8. Оценка степени риска банкротства.
=
Оценка риска банкротства дала
Откуда заключаем, что при высоких и очень высоких уровнях показателей (низких уровней нет вообще) произошло улучшение состояния банка - риск банкротства уменьшился на 1.4% (0.297-0,283=0,014).
9. Лингвистическое распознавание значений g по данным таблицы 4 этапа определяется степень риска банкротства банка "Газпромбанк" (ОАО) как "низкая" для всех 4 периодов анализа. Таким образом, предварительные выводы при анализе классификации уровней показателей остаются в силе. Также стоит отметить, что за анализируемый период показатели мгновенной и текущей ликвидности Банка перешли на "очень высокий уровень" данных нормативов. Рассматривая финансовые показатели деятельности Газпромбанка в совокупности 4 периодов, отметим следующие результаты [11]:
1. увеличились активы Банка на 11% (с 1 775,5 млрд руб на начало 2009 года до 1 979,2 млрд руб по состоянию на 1 апреля 2009 года);
2. выросли собственные средства (капитал) Банка, рассчитанные в соответствии с Положением Банка России №215-П, на 15% до 158,4 млрд руб;
3. вырос объем ссудной и приравненной к ней задолженности на 24% до 1 507,1 млрд руб;
4. увеличились средства корпоративных клиентов банка на 9% и достигли 863,3 млрд руб;
5. балансовая прибыль Газпромбанка за I квартал 2009 года составила 16,7 млрд руб;
Данные опубликованы на официальном сайте ОАО "Газпромбанк" (www.gazprombank.ru). В работе они указаны в ПРИЛОЖЕНИИ В "Финансовые показатели деятельности Газпромбанка", ПРИЛОЖЕНИИ Г "Значения обязательных нормативов Газпромбанка", ПРИЛОЖЕНИИ Д "Бухгалтерский баланс и отчет об уровне достаточности капитала Газпромбанка на 1 октября 2008 года". [11]
Применим метод анализа риска банкротства для другого банка, надежность которого менее стабильна, проведем сравнительный анализ полученных результатов с "Газпромбанком". В условиях экономического кризиса положение многих коммерческих банков заметно ухудшилось. Экономический кризис, как "естественный отбор" в теории эволюции, в живых оставляет самых сильных и приспособленных. В России в первую очередь - это кризис ликвидности предприятий. Большинство банков свернули программы кредитования коммерческой недвижимости, более крупные - повысили ставки и увеличили сроки рассмотрения кредитных заявок с одновременным ужесточением требований к потенциальным заемщикам. Таким образом, в сложившейся ситуации задача определения риска банкротства весьма актуальна. Для рассмотрения возьмем данные (по аналогии с описанными выше по "Газпромбанку") одного из коммерческих банков Тулы (т.к. финансовые результаты анализируемого банка являются коммерческой тайной, название приводится не будет, для определенности введем обозначение Х).
Повторим алгоритм метода анализа риска банкротства для банка Х.
1. Этап 1 (лингвистические переменные и нечеткие подмножества) совпадает с этапом 1 для ОАО "Газпромбанк".
Е - лингвистическая переменная "Состояние предприятия", имеет 5 значений.
G - лингвистическая переменная "Риск банкротства", также имеет 5 значений.
Bi - лингвистическая переменная "Уровень показателя Xi", имеет 5 терм-множеств значений.
Все, что по умолчанию предполагалось в описании этапа 1 выше, предполагается и здесь.
2. Этап 2 (показатели).
В качестве показателей также возьмем обязательные экономические нормативы ЦБ РФ (см. ПРИЛОЖЕНИЕ Б).
Банк Х предоставил данные по нормативам Н1, Н2, Н3, Н4, Н6, Н7, Н9, Н10, Н12.
X={Xi}, i=1,…,N, N=9.
3. Этап 3 (значимость).
Аналогично этапу 3 для анализа "Газпромбанка".
4. Этап 4 (классификация степени риска).
Совпадает с описанным выше этапом 4 (см. таблицу).
5. Этап 5 (классификация значений показателей).
Совпадает с описанным выше этапом 5 (см. таблицу).
6. Этап 6 (оценка уровней показателей).
Наименование показателя | Значение на 01.01.2008 (I период) | Значение на 01.04.2008 (II период) | Значение на 01.07.2008 (III период) | Значение на 01.04.2009 (IV период) | |
Х1 | 0.111 | 0.095 | 0.095 | 0.051 | |
Х2 | 0.271 | 0.231 | 0.231 | 0.149 | |
Х3 | 0.713 | 0.645 | 0.583 | 0.448 | |
Х4 | 1.081 | 1.211 | 1.015 | 1.201 | |
Х5 | 0.215 | 0.1905 | 0.1871 | 0.286 | |
Х6 | 2.403 | 2.533 | 2.253 | 5.548 | |
Х7 | 0.481 | 0.405 | 0.503 | 0.561 | |
Х8 | 0.003 | 0.024 | 0.0054 | 0.035 | |
Х9 | 0.271 | 0.283 | 0.145 | 0.036 |
7. Этап 7 (классификация уровней показателей).
Показатель Хi | Значение {} в период I | |||||
1(xI,i) | 2(xI,i) | 3(xI,i) | 4(xI,i) | 5(xI,i) | ||
Х1 | 0 | 0 | 0 | 0 | 1 | |
Х2 | 0 | 0 | 0 | 0 | 1 | |
Х3 | 0 | 0 | 0 | 1 | 0 | |
Х4 | 0 | 0 | 1 | 0 | 0 | |
Х5 | 0 | 1 | 0 | 0 | 0 | |
Х6 | 0 | 0 | 0 | 0 | 1 | |
Х7 | 0 | 0 | 1 | 0 | 0 | |
Х8 | 0 | 0 | 0 | 0 | 1 | |
Х9 | 0 | 1 | 0 | 0 | 0 | |
Х1 | 0 | 0 | 0 | 1 | 0 | |
Х2 | 0 | 0 | 1 | 0 | 0 | |
Х3 | 0 | 0 | 1 | 0 | 0 | |
Х4 | 0 | 0 | 1 | 0 | 0 | |
Х5 | 0 | 0 | 1 | 0 | 0 | |
Х6 | 0 | 0 | 0 | 0 | 1 | |
Х7 | 0 | 0 | 0 | 1 | 0 | |
Х8 | 0 | 0 | 0 | 0 | 1 | |
Х9 | 0 | 1 | 0 | 0 | 0 | |
Х1 | 0 | 0 | 0 | 1 | 0 | |
Х2 | 0 | 0 | 1 | 0 | 0 | |
Х3 | 0 | 0 | 1 | 0 | 0 | |
Х4 | 0 | 0 | 1 | 0 | 0 | |
Х5 | 0 | 0 | 1 | 0 | 0 | |
Х6 | 0 | 0 | 0 | 0 | 1 | |
Х7 | 0 | 1 | 0 | 0 | 0 | |
Х8 | 0 | 0 | 0 | 0 | 1 | |
Х9 | 0 | 0 | 0 | 1 | 0 | |
Х1 | 0 | 1 | 0 | 0 | 0 | |
Х2 | 0 | 1 | 0 | 0 | 0 | |
Х3 | 0 | 1 | 0 | 0 | 0 | |
Х4 | 0 | 1 | 0 | 0 | 0 | |
Х5 | 0 | 1 | 0 | 0 | 0 | |
Х6 | 0 | 0 | 0 | 1 | 0 | |
Х7 | 1 | 0 | 0 | 0 | 0 | |
Х8 | 0 | 1 | 0 | 0 | 0 | |
Х9 | 1 | 0 | 0 | 0 | 0 |
8. Этап 8 (оценка степени риска банкротства).
Оценка риска банкротства дала
Риск банкротства возрос на (0.875 - 0.365)100% = 51%.
9. Лингвистическое распознавание значений g.
К анализируемому IV периоду состояние заметно ухудшилось. Значения параметров Xi на "низком" и "очень низком" уровнях. По таблице классификации степени риска определяем, что в I-III периоды степень риска банкротства банка Х была низкой и средней. Однако, в IV периоде степень риска резко возросла и стала принимать уровень "предельного риска банкротства".
Таким образом, проводя сравнение полученных результатов анализа двух банков можно сделать следующие выводы. Если показатели ОАО "Газпромбанк" (а именно нормативы ЦБ РФ) остаются в течение рассматриваемых периодов в большинстве своем на "высоком" и "очень высоком" уровне, то банк Х держится в лучшем случае на "среднем" и "высоком", но в условиях IV периода (финансовый кризис) показатели спустились до "низкого" и "очень низкого" уровней. Причин этому довольно много. Если "Газпромбанк" - стабильный, с весомой долей поддержки со стороны государства банк, то некрупный коммерческий банк областного уровня (банк Х) данными свойствами разумеется не отличается. Банк Х не имеет финансовых возможностей для развития, увеличения потенциала, т.к. даже обязательные нормативы ЦБ РФ выполняются им не в полной мере. Что и сказывается на резком скачке риска банкротства в условиях неопределенности и экономического кризиса. Таким образом, предложенный метод анализа риска банкротства весьма актуален и применим в современной ситуации для любого коммерческого банка, предоставляющего реальные финансовые результаты своей деятельности.
ЗАКЛЮЧЕНИЕ
Итак, подведем краткий итог работы. Во-первых, становится очевидным, что методы финансового анализа, основанные на теории нечетких множеств, обладают рядом неоспоримых преимуществ. К ним относятся:
- учет условий неопределенности и приближенных данных;
- применимость моделей к процессам, непосредственно связанных с практической управленческой деятельностью людей;
- способность обрабатывать разнородную по качеству и природе информацию, в целом повышая достоверность описания поведения объекта;
- возможность решать многокритериальные оптимизационные задачи с использованием нечетких расширений соответствующих детерминированных постановок этих задач. Во-вторых, предложенный метод комплексного финансового анализа риска банкротства является полезным инструментом для экспертов. Он способен гибко отразить варианты выборов эксперта, его предпочтения. Важно, что данный метод не требует сложных математических вычислений, и, следовательно, просто в реализации. Стоит отметить, что анализ риска банкротства, реализуемый в данной работе, применим не только к задачам распределения ресурсной базы коммерческих банков, но и к анализу деятельности отдельного предприятия, если брать для учета другие экономические факторы и показатели. И, наконец, акцентируем, что применение методов теории нечетких множеств в задачах поддержки принятия решений имеет безусловную перспективу, т.к. обеспечивает наиболее адекватное отображение многообразия форм существования данных, описывающих конкретный процесс. Не отвергая накопленный опыт "классического" моделирования экономических, социальных и технических систем, нечеткая логика может служить мощным средством повышения достоверности информации на входе таких моделей и способствовать объективной оценки их погрешности.
Страницы: 1, 2, 3, 4, 5, 6, 7, 8
