- Отсутствует ограничение на функциональную форму эффективной границы.

- Не требуется предположение о точной функциональной форме взаимосвязи затрат и выпуска, так как спецификация модели основана на кусочно заданной линейной границе эффективности.

- Отсутствие априорных ограничений на функциональную форму. При построении модели нет необходимости приводить границу эффективности к определённому «общему» виду, что значительно приближает исследование к реальности, так как в действительности нет чёткой структуры распределения факторов затрат, подходящих каждой компании.

- В модели нет случайных колебаний: все отклонения от эффективной границы подтверждают наличие неэффективности.

- Производственная функция может быть построена с учётом всех наблюдаемых параметров и данных по всем используемым компаниям.

Модель имеет ряд ограничений, из-за которых требуется построение альтернативной модели (в данной работе - параметрической) для сравнения полученных результатов:

- строгая предпосылка об отсутствии в данных случайных ошибок. Она предполагает, что данные свободны от ошибок в измерениях. Если целостность данных была нарушена, результаты DEA не могут интерпретироваться с уверенностью, потому что окажут влияние на значения эффективности, а эффективная граница будет смещена.

- результаты DEA модели - хороший индикатор относительной эффективности, но не абсолютной. Модель оценивает сравнительную эффективность бизнес-единиц между собой, а не с теоретическим максимумом.

Более подробно преимущества и недостатки DEA модели перечислены в работе по анализу технической эффективности коммерческих банков в России [Блинова А.О., 2015]. Все упомянутые проблемы методологии можно исключить, взяв обширную выборку, проведя тесты на значимость вклада каждого из параметров в значение технической эффективности, а также проведя тест гипотез.

Подробное формализованное описание модели и её ограничения описаны в книге зарубежного учёного Уильяма Купера [23]. Модель направлена на оценку технологических параметров компаний на пространстве «затраты-выпуск», учитывая взаимосвязь показателей внутри производственного процесса. Основываясь на этом методе, фирму можно считать эффективной, если нет никакой другой фирмы или линейной комбинации фирм, которые производят, больше (при фиксированных затратах) или, затраты которой меньше (при фиксированном выпуске)[Charnes, A., W.W., 1978].

В целом, оболочечный анализ данных направлен на категоризацию компаний и распределение их на две группы:

1. Абсолютно эффективные компании (комбинация «затрат-выпуска» находится на границе эффективности DEA модели);

2. Неэффективные компании (с наблюдаемым отклонением от эффективной границы).

Существуют две основные спецификации DEA модели - CCR модель [Charnes et al., 1978] и BCC модель [Banker et al., 1984]. В первой модели действует предпосылка о постоянной масштабной отдаче. Это означает, что, если (x;y) комбинация значений допустима, то допустима и (tx;ty) комбинация. Полученные коэффициенты эффективности по модели с постоянной масштабной отдачей можно интерпретировать как показатели глобальной технической эффективности, так как производственное множество определяется различными комбинациями показателей затрат и выпуска с любыми неотрицательными коэффициентами. Данная спецификация использована в исследовании в связи с наличием большого разброса масштабов бизнеса у разных представителей отрасли.

Формализованное описание математического метода оболочечного анализа данных содержится в работе [Блинова А.О., 2015]. В терминах DEA модели каждая отдельная компания трактуется как бизнес-единица, принимающая самостоятельные решения и несущая ответственность за трансформацию затрат в выпуск - Decision Making Unit (DMU). В выбранной спецификации с постоянной масштабной отдачей решается N-ное количество задач оптимизации, где N-количество DMU. В результате решения Input Oriented DEA модели (ориентированной на затраты), получаем оптимальные значения , не превышающие 1 (данное ограничение связано с тем, что отношение предполагаемого выпуска к затратам не должно превышать 1).

В DEA модели присутствуют весовые значения затрат и весовые значения выпуска

(j=1..N) является CCR-эффективным, если и имеется как минимум один оптимальный набор (v*,u*), где v*>0 и u*>0. В противном случае, DMU является неэффективной. Набор (v*, u*) рассматривается как оптимальное решение.

Для эффективных () также необходимо, чтобы “slacks”=0 (отсутствие «слабых векторов»). Формально это можно записать следующим образом: - max-slack solution, если . Если оптимальное решение удовлетворяет трём перечисленным условиям, то - CCR-эффективна. По определению эффективности Парето-Купманса, будет полностью эффективна тогда и только тогда, когда невозможно улучшить любой выпуск и затраты без ухудшения какого-либо другого значения затрат или выпуска [Cooper, W. W. et al., 2007].

Оптимальное решение Output Oriented DEA модели соотносится с оптимальным решением Input Oriented DEA модели через следующие соотношения:

.

Чем выше значение , тем менее эффективна по выпуску. выражает меру снижения затрат, в то время как описывает меру увеличения выпуска. Из раскрытых выше условий можно сделать заключение о том, что будет абсолютно эффективна в терминах Input Oriented DEA модели тогда и только тогда, когда она также будет эффективна по Output Oriented DEA модели. Тем самым, для получения достоверных коэффициентов, достаточно произвести вычисления по одной из указанных моделей.

2.4 Stochastic Frontier Approach (SFA модель): описание, сущность и особенности параметрической модели

Параметрический подход к границе производственной функции со специфической функциональной формой был впервые использован исследователями [Aigner, D.J. & Chu, S.F., 1968], которые выделили анализ стохастической границы (SFA) в независимую методологию. В дальнейшем, SFA модели развивались благодаря работам [Meeusen, W. & van Den Broeck, J., 1977] и в поздних работах [Aigner, D.J. et al., 1977]. Над развитием SFA моделей в разных вариациях работали [Pitt, M.M. & Lee, L.F., 1981], [Schmidt, P., Sickles, R.C., 1984], [Cornwell C. et al., 1990], [Kumbhakar, 1990], [Huang, C.J., Liu, J.-T., 1994], а также [Battese, G.E. & Coelli, T.J., 1995].

SFA-модели предоставляют обратную DEA-моделям методологию оценки технической эффективности, так как предположение о наблюдаемых отклонениях от границы является лишь результатом смягченной неэффективности оцениваемых бизнес-единиц. Первое важное различие между этими двумя связанными методами - включение статистического шума в наблюдаемое отклонение от стохастической границы.

SFA модели отделяют техническую эффективность от «шума» путём слияния двух компонентов ошибок - отражающих неэффективность и отражающих ошибку измерений (или внешние шоки, неподконтрольные менеджерам). Это позволяет использовать анализ эффективности в тех случаях, когда нельзя точно заверить, что «разрыв выпуска» (или output gap) между наблюдаемыми и оптимальными значениями свободен от случайных элементов.

Второе различие методов заключается в чёткой спецификации производственной технологии при построении SFA моделей - параметрическая производственная функция. В отличие от DEA, SFA основывается преимущественно на предположении о типе производственной функции, которая используется при анализе данных, в то время как DEA модель избегает определения чёткой производственной технологии. Соответственно, это приводит к различию в интерпретациях результатов этих двух моделей - DEA модель оценивает выпуклую оболочку общего набора технологий как минимально возможную границу, в то время как SFA модель оценивает параметры производственной функции в частности.

Ключевое достоинство SFA модели заключается в том, что она позволяет оценивать факторы при сравнительно небольших выборках. Кроме того, данный метод позволяет оценить эффективность статистически, что выгодно отличает его от метода DEA. По сравнению с непараметрическим методом, полученная модель имеет более высокий порог чувствительности к ошибкам, т.е. модель позволяет учитывать случайные ошибки.

В большинстве работ по анализу секторов розничной торговли различных стран используется именно метод стохастической производственной границы. Для оценки стохастической производственной функции практически всегда применяется метод максимального правдоподобия. Таким образом, предпосылка состоит в том, что случайные факторы в модели являются одинаково распределенными и независимыми случайными величинами. Другая предпосылка метода - использование единой производственной функции.

Параметрический метод основан на выборе функциональной формы производственной функции. Предположим, что теоретическая производственная функция имеет вид:

В данной работе будет применена спецификация в виде транслог-функции (генерализация функции Кобба-Дугласа с аппроксимацией второй степени, которая, ввиду гибкой функциональной формы, может быть оценена методом наименьших квадратов) для панельных данных для определения детерминантов технической эффективности. Её использование обусловлено тем, что на данную функциональную форму возможно накладывание ограничений параметров (условия однородности).

Где i-фирма, t - год, Yit - выпуск, - затраты n-го фактора i-й фирмой за год t, m?n

Спецификация функциональной формы функции выпуска требует также специфицировать распределение случайных переменных Vt и Ut. Выбрав определенную спецификацию остатков случайных переменных, метод максимального правдоподобия используется для оценки неизвестных параметров.

Vit - случайное отклонение, независимо и тождественно распределённые (сокр. Iid) нормальные случайные переменные со средним значением 0 и дисперсией равной

Uit - асимметричное отклонение, неотрицательные случайные переменные, связанные с технической неэффективностью деятельности с предпосылкой об усеченном нормальном распределении, то есть Uit получены усечением (в нуле) нормального распределения со средним Zitд и дисперсией, равной (Zit- вектор объясняющей переменной размером 1хm, связанный с технической неэффективностью производства фирм на протяжении периода и д- вектор неизвестных коэффициентов размером mx1.

Эффекты технической неэффективности Uit - функция от набора объясняющих переменных, Zit-x и неизвестного вектора коэффициентов д, формулируется следующим образом:

Стоит отметить, что компоненту , которая отвечает за компонент неэффективности, точно оценить невозможно. Поэтому в качестве оценки будет использоваться ожидание величины :

где - остатки регрессии, которые из-за необычной структуры ошибок оцениваются методом максимального правдоподобия.

Объясняющие переменные, входящие в вектор Zit, использованные в данном исследовании, будут детально описаны в следующе главе. Итак, модель неэффективности определяет как нейтральную, так и ненейтральную стохастическую границу, что и было предложено Huang и Liu.

Метод максимального правдоподобия применяется в модели для оценки параметров стохастической границы. Функция правдоподобия выражена в терминах параметров дисперсии:

и .

Значение технической эффективности фирмы i в t-м году, представленная как соотношение фактического выпуска и потенциального, определяется как:



В выбранной транслог-спецификации функциональной формы может присутствовать коллинеарность по причине коррелированности между собой различных факторов, но в таком случае изменение функциональной формы не окажет сильного влияния на надежность результатов: проблема все равно останется. Транслог функция подразумевает логарифмирование всех переменных, что позволяет сделать выборку более однородной. Зачастую одно лишь логарифмирование снимает проблему присутствия в выборке компаний разных масштабов, поэтому снижается вероятность возникновения проблемы гетероскедастичности.

Для функции издержек значения оценок эффективности будут больше 1; компании, действующей эффективно, будет соответствовать 1. Однако, для удобства будет произведена нормировка оценок технической эффективности, чтобы они находились в интервале от 0 до 1, тогда эффективная компания получает значение, равное единице.

В процессе хозяйственной деятельности, ритейлеры сталкиваются с задачей оптимизации процессов управления и менеджмента ресурсов внутри компании. Работа с задолженностью, менеджмент активов и финансовое планирование в текущих экономических реалиях способны повлиять на конечные финансовые результаты предприятий. Особенно это касается неосязаемого производственного процесса ритейлеров, которые организуют сбыт товаров и не занимаются (в большинстве своём) физическим производством.

При возникновении потребности в кредитовании, компаниям также необходимо отвечать высоким требованиям банков по части надёжности. Техническая эффективность и способы выстраивания процессов внутри организации, объемы вложенных в бизнес ресурсов, затрат, которые несёт компания и то, насколько активно использует заёмные средства, могут оказать непосредственное влияние на финансовые результаты, которые, в свою очередь, повлияют на вероятность выдачи кредита и/или предоставление дополнительного финансирования компании.

Накопленный исследовательский опыт по выбранной методологии освещает широкий спектр вопросов, связанных с изучением технической эффективности ритейлеров:

- Учёт влияния возраста магазина, наличия вертикальной интеграции и ценовой стратегии на эффективность;

- Изучение вопроса влияния сезонности на эффективность торговых компаний, реализующих одежду;

- Развитие идеи бенчмаркинга (менеджмент качества) с целью определения организационной и стратегической модели принятия решений и рационализации системы распределения внутри сети ритейла;

- Изучение отдельных бизнес-моделей (например, интернет-компаний);

- Рассмотрение взаимосвязи рыночной эффективности с дисперсией цен, потребительским сегментом компании и типом реализуемой продукции;

- Изучение влияния опыта компании, объема продаж, уровня заработных плат, степени вертикальной интеграции ритейлеров, ценовой стратегии, меры географической экспансии на техническую эффективность;

- Внедрение показателей вероятности банкротства и добавление в качестве объясняющего параметра соотношения рыночной стоимости акций и рыночных индексов;

- Сравнение технической эффективности торговых и промышленных предприятий России одновременно по DEA и SFA моделям.

Раскрытие достоинств и недостатков параметрической и непараметрической моделей анализа, а также их формализованное описание позволило определить дальнейший вектор эмпирического исследования и определиться с набором инструментов, которыми будет измерена техническая эффективность торговых компаний.

ГЛАВА 3. ЭМПИРИЧЕСКОЕ ИССЛЕДОВАНИЕ ТЕХНИЧЕСКОЙ ЭФФЕКТИВНОСТИ КОМПАНИЙ РИТЕЙЛА В РОССИИ

3.1 Описание инструментов анализа и детерминантов эффективности компаний ритейла в России в рамках DEA и SFA модели

Для того, чтобы понять, какие факторы являются значимыми с точки зрения кредитоспособности (выраженной в данной работе через анализ технической эффективности хозяйственной деятельности), необходимо построить модель, способную оценить вклад каждого из ключевых факторов затрат и выпуска компаний, получив в результате формализованную оценку технической эффективности ритейлеров.

Для реализации данной цели, прежде всего, необходимо рассмотреть пошаговый процесс кредитного анализа компании, которая обращается за финансированием в банк и изучить факторы, которые впоследствии можно включить в модели исследования. Большинство стабильных и надёжных кредитных организаций разделяют типы кредитов корпоративным клиентам в зависимости от специфики финансирования (Приложение 6). Независимо от типа финансирования, компания проходит стандартный процесс кредитного анализа, который делится на несколько этапов. Для понимания процесса и выявления ключевых факторов, на которые банк обращает внимание при принятии решения о финансировании клиента, ниже раскрыты обобщенные этапы на примере одной из кредитных организаций. Так как в работе использован иностранный метод анализа, процесс изучения кредитоспособности предприятий был взят на примере коммерческого банка со 100% иностранным капиталом. Такие дочерние банки в своей деятельности основываются на Best practice материнской компании и используют зарубежные методики, адаптированные под реалии российского рынка.

1 этап. Получение и обработка кредитной заявки. Процесс анализа начинается с получения кредитной заявки от клиента. Кредитная заявка содержит запрос от компании с детальным описанием потребности. Структура заявки, которая принимается к рассмотрению, отражена в Приложении 7.

2 этап. Первичная оценка финансового положения Компании. Этап включает в себя: Анализ отчётности (Формы 1 и Формы 2), текущего кредитного портфеля (кредитной нагрузки) и специфики бизнеса Клиента. Сопровождается изучением выручки, чистой прибыли, показателей рентабельности. На основании первичного экспресс-анализа делается заключение о целесообразности работы с клиентом. При положительном решении о продолжении работы, проводится сбор документов для детального финансового анализа:

- Отчётность за 2 последних финансовых года и последний отчётный период (квартал, полугодие или 9 месяцев) с отметками налоговой инспекции о принятии (в случае годовой отчетности).

- Кредитный портфель за подписью и печатями Клиента.

- Расшифровка строк Формы 2 отчёта о Прибыли и убытках.

- Расшифровки оборотно-сальдовых ведомостей (счета 60,62).

- Письма и справки от Клиента (например, расшифровка просроченной дебиторской и кредиторской задолженности, справки по суммам выплаченных дивидендов и т.д.).

- Запрос крупных контрактов с контрагентами.

В зависимости от сложности и структуры (сумма запрашиваемого лимита, срок, уровень обеспечения, количество компаний в группе, специфика деятельности компании, наличие потенциального мошенничества и т.д.) сделке присваивается первичный уровень риска, который делится на три категории:

- зеленый (на финансовый анализ таких компаний выделяется в среднем 1 неделя);

- желтый (2 недели на финансовый анализ);

- красный (3 недели на финансовый анализ).

В зависимости от цвета «канала», в который попадает сделка, определяется глубина анализа и степень внимания со стороны риск-менеджмента банка.

3 этап. Финансовый анализ Клиента. Данный этап является наиболее длительным в процессе кредитного анализа и делится на несколько подэтапов:

1. Сбор общей информации о Клиенте. В ходе сбора информации изучаются открытие источники, содержащие информацию о Клиенте, базы проверки контрагентов (СПАРК), необходимая информация уточняется также из заявления клиента и комментариев контактного лица.

Основные данные о Клиенте включают в себя: наименование Клиента, ИНН, дата регистрации, место регистрации, штат, структура собственников (ФИО, доли в %, год рождения, опыт работы), основная сфера деятельности, генеральный директор (ФИО, год рождения, опыт работы), контакты сотрудника Клиента по работе с банком (ФИО, год рождения, опыт работы), интернет-сайт.

Приводится также краткая информация о составе группы, таймлайн развития, графическое изображение схемы бизнеса (если применимо). В процессе сбора общей информации раскрываются также ключевые события, связанные с деятельностью Клиента. Цель сбора информации - сформулировать выводы о прозрачности структуры собственности, качестве управления и учёта, открытости в предоставлении информации.

2. Описание операционной деятельности. Раскрывается основное направление деятельности Клиента, масштабы бизнеса, география деятельности, схема работы (франшиза, дилерство и т.д.), краткое описание товарных знаков, в случае торгового предприятия - ассортимент реализуемой продукции, ценовая политика, структура продаж, динамика выручки, основные поставщики, покупатели и контрагенты. Цель анализа операционной деятельности - получение информации о бизнес-модели Клиента (на чём он зарабатывает, в чём заключается добавленная ценность его деятельности), имеются ли необходимые лицензии и сертификаты, насколько реалистичны планы Клиента и согласованы ли они с общей стратегией развития.

Краткий финансовый анализ обуславливает потребность в инвестициях в краткосрочном периоде для выполнения поставленных задач, подводится итог о качестве и достаточности активов для обеспечения текущей деятельности и стратегических планов по развитию.

3. Анализ активов и CapEx. Осуществляется оценка производственных площадей, качество и износ оборудования, рыночная стоимость недвижимого имущества в собственности компании. Структура основных средств на балансе, а также стоимость зданий и сооружений рассматривается с учётом коэффициента износа. Если компания занимается производством, кратко приводится описание производственных ресурсов и мощностей, оценивается средняя загрузка оборудования и затраты на его модернизацию.

4. Обзор рынка. Обзор рынка приводится для выявления региональных особенностей рынка, оценки степени конкуренции и сравнение с прочими игроками. Перечисляются весомые преимущества Клиента и оценивается зависимость от поставщиков/покупателей с учётом рисков потери контрагентов, приводится информация об условиях и специфике расчета с контрагентами (предоплата, аванс, отсрочка).

5. Краткий финансовый анализ заёмщика. Проводится анализ аудированной бухгалтерской отчётности, проверка данных на соответствие представленным в системе СПАРК. Для перевода отчётности на стандарты МСФО производятся стандартные корректировки (например, для корректного расчета рейтинга в пассиве увеличивается краткосрочный банковский долг на сумму планируемого к привлечению лимита, в активе увеличивается размер запасов на сумму лимита за минусом %).

Основные расчетные показатели (в рублях):

- Key financials: Total Revenue, Gross Profit, EBITDA, EBIT, Ordinary Income, Net Profit/Loss, NOCF, CF (from investing, financing and equity activities)

- Balance Sheet Total: CA, FA, STL, LTL, Senior Debt

- Equity: equity incl. Sub debt, Tangible Net Worth, Net Debt, Debt to equity ratio

Показатели изучаются годовые по состоянию на 31 декабря последних двух лет, и также, за последний отчётный период (квартал, полугодие или 9 месяцев).

По итогам вычисления расчетных показателей, приводятся комментарии по существенным (на 5%, 10% и более) изменениям и их причинам (в части выручки, рентабельности, статей активов, денежных потоков, делается вывод о сбалансированности структуры активов/пассивов). В случае убытков, отрицательного собственного капитала, отрицательного чистого операционного денежного потока приводятся дополнительные разъяснения и комментарии. Выделяются ключевые статьи активов, основные источники финансирования и делается заключение об общем финансовом состоянии заемщика.

6. Анализ кредитного портфеля Группы. На данном этапе приводится общее суждение о кредитной нагрузке, планах в отношении кредитного портфеля, риске рефинансирования. В расчет берутся также действующие кредитные договоры, с учётом вновь запрашиваемых, проводится анализ кредитной нагрузки и её критичность для компании

По итогам кредитного анализа, присваивается кредитный рейтинг потенциального заемщика. (Кредитный рейтинг состоит из нескольких позиций, каждой из которых соответствует свой уровень лимита, срока, обеспечения процентами, который определен кредитной политикой Банка. Например, в одном из системно значимых Банков РФ, кредитный рейтинг клиента не должен был быть ниже уровня 7B (Приложение 8.).

Финансовый анализ клиента оформляется в виде отчёта по кредитному анализу, который добавляется к корпоративной кредитной заявке.

4 этап. Оформление корпоративной кредитной заявки.

Кредитная заявка - принятая в банке форма для вынесения запросов по Корпоративным клиентам (включая Ревью или пересмотр лимита) на рассмотрение Уполномоченным органом. Кредитная заявка применяется в случае всех новых запросов на финансирование, ревью, а также в иных случаях, предусмотренных внутренними Положениями банка.

Корпоративная кредитная заявка состоит из:

1. Титульной страницы, которая заполняется в виде структурированных таблиц и содержит общие сведения о Клиенте и новых запросах. На титульной странице указывается тип заявки, орган, который уполномочен принимать решение по Клиенту, состав группы взаимосвязанных клиентов, дату проверки компании службой безопасности Банка, контакты автора заявки и кредитного аналитика, проставляется дата подготовки и дата пересмотра. Также, вносится код отрасли, уровень риска отрасли в соответствии с Industry Heat Map, позиция компании на рынке (лидер, ключевой игрок, ведущий игрок, участник рынка или нишевый игрок). Позиция компании на рынке оценивается с учётом специфики отрасли и выручки игроков. В данной работе такой подход будет применен для тестирования значимости рыночной доли в общей оценке кредитоспособности.

2. Перечня заёмщиков и распределения лимитов между компаниями, входящими в группу. Перечень заёмщиков должен кратко содержать тип запроса (новый лимит, увеличение, продление, изменение обеспечения, изменение ставок и т.д.), тип лимита (овердрафт, дериватив, гарантийная линия и т.д.), наличие обеспечения, вид лимита (подтвержденный или неподтвержденный). Также, ставится маркировка соответствия/несоответствия запроса кредитной политике (underwriting criteria) Банка.

Корпоративная кредитная заявка передаётся кредитному аналитику, который заполняет таблицу обзора лимитов с более детальной информацией по сделке для дальнейшей отправки на обсуждение с отделом риск-менеджмента.

Кредитный аналитик осуществляет структурирование кредита, исходя из потребности и договоренностей с клиентом и кредитной политики банка, так как сделка должна быть одобрена в дальнейшем членами кредитного комитета и приемлема по условиям для клиента.

На решение в целом влияет:

- Структура группы, участвующей в сделке.

- Сумма, срок и уровень обеспечения (личное поручительство собственников бизнеса: недвижимость, земля, оборудование).

- Прогнозируемая доходность по клиенту для банка - ключевой момент, который влияет на решение. Если по клиенту есть доходность (в том числе по неркедитным продуктам), то можно согласовать отклонения от кредитной политики Банка (по согласованию с руководством) и предложить нестандартные процессы Клиенту.

- В заявку на усмотрение менеджера клиента можно добавить дополнительные условия, чтобы снизить риски Банка и упростить процесс одобрения на кредитном комитете (если у компании высокая кредитная нагрузка, то возможна субординация кредитов).

5 этап. Отправка заявки на согласование и обсуждение с отделом риск-менеджмента. На данном этапе проходит обсуждение заявки и доработка структуры сделки с точки зрения минимизации рисков (уменьшение суммы, сроков, дополнительные условия, такие как поддержание финансовых показателей на ежеквартальной основе например, поддержание уровня выручки с отклонением не более 10%).

После согласования сделки, с клиентом проводится конференс-колл или встреча для обсуждения деталей и условий сделки, предложенной Банком. В случае несогласованности решения менеджера клиента и андеррайтера, есть возможность эскалировать вопрос вплоть до Председателя Правления Банка.

6 этап. Подготовка и подписание кредитной документации с клиентом. На заключительном этапе назначается встреча, происходит двустороннее подписание документов с клиентом, передача подписанных документов юристам для дальнейшей сертификации и отражение подписанной документации в системах Банка.

Учитывая, что работа содержит многомерный анализ технической эффективности с точки зрения возможности привлечь внешнее финансирование и направить его на развитие компании, в анализ включены параметры, которые зачастую оказывают влияние на кредитоспособность предприятий и используются коммерческими банками для оценки потенциальных заёмщиков (юридических лиц).

Вспомогательные факторы, в том числе и нефинансовые, влияющие на конечное решение отдела рисков и банковского менеджмента, наличие доходности по клиенту и объем имеющихся лимитов в том или ином банке (текущий портфель будет выражен в модели исключительно как кредиторская задолженность) не включены в модели анализа кредитоспособности и остаются неучтенными факторами. Так как в масштабах выборки наиболее реальным представляется именно финансовый анализ потенциальных заёмщиков, в модели включены исключительно адаптированные финансовые коэффициенты без учёта прочих факторов.

Выбор обобщенной модели позволяет через полученные оценки технической эффективности не только отражать кредитоспособность компаний, но также и агрегированное финансовое состояние отрасли через обзор наиболее крупных ритейлеров с прозрачной финансовой отчётностью. Рекомендации содержат возможные пути совершенствования бизнес-процессов компаний розничной торговли, повышения их стабильности и улучшения «облика» потенциального партнера банка по линии кредитования.

Один из ключевых этапов анализа эффективности - выбор параметров затрат и выпуска. От них зависит точность и соответствие результатов поставленным целям. Основываясь на предшествующих исследованиях технической эффективности ритейлреов, параметры затрат и выпуска можно отразить в сводной таблице (Приложение 9).

С целью интерполяции процесса рассмотрения банком розничного торгового предприятия в разрезе финансовых показателей, потенциально влияющих на кредитоспособность, методология анализа будет включать в себя параметры, трактовка которых максимально приближена к первичному банковскому анализу кредитоспособности заемщика. Интерпретация, формулы и обозначения параметров содержатся в Приложении 10. В DEA модель включены следующие параметры:

- параметры «затрат»: финансовый леверидж (FINLEV), соотношение текущих обязательств и выручки компании (CLNS), относительная величина собственных средств (FAOE), а также показатель закрепления оборотных активов (FICA);

- параметры выпуска: коэффициент автономии (AUTONOMY), Чистая норма прибыли (ROS), показатель обеспеченности собственными оборотными активами (OFR).

В SFA модели в качестве зависимой переменной будет рассматриваться рентабельность активов (NPTA), объясняющими переменными выступают параметры «затрат», аналогичные модели DEA (FINLEV, CLNS, FAOE и FICA).

Указанные параметры по внешним признакам отражают результативность ведения бизнеса ритейлерами с точки зрения оптимальности и оправданности текущего размера вложений в компанию для получения результатов.

Исходя из выбранных базовых компонентов, можно схематично отобразить этапы функционирования компаний ритейла с точки зрения конструируемой DEA и SFA моделей (Приложение 11). Эффективной считается такая фирма, которая с небольшим количеством вложенных ресурсов - способна получить высокую отдачу от мощностей в виде финансовых результатов. Меры оценки эффективности усилий, направленных на реализацию стратегических целей, служат важным компонентом в планировании управления предприятием [Tolbert, P. and Hall, R., 2009].

3.2 Описание данных по компаниям розничной торговли

Финансовые данные по ритейлерам были получены путём формирования выгрузки из базы данных RUSLANA (Bureau van Dijik). База данных содержит исчерпывающую и достоверную информацию по основным показателям баланса, отчёта о прибылях и убытках, показатели финансового анализа, а также, коэффициенты прибыльности, ликвидности и операционные коэффициенты. Выборка отвечает следующим параметрам:

· Страна: Российская Федерация;

· Статус: действующее юридическое лицо;

· Классификатор промышленности: розничная торговля в специализированных и неспециализированных магазинах;

· Выручка от продаж: от 500 млн. рублей;

· Период: 2011-2015 год, показатели - годовые, данные - панельные;

· Количество компаний первоначальной выборки - 504 компании.

Помимо ключевых финансовых показателей, из базы дополнительно выгружена дата регистрации компании для создания переменной, фиксирующей возраст компаний на 2015 год, а также основные и вспомогательные коды деятельности по ОКВЭД для ручного распределения предприятий по сегментам ритейла.

Внутри выборки, в процессе подготовки данных к построению моделей, был проведён контроль положительного знака строк отчётности и пропущенных данных - были исключены компании с отрицательными значениями показателей, так как необходимое условие технической эффективности компаний - неотрицательные значения целевых входных параметров (бизнес-единицы с отрицательными показателями считаются заведомо неэффективными и не допускаются к анализу). Итоговая выборка включает в себя 111 предприятий, что соответствует 555 наблюдениям в панельном ряде.

Для удобства сегментации и дальнейшего тестирования гипотез, анализируемая выборка ритейлеров поделена на шесть крупнейших категорий, согласованных с классификацией, представленной в главе 1:

1. Food: продуктовый ритейл (категория включает в себя гипер-, мини- и супермаректы, магазины у дома, дискаунтеры, магазины в формате «Оплати и забери» и премиальные гастрономов) - 39 компаний;

2. Fashion: ритейл, связанный с продажей одежды, обуви и аксессуаров - 12 компаний;

3. Special: специализированный ритейл (торговля детскими товарами, лекарственными средствами и т.д.) - 43 компании;

4. Drogery: магазины косметики, парфюмерии, бытовой химии - 3 компании;

5. DIY: формат Do it Yourself - товары для дома и строительства - 10 компаний;

6. Electronic: торговля электроникой и бытовой техникой - 4 компании.

Дополнительно, для тестирования отдельных гипотез, компании разделены по объему годовой выручки. Выручка от продажи включена как результат бизнес-активности, направленной на увеличение собственного капитала (далее будет обозначена как TR), и поделена на квартили:

1. Лидеры рынка, TR=[45.9086;97.373] - 2 компании;

2. Ключевые игроки, TR=[5.556;45.9085) - 18 компаний;

3. Участники рынка, TR=[2.52275;5.556) - 15 компаний;

4. Нишевые игроки TR=[0.5;2.52275) - 76 компаний.

Таблица ниже отражает средние значения финансовых показателей. Внутри отрасли показатели за 5 рассматриваемых лет находятся в примерно одинаковых пределах без резких колебаний. Стоит отметить, что с начала 2013 года стал сокращаться финансовый рычаг, снизилась оборачиваемость кредиторской задолженности, рентабельность продаж, рентабельность активов и относительная величина собственных средств. Остальные показатели постепенно возрастали на протяжении рассматриваемого периода. В связи с тем, что наблюдается неоднозначная динамика факторов, из которых складывается финансовая устойчивость и кредитоспособность предприятий, необходимо рассмотрение технической эффективности, изучение динамики на временном отрезке, а также получение агрегированного результата за весь период.

Таблица 3. Средние значения финансовых показателей торговых предприятий по выборке

	Формула	2011	2012	2013	2014	2015
Количество организаций		111	111	111	111	111
Средний объем активов, млн. руб.		893.7	1039.1	1166.17	1252.9	143.55
Финансовая независимость	СК/А	0.65	0.70	0.71	0.72	0.74
Финансовый леверидж	ЗК/СК	1.41	1.42	1.30	1.14	1.08
Коэффициент обеспеченности собственными оборотными активами	(СК-ВА)/ОА	0.85	0.85	0.87	0.87	0.88
Оборачиваемость активов	Выручка/А	3.80	3.78	3.63	3.80	3.68
Оборачиваемость кредиторской задолженности	Выручка/КЗ	9.69	9.94	8.56	7.79	7.90
Рентабельность продаж	Чистая прибыль/Выручка	2.12	7.21	6.87	6.26	6.76
Рентабельность активов	Чистая прибыль/А	0.16	0.18	0.15	0.12	0.16
Коэффициент генерации денежного дохода	КЗ/Выручка	0.11	0.11	0.12	0.12	0.12
Относительная величина собственных средств	ВА/(СК+З)	0.19	0.19	0.19	0.18	0.17
Коэффициент закрепления оборотых активов	ОА/Выручка	0.16	0.18	0.20	0.21	0.24
Коэффициент концентрации собственного капитала	СК/А	0.65	0.70	0.71	0.72	0.74

Основная методология работы предполагает изучение кредитоспособности путём получения оценок технической эффективности двумя моделями: SFA и DEA. Последующие выводы и их интерпретация являются комбинацией двух моделей, так как их результаты дополняют друг друга и позволяют посмотреть как на рынок розничной торговли в целом, так и на поведение отдельных «бинес-единиц».

3.3 Гипотезы исследования

В ходе исследования, тестируются следующие гипотезы:

1. Техническая эффективность розничных торговых предприятий в период с 2011 по 2015 год находится на низком уровне.

2. Масштаб бизнеса значимо влияет на кредитоспособность (лидеры рынка и ключевые игроки эффективнее участников рынка и нишевых игроков).

3. Большинство компаний ритейла, несмотря на высокие операционные результаты, неэффективны с точки зрения вовлекаемых ресурсов, которые также оказывают значимое влияние на неоптимальность результатов деятельности.

4. Принадлежность к тому или иному сегменту розничной торговли оказывает значимое влияние на значение технической эффективности.

5. Возраст компании, выраженный через количество лет её присутствия на рынке, значимо влияет на техническую эффективность в сравнении с другими предприятиями.

ГЛАВА 4. ИНТЕРПРЕТАЦИЯ РЕЗУЛЬТАТОВ

4.1 Описание результатов, полученных на базе построения DEA модели

При построении DEA модели использованы 4 параметра «затрат» (CLNS, FAOE, FINLEV, FICA) и 3 параметра «выпуска» (AUTONOMY, ROS, OFR). Показатели выбраны с целью избежать сильной зависимости между объясняющими переменными в процессе описания характеристик. Результаты модели получены с помощью надстройки пакета Microsoft Office Excel - «DEA Frontier Solver». Коэффициенты технической эффективности ритейлеров DEA модели с постоянной отдачей от масштаба (CRS-efficiency) содержатся в Приложении 12.

Доля кредитоспособных организаций, для которых техническая эффективность DEA модели составила 1, каждый год колебалась на уровне 60-62%, что можно увидеть из схемы ниже. В выборке присутствует крайне мало компаний с критическим уровнем неэффективности ниже 0.3.

Рис. 6. Распределение результатов построения DEA модели

На протяжении всего периода рассмотрения кредитоспособности, по построенной DEA модели, абсолютно эффективными оставались 37 компаний, включающих такие известные бренды, как:

- Neste (сеть автозаправочных станций, г. Санкт-Петербург),

- AO Rostovskoe Oblastnoe Obyedinenie Toplivnykh Predpriyatii (сеть автозаправочных станций, г. Ростов),

- Company Neftemarket (сеть автозаправочных станций в Забайкалье, г. Чита),

- TPK Prodmol (торговля молочной продукцией, г. Москва),

- INTEL (торговля электроникой, г. Москва),

- TD MIASSMEBEL (торговля мебелью от производителя, Челябинская область),

- BOSCONEVA (производство и продажа одежды, г. Санкт-Петербург),

- IRKUTSKNEFTEPRODUCT JSC (сеть автозаправочных станций в Иркутской области, входящая в состав ПАО «НК «Роснефть»),

- TPP KONDITERSKIE ROSSYPI (производство и реализация кондитерских изделий, г. Екатеринбург),

- MONARKH-SAMARA (производства и продаже кондитерской продукции, г. Самара),

- ZARA CIS (розничная торговля одеждой, обувью и аксессуарами, г. Москва).

Наименее эффективные компании по итогам 5 лет - Gastronom Novyj (продуктовая сеть, г. Москва) и Juvelirtorg (торговля ювелирными изделиями, Санкт-Петербург). Минимальные значения технической эффективности зафиксированы по компаниям GORODSKOI SUPERMARKET (в 2013 году эффективность составила 0.256), GASTRONOM NOVYJ (0.121 в 2011 году), PESHEHOD (0.314 в 2014 году) , LTD Juvelirtorg (0.298 в 2012 году) и PROIZVODSTVENNO-KOMMERCHESKAYA FIRMA TAVROS (0.379 в 2015 году).

DEA модель позволяет оценить вклад каждого из параметров в общую оценку эффективности. Формированию эффективных позиций в рассматриваемом периоде препятствовали низкие значения финансового рычага (7.96% всех потенциальных улучшений, низкая концентрация собственного капитала (21.29% всех улучшений) и низкая рентабельность продаж (63.12% от всех возможных улучшений). Таблица распределения неоптимальных векторов и их структура представлены в таблице на схеме (Приложение 13). Проанализируем зависимость результатов модели от возраста компании. В целом по выборке, наиболее опытным торговым организациям соответствует более высокое значение коэффициента, резких колебаний не наблюдается, зависимость положительна (Приложение 14).

Проанализируем также техническую эффективность в зависимости от сферы деятельности. Самые низкие результаты показали две группы ритейлеров - торговля одеждой и электроникой. Это может быть связано со спецификой работы таких компаний (высоким средним чеком и т.д.) и заметными колебаниями спроса на продукцию (так как сегменты не относятся к товарам первой необходимости, в отличие от продуктов питания и лекарств) в период турбулентности экономики и волатильностью национальной валюты (большинство одежды, электроники и бытовой техники в России представлено импортными товарами) (Приложение 15).

Матрица корреляций Пирсона между переменными отражает положительную зависимость результатов и параметров «выпуска», а также отрицательную взаимосвязь результатов и параметров «затрат». Все факторы значимы на 5% уровне, исключение составляет соотношение основных средств и собственного капитала ритейлеров. Данный параметр (FAOE) необходимо будет исключить для повышения надёжности результатов и получения более достоверных уровней значимости параметров.

Рис. 7. Матрица корреляции Пирсона для параметров DEA модели

Проведём регрессионный анализ выборки в прикладном программном пакете для эконометрического моделирования STATA, который позволяет статистически оценить параметры моделей и провести последовательный отбор факторов по их значимости. Эмпирическое уравнение множественной регрессии представлено в виде:

где , , ..., - оценки теоретических значений , , ..., коэффициентов регрессии (эмпирические коэффициенты регрессии); e - оценка отклонения е.

При выполнении предпосылок МНК относительно ошибок еi, оценки , , ..., параметров , , ..., множественной линейной регрессии по МНК являются несмещенными, эффективными и состоятельными (т.е. BLUE-оценками). Расчетное уравнение имеет вид:

Обозначим факторы через переменные: DEASCORE - Y, CLNS - X1, FINLEV - X2, FICA - X3, ROS - X4, OFR - X5, AUTONOMY - X6. OFR имеет максимально близкий к нулю коэффициент перед регрессором. Из матрицы парных корреляций (Таблица 4) видна сильная связь X1 и X6 с конечным значением технической эффективности по модели, далее по убыванию силы связи представлены X3,X2 И X4. X5 можно исключить из модели ввиду сильной связи с X3 и X4.

Таблица 4. Матрица парных корреляций переменных

-	y	x1	x2	x3	x4	x5	x6
y	1.00	-0.28	-0.15	-0.16	0.11	0.02	0.40
x1	-0.28	1.00	0.36	0.12	0.27	0.20	-0.33
x2	-0.15	0.36	1.00	-0.17	0.06	-0.16	-0.56
x3	-0.16	0.12	-0.17	1.00	0.46	0.67	-0.11
x4	0.11	0.27	0.06	0.46	1.00	0.78	0.12
x5	0.02	0.20	-0.16	0.67	0.78	1.00	0.09
x6	0.40	-0.33	-0.56	-0.11	0.12	0.09	1.00

В таблице ниже приведены наблюдаемые значения t-статистики зависимых переменных с объясняющими.

Таблица 5. t-статистика для коэффициентов корреляции объясняющих переменных

-	ryx1	ryx2	ryx3	ryx4	ryx5	ryx6
tнабл	2,91	1,5	1,65	1,13	0,17	4,28
tкрит	tкрит(n-m-1;б/2) = (98;0,025) = 1,984
H0: ryx1=0	tнабл > tкрит гипотеза отвергается	tнабл < tкрит гипотеза принимается	tнабл < tкрит гипотеза принимается	tнабл < tкрит гипотеза принимается	tнабл < tкрит гипотеза принимается	tнабл > tкрит гипотеза отвергается
Статистическая значимость	Значим	Незначим	Незначим	Незначим	Незначим	Значим

Приведём сравнительную оценку влияния анализируемых факторов на результативный признак:

- средними коэффициентами эластичности, показывающими, на сколько % среднем отклонится результат Y от своей средней величины при изменении Xi на 1% от своего среднего значения;

- в-коэффициентами, показывающими, что, если изменится на 1 среднеквадратическое отклонение , то значение результативного признака Y изменится в среднем на в своего среднеквадратического отклонения;

- коэффициентами раздельной детерминации (долей каждого фактора в общей вариации результативного признака): = .

Таблица 6. Анализ вклада объясняющих переменных модели с 6 факторами

Фактор	Оценка	Эластичность	в	Доля фактора в общей вариации У, %
DEASCORE	0,716724697
CLNS	-0,42423894	-0,05433	-0,24232	28,8954
FINLEV	0,003884741	0,005868	0,066442	-4,201
FICA	-0,1624038	-0,03754	-0,19574	13,6227
ROS	0,025991715	0,086461	0,22668	10,9151
OFR	0,000083307	0,000537	0,002483	0
AUTONOMY	0,187961126	0,182738	0,306568	50,7679

Для более содержательного анализа модели регрессии определим также частные коэффициенты эластичности по формуле:

Частный коэффициент эластичности показывает, насколько процентов в среднем изменяется У с увеличением Х_j на 1% от своего среднего уровня при фиксированном положении других факторов модели.

Все частные коэффициенты эластичности |E_i| < 1.Это означает, что влияние всех коэффициентов на результативный признак Y незначительно. По рангам на 1-м месте - Х6, далее Х4, Х2 и Х1, Х3. Х5 почти не влияет на У.

Расчётные значения линейного уравнения регрессии для 6 факторов отражены в Приложении 18. На 5% у.з. значимы только переменные X1 и Х6. Множественный коэффициент корреляции R по шкале Чеддока указывает на несильную (среднюю) силу связи. R² = 0.238 показывает, что всего лишь 23,8% колебаний У объяснено включенными в модель факторами. Скорректированный коэффициент детерминации, который является более объективной оценкой, свидетельствует о том, что только 18,9 % изменений У объясняется набором параметров регрессии. Качество уравнения регрессии для 6 факторов схематично отражено в Приложении 16.

Два наблюдения выборки являются выбросами (компании SUNRISE и TUMEN OIL), так как расчетное значение У по линейной модели, построенной с использованием результатов DEA модели, больше 1, что невозможно по теоретическим предпосылкам DEA модели.

Протестируем также мультиколлинеарность. Наиболее полным алгоритмом исследования мультиколлинеарности является алгоритм Фаррара-Глобера. С его помощью тестируют три вида мультиколлинеарности:

1. Всех факторов (ч² - хи-квадрат).

Определим значения статистики Фаррара-Глоубера по формуле:

где m = 6 - количество факторов, n = 100 - количество наблюдений, det[R] - определитель матрицы парных коэффициентов корреляции R.

Сравним его с табличным значением при степенях свободы и уровне значимости б..

ч_табл²(15;0.05) = 24,99579 < ч² - это означает, что в векторе факторов присутствует мультиколлинеарность.

2. Каждого фактора с остальными (критерий Фишера). Для рассматриваемой выборки F_Табл(95;6) = 3.7

Вычисляем F-критерии Фишера по формуле:

,

где - диагональные элементы обратной матрицы парных коэффициентов корреляции D = R^-1. F1=4,95 , F2= 6,11 , F3=15,41 , F4=17,39 , F5= 35,47 , F6=48,04 , F7= 15,77. Поскольку все F_k > F_табл, то между всеми переменными модели присутствует мультиколлинеарность.

3. Каждой пары факторов (критерий Стьюдента). По критерию Стьюдента при построении регрессионной модели следует оставить факторы x₂ , x₃ , x₄ , x₅ . Дополнительно, проверим также значимость параметров множественного уравнения регрессии. Для этого, определим t-статистику для стандартных ошибок коэффициентов регрессии и сравним её с t-статистикой (T_табл (n-m-1;б/2) = (93;0.025) = 1.984). Получается, что в модели следует оставить только параметры X1 и X6:

- to=9,39>1,984 - Статистическая значимость b₀ подтверждается.

- t1=2,34>1,984 - Статистическая значимость b₁ подтверждается.

- t2=0,52<1,984 Статистическая значимость b₂ не подтверждается.

- t3=1,51<1,984 - Статистическая значимость b₃ не подтверждается.

- t4=1,41<1,984 - Статистическая значимость b₄ не подтверждается.

- t5=0<1,984 - Статистическая значимость b₅ не подтверждается.

- t6=2,47>1,984 - Статистическая значимость b₆ подтверждается.

Оценку значимости уравнения множественной регрессии в целом осуществим путем проверки гипотезы о равенстве нулю коэффициента детерминации по F-критерию Фишера.

Имеем критическое значение F-критерия (Fкр) на 5% уровне значимости Fkp(0,025;6;93) = 2,17.

Проверим гипотезу об общей значимости - гипотезу об одновременном равенстве нулю всех коэффициентов регрессии при объясняющих переменных (H₀: R² = 0; в₁ = в₂ = ... = в_m = 0, H₁: R² ? 0) с помощью F-статистики распределения Фишера (правосторонняя проверка): если F < F_kp = F_{б ; n-m-1}, то нет оснований для отклонения гипотезы H₀.

=4.84 > Fкр,

H0 отвергается.

Уравнение регрессии получилось статистически надежным, несмотря на присутствие мультиколлинеарности. Необходимо также протестировать нулевую гипотезу о равенстве нулю генерального коэффициента ранговой корреляции Спирмена при конкурирующей гипотезе H_i. p ? 0, Определим критическую точку:

при t(б/2, k) = (0,05/2;98) = 1,984

Поскольку T_{kp =0,2} < p = 1,984, гипотеза H0 отвергается. Коэффициент ранговой корреляции Спирмена статистически значим.

Проверим гипотезу H₀: гетероскедастичность отсутствует.

Поскольку 1.984 > 0.2, то нет оснований отвергнуть гипотезу об отсутствии гетероскедастичности (дисперсия случайных отклонений непостоянна). В модели также присутствует автокорреляция, то есть свойство независимости остатков не выполняется (коэффициент автокорреляции первого порядка r_1=0,681 лежит за пределами доверительного интервала -1.984 * 0.1 < r₁ < 1.984 * 0.1).

Исходя из вывода о том, что статистически значимы только коэффициенты перед объясняющими переменными Х1 и Х6, можно попытаться исключить факторы x2, x3, x4 и x5, оставив для дальнейших расчетов только факторы Х1 и Х6. Так как на первоначальном этапе анализа качества регрессии была выявлена мультиколлинеарность, а также не все переменные оказались статистически значимыми, рассмотрим отдельно двухфакторную модель, уравнение которой выглядит следующим образом: