@ARTICLE{26543120_137255947_2014, 
	author = {Б. Б. Демешев and А. С. Тихонова}, 
	keywords = {, прогнозирование банкротства, сравнение моделей, средние и малые предприятия, оптовая и розничная торговля, обрабатывающая промышленность, операции с недвижимостьюстроительство},
	title = {Прогнозирование банкротства российских компаний: межотраслевое сравнение},
	journal = {Экономический журнал ВШЭ},
	year = {2014},
	volume = {18},
	number = {3},
	pages = {359-386},
	url = {https://ej.hse.ru/2014-18-3/137255947.html},
	publisher = {},
	abstract = {Цель данной работы - сравнение подходов к моделированию критического финансового положения средних и малых российских непубличных компаний разных отраслей с помощью финансовых и нефинансовых показателей в 2011-2012 гг.Нами использованы методы прогнозирования: логит- и пробит-модели, линейный дискриминантный анализ, квадратичный дискриминантный ана­лиз, дискриминантный анализ смеси распределений, классификационное де­рево и алгоритм случайного леса.В исходной выборке содержится около миллиона наблюдений из базы данных «Руслана», которые относятся к периоду 2011-2012 гг.Вместо понятия банкротства мы используем понятие критического финансового положения, которое вынуждает компанию либо закрыться добровольно, либо быть ликвидированной по процедуре легального банкротства.Исследуемые компании относятся к четырем отраслям: обрабатывающим производствам, операциям с недвижимостью, оптовой и розничной торговле и строительству. Сравнивая отрасли, мы приходим к нескольким важным выводам. С одной стороны, нужно строить отдельные модели для разных отраслей, поскольку разница между отраслями не может быть описана с помощью одного-двух дополнительных регрессоров в виде дамми-пере­менных.С другой стороны, между отраслями много общего. Во-первых, сильно похожим между отраслями выходит ранжирование переменных по важности. Это, в частности, приводит к тому, что для всех четырех отраслей в качестве оптимального мы выбираем один и тот же набор регрессоров из рассматриваемых нами шести альтернатив. Вне зависимости от отрасли включение нефинансовых показателей улучшает прогнозную силу модели. Важными нефинансовыми переменными являются возраст компании и фе­деральный округ. Размер компании оказывает меньшее влияние, а организационная форма является самым слабым предиктором. Во-вторых, наилучшим алгоритмом стабильно оказывается случайный лес. Для всех отраслей у случайного леса показатель качества прогнозов (площадь под ROC-кривой) достигает примерно 3/4.Задача прогнозирования дефолта предприятия на следующий год интересна как банкам и другим кредиторам предприятий, так и государственным контролирующим органам.},
	annote = {Цель данной работы - сравнение подходов к моделированию критического финансового положения средних и малых российских непубличных компаний разных отраслей с помощью финансовых и нефинансовых показателей в 2011-2012 гг.Нами использованы методы прогнозирования: логит- и пробит-модели, линейный дискриминантный анализ, квадратичный дискриминантный ана­лиз, дискриминантный анализ смеси распределений, классификационное де­рево и алгоритм случайного леса.В исходной выборке содержится около миллиона наблюдений из базы данных «Руслана», которые относятся к периоду 2011-2012 гг.Вместо понятия банкротства мы используем понятие критического финансового положения, которое вынуждает компанию либо закрыться добровольно, либо быть ликвидированной по процедуре легального банкротства.Исследуемые компании относятся к четырем отраслям: обрабатывающим производствам, операциям с недвижимостью, оптовой и розничной торговле и строительству. Сравнивая отрасли, мы приходим к нескольким важным выводам. С одной стороны, нужно строить отдельные модели для разных отраслей, поскольку разница между отраслями не может быть описана с помощью одного-двух дополнительных регрессоров в виде дамми-пере­менных.С другой стороны, между отраслями много общего. Во-первых, сильно похожим между отраслями выходит ранжирование переменных по важности. Это, в частности, приводит к тому, что для всех четырех отраслей в качестве оптимального мы выбираем один и тот же набор регрессоров из рассматриваемых нами шести альтернатив. Вне зависимости от отрасли включение нефинансовых показателей улучшает прогнозную силу модели. Важными нефинансовыми переменными являются возраст компании и фе­деральный округ. Размер компании оказывает меньшее влияние, а организационная форма является самым слабым предиктором. Во-вторых, наилучшим алгоритмом стабильно оказывается случайный лес. Для всех отраслей у случайного леса показатель качества прогнозов (площадь под ROC-кривой) достигает примерно 3/4.Задача прогнозирования дефолта предприятия на следующий год интересна как банкам и другим кредиторам предприятий, так и государственным контролирующим органам.}
}