem, protoţe zahraniční firmy bývají zkušené a proniknutí na nový zahraniční trh jistě dobře promysleli. Ať uţ jde o jakékoliv zvýšení konkurence, podnik tímto ovlivněný musí reagovat buď začleněním nové technologie či 24
sníţením ceny nebo jinými marketingovými tahy. V kaţdém případě vznikají pro společnost nové náklady či se sniţuje zisk. Vše pak můţe vést aţ k finančním problémům. Důvod spojené s finanční politikou firmy souvisí úzce s třetím důvodem „manaţerské práce“. Do této kategorie se dají zařadit i další problémy. Příkladem jsou situace, kdy firma díky problémům či špatným rozhodnutím ztratí mezi zákazníky svou dobrou pověst. Nejeden podnik zanikl kvůli jedné chybě, která naprosto zničila reputaci podniku. Podnik můţe ztratit i zákazníky, kteří při výběru berou ohled na výsledky dodavatelů v bankrotních modelech. Toto však hrozí podnikům, které mají špatné výsledky v modelech. Pro firmu jsou zcela zásadní vztahy jak se zákazníky, tak i s investory a věřiteli podniku. Při špatných vztazích vznikají přidruţené náklady jako například vyšší úroky a celkově vyšší náklady na kapitál. Prvkem, kterým lze mnoho ovlivnit je finanční plánování. Ukázkou můţe být i nákup zcela nevhodné akvizice, která můţe podnik zavléci do velikých finančních problémů. Problémy způsobené makro prostředím mohou být zcela zásadní a často i nárazový problém. Problémy způsobené ekonomickými cykly jsou zcela evidentní. Ekonomická recese ovlivňuje zcela zásadně fungování podniků. Mimo jiné nárůst počtu krachů v době „Ekonomické krize“ tento fakt krásně ilustruje. Pokud mají firmy problémy jiţ při nástupu ekonomické recese, následující období pro ně můţe mít zničující následky. Menší ekonomické recese nastávají přibliţně kaţdých 5 aţ 7 let, proto by měly podniky být na tyto fáze vţdy připraveny například procesem řízení rizik. Hluboké ekonomické recese jsou méně obvyklé, ale pokud nastanou, i silné firmy se mohou dostat do existenčních problémů. Mezi ostatní problémy způsobenými makro prostředím patří ţivelné události, politické a legislativní změny. Manaţerské problémy souvisí vlastně se všemi výše zmíněnými riziky. Kvalitní management by měl všem těmto rizikům předcházet či je zmírnit nebo v neposlední řadě by měl při jejich vzniku zavést postupy, které zamezí katastrofálnímu dopadu. Management můţe hodně problémů způsobit však i sám svým buď přehnaně ambiciózním či naopak slabým vedením. Na českém stavebním trhu však bývá běţné, ţe menší firmy za svůj úpadek prakticky ani nemohou. Menší společnosti jsou nuceny spolupracovat jako subdodavatelé s velkými firmami, které však neplní podmínky platby, čímţ vystaví malou firmu do velkých finančních problémů spojených s cash flow. Pro nejčastější důvody úpadku na českém stavebním trhu se hodí nejlépe doslovná citace o údajích ze září roku 2009. „Jako hlavní a zároveň časté důvody insolvenčního úpadku uváděly stavební firmy zejména platební neschopnost společnosti, se kterou spolupracovaly na 25
zakázkách, nebo drastický pokles poptávky související s hospodářskou krizí. Stavební společnosti v mnoha případech položila také příliš velká zakázka, na kterou neměly kapacity. „V řadě firem se obecně podcenil "risk management,", analýza platebních, kapacitních schopností, certifikátů nebo jakosti subdodavatelů. To pak v některých případech vyústilo v tragédii," řekl prezident Svazu podnikatelů ve stavebnictví Václav Matyáš. Základním problémem vysokého počtu podávaných insolvenčních návrhů a následných úpadků v oboru stavebnictví je podle něj stanovování dumpingových cen, které však neodpovídají skutečným nákladům.“ [10]
5. Symptomy úpadku Nejen špatný výsledek některých z bankrotních modelů můţe naznačovat, ţe podniku v budoucnu hrozí nepříjemné finanční problémy. Symptomů, které poukazují na moţné problémy v podniku, je mnoho. Symptomy se projevují v určitých fázích nastávající krize. Fáze jsou následující: „- Potenciální krize – nerovnováha nemá krizový projev, podobá se běžnému řízení, ale rizika se zvětšují - Latentní fáze krize – nerovnováha se přesouvá a napadá další podnikové oblasti, objevují se krizové symptomy - Akutní fáze krize – nerovnováha proniká do finanční oblasti - Nezvladatelná fáze krize“ [8] Symptomy se dají rozdělit na tvrdé a měkké signály. Měkké se projevují v latentní fázi - jsou to signály, které se nedají vyčíst z čísel atd. Tvrdé signály se projeví aţ v akutní fázi krize. Jde o symptomy, které se projevují ve finančních sférách (např. problémy se splácením atd.) Signály se nedají vyjmenovat všechny, ale zde je seznam těch, které by například CFO měly dát jasné vodítko, ţe něco s firmou není zcela v pořádku: - Sníţení trţeb podniku - Sníţení ziskovosti či růst ztrát - CashFlow problémy (neschopnost splácet platby v termínu) - Ztráta velkých zákazníků - Nedostupnost zdrojů financí
- Vysoké
marţe
při
bankovních
úvěrech - Pokles kázně mezi zaměstnanci - Růst počtu reklamací - Vysoká
míra
fixních
nákladů
k nákladům celkovým
Dalšími znaky mohou být finanční ukazatele a jejich hodnota v knize The Vest Pocket CFO se udávají tyto [9, strana 598]: - Nízký poměr Cash Flow / celkové závazky - Vysoká míra Dluhu ku vlastnímu kapitálu 26
- Nízká návratnost na investici - Nízký poměr nerozděleného zisku ku aktivům - Nízký poměr pracovního kapitálu s aktivy - Nárůst koeficientu Beta - Nárůst váţené průměrné ceny kapitálu Výše zmíněné symptomy dávají vodítko finančnímu managementu společnosti. Ovšem i zaměstnanci nezasvěcení do finančních rozhodování firmy mohou z určitých znaků rozeznat, ţe firma začíná mít problémy. Takovými to znaky můţou být: - Sníţení dividend
- Růst počtu reklamací
- Propouštění
- Soudní pře
- Ořezání zdravotních a jiných benefitů
- Náhlé rezignace ve vedení firmy
- Sníţení ceny akcií
- Znalci prodávají akcie firmy
6. Čemu se při finančním vedení firmy vyvarovat Kdyţ firma zjistí ať uţ z bankrotních modelů, nebo jiných symptomů, ţe se blíţí finanční potíţe, měla by začít jednat. Některé preventivní zásahy by měli být pravidlem i při běţné chodu společnosti. Ostatní mohou být takové, které se nasadí při rozpoznání blíţící se krize. Podnik by se prakticky vţdy měl snaţit vyhnout velkému zadluţení. Tím spíše by se vysokému zadluţování měl vyhnout v době, kdy hrozí firmě krize. Podniky by se měly snaţit diverzifikovat rizika. Diverzifikovat by měly podniky své produkty, oblasti působnosti stejně jako snaţit se mít v jeden moment více projektů, aby případný jeden nezdar neměl fatální následky. Pokud se přes všechnu snahu a kvalitní přístup k finančnímu vedení dostal podnik do nesnází, je zde několik technik, které by v krátkodobém horizontu měly zmírnit či zcela napravit krizi. Mezi takové patří třeba zrušení neziskových divizí nebo sníţení dividend. Velice nápomocné v krizové situaci můţe být rozloţení či oddálení termínů splácení. Zvýšit marketingové snahy, které by vedly k rozšíření trhu vlastních zákazníků. Se zákazníky se také vyhnout dlouhodobým zakázkám s předem danou fixní cenou. Je totiţ běţné, ţe inflace zvýší ceny materiálu a práce a firma má následně vyšší náklady. Ty se mohou vyšplhat aţ do míry, kdy se stane takový dlouhodobý projekt neziskový. Dalším pokusem o nápravu nastávající finanční tísně jsou pokusy sníţit náklady na některé firemní procesy. Úspěšné pokusy o zvýšení produktivity mohou mít na finanční situaci firmy jen kladné dopady. Všeobecně se v tísňových situacích radí firmám investovat do aktiv, která 27
mají více účelů a moţností vyuţití. Tím se stávají méně riskantní neţ ty, která vyuţívá společnost pouze a výhradně na jednu jedinou činnost.
7. Náklady spojené s úpadkem Jak je moţné rozdělit náklady spojené s úpadkem je více moţností. Tato kapitola se bude nahlíţet na tyto náklady koukat z pohledu jejich zařazení v čase. První skupinou jsou ty náklady, které vzniknou ještě před likvidací. Ty bývají často poslední kapkou, která spustí finální finanční problémy. Druhými náklady jsou ty, které vzniknou v okamţiku finančního úpadku či po něm.
7.1 Náklady před úpadkem Náklady před úpadkem se dají rozdělit do několika skupin. První skupinou je navýšení nákladů na kapitál. Pokud firma vykazuje špatnou finanční situaci a její situace v budoucnu nevypadá pozitivně, zvyšuje se riziko nutnosti vkladu investic do takovéhoto podniku. To má za následek, ţe se zvyšují bankovní úroky na poskytované uvěry. Stejně tak akcie společnosti jsou méně atraktivní a investoři poţadují vyšší zhodnocení peněz. V horším případě jiţ podnik není schopen získat půjčku vůbec. To, co můţe také odlákat potencionální věřitele, je skutečnost, kdy si banky u takového podniky zajistí v podmínkách zálohy. To pak můţe sníţit prioritu vyplácení dluhů dalším věřitelům při případném bankrotu. Další skupinou, kde se zvýší náklady při finančních problémech, jsou náklady na materiál odebíraný od dodavatelů. Často musí podnik s nejistou budoucností platit zálohy. I podmínky splácení bývají přísnější. Dodavatelé nenabízejí takovým podnikům splatnosti faktury na 30 či více dní. Naopak platbu za zboţí poţadují v krátkém časovém horizontu. To je další tlak na podnik, který začne mít ještě větší problémy s cash flow. Tyto náklady vedou pak k dalšímu problému - pověst a jméno firmy klesá a podnik začne ztrácet své zákazníky. Odběratelé produktů či sluţeb si jiţ začnou hledat náhradu s lepšími vyhlídkami do budoucnosti - buď kvůli předejití problémů v budoucnu, nebo kvůli nejistotě dodrţení garančních smluv. To vše přináší mnoho různých menších nákladů spojených s tím, ţe management společnosti je zavalen řešením výše popsaných problémů a nemá dostatek času řešit své primární činnosti.
28
7.2 Náklady vzniklé při a po úpadku Tento typ nákladů je spojen s řešením insolvence podniku. Moţnosti jak řešit jsou dle „insolvenčního zákona“ následující: „a) konkurs, b) reorganizace, c) oddlužení a d) zvláštní způsoby řešení úpadku, které tento zákon stanoví pro určité subjekty nebo pro určité druhy případu.“ [20] První varianta uţ samotný podnik relativně nezajímá, protoţe podniku se v tomto případě zpeněţí majetek a výtěţek je rozdělen mezi věřitele. Moţnost oddluţení je pro podnik, který se dostal do konkursu, zajímavý z pohledu moţného pokračování podnikání. Firma buď nastaví splátkový kalendář, dle kterého se vypořádá se svými dluţníky, nebo prodá část svého majetku a vyrovná dluhy rovnou. Zde ovšem vznikají veliké náklady, protoţe podnik prodává majetek pod časovým tlakem, coţ má za následek prodej nízko pod reálnou cenou. Jen málokdy se firmě podaří prodat majetek v ceně, která by nebyla niţší neţ její hodnota. Reorganizace je pro podnik v úpadku ideálním řešením. Toto řešení je však podmíněno. Podnik musí mít nejméně 100 zaměstnanců nebo celkový obrat minimálně 100 miliónů. V tomto případě vzniknou pro podnik relativně malé náklady, protoţe reorganizace byla nutná jiţ z důvodu špatné finanční strategie.
8. Bankrotní modely a jejich úspěšnost v Čechách Tato kapitola je jedna ze dvou nejpodstatnějších v této diplomové práci. Zabývá se tím, jaký z bankrotních modelů má nejvyšší predikční sílu na českém stavebním trhu. Dále se píše o nedostatcích modelů či jejich nevhodnosti právě na český stavební trh. Jak se dále uvádí, některé modely mají takovou skladbu, která značně komplikuje pouţití modelu pro jiné uţivatele, neţ je samotná firma. Tím je myšlen příklad, kdy se v modelech objevují ukazatele či poměry, které firmy běţně nepublikují. To pak zamezí pouţití takového „nevhodného“ modelu podnikům, které si modely ověřují své společníky.
8.1 Zdroje dat Pro získání dat pro práci bylo pouţíváno výhradně dvou zdrojů. Prvním a zcela zásadním byla databáze CreditInfo – Firemní monitor. Druhým pomocným zdrojem byl web www.justice.cz, který slouţil převáţně pro kontrolu a doplnění dat. 29
CreditInfo – firemní monitor je „Komplexní databáze všech registrovaných firem a organizací v ČR. Podchycuje základní údaje o více než 2. 500.000 podnikatelských i neziskových ekonomických subjektech. Kumuluje maximum dostupných informací na jednom místě s komfortním obslužným programem, který poskytuje až 200 výběrových kritérií a rozsáhlou škálu výstupních formátů. Databáze disponuje největším počtem zpracovaných účetních závěrek doplněných o poměrové ukazatele a unikátním hodnocením pravděpodobnosti nesplácení u všech aktivních firem (Creditinfo Predictor).“ [11] Hlavním účelem databáze je moţnost kontroly solventnosti partnerů pro podniky. Pro účely této diplomové práce je tento software také zcela optimální. V příjemném uţivatelském prostředí se dá jednoduše vytřídit a vybrat vhodnou skupinu podniků, zvolit výstupní data atd. Pro účely diplomové práce byly vybrány firmy dle převaţující činnosti - OKEČ oddíl Stavebnictví. Původní vzorek obsahoval 335 317 firem. Ten se ovšem postupnými úpravami výrazně sníţil. Databáze CreditInfo má pro své účely svůj systém hodnocení platebních schopností firem. Tento systém řadí firmy do jedenácti skupin dle toho, jaká je pravděpodobnost, ţe podnik nebude splácet své závazky. Výsledkem je „Skóring“. Samotná firma CreditInfo Czech Republic tento systém nazává „CreditInfo Predictor“. Tento systém má ve své podstatě podobnou vypovídací hodnotu jako bankrotní modely. Firmy jsou, jak uţ bylo zmíněno, řazeny do jedenácti skupin, kde pro skupinu se skóringem 1 je jen minimální pravděpodobnost, ţe firmy nebudou splácet své závazky. Podniky se skóringem 10 jsou naprosto nedůvěryhodné firmy, u kterých je extrémně pravděpodobné, ţe svým partnerům nebudou splácet závazky. Jedenáctou skupinou je skupina se skóringem 99, kam patří firmy, které jsou v likvidaci či konkursu. Tento systém následně pomohl roztřídit vzorek firem na firmy zdravé a firmy v likvidaci. Z původního vzorku se z databáze CreditInfo podařilo exportovat necelých 30 000 poloţek. V softwaru je moţné při exportu dat zvolit, jaká data se do výsledného excelu zaznamenají. Pro kaţdou poloţku pak byla zvolena data, která se do excelu exportovala. Vybrána byla data, které byla zaprvé dostupná a za druhé nutná pro vypočet bankrotních modelů, které jsem zkoumal. Jde o modely Tafflerův model, index IN99, Z-score, Indikátor bonity, Index důvěryhodnosti, Beermanova diskriminační funkce a Quick test. Hodnoty Tafflerova modelu, indexu IN99 a Quick testu jiţ CreditInfo obsahuje. Pro kaţdou poloţku tedy byly exportovány tyto účetní poloţky: -
Název firmy
-
Aktiva celkem - tis. Kč
-
Rok vzniku
-
Zásoby - tis. Kč
-
Rok konkurzu / likvidace
-
Oběţná aktiva
-
Rok účetní závěrky
-
Pasiva celkem - tis. Kč
30
-
Vlastní kapitál - tis. Kč
-
Rezervní fondy, nedělitelný fond a
-
Odpisy dlouhodobého nehmotného a hmotného majetku - tis. Kč
ostatní fondy ze zisku - tis. Kč
-
Nákladové úroky - tis. Kč
Výsledek hospodaření minulých let
-
EBIT
- tis. Kč
-
Zisk před zdaněním
-
Závazky celkem
-
Celkové výnosy
-
Cizí zdroje - tis. Kč
-
Hrubé cash flow
-
Bankovní úvěry a výpomoci - tis.
-
Tafflerův model
Kč
-
Index IN 99
-
Quick test
výpomoci (krátkodobé)
-
Pracovní kapitál - tis. Kč
-
Krátkodobé bankovní úvěry
-
Roční obrat
-
Krátkodobé závazky celkové
-
Krátkodobé závazky - tis. Kč
-
Výkony
-
-
Bankovní
úvěry
a
finanční
8.2 Zpracování dat Další fází při práci byl proces vytřídění vhodných vzorků pro ověření predikční síly modelů na českém stavebním trhu. Klíč pro třídění byl odlišný pro skupinu zdravých firem a firem v likvidaci. Většina firem má v softwaru údaje z více neţ jednoho roku. Tím vznikla residuální data, kterých bylo nutno se zbavit, aby byla splněna statistická pravidla pro práci s daty. Nejnovější účetní uzávěrky v pouţité verzi databáze CreditInfo byly z roku 2008. Z tohoto faktu vzešel klíč pro zdravé firmy. Pro ověření úspěšnosti predikce modelů se pouţila data z roku 2006. Ta totiţ ověřovala, ţe se firma během minimálně dvou následujících let nedostane do konkurzu. U firem v konkurzu jsem data roztřídil do několika skupin. První skupinou jsou data, která předcházejí likvidaci o jeden rok. Druhou skupinou jsou data o dva roky dříve neţ konkurs. Další skupiny jsou tři, čtyři, pět a více let před konkursem. Toto umoţnilo zkoumat jaký model je nejvhodnější i z dlouhodobého hlediska. Také zcela názorně ukazuje, kdy se u firem začínají ukazovat problémy. U zdravých firem i těch v likvidaci poté bylo nutné vytřídit a vymazat ty poloţky, které nebyly vhodné ze statistického hlediska. Šlo o ty, u kterých výsledky dosahovali extrémních hodnot díky neúplnosti dat. Jako finální soubor vzorků tedy nakonec zůstalo 5095 firem s účetními daty z roku 2006. Poloţek o firmách v likvidaci či konkursu zůstalo v konečném vzorku 351. Samozřejmě by 31
bylo vhodné mít pro statistické účely více dat, ale toto je nejrozsáhlejší soubor vzorků, který se dá v reálných podmínkách sestavit. Dalším krokem bylo statistické zpracování dat. Pro tento účel byl vhodný nástroj software Statistica 2009, kde je moţné z vloţených dat vytvářet vhodné grafy.
8.3 Úspěšnost modelů na českém stavebním trhu V následujících podkapitolách jsou detailně rozebrány úspěšnosti, chyby a problémy modelů.
8.3.1 Altmanovo Z-score Při sběru dat pro vzorec Altmanova Z-score nastal problém v členu „Retained Earnings / Total Assets“. Celková aktiva jsou udávána vţdy. Naopak poloţka retained earnings nemá v české rozvaze zcela jasný ekvivalent. Resp. nerozdělený zisk se v českých rozvahách neudává či minimálně v databázi CreditInfo se nenachází. „Kumulované výdělky (Retained earnings) představují celkovou výši zisků/ztrát, jež podnik dosáhl za celou dobu své existence – ovšem po odečtení té výše zisku, která byla rozdělena mimo podnik (formou přiznaných dividend, podílů na zisku, atd.) Tato položka se obvykle dělí na dvě subpoložky: - na část, která byla rozdělena do účelových rezervních fondů, tato část se nazývá Rozdělené kumulované výdělky (Appropriated reatined earnings) - na zbývající část, která nebyla uvnitř podniku účelově rozdělena a kterou lze tudíž volně použít, tato část se označuje jako Nerozdělené kumulované výdělky (Unappropriated retained earnigs). V rozvaze ČR by první podložce odpovídala položka Fondy ze zisku (zahrnující jak fondy tvořené ze zákona, tak fondy statutární a ostatní). Druhé podpoložce by v české rozvaze odpovídala položka Výsledek hospodaření minulých let „[12, strana 5] S těmito informacemi byl pouţit pro člen Altmanova Z-score místo „Retaines earnings“ součet těchto poloţek: Výsledek hospodaření minulých let, rezervní fondy, nedělitelný fond a ostatní fondy ze zisku. Ostatní členy ve vzorci běţně obsahují výroční zprávy podniků, coţ je jeden z hlavních důvodů, proč mnoho firem a bank pouţívá právě tento bankrotní model. Vzorec vypadá následovně: Z = 0,717 X1 + 0,847 X2 + 3,107 X3 + 0,420 X4 + 0,998 X5
Kde:
X1 = čistý pracovní kapitál / aktiva celkem 32
X2 = nerozdělený zisk / aktiva celkem X3 = zisk před zdaněním a úroky (EBIT) / aktiva celkem X4 = Vlastní kapitál / celková pasiva X5 = Obrat / aktiva celkem
Tento graf ukazuje, jaké hodnoty mají zdravé firmy a firmy, které jsou v konkurzu či likvidaci. Pro podniky v konkurzu jsou zachyceny krabicové grafy z let, které předcházely konkurzu. Osa y udává výslednou hodnotu Altmanova Z-score. Pro interpretaci výsledků je podstatné zopakovat hranice pro Z-score model. Ty jsou následující: Z 1,2 …………….. firmě hrozí váţné finanční problémy 1,2 Z 2,9 ………. tzv. šedá zóna - neurčitý výsledek Z 2,9 …………….. předpoklad příznivé finanční situace Šedá zóna je v grafu znázorněna šrafovanou plochou. Z krabicových grafů zcela jasně vyplývá, v jakém čase dokáţe Altmanův model kvalitně předpovědět finanční úpadek společnosti. Podstatná je interpretace výsledků z „šedé zóny“. Pokud firma zjistí, ţe jejich výsledek se nachází právě v „šedé zóně“ můţe to interpretovat jako stav, kdy nic nemusí dělat. Nebo naopak firma začne zodpovědně dělat kroky k zamezení
33
případného finančního úpadku. V této práci je „šedá zóna“ interpretovaná jako úspěšný odhad modelu. Pro hodnocení modelů prakticky není zásadní, zda zdravé firmy mají pozitivní výsledky nebo i výsledky, které by je mohli zařadit do skupiny firem, kterým hrozí finanční problémy. Naopak je pro hodnocení modelu zásadní s jakou pravděpodobností předpovídá úpadek pro firmy, které opravdu v následné době skončil v likvidačním řízení. V předcházejícím výsečovém grafu je vidět, ţe pouze 13 % firem, které se nedostaly do finančních problémů, bylo dle Altmanova modelu zařazeno do
skupiny
firem
s hrozícími
problémy. Úspěšnost pro zdravé firmy má Altmanův model 58 %, ke kterým se dá směle přiřadit i 29 % firem, které mají neurčitý výsledek. Předchozí vypovídající
graf
jiţ
hodnotu.
má
zásadní
Na
českém
stavebním trhu má Altmanův model 95 % úspěšnost v jednoletém předstihu firemního úpadku. Tento výsledek se ovšem musí brát s rezervou, protoţe datový základ pro tuto statistiku byl omezený. Na následném grafu jsou statistická data rozebrána graficky do detailu. Například z hodnot mediánu a mezi-kvartilového rozpětí by se dalo určit, ţe Altmanův model je zcela úspěšný při predikci rok před úpadkem. V programu Statistica se ovšem dle statistických metod vyřadili dvě hodnoty, které zcela nevyhovovali ostatním datům.
34
Při predikce pro firmy, které do dvou let půjdou do konkurzu, je úspěšnost 74 %, pokud se započte do správného výsledku i tak zvaná šedá zóna. Při pohledu na další graf, je zcela jasný posun výsledků k horší predikční síle od předpovědi jeden rok před likvidací.
35
Predikce
3
roky
dopředu
před
konkurzem jiţ přestává fungovat. Jiţ 32 % firem by dle svých výsledků odhadlo, ţe se do finančních potíţí nedostanou.
Většina
firem
je
v neurčitém rozmezí šedé zóny. A jak je
vidět
dle
Gaussova
rozdělení
v následujícím
grafickém
souhrnu,
výsledky
Z-score
se
začínají
pohybovat převáţně ve vyšších hodnotách v „šedé zóně“. Pohyb výsledku pří hranici, která jiţ nepředpovídá finanční problémy, můţe mít následek, ţe se uţivatelé modelů nebudou obezřetní při vyhodnocování závěrů.
36
Data více neţ 3 roky před likvidací uţ mají prakticky stejné rozmezí výsledků jako firmy zdravé. Z toho důvodu uţ zde nejsou vyznačeny. Výsledkem tedy je, ţe Altmanovo Z-score má predikční schopnost prakticky jen ve dvou předcházejících letech před budoucím finančním úpadkem firmy. Tento závěr odpovídá i Altmanovým textům. Úspěšnost predikce 1 rok před konkurzem je 79 %; pokud bereme hranici 2,9 je výsledná úspěšnost 95 %. V tomto ohledu je Altmanovo Z-score lehce úspěšnější na americkém trhu. Úspěšnost predikce 2 roky před konkurzem je 40 %; společně se šedou zónou je úspěšnost 76 %. Výsledek je s porovnáním s Altmanovými pokusy lehce nadprůměrný.
37
8.3.2 Indexu důvěryhodnosti Model Index důvěryhodnosti vytvořili manţelé Neumaierovi přímo pro český trh. Vzorec má tvar:
IN =
V1 *
A CZ
V2 *
EBIT U
V3 *
EBIT A
V4 *
T OA V5 * A KZ KBU
V6 *
ZPL T
kde: A = aktiva; CZ = cizí zdroje; U = nákladové úroky; T = trţby; OA = oběţná aktiva; KZ = krátkodobé závazky; KBU = krátkodobé bankovní úvěry; ZPL = závazky po lhůtě splatnosti; V1 - V6 = váhy Váhy před členy se odečtou z tabulky, kde jsou koeficienty pro průmyslová odvětví. Pro stavebnictví jde o váhy: V1 = 0,34; V2 = 0,11; V3 = 5,74; V4 = 0,35; V5 = 0,10 a V6 = 16,54. Ačkoli jde o model stvořen přímo pro český trh, některé údaje pro výpočet jsou jen těţce získatelné. Jednou z těchto poloţek jsou nákladové úroky, které ve výročních zprávách nejsou obvyklé. V databázi CreditInfo se nachází údaj o velikosti nákladových úroků pouze u 46 % firem. Ještě větší komplikací je zjištění hodnoty závazků po lhůtě splatnosti. Je zcela zřejmé, ţe tento údaj je přístupný pouze interním pracovníkům kaţdé firmy. Tento údaj nebyl v této práci zahrnut. Uţ toto je jeden z faktorů, který řadí tento model do prakticky nepouţitelných. Dalším faktory plynou z následné úspěšnosti na českém stavebním trhu.
38
Tento obrázek zachycuje krabicové grafy zdravých firem a firem v konkurzu s vývojem v čase. Hranice pro tento model jsou znázorněny červeným úsekem. Jejich hodnoty jsou dány: IN 1 IN
2 ……………..podnik nemá finanční problémy IN
2 ………….podnik s potencionálními finančními problémy
1 ………………podnik má finanční problémy
První nevýhoda je z grafu zřejmá na první pohled; rozmezí, v kterém se pohybují výsledky modelu, je velice široké. To výsledky nejenom této statistiky zkresluje. Výsledky, které aţ dvacetkrát překračují hranici, kdy podnik nemá finanční potíţe, mohou vést k naprostému podcenění situace. Hlavním viníkem značného kolísání výsledku je člen „Oběţná aktiva / (krátkodobé závazky + krátkodobé bankovní úvěry). Zde mají velký výkyv hodnot jak oběţná aktiva, tak i jmenovatel. Například firmy, které mají minimální krátkodobé závazky a krátkodobé bankovní úvěry, na tomto členu překonaly několikrát hranici 2 jen tímto prvkem.
39
Předpověď
pro
zdravé
firmy
je
relativně úspěšná, neboť pouze u 13 % firem byly předpovězeny finanční potíţe. To je pozitivní znak tohoto modelu, ale není to ten prvek, který rozhoduje o úspěšnosti.
I pro firmy, které se během jednoho roku
dostanou
do
konkurzu,
je
úspěšnost predikce relativně vysoká 85 %. To je ovšem ze statistického hlediska
informace
se
slabou
vypovídající hodnotou, protoţe vzorek obsahuje pouze 20 poloţek. To je způsobeno
problémy
vysvětlenými
výše. To samé platí o předcházejících letech zobrazených v následujících výsečových grafech.
Predikce 3 roky před konkurzem má úspěšnost prakticky stejnou jak Altmanův model. Další roky předcházející likvidaci mají výsledky podobné rozloţení výsledků zdravých firem. Následující souhrnný graf rozebírá statistické výsledky do větších detailů.
40
Ze souhrnu je patrné veliké rozmezí výsledků. A zjištění, ţe predikce vzdálenější konkurzu více neţ 3 roky je jiţ zcela nemoţná. Úspěšnost jeden rok před konkurzem je 65 %, s vyšší hranicí dokonce 85 %. Úspěšnost 2 roky před likvidací je 49 % resp. 68 %. Pro tři roky před likvidací jde uţ o slabých 34 %. Fakt, ţe se při výpočtu zanedbal jeden člen, ovlivnil výsledky pouze v klesnutí celkového výsledku firem. Při pouţití i posledního členu do výpočtu by se úspěšnost predikce modelu zhoršil. Celkově je úspěšnost modelu Indexu důvěryhodnosti podobná úrovni Altmanova modelu. Predikovat je moţné na 2 roky, na třetí uţ úspěšnost není dostačující. Pro běţné pouţívání je zde ovšem zásadní nevýhoda v některých prvcích vzorečku, které nejsou běţně dostupné.
8.3.3 IN 99 Tento model je vlastně zjednodušenou verzí předchozího modelu manţelů Neumaierových, který byl na tento tvar upraven ze dvou důvodů. Prvním je, ţe podniky často operují ve více průmyslových odvětví najednou a nemohou si vybrat následně koeficienty pro svůj vzorec. Druhým důvodem je ten, který byl výše zmiňován jako nevýhoda Indexu důvěryhodnosti. 41
Tedy ţe některé členy jsou jen těţce zjistitelné. Proto se tento model právě o problematické členy zúţil. Výsledný vzorec vypadá takto:
0,017 * IN =
A CZ
4,573 *
EBIT A
0,481*
V OA 0,015 * A KCZ
kde: A = aktiva; CZ = cizí zdroje; V = celkové výnosy; OA = oběţná aktiva; KCZ = krátkodobé cizí zdroje (včetně krátkodobých bankovních úvěrů) IN99 je v tomto tvaru uţivatelsky příjemný. Jako informace je přikládán ke kaţdé firmě i v databázi CreditInfo.
V krabicovém grafu jsou vyšrafovány hranice mezi výsledky modelu, které jsou pro tento model nastaveny takto: IN 2,070 ………………… firma vytváří hodnotu 1,420 IN 2,070 .……….. firma spíše tvoří hodnotu 1,089 IN 1,420 ………... nelze určit, zda firma tvoří hodnotu 42
0,684 IN 1,089 ………... firma spíše netvoří hodnotu IN 0,684 ………………… firma netvoří hodnotu V tomto modelu je více moţností, kde nastavit hranici pro určení úspěšnosti predikce modelu. Pro tento výzkum byla zvolena limitní hodnota IN = 1,089. Pokud bude mít podnik výsledek „nelze určit, zda firma tvoří hodnotu“, nelze počítat s tím, ţe mimo pár opatření by se takový podnik připravoval jiţ na hrozící konkurz. Grafu jde o horní hranici obousměrně šrafovaného pásu.
Jiţ z grafického souhrnu predikce zdravých a upadajících firem je zřejmé, ţe předpovědi více neţ tři roky před konkurzem nejsou zcela optimální. Medián výsledků zdravých firem a firem 3 roky před konkurzem jiţ skoro odpovídá výsledkům zdravých podniků.
43
Výsečové grafy mají pro přehlednost odděleny od středu výsledky, které nepředpovídají finanční úpadek. Ve skupině zdravých firem se nachází pouze 33 % podniků, kterým model předpověděl
blíţící
se
finanční
problémy. Úspěšnost 67 % u zdravých firem je relativně běţná s ohledem na ostatní modely.
Predikce pro firmy jeden rok před úpadkem je vynikajících 92 %. Ta ho řadí k těm nejlepším modelům zde testovaných. Dva roky před likvidací uţ je úspěšnost pouze 59 %.
Úspěšnost v předchozích letech uţ je méně neţ poloviční. I kdyby se do úspěšnosti predikce počítala nejistá zóna, nebyl by tento model pouţitelný. 44
Tato zjednodušená verze je ve finále vhodnější pro český stavební trh neţ původní Index důvěryhodnosti.
8.3.4 Indikátor bonity Model Indikátoru bonity je ukázkou bonitního vícerozměrného modelu. Za zmínku stojí pouţití prvku „Cash flow / cizí zdroje“, který pouţil ve svém jednorozměrném modelu profesor Beaver. Jde o člen, kterému Beaver posléze přiřadil nejvyšší důleţitost ve svém modelu. V kapitole o tvorbě modelu přímo na český stavební trh je tomuto prvku věnována velká pozornost. Celý vzorec tohoto modelu vypadá následovně.
B = 1,5 x1 + 0,08 x2 + 10 x3 + 5 x4 + 0,3 x5 + 0,1 x6
kde:
x1 = CF/cizí zdroje x2 = aktiva/cizí zdroje x3 = EBT/aktiva x4 = EBT/celkové výkony x5 = zásoby/celkové výkony x6 = celkové výkony/aktiva
45
První informace z krabicového grafu je, ţe model má také vyšší výkyvy neţ Altmanův model. Výkyvy jsou většinou způsobeny nerovnoměrností čtvrtého členu vzorečku „zisk před zdaněním / celkové výkony“. Celkové výkony se v některých případech ani nevyskytují v databázi CreditInfo. Proto se počet prvků sníţil o prvky, kde by se v tomto případě muselo dělit nulou. Pro tento model jsou firmy dle výsledků rozděleny do následujících sedmi skupin. Výsledky se dají interpretovat následujícími způsoby: -3 B -2 ………… finanční situace firmy je extrémně špatná -2 B -1 ………… finanční situace firmy je velmi špatná -1 B 0 …………. finanční situace firmy je špatná 0 B 1 …………... firma má určité problémy 1 B 2 …………... finanční situace firmy je dobrá 2 B 3 ………….. finanční situace firmy je velmi dobrá B 3 ………………. finanční situace firmy je extrémně dobrá Pro ověřování úspěšnosti modelu byla brána jako hranice pro budoucí finanční problémy hodnota výsledku menší neţ 0. Šedou zónou by se dalo nazvat rozmezí 0 aţ 1. S výsledkem vyšším neţ 1 se předpovídá bezproblémová finanční budoucnost. 46
Jiţ z krabicového grafu je zřejmé, ţe Indikátor bonity dokáţe předpovídat finanční úpadek v delším časovém intervalu neţ předchozí modely. Tuto vlastnost potvrzují i následující grafy. Jak
bylo
předpověď
zmíněno, úpadku
hranicí je
pro
hodnota
výsledku 1. S touto hranicí by se u predikce zdravých firem celkových 38 % předpovědělo neúspěšně. Na grafu jsou ty hodnoty, které předpovídají budoucí finanční problémy, odsazeny od
jednolitého
výsečového
grafu.
Správnému odhadu pro zdravé firmy připadá 60 % výsledků. To prakticky odpovídá této úspěšnosti i ostatním modelům. Ovšem jak je vidět z výsečových grafů pro firmy, které se dostali do likvidace, tento model je velice úspěšný. Graf pro období jeden rok před konkurzem má úspěšnost 83 %, coţ je velice dobrý výsledek i s ohledem na ostatní modely. Dokonce 58 % firem rok před úpadkem vykazuje výsledky z kategorie „finanční situace firmy je extrémně špatná“. Směle se pak dá do správného odhadu přidat i kategorie firem se špatnou a velmi špatnou finanční situací. Pokud bychom jako predikci úpadku zvolili i kategorii „firma má určité problémy“, dosáhneme zmíněnou úspěšnost 83 %. Všechny tyto kategorie by měly podniky připravit na případné finanční problémy. Proto jsou i v dalším hodnocení kategorie brány jako úspěšný odhad.
47
Predikční schopnosti v letech předcházejících konkurzu 2, 3 a 4 roky jsou pořád velice úspěšné a výsledky se rozhodně nepřibliţují grafu pro firmy zdravé. To se ale děje při hodnocení ostatních modelů. I při predikci 4 roky před úpadkem podniku je špatných odhadů jen 34 %.
Jde o jediný model, který finanční problémy předpovídá i více neţ 5 let dopředu před likvidací. Jak vyplývá z předchozího grafu, i v takovém to vzorku má model úspěšnost 67 %. Ojedinělou úspěšnost indikátoru bonity dokreslují i tato detailní statistická data.
48
Jedinou nevýhodou tohoto modelu je fakt, ţe hodnoty nabývají často extrémních hodnot, jak ukazuje předchozí grafický souhrn. Jde o nejvhodnější model pro český stavební trh. Hlavně díky těmto výsledkům: Úspěšnost predikce modelu 1 rok před konkurzem je 83 %. Úspěšnost modelu se i ve více vzdálených letech před konkurzem nesníţí pod 67 %.
8.3.5 Beermanova diskriminační funkce Model vyuţívá pro výpočet deset členů, coţ je jeho hlavní nevyýhodou. Jiţ toto je prvním faktem, proč mnoho uţivatelů zvolí některý z jiných modelů.
BDF = 0,217 x1 - 0,063 x2 + 0,012 x3 + 0,077 x4 - 0,105 x5 - 0,813 x6 + 0,165 x7 + 0,161 x8 + 0,268 x9 + 0,124 x10
kde:
x1 = odpisy hmotného majetku/(počáteční stav hmotného majetku + přírůstek) x2 = přírůstek hmotného majetku/odpisy hmotného majetku x3 = EBT/trţby x4 = závazky vůči bankám/celkové dluhy x5 = zásoby/trţby 49
x6 = CF/celkové dluhy x7 = celkové dluhy/aktiva x8 = EBT/aktiva x9 = trţby/aktiva x10 = EBT/celkové dluhy Na další nesnáz narazí případný uţivatel hned při pokusu o výpočet. První dva členy nejsou obvyklé informace, které by uţivatel lehce našel v údajích o společnosti. Jde o detaily o hmotném majetku. Tyto údaje se rozhodně nenachází ani v databázi CreditInfo. Toto je jeden z moţných důvodů, proč následující údaje neodpovídají potenciálu modelu. Výhodou tohoto modelu je, ţe výsledky se nachází v úzkém rozsahu hodnot. Členy pan Beerman vhodně zvolil včetně jejich koeficientů. Bohuţel nelze konstatovat, ţe to platí i o predikční schopnosti modelu.
V Beermanově modelu se výsledné hodnoty porovnávají s hodnotou 0,3. Je zde ovšem značný rozdíl oproti ostatním modelům. Čím větší hodnota výsledku, tím větší finanční potíţe se dají pro podnik očekávat. Naopak čím je výsledek niţší od hodnoty 0,3, tím je firma zdravější. 50
Je zajímavé, ţe výsledky pro zdravé firmy a firmy těsně před konkurzem jsou prakticky stejné.
Tento fakt bohuţel zcela znehodnocuje výsledky získané tímto modelem. Modelu, který pro 77 % zdravých firem předpovídá finanční problémy, nemůţou výsledkům uţivatelé věřit. Nic na tomto nemění zajímavý fakt, ţe model má úspěšnost kolem 95% u 2, 3, 4 a více let předcházejícím úpadku. Samo o sobě je podezřelé, ţe model predikuje úpadek lépe pro předešlé roky neţ pro rok těsně před konkurzem.
8.3.6 Tafflerův model Rovnice tohoto modelu je:
Z = 0,53 x1 + 0,13 x2 + 0,18 x3 + 0,16 x4
Kde:
x1 = EBT/krátkodobé závazky x2 = oběţná aktiva/cizí kapitál x3 = krátkodobé závazky/aktiva x4 = trţby/aktiva
Autorem je R. J. Taffler z Velké Británie. Pouţití modelu je bezproblémové a to hlavně pro uţivatele softwaru CreditInfo. Výsledek tohoto modelu je totiţ obsaţen v informacích o kaţdé firmě.
51
V tomto modelu se výsledky interpretují podle klíče: Z 0,2 Z
0,3 ……………..nízká pravděpodobnost bankrotu firmy Z
0,3 ……….tzv. šedá zóna (neurčitý výsledek)
0,2 ……………..vysoká pravděpodobnost bankrotu
Výsledná hodnota Z je v grafu na ose y. Z krabicového je vidět, ţe hodnoty firem upadajících jsou v niţším rozmezí neţ hodnoty zdravých firem. Dalším a zajímavým faktem plynoucím, z předchozího grafu, je, ţe hranice tohoto modelu jsou pro český stavební trh málo přísné. To potvrzují i následující výsečové grafy. Výhodou tohoto grafu je, ţe koeficienty jsou evidentně nastaveny dobře, protoţe rozmezí výsledných hodnot je malé. Další výhodou týkající se samotné této práce je, ţe hodnot pro statistické informace je dostatek, protoţe tento údaj obsahují všechny vzorky firem.
52
Tento graf pro zdravé firmy má vysokou
úspěšnost
správné
předpovědi. Je ovšem značně ovlivněn nízkými hranicemi tohoto modelu.
Z tohoto grafu vyplývá, ţe úspěšnost predikce
úpadku
je
velice
slabá.
Z podniků, které během jednoho roku upadnou do konkurzu, mělo správný odhad pouze 24 %. Je to však způsobeno špatně nastavenou hranicí pro český stavební trh.
53
Z tohoto grafického souhrnu je patrné, ţe při predikci více neţ jeden rok před likvidací, je úspěšnost prakticky nulová. Pro český stavební trh by se dala hranice posunout aţ na hodnotu 0,7. To by úspěšnost modelu přiblíţilo výsledkům ostatních modelů. To nasvědčuje tomu, ţe trh ve Velké Británii má přísnější pravidla. České firmy by na anglickém trhu dle tohoto klíče pravděpodobně upadly do bankrotu dříve neţ na domácím poli.
54
Při posunu hranice na 0,7 by úspěšnost predikce pro zdravé firmy byla běţných 59 %. Pro firmy konkurzu s jednoletým předstihem by byla úspěšnost 80 %. Ovšem jak je vidět z podrobného grafického souhrnu, předpověď pro 2 roky před konkurzem uţ má úspěšnost pouze necelých 66 %. Pro další roky úspěšnost klesá jiţ pod 50 %. Tento model tedy není úplně vhodný pro český stavební trh.
8.3.7 Quick test Tento model je zcela originální v porovnání s ostatními modely, které se v práci hodnotí. Quick test byl vytvořen P.Kralickem v roce 1990. Kralicek zde nepouţil vzorec, ze kterého by z jediného výsledku šlo interpretovat moţné budoucí finanční problémy. Jeho model obsahuje čtyři poměrové ukazatele: A = Vlastní kapitál / Celková aktiva B = Provozní Cash Flow / podnikový výkon C = EBIT / Celková aktiva D = (Cizí zdroje – Finanční majetek) / Celkový roční Cash Flow Hodnoty ukazatelů se pro kaţdý podnik ohodnotí známkou 1 aţ 5, kde 1 je nejlepší výsledek. Posléze se z čtyř známek vytvoří aritmetickým průměrem výsledná známka. Tento systém je uţivatelsky náročnější. Proto jsem přesvědčen, ţe mnoho firem, bank atd. „sáhne“ raději po některém z předchozích modelů, zvláště v případě, kdy nemají přístup do softwaru CreditInfo. V databázi se totiţ výsledná hodnota udává u kaţdé firmy.
55
Výhodou tohoto modelu je, ţe zcela jasně ohraničuje rozmezí výsledků. Pro model jsou stanoveny tyto hranice: 0 aţ 1
velmi dobrý podnik
1,01 aţ 2
dobrý podnik
2,01 aţ 3
střední podnik
3,01 aţ 4
špatný podnik
4,01 aţ 5
podnik ohroţen insolvencí
Tyto hranice se udávají jak v literatuře, tak i v nápovědě CreditInfo. Tyto hranice mají ovšem nevýhodu. Je zřejmé, ţe hodnoty menší neţ jedna nemůţe totiţ ţádný vzorek dosáhnout, protoţe nejlepším dílčím hodnocením je hodnota 1. Jedním vysvětlením je, ţe jde o chybu, která se nedbalostí kopíruje ve všech zdrojích. Tento důvod by potvrdil domněnku, ţe model pro jeho těţkopádnost při výpočtu není obvykle pouţívaný. Druhým pravděpodobnějším vysvětlením je skutečnost, ţe „velmi dobrých podniků“ je jen malé mnoţství. Takové podniky musí být ve všech čtyřech členech výborné. Takových podniků je na českém stavebním trhu jen poskrovnu, proto je pro statistiku spojena skupina se skupinou dobrý podnik. V krabicovém grafu jsou zaneseny všechny hraniční hodnoty. Rozdílem tohoto grafu oproti ostatním pouţívaných v práci je, ţe jde o krabicové grafy ukazující medián a rozmezí, ve kterém se nachází polovina všech hodnot. Tento typ se můţe zdát jako přehlednější a 56
s větší vypovídající hodnotou, ale je bohuţel nepouţitelný při vysokém rozmezí výsledných hodnot. Ty se právě objevují v ostatních modelech. Z grafu vyplývá, ţe predikční síla modelu je minimálně v jednoletém období předcházejícímu konkurzu velice silná. Jakou úspěšnost model vykazuje v předcházejících letech, lépe vypovídají následující grafy. Hraniční hodnotu, která odděluje firmy zdravé a firmy s predikcí finančního úpadku, byla brána hodnota 3. Pro zdravé podniky je pak úspěšnost predikce 82 %. V grafu jsou hodnoty předpovídající zdravý vývoj firem odsazeny od grafu.
U firem 1 rok před konkurzem je úspěšnost 77 %, coţ s porovnáním s ostatními modely není zcela dobrý výsledek. Úspěšnost předpovědi 2 roky před likvidací je 50 %. Další roky dosahují jiţ nepouţitelných výsledků, jak je vidět z následujícího grafického souhrnu.
57
Z grafického souhrnu je zřejmé, ţe předpověď více jak dva roky před konkurzem jiţ není relevantní.
8.4 Dílčí závěr – zhodnocení predikční síly modelů Tato kapitola se věnovala tomu, jaký model má vhodné předpoklady pro pouţití na českém stavebním trhu. Modely byly zkoušeny na vzorku 5095 zdravých firem a 351 vzorků firem, které se dostaly do konkurzu. Pro pouţívání jsou optimální ty modely, které mají jednoduché způsoby, jak se dostat k výsledku. Z pohledu autora jde o modely vícerozměrné, u kterých se pouze doplňují určitá účetní data do vzorce. Naopak hůře se pracuje s modely, které hodnotí firmy na bázi benchmarkingu. Ukázkou takových je Kralickův Quick test a Tamariho model. Některé bankrotní vícerozměrné modely obsahují poloţky, které je často sloţité se získat. Tyto modely jsou pak proto méně pouţívané. Mezi takové patří Index důvěryhodnosti českého podniku a Beermanova diskriminační funkce. U Beermanova modelu to ovšem můţe být způsobeno rozdílností účetnictví v Čechách a jiných zemích.
58
[%]
Zdravé Firmy v konkurzu firmy -1 rok -2 roky
-3 roky
-4 roky
-5 let a více
Z-score Index důvěryhodnosti IN99 Indikátor bonity Beermanův model Taflerův model * Quick test
58 (87) 70 (87) 53 (67) 60 77 59 * 82
14 (54) 24(67) 40 (54) 64 44 * 33
18 (47) 41 (52) 66 31 * 39
39 (50) 67 -
79 (95) 65 (85) 92 (94) 83 21 80 * 77
40 (76) 49 (68) 59 (73) 70 3 47 * 50
V tabulce jsou udány úspěšnosti predikce modelů na českém stavebním trhu. U některých modelů jsou uvedeny dvě procentní úspěšnosti. Tyto modely mají v interpretaci výsledků nejistou zónu tzv. „šedou zónu“. U těchto modelů je hodnota, kdy se do správné predikce nepočítá „šedá zóna“, uvedena bez závorky. V závorce je pak do správného odhadu započítána i „šedá zóna“. První sloupec o úspěšnosti predikce modelů pro zdravé firmy je z hlediska hodnocení nepodstatný. Na druhou stranu musí dosahovat určitých výsledků, aby se dalo modelu „věřit“. Celkově se nejlepším modelem v tomto testu stal Indikátor bonity. Úspěšnost rok před konkurzem 83 % je průměrná, ale jako jediný z modelů je schopen předpovídat finanční úpadek i více neţ 5 let dopředu. Vynikajících výsledků dosáhl i model IN99, který se řadí mezi nejlepší při predikci jeden a dva roky před konkurzem. I v letech předcházejících si udrţuje úspěšnost nad poměry vysoko. Naopak nejhůře dopadl test úspěšnosti pro Beermanův model. Nejenom, ţe skladba vzorce není z uţivatelského pohledu vhodná, ale i jeho predikční schopnosti jsou minimální. Ostatní modely mají solidní predikční schopnosti, ale Indikátor bonity a IN99 je v úspěšnosti predikce na českém stavebním trhu „porazily“. Pokud se „šedá zóna“ brala jako správný odhad při predikci budoucích finančních problémů, pak Altmanovo Z-score potvrdilo předpoklady. Model má podobnou úspěšnost predikce na českém stavebním trhu jako v zahraničí. Od modelu se také očekávalo, ţe předpovídat úpadek bude schopen model pouze dva roky předem. Podobného výsledku dosáhla i varianta modelu manţelů Neumaierových
Index
důvěryhodnosti. Zde jsou však jiţ zmiňované komplikace s některými členy modelu. Model také není schopen solidně předpovídat finanční problémy více jak 2 roky předem. Úspěšnost Tafflerova modelu a Kralickova Quick testu je obdobná. Oba modely kvalitně predikují úpadek jeden a dva roky předem. V následných letech uţ je úspěšnost méně neţ poloviční.
59
Tafflerův model měl pro český stavební trh nastaveny hranice příliš nízké. Hodnoty v tabulce označeny hvězdičkou značí, ţe pro hodnocení byla posunuta hranice na 0,7. Důvod pro příliš mírné hranice můţe být v tom, ţe model byl vytvořen v roce 1977. Tyto statistiky mohou být negativně ovlivněny několika faktory. Prvním faktorem je, ţe firem v konkurzu či likvidaci není dostatečné mnoţství pro kvalitní analýzu. Druhým faktorem je moţnost, ţe ne všechny úpadky firem souvisí s finančními problémy. Jde o problémy popsané v kapitole 4.
9. Tvorba modelu pro český stavební trh Tato kapitola se zabývá tím, jak by mohl vypadat model, který by optimálně předpovídal budoucí finanční potíţe podniků působících na českém stavebním trhu. V první fázi jde o výběr vhodných ukazatelů a finančních poměrů, které nejlépe rozlišují zdravé a nezdravé firmy. Následně se pak v kapitole udává, jakými způsoby se tvořil výsledný vzorec z těch nejlepších ukazatelů, jeho koeficienty a hranice pro výsledné hodnoty. V poslední podkapitole se zjišťuje úspěšnost modelu a porovnání s modely z předchozí kapitoly.
9.1 Zdroj dat Zdrojem dat byl stejně jako v kapitole 10 software CreditInfo. Stejně jako v předchozí kapitole bylo pro kaţdou firmu pouţito 31 účetních informací z databáze. Původní vzorek se oproti minulé kapitole však sníţil o firmy, které jsou ve skupině skóringu 8 – vysoké riziko, 9 – extrémně vysoké riziko 10 – zajistěte se proti ztrátě. Důvodem bylo lepší rozeznání hranice ukazatelů mezi podniky zdravými a firmami v úpadku. Finálním vzorkem bylo 351 firem, které skončily v likvidaci, a 4966 zdravých firem.
9.2 Výběr členů vzorce Tato fáze byla jedna z nejsloţitějších v celé práci. Bylo nutné vybrat z mnoha ukazatelů a dalších potenciálních poměrů finančních poloţek ty, které nejlépe oddělují firmy zdravé a v bankrotu. Pro výběr původního vzorku byly zdrojem členy modelů, které jsou ověřovány v předchozí kapitole, a dalších 27 ukazatelů. Při výběru bylo dbáno na pravidla, jak by měl vhodný model vypadat. Přehledně a stručně viz např. ( Grünwald, 2010) lze stanovit poţadavky na takové modely: „1. Počet poměrových ukazatelů by měl být malý 60
2.
Poměrové ukazatele by měly testovat tři aspekty finančního zdraví, a to rentabilitu, likviditu a finanční stabilitu.
3. Vstupní údaje pro poměrové ukazatele by se měly nacházet v bilanci a ve výkazu zisků a ztrát. 4. Poměrové ukazatele by měly kvantifikovat finanční vztahy a zákonitosti, podle nichž lze přímo srovnávat všechny podnikatelské subjekty. 5. Kombinací ekonomického uvažování a empirické zkušenosti lze pro používané poměrové ukazatele dospět k vymezení intervalu hodnot, které jsou přijatelné z hlediska finanční důvěryhodnosti a spolehlivosti.“ [13] Pro přehlednost byla z původního vzorku vytvořena tabulka, kde je původní vzorek ukazatelů setříděn dle kategorií. Tak, aby se lépe dodrţelo pravidlo číslo 2. Ukazatele jsou roztříděny na kategorie zadluţenost, likvidita, rentabilita, sloţení rozvahy, produktivita a aktivita.
61
V tabulce je rozlišeno, jaký byl zdroj poměrů a ukazatelů. V modrém pozadí jsou ty poměry, které pouţili ve svých modelech Altman, Taffler, atd. V ţlutém pozadí jsou naopak ukazatele, které v těchto modelech nejsou a z pohledu autora by mohly být podstatné. Další fází bylo tento vzorek zúţit na takový počet, který se dal podrobit detailnějšímu zkoumání. Pomocí softwaru Statistica 9 byl pro kaţdý poměr vytvořen krabicový graf pro skupinu bez a s finančními problémy. Hodnocení vhodnosti kaţdého ukazatele je v tabulce v pravém sloupci.
Na ukázku jsou uvedeny krabicové grafy. Jeden vhodný a nevhodný. Je zřejmé, ţe poměr EBIT (zisk před úroky a zdaněním) s vlastním kapitálem neodděluje tyto dvě skupiny, proto je na pouţití v modelu nevhodný. Naopak výsledky poměru vlastního kapitálu s celkovými pasivy se značně liší, coţ tento poměr zařazuje mezi vhodné ukazatele. Po ohodnocení 27 ukazatelů se počet zúţil na 17 nejlepších. Jde o ty, které jsou v posledním sloupci tabulky označeny růţovou barvou. Tento výběr pak byl porovnáván i s ohledem na to, ţe některé poměry měly stejnou vypovídající hodnotu. Pro ukázku jsou na následujících grafech porovnány likvidity.
62
Všechny druhy likvidity mají vysokou vypovídající schopnost ohledně predikce finančních potíţí, proto bylo těţké zvolit tu správnou. Lepší výsledky však má pohotová likvidita a poměr pracovního kapitálu s aktivy. Na zvolení jedné z těchto dvou moţnostmi byly pouţity jiţ sofistikovanější statistické metody. Druhé kolo vytřídilo moţnosti na 10 nejlepších. Odpadl například ukazatel celkové zadluţenosti, který vykazuje vlastnosti stejné jako poměr aktiva s cizími zdroji. Dále pak ukazatele, které vypovídají o sloţení rozvahy. Překvapením bylo, ţe poměr obrat k celkovým aktivům nemá dostatečnou vypovídající hodnotu pro predikci finančního úpadku na českém stavebním trhu. Tento člen zahrnul i profesor Altman ve svém modelu a přiřadil mu významnou pozici. „Tento ukazatel obratovosti kapitálu ilustruje schopnost firmy generovat tržby ze svých aktiv. Je to jeden z měřících nástrojů jak si management firmy dokáže poradit s konkurencí.“ [4, strana 17] Na druhou stranu ovšem dodává, ţe „pořád je zde však rozdíl napříč průmyslovými odvětvími a zeměmi.“ [4, strana 17] Český stavební trh očividně patří do té skupiny, kde tento člen nehraje velkou roli.
Toto je závěrečných deset ukazatelů s nejvhodnějšími vlastnostmi pro oddělení skupiny zdravých podniků a těch s finančními problémy: 63
1. Výsledek hospodaření minulých let / Celková aktiva 2. Vlastní kapitál / Celková pasiva 3. Cash flow / Cizí zdroje 4. Pracovní kapitál / Celková aktiva 5. EBIT / Celková aktiva 6. Vlastní kapitál / Cizí zdroje 7. EBT / Celkové výkony 8. Celková aktiva / Cizí zdroje 9. Pohotová likvidita 10. Krátkodobé závazky / Celková aktiva Těchto deset „finalistů“ bylo podrobeno detailnějšímu zkoumání pomocí různých nástrojů. Pořád se zde nacházelo několik ukazatelů, které vypovídaly o podobných finančních vlastnostech podniku. Výběr finálních členů a jejich hodnoty resp. koeficienty byly vybrány na základě výsledků ze softwaru Statistica 9.
9.3 Zpracování dat Statistický software Statistica 9 je „je kvalitní nástroj pro statistickou analýzu dat. Aplikace je určena především pro podporu strategického a výkonného řízení ekonomiky a financí podniku, kvality a rizik, vztahů se zákazníky, vývoje apod. STATISTICA nabízí celou řadu progresivních analytických metod a k dispozici jsou samozřejmě i přehledné grafické výstupy, grafy, reporty atd.“[15] Jiţ v předchozích částech diplomové práce byly pouţity základní statistiky. Šlo hlavně o krabicové grafy, které jsou ideální na porovnávání výsledků u různých skupin. Výstupů krabicových grafů je v práci několik. Z následujícího obrázku je patrné, jak se v softwaru Statistica vytvoří krabicový graf.
64
Pro tuto fázi práce bylo však nutné pouţít sofistikovanější funkce programu. Bylo zapotřebí vyuţít diskriminační analýzy, jejíţ cílem je „stanovit na základě daného náhodného výběru optimální klasifikační pravidlo, které by při pozorovaní vektoru Y na nějakém daném objektu, který již nepatří do třídy S, umožnilo jeho zařazení do příslušné třídy s minimální ztrátou“ [14, strana 1]. Diskriminační analýza je vlastně vícenásobná regrese. Tato analýza byla pouţita pro tvorbu modelu pro český stavební trh. Stejně tak byla pouţita pro rozhodování, které členy by měl výsledný vzorec obsahovat. Z vybraných deseti nejlepších ukazatelů se nabízelo několik kombinací vhodných pro finální model. Kaţdá tato varianta byla podrobena diskriminační analýze. Na následujícím obrázku je vidět práce se softwarem Statistica 9. Jde o výběr proměnných. Pro výpočet diskriminační analýzy je nutné pouţít rozlišovací závislou proměnnou, dle které se oddělí skupina zdravých firem od těch, které upadli do likvidace. Nezávislé proměnné jsou hodnoty daných ukazatelů.
65
V následující tabulce je vidět výstup analýzy, kde zásadní jsou dva sloupce. Prvním je sloupec „B“, který udává koeficient daného ukazatele resp. členu vzorce. Pro rozhodování, který poměr pouţít do výsledného modelu je zcela zásadní sloupec „p-hodn.“, který značí nejmenší hladinu významnosti. To lze interpretovat tak, ţe ty prvky s úrovní p nízkou mají malý vliv na oddělení skupin a je moţné je zavrhnout.
Výsledek hospodření min. let / TA Vl. kap / TL CF / Cizí zdroje WC / TA EBIT / TA Vl. kap / Cizí zdroje EBT / Celk. výkony Aktiva / Cizi zdroje Kratkodobe záv / TA Obrat / TA
b*
Sm.chyba
b
Sm.chyba
t(5280)
p-hodn.
0,110498 0,079345 0,001092 0,025766 -0,102354 0,676635 -0,001645 -0,660960 0,167853 -0,030329
0,023559 0,029142 0,016364 0,026948 0,017082 0,498745 0,013513 0,498544 0,028954 0,014785
0,036897 0,031391 0,000266 0,013460 -0,098766 0,018969 -0,000015 -0,018468 0,092809 -0,003402
0,007867 0,011529 0,003982 0,014078 0,016483 0,013982 0,000120 0,013930 0,016009 0,001658
4,69031 2,72269 0,06675 0,95616 -5,99195 1,35668 -0,12174 -1,32578 5,79728 -2,05129
0,136500 0,649655 0,946786 0,339034 0,000000 0,174942 0,003109 0,184970 0,000000 0,040288
Z tabulky je zřejmé, které ukazatele jsou vhodné. Takto byly provedeny analýzy pro přibliţně osm vhodných kombinací ukazatelů. Z nich vyplynulo pět nejvhodnějších. Pro zvolení nejvhodnějšího modelu byly pak všechny varianty výsledných vzorců porovnávány dle úspěšnosti predikce na celém vzorku firem na českém stavebním trhu. Z tohoto procesu pak vzešla optimální varianta, která je představena v následující podkapitole.
9.4 Výsledný vzorec a jeho úspěšnost Rovnice výsledného modelu pro český stavební trh vypadá následujícím způsobem:
M = 1,21 x1 + 3,03 x2 + 3,82 x3 + 8,62 x4
Kde:
x1 = Pracovní kapitál / Celková aktiva x2 = Výsledek hospodaření minulých let / Celková aktiva x3 = Vlastní kapitál / Celková pasiva x4 = Cash flow / Cizí zdroje
66
9.4.1 Popis členů a) X1 = Pracovní kapitál / Celková aktiva Jde o ukazatel likvidity, který měří schopnost podniku pokrývat své krátkodobé závazky s porovnáním s poměrem oběţných a celkových aktiv. Vypovídá o krátkodobém zdraví firmy. Pracovní kapitál je rozdíl mezi oběţnými aktivy a krátkodobými závazky. Tento člen pouţil i v Z-score profesor Altman. Má podobnou vypovídající hodnotu a stejně kvalitně odděluje zdravé a nezdravé firmy jako pohotová likvidita. Tento ukazatel byl na úkor pohotové likvidity zvolen, protoţe se dle pohledu autora lépe zjistí z rozvahy. Druhým důvodem je fakt, ţe i profesor Altman testoval ostatní druhy likvidity a zvolil tento, protoţe ostatní byly shledány méně nápomocnými. Jak se liší hodnoty tohoto poměru mezi zdravými firmami od podniků s finančními problémy dokreslují následující krabicové grafy.
b) X2 = Výsledek hospodaření minulých let / Celková aktiva Tento poměr měří schopnost podniku shromaţďovat zisky vytvořené podnikovými aktivy. U firem se špatnou finanční politikou se můţe výsledek hospodaření dostávat do záporných čísel, coţ jiţ zcela jasně značí určité finanční problémy. Kaţdá firma by měla se svým vývojem a růstem vykazovat zvyšující se výsledek hospodaření minulých let. Tento fakt jiţ naznačuje, ţe tímto ukazatelem jsou znevýhodněny začínající a mladé firmy. Jako následek pak je, ţe mladší firmy mají slabší výsledky neţ firmy jiţ delší dobu zavedené na trhu. Nejde však o diskriminaci těchto firem, protoţe toto přesně vystihuje reálný svět. Pravděpodobnost úpadku je totiţ o mnoho větší u firem začínajících. To vychází i ze statistik firem v likvidaci, které jsou rozebírány v kapitole 3. Tento ukazatel odpovídá s určitými výhradami členu, který znovu pouţil profesor Altman ve svém modelu. Pro pouţití stejného by se hodilo do čitatele ještě začlenit ostatní fondy ze zisku. Následující krabicové grafy vystihují, jak se liší výsledky tohoto poměru firem zdravých od podniků, které se v následujícím roce dostaly do likvidace. 67
c) X3 = Vlastní kapitál / Celková pasiva Třetí ukazatel vypovídá o zadluţenosti podniku. Je zřejmé, ţe čím vyšší je tento podíl, tím méně je firma zadluţena. To má vliv na finanční zdraví firmy. V případě potřeby je levnější a jednodušší půjčení peněz pro méně zadluţenou firmu neţ naopak. Prakticky kaţdý bankrotní model obsahuje nějaký ukazatel zadluţenosti. Pro český stavební trh je několik poměrů, které mají podobnou vypovídající hodnotu ohledně predikce úpadku. Poměr vlastní kapitál k celkovým pasivům nad nimi lehce vyčnívá.
d) X4 = Cash flow / Cizí zdroje Jedním z hlavních důvodů finančních potíţí bývá na českém stavebním trhu platební neschopnost. To souvisí s nedostatkem peněţních prostředků. Z tohoto důvodu je tento člen z pohledu autora velice důleţitý. Tento poměr ve zkratce říká, jaká je schopnost pokrýt dluhy z firemního cash flow. Jinými slovy tento poměr ukazuje, jak dlouho bude podniku trvat, neţ by uhradila všechny své dluhu přímo z cash flow. Jde ovšem o nereálné vysvětlení, protoţe je nemyslitelné, aby firma pouţívala všechny kladné finanční přebytky na krytí dluhů. 68
Tento ukazatel je pouţit ve výpočtu indikátoru bonity, který je velice úspěšný v predikci na českém stavebním trhu. Finanční analytik Beaver ve svém jednorozměrném modelu dokonce tomuto členu přiřazoval nejvyšší prioritu. Jak ukazatel kvalitně rozděluje firmy zdravé a ty s finančními problémy je zřejmé i z následujících krabicových grafů:
9.4.2 Volba hranic Po vytvoření modelu bylo nutné specifikovat hranice, které by oddělily právě zdravé firmy a podniky, které se dostanou do finančních potíţí. Tento nově vytvořený model obsahuje tak zvanou šedou zónu. V této zóně není zcela jisté, jak se podniku bude vyvíjet finanční situace v budoucnu. Hranice bylo nutné nastavit na takovou hranici, která by zajistila modelu co nejvyšší úspěšnost predikce úpadku, ale zároveň měla dostačující úspěšnost pro předpověď zdravých firem. Jak vyplývá z předchozí kapitoly, úspěšnost predikce pro zdravé podniky se pohybuje v rozmezí 50 aţ 80 % pokud se nezapočítává šedá zóna. Aby nový model vytvořený přímo na český stavební trh splňoval tuto vlastnost nadprůměrně, byla mu přiřknuta úspěšnost 61 %. To znamená, ţe z původního vzorku 5094 zdravých firem muselo hranici pro predikci budoucnosti bez finančních problémů splnit 3093 firem. Z tohoto procesu vyplynula horní hranice neurčité zóny na hodnotu 1,75. Stejným procesem byla nastavena dolní hranice šedé zóny. Procentní úspěšnost se však posunula na 86 %. Z toho vyplynula spodní hranice s hodnotou 1,00. Hranice pro nový model na český stavební trh jsou tedy:
69
M 1,0 M
1,75 ……………..nízká pravděpodobnost finančního úpadku firmy M
1,75 ……….tzv. šedá zóna (neurčitý výsledek)
1,0 ……………....vysoká pravděpodobnost finančního úpadku firmy
9.4.3 Úspěšnost modelu Jiţ krabicové grafy, které porovnávají, jak se liší výsledky nového modelu mezi firmami zdravými a těmi s finančními problémy, naznačují, ţe model kvalitně predikuje úpadek i pět let dopředu.
Šedá zóna s neurčitým výsledkem je v grafu znázorněna šedým šrafovaným pásem. Určitou nevýhodou modelu můţe být fakt, ţe některé firmy dosahují extrémních výsledků. Jde hlavně o skupinu firem jeden rok před úpadkem. Budeme je tedy povaţovat za běţné výkyvy. Tento výsečový graf ukazuje úspěšnost predikce pro zdravé firmy. Jak je popsáno
v předchozí
podkapitole,
úspěšnost pro zdravé firmy byla uměle 70
nastavena. Dalo by se říci, ţe tento graf byl hotový ještě před tím, neţ byly určeny hranice tohoto modelu. Chybná predikce pro firmy, které se nedostaly do finančních problémů, je 28 %. Z tohoto výsečového grafu je zřejmé, ţe nový model dosahuje úspěšnosti 77 % při predikci úpadku jeden rok předem.
S porovnáním
s ostatními
modely jde o průměrnou úspěšnost. Například
model
manţelů
Neumaierových má pro tento časový předstup úspěšnost aţ 95 %, ale v následujících letech jeho úspěšnost značně upadá. Tento nový model naopak predikuje i déle před likvidací velice úspěšně, jak vyplývá z dalších grafů.
Úspěšnost predikce dva roky před úpadkem je prakticky na stejné úrovni jak v roce následujícím. Lehký pokles úspěšnosti nastal při předpovědi tři roky před budoucími finančními problémy. V tomto časovém období ovšem úspěšnost tohoto nově vytvořeného modelu překonala všechny ostatní.
71
Model pro český stavební trh drţí nejvyšší míru úspěšnosti predikce i předchozí dva roky, které jsou 4 a 5 let s předstihem. Díky těmto úspěšnostem, které se drţí stále kolem 70 %, se model stává nejvhodnějším pro predikci na českém stavebním trhu. Shrnutí a porovnání s ostatními modely poskytuje následující tabulka.
[%]
Zdravé firmy
Firmy v konkurzu -1 rok -2 roky -3 roky
-4 roky
-5 let a více
Z-score Index důvěryhodnosti IN99 Indikátor bonity Beermanův model Taflerův model * Quick test Majerův model
58 (87) 70 (87) 53 (67) 60 77 59 * 82 61 (72)
79 (95) 65 (85) 92 (94) 83 21 80 * 77 77 (81)
18 (47) 41 (52) 66 31 * 39 55 (74)
39 (50) 67 54 (67)
40 (76) 49 (68) 59 (73) 70 3 47 * 50 74 (86)
14 (54) 24(67) 40 (54) 64 44 * 33 62 (71)
Úspěšnost nového modelu je srovnatelná s úspěšností nejlepšího z ostatních modelů, kterým je indikátor bonity. Ovšem nový vzorec má významně lepší výsledky v období dva, tři a čtyři roky před pádem do likvidace. Nezanedbatelným faktem je také jeho menší chybná predikce u zdravých podniků.
9.5 Dílčí závěr Hlavním účelem této kapitoly a prakticky celé diplomové práce bylo vytvořit model, který by co nejlépe predikoval budoucí úpadek podniku. Podstatnou součástí bylo zjistit jaké ukazatele a poměry finančních poloţek jsou pro český trh nejvhodnější na oddělení podniků s a bez finančních potíţí. Na tento úkol bylo pouţito metod běţného porovnávání a zároveň pouţití statistických metod s pomocí softwaru Statistica 9. Finální podoba modelu je tato:
M = 1,21 x1 + 3,03 x2 + 3,82 x3 + 8,62 x4
Kde:
x1 = Pracovní kapitál / Celková aktiva x2 = Výsledek hospodaření minulých let / Celková aktiva x3 = Vlastní kapitál / Celková pasiva x4 = Cash flow / Cizí zdroje
Jako hranice pro tento nový model utvořený pro český stavební trh byly dány tyto: M
1,75 ……………..nízká pravděpodobnost finančního úpadku firmy 72
1,0 M
M
1,75 ……….tzv. šedá zóna (neurčitý výsledek)
1,0 ……………....vysoká pravděpodobnost finančního úpadku firmy
Úspěšnost modelu na stavebním trhu v Čechách převyšuje ostatní modely vytvořené ve světě i na českém území. Jaká je přesně jeho úspěšnost s porovnáním s ostatními modely ukazuje následná tabulka.
10.
[%]
Zdravé firmy
Firmy v konkurzu -1 rok -2 roky -3 roky
-4 roky
-5 let a více
Z-score Index důvěryhodnosti IN99 Indikátor bonity Beermanův model Taflerův model * Quick test Majerův model
58 (87) 70 (87) 53 (67) 60 77 59 * 82 61 (72)
79 (95) 65 (85) 92 (94) 83 21 80 * 77 77 (81)
18 (47) 41 (52) 66 31 * 39 55 (74)
39 (50) 67 54 (67)
40 (76) 49 (68) 59 (73) 70 3 47 * 50 74 (86)
14 (54) 24(67) 40 (54) 64 44 * 33 62 (71)
Rozbory známých českých stavebních úpadků (Case Studies)
Tato kapitola se soustředí na několik ukázkových příkladů podniků, na kterých je vidět vývoj výsledné hodnoty nového modelu. V některých situacích bude vývoj hodnot nového modelu porovnáván s některými jinými modely, které mají zajímavý vývoj v čase s ohledem na případný bankrot. První a zajímavější příklady jsou ze skupiny podniků, které se dostaly během posledních let do likvidace. V druhé skupině je pak rozebrán vývoj výsledků u známých českých stavebních podniků, které stále ještě více méně bezproblémově působí na tomto trhu.
10.1 Podniky v likvidaci V roce 2008 aţ 2009 se do insolvenčního řízení dostalo na celém českém trhu 16 velkých firem, které měly roční obrat více neţ jednu miliardu. Mezi těmito podniky figurují tři stavební podniky - firmy AQ Okna a.s, CBPS s.r.o a Geosan Group a.s. Tyto tři podniky budou rozebrány s ohledem na výsledky nového bankrotního modelu. Dalším zajímavým příkladem je podnik Metal Progres a.s. Častým problémem analýz těchto podniků je, ţe v posledních letech, kdyţ uţ vedení firmy ví o značných finančních nesnázích, nepublikují účetní uzávěrky. Z tohoto důvodu bohuţel často chybí poslední hodnoty modelu těsně před finančním úpadkem.
73
Původní myšlenkou také bylo věnovat se známým úpadkům z historie českého stavebnictví, ale bohuţel je velice obtíţné dohledat potřebné účetní uzávěrky. Šlo o firmy Vodní stavby, a.s. a Vojenské stavby a.s.
10.1.1 Metal Progres, a.s. Firma Metal progres a.s. vznikla v roce 1998. Věnuje se výrobě hliníkových součástí pro stroje, ale hlavní její obchodní činnost je spojena s OKEČ pozemní a inţenýrské stavitelství. Roční obrat se pohyboval v době její nejvyšší výkonnosti kolem hranice půl miliardy korun. V roce 2005 se ovšem firma dostala do konkurzu. V následujícím grafu je vidět jak se vyvíjel výsledek modelu.
Z grafu je zřejmé, ţe firma měla v počátcích problémy, takové jaké má kaţdá začínající firma. Její výsledky v počátečním období jsou v „šedé zóně“. Kaţdým rokem se však firma zlepšovala a prosazovala více na trhu. Solidní trend podniku pak vyústil do kvalitních let 2000 a 2001, kde měla firma i největší roční obrat. V těchto letech vykazuje výsledky v novém modelu v zóně zdravých firem. Zlom však nastal v roce 2002, kdy očividně firma nastavila finanční politiku špatným směrem nebo měla problémy na obchodním poli. V roce 2004 a 2005 jiţ vykazuje podnik špatné výsledky a neodvratitelný úpadek se blíţil. Ten nastal v roce 2005. Z tohoto příkladu vychází pro nový bankrotní model kvalitní schopnost predikce dva roky před úpadkem. Kdyby podnik prováděl takový to test pomocí vzorce, začalo by mu jiţ 4 roky dopředu jasné, ţe podnik má nepříjemnou budoucnost, pokud nepodnikne některé kroky na záchranu firmy.
74
Za zmínku stojí, ţe pro tento ukázkový příklad mělo Altmanovo Z-score podobnou úspěšnost jako nově vytvořený model. Naopak indikátor bonity předpovídal finanční problémy teprve jeden rok před nastávajícím konkursem.
10.1.2 CBPS s.r.o. CBPS
s.r.o
je
českobudějovická
stavební
firma,
které
se
původně
jmenovala
Českobudějovické pozemní stavby. Firma vznikla v roce 1991 a v roce 2008 se dostala do konkursu.
Firma byla dlouho bezproblémová. V roce 2007 však svým partnerům dluţila 325 miliónů korun, které nebyla schopna splácet stejně jako dalších 53 miliónů bankovních úvěrů. Toto všechno jí dostalo aţ do konkursu v roce 2008. Bohuţel nejsou dostupná účetní data z let 2007. I tak však vývoj výsledků bankrotního modelu vykazuje dva roky před úpadkem klesající tendenci v „šedé zóně“. Relativně slabá dlouhodobější předpověď modelem je způsobena hlavním důvodem úpadku, který nemá zcela finanční charakter. V roce 2007 totiţ podnik měl velké finanční ztráty na dvou velkých stavebních projektech v Praze. I tímto faktem jsou ovlivněny výsledky Majerova modelu. Altmanovo Z-score má znovu výsledky podobné tomuto modelu. Indikátor bonity jako nejlepší stávající model pro predikci českého stavebního trhu má výsledky pozitivní jen s náznakem moţných finančních problémů.
75
10.1.3 Geosan Group, a.s. Geosan Group a.s. je kolínská stavební firma, která byla zaloţena v roce 1998. Tento příklad není běţný, protoţe podnik jiţ není v konkursu. V roce 2008 bylo na firmu podáno několik insolvenčních návrhů. Pohledávky, které podle navrhovatelů nebyly splaceny, se pohybovaly aţ ve výši šesti a půl miliónu korun. Ty ovšem Geosan splatil, ačkoliv je neuznával. Případné ztráty ze špatného jména či dokonce konkursu by byly mnohem vyšší. Co o finanční situaci této firmy vypovídá model je zřejmé z následujícího grafu.
Výsledky této akciové společnosti mají stoupající tendenci, která od zaloţení roste aţ do zón, které finanční problémy nepredikuje. Výsledky pro indikátor bonity se pohybují v nejasných zónách. Z-score pak nepredikuje ţádné finanční problémy. Tento příklad je však ve své podstatě sporný právě pro výše popsanou záchranu před úpadkem.
10.1.4 AQ Okna, s.r.o. AQ Okna s.r.o je firma, která byla zaloţena v roce 2001 a stala se jedním z největších výrobců oken na českém stavebním trhu. Firma se také zabývala ostatními stavebními pracemi. V roce 2009 se ovšem dostala do insolvenčního řízení. Bohuţel její krátké účinkování na trhu neposkytlo mnoho účetních uzávěrek. Graf zobrazuje pouze strohé tři roky.
76
Z grafu je patrné, ţe vývoj výsledků Majerova modelu naznačoval uţ od roku 2003 nepříznivou finanční situaci. V roce 2004 bylo sníţení zapříčiněno převáţně nevhodným zacházením s pracovním kapitálem. Ten byl ve zmíněném roce -27 miliónů korun. Z tohoto příkladu je patrné, ţe tento nový model předpovídá úpadek s dlouhodobým předstihem kvalitněji neţ ostatní modely. Z-score se pouze v roce 2006 přiblíţilo k hranici šedé zóny a indikátor bonity se pohyboval pouze v neurčitém pásmu „firma má určité problémy“.
10.2 Zdravé podniky Ukázkovými zdravými podniky byly zvoleny známé velké české podniky, které prakticky ovládají celý národní stavební trh. Zajímavé je hlavně porovnání výsledků těchto podniků. Ačkoliv jde o modely bankrotní (nikoli bonitní) můţe výsledek vypovídat o jejich síle a finanční stabilitě. Jako ukázkové podniky pro porovnání byly vybrány Skanska CZ a.s., Metrostav a.s., Hochtief CZ a.s., OHL ŢS a.s. a Stavby silnic a ţeleznic a.s.
77
Jako nejlepší akciová společnost z vybrané pětice dopadla česká firma Stavby silnic a ţeleznic. SSŢ si drţí v tomto časovém období bezpečný odstup i od neurčité oblasti. Stejně tak společnost Metrostav a.s. se v období 1998 aţ 2008 nedostala do „šedé zóny“, která by predikovala finanční problémy. O poznání hůře si vedou zbylí tři konkurenti. Dle výsledků v modelu byl v nepříjemné finanční situaci Hochtief v letech 1998 aţ 2003. Poté se dostal na pozitivní výsledky. Ovšem v roce 2008 upadl na hodnotu 1,2, která uţ můţe znamenat určité nesnáze v následných letech. Ve většině zanesených let se akciová společnost OHL ŢS pohybuje v v zóně, která neznamená zdravou ani nezdravou firmu. Skanska a.s. se jiţ po roce působení na českém trhu vyhoupla na výsledky nepředpovídající finanční problémy. V roce 2008 se však propadla aţ na hranici 0,13. Dosaţení takovéhoto výsledku by mohlo předpovídat finanční nesnáze v několika následujících letech. S ohledem na výsledky je však nutné zdůraznit, ţe tyto stavební firmy jsou tak velkého rozsahu, ţe na hodnocení jejich finanční situace nemůţe stačit jeden vzorec. Je třeba mnoha finančních analýz a širší objektivní pohled.
78
10.3
Čtvrtý dílčí závěr
Především první podkapitola potvrdila domněnku, ţe není dostačující pouţívat pouze modely na předpověď finanční situace v budoucnu. Je třeba detailních analýz, coţ platí hlavně u větších podniků. Kvalitní predikci měl model u dvou ze čtyř ukázek. U dvou dalších se však stále pohyboval v šedé zóně, coţ by mohlo být bráno jako úspěšná předpověď. Problémem při předpovědích dle modelů bývá fakt, ţe je firmy často dostanou do finančního úpadku během jediného roku, kdy podnik narazí na ztrátové projekty. Ukázkou takového podniku je CBPS s.r.o. Tyto Case studies byly také ovlivněny faktem, ţe firmy při nastalých finančních problémech přestanou v posledních letech publikovat účetní uzávěrky. Porovnáním hodnot podniků stále působících na českém stavebním trhu z druhé podkapitoly potvrdilo předpoklady, jak si tyto firmy stojí na trhu. Jejich finanční situace mají ve dvou případech neurčité vyhlídky. Naopak Skanska a.s. se podle výsledků nového modelu dostane v budoucnu do finančních nesnází. S porovnáním vývoje hodnot výsledků firem, které se dostaly do konkursu, měla by skupina Skanska a.s. zavést ochranná opatření. Jde však o velkou firmu se zahraničním vlastníkem. A pro takové firmy jsou finanční strategie v jiné rovině neţ byl tvořen tento model.
11.
Návrh na další postup práce
V průběhu ekonomického vývoje se často mění situace na trhu stejně jako hlavní příčiny úpadku podniků. Mnohé legislativní změny mohou naprosto ovlivnit finanční situaci na trhu. To je jeden z důvodů, proč by bylo vhodné modely stále aktualizovat a upravovat dle aktuální situace. Stejně tak by mohl být motivačním prvkem stálého vylepšování modelu nárůst ukázkových příkladů úpadku. Kaţdým rokem se zaznamenávají nové účetní uzávěrky, z kterých by se daly načerpat nové zkušenosti. Toto blízce souvisí i s problémem, který tuto práci lehce provázel. Tím bylo nedostatečné mnoţství firem v úpadku. Dalším postupem práce by mohla být tvorba komplikovanějšího modelu, který by měl několik podob a dle výsledků by se dalo zjistit, za jak dlouho podnik pravděpodobně upadne. Nabízí se například kombinace jiţ stávajících modelů. Například špatné výsledné hodnoty v modelu Z-score naznačují, ţe podnik zkrachuje během následujících dvou let. Pokud však Z-score vykazuje pozitivní výsledky, podnik by měl zjistit, jaké výsledky vycházejí v novém modelu vytvořeném přímo na český stavební trh. Pokud totiţ zde bude mít špatné výsledné hodnoty, mohlo by to pro podnik znamenat, ţe finanční úpadek nastane nejdříve za 3 roky, ale jiţ silně hrozí. 79
Z tohoto důvodu se nabízí tvorba modelu, který by měl několik výsledků, dle kterých by se dalo přibliţně odhadnout, kdy začne mít firma existenční problémy. Další moţností by mohlo být vytvoření modelu, který by měl více hranic, dle kterých by se dalo predikovat, kdy nastane finanční úpadek.
12.
Závěr
12.1 Souhrn dílčích závěrů 12.1.1 První dílčí závěr – Literární rešerše Modelů pro predikci úpadku firmy je velké mnoţství. Všechny mohou být pro práci manaţerů vhodné a často mohou pomoci odhalit případné finanční problémy v budoucnosti podniku. Všechny literatury se shodují, ţe dobré výsledky v těchto testech nestačí. „Při hodnocení získaných výsledků je třeba vzít v úvahu, že žádný index nemůže nahradit komplexně provedenou finanční analýzu. Slouží však k ověření, zda naše závěry z jednotlivých oblastí finančního hospodaření podniku byly správné.“[6] Na závěr článku od profesora Altmana je napsáno poselství, které se plně shoduje s předchozím závěrem: „Mít modely jednoduše není dostačující.“ [4, strana 34] Pro další postup této diplomové práce motivuje i poznámka pod čarou v knize Účetní data v rukou manažera od J.Sedláčka. „Opakovaně ale upozorňujeme na nebezpečí mechanického přejímání takto definovaných ukazatelů a diskriminačních rovnic pro předvídání finančního vývoje našich firem. Pro reálnou českou praxi by bylo třeba jak přehodnotit používané ukazatele, tak i přepočítat hodnoty jednotlivých koeficientů.“ [7, strana 111] Také v článku od profesora Altmana se dají vyčíst další motivace pro další práce. Pro příklad mohou poslouţit tyto otázky: „(1) Které ukazatele jsou nejpodstatnější pro detekci pro úpadek firmy? (2) Jaké váhy by měli být přiřazeny těmto ukazatelům? (3) jak objektivně tyto váhy určit? „ [4, strana 8]
12.1.2 Druhý dílčí závěr – Úspěšnost modelů na českém stavebním trhu Tato kapitola se věnovala tomu, jaký model má vhodné předpoklady pro pouţití na českém stavebním trhu. Modely byly zkoušeny na vzorku 5095 zdravých firem a 351 vzorků firem, které se dostaly do konkurzu. 80
Pro pouţívání jsou optimální ty modely, které mají jednoduché způsoby, jak se dostat k výsledku. Z pohledu autora jde o modely vícerozměrné, u kterých se pouze doplňují určitá účetní data do vzorce. Naopak hůře se pracuje s modely, které hodnotí firmy na bázi benchmarkingu. Ukázkou takových je Kralickův Quick test a Tamariho model. Některé bankrotní vícerozměrné modely obsahují poloţky, ke kterým je často sloţité se dostat. Tyto modely jsou pak proto méně pouţívané. Mezi takové patří Index důvěryhodnosti českého podniku a Beermanova diskriminační funkce. U Beermanova modelu to ovšem můţe být způsobeno rozdílností účetnictví v Čechách a jiných zemích. [%]
Zdravé Firmy v konkurzu firmy -1 rok -2 roky
-3 roky
-4 roky
-5 let a více
Z-score Index důvěryhodnosti IN99 Indikátor bonity Beermanův model Taflerův model * Quick test
58 (87) 70 (87) 53 (67) 60 77 59 * 82
14 (54) 24(67) 40 (54) 64 44 * 33
18 (47) 41 (52) 66 31 * 39
39 (50) 67 -
79 (95) 65 (85) 92 (94) 83 21 80 * 77
40 (76) 49 (68) 59 (73) 70 3 47 * 50
V tabulce jsou udány úspěšnosti predikce modelů na českém stavebním trhu. U některých modelů jsou dvě procentní úspěšnosti. Tyto modely mají v interpretaci výsledků nejistou zónu tzv. „šedou zónu“. U těchto modelů je hodnota, kdy se do správné predikce nepočítá „šedá zóna“, uvedena bez závorky. V závorce je pak do správného odhadu započítána i „šedá zóna“. První sloupec o úspěšnosti predikce modelů pro zdravé firmy je z hlediska hodnocení nepodstatný. Na druhou stranu musí dosahovat určitých výsledků, aby se dalo modelu „věřit“. Celkově se nejlepším modelem v tomto testu stal Indikátor bonity. Úspěšnost rok před konkurzem 83 % je průměrná, ale jako jediný z modelů je schopen předpovídat finanční úpadek i více neţ 5 let dopředu. Vynikajících výsledků dosáhl i model IN99, který se řadí mezi nejlepší při predikci jeden a dva roky před konkurzem. I v letech předcházejících si udrţuje úspěšnost nad poměry vysoko. Naopak nejhůře dopadl test úspěšnosti pro Beermanův model. Nejenom, ţe skladba vzorce není z uţivatelského pohledu vhodná, tak i jeho predikční schopnosti jsou minimální. Ostatní modely mají solidní predikční schopnosti, ale Indikátor bonity a IN99 je v úspěšnosti predikce na českém stavebním trhu „porazili“. Pokud se „šedá zóna“ brala jako správný odhad při predikci budoucích finančních problémů, pak Altmanovo Z-score potvrdilo předpoklady. Model má podobnou úspěšnost predikce na českém stavebním trhu stejně jako v zahraničí. Od modelu se také očekávalo, ţe předpovídat úpadek bude schopen model pouze dva roky předem. 81
Podobného výsledku dosáhla i varianta modelu manţelů Neumaierových
Index
důvěryhodnosti. Zde jsou však jiţ zmiňované komplikace s některými členy modelu. Model také není schopen solidně předpovídat finanční problémy více jak 2 roky předem. Úspěšnost Tafflerova modelu a Kralickova Quick testu je podobná. Oba modely kvalitně predikují úpadek jeden a dva roky předem. V následných letech uţ je úspěšnost méně neţ poloviční. Tafflerův model měl pro český stavební trh nastaveny hranice příliš nízké. Hodnoty v tabulce označeny hvězdičkou značí, ţe pro hodnocení byla posunuta hranice na 0,7. Důvod pro příliš mírné hranice můţe být v tom, ţe model byl vytvořen v roce 1977. Tyto statistiky mohou být negativně ovlivněny několika faktory. Prvním faktorem je, ţe firem v konkurzu či likvidaci není dostatečné mnoţství na kvalitní analýzu. Druhým faktorem je samozřejmý fakt, ţe ne všechny úpadky firem souvisí s finančními problémy. Jde o problémy popsané v kapitole 4.
12.1.3 Třetí dílčí závěr – Tvorba modelu pro český stavební trh Hlavním účelem této kapitoly a prakticky celé diplomové práce bylo vytvořit model, který by co nejlépe predikoval budoucí úpadek podniku. Podstatnou součástí bylo zjistit jaké ukazatele a poměry finančních poloţek jsou pro český trh nejvhodnější na oddělení podniků s a bez finančních potíţí. Na tento úkol bylo pouţito metod běţného porovnávání a zároveň pouţití statistických metod s pomocí softwaru Statistica 9. Finální podoba modelu vypadá takto:
M = 1,21 x1 + 3,03 x2 + 3,82 x3 + 8,62 x4
Kde:
x1 = Pracovní kapitál / Celková aktiva x2 = Výsledek hospodaření minulých let / Celková aktiva x3 = Vlastní kapitál / Celková pasiva x4 = Cash flow / Cizí zdroje
Jako hranice pro tento nový model utvořený pro český stavební trh byly dány tyto meze: M 1,0 M
1,75 ……………..nízká pravděpodobnost finančního úpadku firmy M
1,75 ……….tzv. šedá zóna (neurčitý výsledek)
1,0 ……………....vysoká pravděpodobnost finančního úpadku firmy
82
Úspěšnost modelu na stavebním trhu v Čechách převyšuje ostatní modely vytvořené ve světě i na českém území. Jaká je přesně jeho úspěšnost s porovnáním s ostatními modely, ukazuje tabulka.
[%]
Zdravé firmy
Firmy v konkurzu -1 rok -2 roky -3 roky
-4 roky
-5 let a více
Z-score Index důvěryhodnosti IN99 Indikátor bonity Beermanův model Taflerův model * Quick test Majerův model
58 (87) 70 (87) 53 (67) 60 77 59 * 82 61 (72)
79 (95) 65 (85) 92 (94) 83 21 80 * 77 77 (81)
18 (47) 41 (52) 66 31 * 39 55 (74)
39 (50) 67 54 (67)
40 (76) 49 (68) 59 (73) 70 3 47 * 50 74 (86)
14 (54) 24(67) 40 (54) 64 44 * 33 62 (71)
12.1.4 Čtvrtý dílčí závěr - Rozbory známých českých stavebních úpadků (Case Studies) Především první podkapitola potvrdila domněnku, ţe není dostačující pouţívat pouze modely na předpověď finanční situace v budoucnu. Je třeba detailních analýz, coţ platí hlavně u větších podniků. Kvalitní predikci měl model u dvou ze čtyř ukázek. U dvou dalších se však stále pohyboval v šedé zóně, coţ by mohlo být bráno jako úspěšná předpověď. Problémem při předpovědích dle modelů bývá fakt, ţe je firmy často dostanou do finančního úpadku během jediného roku, kdy podnik narazí na ztrátové projekty. Ukázkou takového podniku je CBPS s.r.o. Tyto Case studies byly také ovlivněny faktem, ţe firmy při nastalých finančních problémech přestanou v posledních letech publikovat účetní uzávěrky. Porovnáním hodnot podniků stále působících na českém stavebním trhu z druhé podkapitoly potvrdilo předpoklady, jak si tyto firmy stojí na trhu. Jejich finanční situace mají ve dvou případech neurčité vyhlídky. Naopak Skanska a.s. se podle výsledků nového modelu dostane v budoucnu do finančních nesnází. S porovnáním vývoje hodnot výsledků firem, které se dostaly do konkursu, měla by skupina Skanska a.s. zavést ochranná opatření. Jde však o velkou firmu se zahraničním vlastníkem. A pro takové firmy jsou finanční strategie v jiiné rovině neţ byl tvořen tento model.
83
12.2 Vyhodnocení hypotéz Hypotéza 1: Je třeba u modelů vytvořených v zahraničí nastavit pro český trh niţší resp. „měkčí“ hranice pro predikci úpadku? Všechny modely aţ na jednu výjimku svými hranicemi „pasovaly“ na český stavební trh stejně jako na prostředí, na které byli původně vytvořeny. Jedinou výjimkou je Tafflerův model. Jeho hranice byly pro český stavební trh nastaveny velice nízko. Aby tento model byl pouţitelný pro zkoumaný trh, byla původní hranice 0,3 posunuta na hodnotu 0,7. Tafflerův model byl původně vytvořen pro trh ve Velké Británii. Tento zajímavý fakt potvrzuje z části hypotézu, ţe na českém stavebním trhu podniky „přeţijí“ horší finanční situace neţ v Británii. Hypotéza 2: Jsou členy obsaţené ve stávajících model optimální pro český stavební trh? Při tvorbě modelu pro stavební trh v Čechách byla hodnocena vhodnost pouţitých ukazatelů v modelech. Zároveň bylo pouţito dalších 27 finančních poměrů. Při pohledu na finální podobu vzorečku jsou jasná tato fakta. Z výsledných čtyř členů odpovídají tři, členům, které ve svém modelu pouţil profesor Altman. Čtvrtý člen je stejný s členy pouţitými v modelu ekonoma Beavera modelu Indikátor bonity. Je tedy zřejmé, ţe členy pouţité ve stávajících modelech jsou optimální i pro český stavební trh. Hypotéza 3: Jsou modely vytvořené pro český trh úspěšnější neţ modely vytvořené v zahraničí? Mezi sedmi zkoušenými modely se vyskytovaly pouze dva české. Jde o model IN99 a Index důvěryhodnosti českého podniku. Bankrotní model IN99 byl dle své úspěšnosti v dlouhodobém horizontu na druhém místě hned po Indikátoru bonity. Predikce jeden rok před bankrotem byla rovněţ jedna z nejlepších. Tento model tedy podporuje myšlenku, ţe modely vytvořené přímo pro český trh lépe vystihují zdejší finanční situace. Opačnými výsledky se však prezentoval Index důvěryhodnosti českého podniku. Jeho koeficienty dokonce byly nastaveny přímo na stavební trh. Úspěšnost modelu je však ve všech letech jedna z nejslabších.
84
Hypotéze 4: Vytvořit model s dokonalou úspěšností nelze, protoţe důvody úpadku nejsou vţdy jen ze špatné finanční politiky podniku. Při tvorbě modelu bylo zkoušeno více variant, které by mohly nejlépe predikovat budoucí finanční problémy. Ţádný z nich se však nedostal na hranici, která by predikovala skoro přesně. Jak je popsáno ve čtvrté kapitole důvodů úpadku podniků je mnoho a ne všechny jsou způsobeny špatným vedením finanční stránky podniku. Je tedy jasné, ţe dokonalý model vytvořit nelze.
12.3 Závěr Cílem diplomové práce bylo zjistit, jaké modely pro predikci úpadku jsou vhodné pro český stavební trh. Druhým cílem bylo vytvořit nový model speciálně pro tento trh. Tyto cíle byly naplněny a přinesly zajímavé výsledky. Nejvhodnějším ze stávajících modelů byl Indikátor bonity vytvořený původně pro trh v německy mluvících zemích. Detailněji jsou výsledky popsány v druhém dílčím závěru. Nově vytvořený model přímo na český stavební trh předčil svou úspěšností všechny stávající modely, jak ukazuje třetí dílčí závěr. Jeho praktické pouţití a kvalitní předpovídající vlastnost potvrdilo pouţití na ukázkových příkladech.
85
13.
Soupis citací
[1] Frank J. Fabozzi & Pamela P. Peterson: Financial management & analysis [2] Edward I. Altman: Corporate Financial Distress and Bankruptcy [3] URL: < http://www.investopedia.com/ > [4] Edward I. Altman: Revitising Credit Scoring Models In a Basel 2 Environment [5] František Vávra: Poznámky k využívání Altmanova Z-score pro hodnocení bonity podniku [6] URL: < http://is.mendelu.cz xxxxxx
>
[7] Sedláček J.: Účetní data v rukou manažera – finanční analýzy v řízení firmy [8] Ing. Zdeněk Burda: přednášky předmětu Management Podniku [9] Jae K.Shim, Joel G.Siegel: The Vest Pocket CFO [10] URL: < http://www.financninoviny.cz/tema/zpravy/pocet-bankrotu-stavebnich-firemvzrostl-v-pololeti-o-49-/395312&id_seznam=9345 > [11] URL: < http://www.creditinfo.cz/ > [12] Ing.Enikö Lörinczová, Phd., Ing.Marta Stárová: Výsledek hospodaření – obsah a překlad [13] URL: < http://is.vsfs.cz/el/6410/zima2004/BK_FAP/FA_Bonitni_modely_Grunwalduv_ bonitni_modem_IN99_Aspect_Global.pdf?fakulta=6410;obdobi=10;kod=BK_FAP > [14] Marie Forbelská: Parametrická diskriminační analýza [15] URL: < http://www.statsoft.cz/ > [16] URL: < http://www.konkursni-noviny.cz/ > [17] URL: < csu [18] URL: < http://www.financninoviny.cz/tema/zpravy/pocet-bankrotu-stavebnich-firemvzrostl-v-pololeti-o-49-/395312&id_seznam=9345 > [19] URL: < http://insolvencni-zakon.justice.cz/obecne-info-prevence-upadku/noveinsolvencni- pravo.html > [20] Zákon 182/2006 Sb. o úpadku a způsobech jeho řešení
86