Следующий шаг был предпринят Эдвардом Альтманом [104 - 106] в 1968 году, который в многомерном пространстве ряда частных коэффициентов сориентировал гиперплоскость таким образом, что фазовые точки в гиперпространстве, отвечающие эффективно работающим предприятиям, оказались по одну сторону гиперплоскости, а фазовые точки предприятий, движущихся к банкротству – по другую. Соответствующая Z-оценка, полученная как свертка отдельных показателей с весами, вычисленными с помощью метода дискриминантного анализа, является комплексной оценкой финансового состояния предприятия. Альтман пронормировал свою Z-оценку, введя состояния нормального финансового положения с минимальным риском банкротства, промежуточное состояние с растущим риском банкротства и состояние, когда риск банкротства угрожающе высок.
В дальнейшем Альтман непрерывно повторял свои исследования для ряда стран мира и для США в различные годы. Стало понятно, что веса в свертке и нормировочные условия для Z-оценки сильно разнятся от года к году и от страны к стране. Центральным недостатком метода Альтмана было и остается то, что он рассматривает объект своего исследования – совокупность отчетов предприятий – как черный ящик, не анализируя и не интерпретируя статистику по каждому отдельному фактору. Поэтому Альтман, образно говоря, не является хозяином своему методу, - его методом управляет прихотливая статистика банкротств.
Я здесь не привожу ссылки на еще ряд исследований, повторяющих идею Альтмана (это будет сделано в главе 2 диссертационной работы), потому что эти исследования проводились в русле идеи Альтмана и не вызвали качественного скачка в теории комплексной оценки финансового состояния хозяйствующего субъекта.
Следующим шагом в плане построения комплексного показателя финансового состояния хозяйствующего субъекта я считаю нашу совместную работу с О.Б.Максимовым [55, 59]. Мы ушли от попытки интерпретировать статистику по предприятиям на основе дискриминантного анализа, взамен этого мы выдвинули нормы по каждому частному параметру в нашей интегральной оценке финансового состояния предприятия. Мы заранее условились, что не можем провести классификацию уровней параметров вполне точно, потому что на вход метода поступает не статистика, а квазистатистика, поэтому аналитик затрудняется в оценке класификационных уровней. Мы выстроили нечетко-множественную класификацию параметров, ввели веса показателей в интегральной оценке и получили саму оценку финансового положения предприятия не как свертку самих факторов (как все делали до нас), а как свертку текущих уровней этих факторов. Это позволило нам получить интегральный показатель финансового состояния на интервале от 0 до 1 и пронормировать его, выделяя 5 состояний: очень высокий, высокий, средний, низкий и очень низкий уровень комплексного показателя. В обратном порядке изменяется риск банкротства предприятия (очень низкий, низкий, средний, высокий и очень высокий соответственнно).
Предлагаемая нами методика, подробно рассматриваемая в главе 2 настоящей диссертационной работы, позволяет уйти от схемы «черного ящика» и контролировать процесс комплексной оценки изнутри, на основе самостоятельного выбора оцениваемых параметров и их классификации. Предложенная нами методика представляет собой разновидность конструктора, который может быть настроен на специфику оцениваемого предприятия, ссоответствующим выбором перечня оцениваемых показателей и их весов в интегральной оценке финансового состояния предприятия и риска банкротства.
Метод, разработанный нами, носит матричный характер, где по столбцам матрицы откладываются частные финансовые показатели, а по столбцам – всевозможные уровни этих показателей с точки зрения комплексной оценки финансового состояния предприятия. На пересечении столбцов и строк находятся уровни принадлежности значений факторов тем или иным состояниям (интерпретируемым как нечеткие подмножества). Интегральный показатель строится по принципу двойной свертки параметров двумерной матрицы. Все методы комплексной оценки, построенные по этому принципу, мы назвали матричными. Такие матричные методы оказались перспективными в финансовом анализе на рынке ценных бумаг, при рейтинговании облигаций и в ходе оценки инвестиционной привлекательности (скоринга) акций. Подробно это рассматривается в главе 4 настоящей диссертационной работы.
Как уже отмечалось, причины, определяющие уровень эффективности функционирования корпорации, частично находятся за пределами корпорации и не подлежат тотальному контролю со стороны этой корпорации. Такое положение дел вызывает феномен неопределенности. В монографии [48], посвященной нечетким множествам и их использованию в моделях принятия решений, приведена классификация видов неопределенности. Если спроектировать эту классификацию на специфику финансовых решений, то мы можем обозначить два укрупненных вида неопределенности:
· неясность (отсутствие точного знания) относительно будущего состояния всех прогнозируемых параметров финансовой модели хозяйствующего субъекта;
· нечеткость классификации отдельных сторон текущего финансового положения корпорации или состояния рынка ценных бумаг.
Неопределенность – это неустранимое качество рыночной среды, связанное с тем, что на рыночные условия оказывает свое одновременное воздействие неизмеримое число факторов различной природы и направленности, не подлежащих совокупной оценке. Но и даже если бы все превходящие рыночные факторы были в модели учтены (что невероятно), сохранилась бы неустранимая неопределенность относительно характера реакций рынка на те или иные воздействия.
Рыночная неопределенность законно считается «дурной», т.е. не обладающей статистической природой. Экономика непрерывно порождает изменяющиеся условия хозяйствования, она подчинена закономерностям циклического развития, при этом хозяйственные циклы не являются стопроцентно воспроизводимыми, т.к. циклическая динамика макроэкономических факторов находится в суперпозиции с динамикой научно-технического прогресса. Возникающая в результате этой суперпозиции рыночная парадигма является уникальной. Из всего сказанного следует, что не удается получить выборки статистически однородных событий из их генеральной совокупности, наблюдаемых в неизменных внешних условиях наблюдения. То есть классически понимаемой статистики нет.
Во всех определениях термина «статистика» (обширный перечень таких определений приведен в [51]) есть общее зерно, которое собственно, и относится к статистике в самом общем смысле слова, и это зерно в следующем. Мы имеем некий набор наблюдений по одному объекту или по совокупности объектов. Причем мы предполагаем, что за случайной выборкой наблюдений из гипотетической их генеральной совокупности кроется некий фундаментальный закон распределения, который сохранит свою силу еще на определенный период времени в будущем, что позволит нам прогнозировать тренд будуших наблюдений и расчетный диапазон отклонений этих наблюдений от расчетных ожидаемых трендовых значений.
Если мы договорились, что все наблюдения совершались в неизменных однотипных внешних условиях и/или наблюдались объекты с одинаковыми свойствами по факту, например, их появления по одной и той же причине, то мы оцениваем и подтверждаем искомый закон распределения частотным методом. Разбивая весь допустимый диапазон наблюдаемого параметра на ряд равных интервалов, мы можем подсчитать, сколько наблюдений попало в каждый выбранный интервал, то есть построить гистограмму. Известными методами мы можем перейти от гистограммы к плотности вероятностного распределения, параметры которого можно оптимальным образом подобрать. Таким образом, идентификация статистического закона завершена.
Если же мы имеем дело с «дурной» неопределенностью, когда у нас нет достаточного количества наблюдений, чтобы вполне корректно подтвердить тот или иной закон распределения, или мы наблюдаем объекты, которые, строго говоря, нельзя назвать однородными, тогда классической статистической выборки нет.
В то же время, мы, даже не имея достаточного числа наблюдений, склонны подразумевать, что за ними стоит проявление некоторого закона. Мы не можем оценить параметры этого закона вполне точно, но мы можем прийти к определенному соглашению о виде этого закона и о диапазоне разброса ключевых параметров, входящих в его математическое описание. И вот здесь уместно ввести понятие квазистатистики [53].
Квазистатистика – эта выборка наблюдений из их генеральной совокупности, которая считается недостаточной для идентификации вероятностного закона распределения с точно определенными параметрами, но признается достаточной для того, чтобы с той или иной субъективной степенью достоверности обосновать закон наблюдений в вероятностной или любой иной форме, причем параметры этого закона будут заданы по специальным правилам, чтобы удовлетворить требуемой достоверности идентификации закона наблюдений. Такое определение квазистатистики дает расширительное понимание вероятностного закона, когда он имеет не только частотный, но и субъективно-аксиологический смысл. Здесь намечены контуры синтеза вероятности в классическом смысле - и вероятности, понимаемой как структурная характеристика познавательной активности эксперта-исследователя.
Также это определение намечает широкое поле для компромисса в том, что считать достаточным объемом выборки, а что – нет. Например, эксперт, оценивая финансовое положение предприятий машиностроительной отрасли, понимает, что каждое предприятие отрасли уникально, занимает свою рыночную нишу и т.д., и поэтому классической статистики нет, даже если выборка захватывает сотни предприятий. Тем не менее, эксперт, исследуя выборку какого-то определенного параметра, подмечает, что для большинства работающих предприятий значения данного параметра группируются внутри некоторого расчетного диапазона, ближе к некоторым наиболее ожидаемым, типовым значениям факторов. И эта закономерность дает эксперту основания утверждать, что имеет место закон распределения, и далее эксперт может подыскивать этому закону вероятностную или, к примеру, нечетко-множественную форму.