Совершенствование методов оценки инвестиционной привлекательности компании



В экономическом анализе под категорией «инвестиционная привлекательность» обычно понимают обобщенную характеристику преимуществ и недостатков объекта инвестирования. В качестве объектов инвестирования могут рассматриваться любые капиталовложения, имеющие своей целью получение экономических и иных выгод. Инвестиции могут быть реальными, если они предполагают создание, реконструкцию, модернизацию производственных мощностей, или портфельными, если в качестве объекта инвестирования выступают ценные бумаги. Понятие «инвестиционная привлекательность» применяется также к бизнесу, который ведет определенный хозяйствующий субъект или их группа. Сложность оценки инвестиционной привлекательности обусловлена как разнообразием самих объектов инвестирования, так и множеством возможных подходов к их характеристике.

Важнейшей задачей анализа инвестиционной привлекательности компании является последовательный сбор данных и выбор такой системы показателей, которая бы всесторонне и сбалансировано характеризовала ее производственно-хозяйственную деятельность.

В отечественной практике применяются различные методики анализа и оценки инвестиционной привлекательности компаний. Каждая из методик имеет свои особенности, но все они предназначены для того, чтобы установить, целесообразно ли инвестирование средств в рассматриваемую компанию. Наиболее известна методика оценки инвестиционной привлекательности на основе финансовых показателей [17–19].

Для оценки инвестиционной привлекательности используют различные финансовые коэффициенты. Количество рассчитываемых коэффициентов и временные рамки анализа зависят от его целей и необходимой глубины, на которую, в свою очередь влияют масштабы и сроки планируемых инвестиций. Следует подчеркнуть, что коэффициенты несут наибольший смысл в том случае, когда можно проследить их динамику за определенное время, например, 3–5 лет, или провести сравнительный анализ, например, до и после реализации конкретного инвестиционного проекта.

Оценка финансового состояния компании, занятой в производственной сфере, как правило, состоит из следующих этапов [19]:

1) оценка имущественного состояния компании и динамики его изменения;

2) оценка финансовых результатов деятельности компании;

3) оценка ликвидности баланса;

4) анализ деловой активности;

5) анализ платежеспособности (финансовой устойчивости);

6) анализ рентабельности (общий и по видам выпускаемой продукции).

Не вдаваясь в особенности расчета каждого показателя, отметим, что глубина и достоверность анализа инвестиционной привлекательности компании не находятся в прямой зависимости от количества рассчитанных финансовых коэффициентов. Тем более динамика разных показателей может характеризовать инвестиционную привлекательность противоположным образом. Актуальной проблемой в данном случае является агрегирование результатов расчета множества показателей в единый содержательный результат.

Характерной особенностью большинства методик анализа хозяйственной деятельности является их одномерность, то есть направленность на интерпретацию наблюдаемого значения отдельного показателя [18]. Даже один из наиболее важных принципов, принцип комплексности, реализуется в одномерном варианте: предметом анализа выступает совокупность показателей, но каждый из них анализируется в отдельности с последующим взаимным согласованием результатов. Другой подход заключается в анализе комбинаций экономических показателей, агрегированных в некоторое математическое выражение. Агрегирование позволяет перейти от одномерного анализа к многомерному, что имеет существенное преимущество.

На каждом предприятии в процессе обычной производственно-хозяйственной деятельности складываются взаимосвязанные пропорции использования экономических ресурсов: фондо- и материалоемкость производства, себестоимость продукции, численность персонала. При стабильном функционировании предприятия они являются устойчивыми. Данные пропорции в количественном измерении отражаются в совокупности экономических показателей. Их нарушение может иметь негативные последствия для экономики предприятия, что выразится в снижении его инвестиционной привлекательности. Каждый показатель несет в себе информацию об экономическом состоянии предприятия, но при обособленном одномерном анализе не прослеживается его связь с другими показателями. При анализе агрегатных показателей этот недостаток может быть в некоторой степени устранен. Наряду с преимуществом агрегирование имеет отрицательный аспект: при комбинировании различных показателей теряется размерность результата.

Агрегатный показатель является безразмерной величиной, представляющей собою комбинацию первичных и расчетных экономических показателей, приводимых к сопоставимому виду с помощью статистических коэффициентов приведения: А = (Х₁, Х₂, …, Х_n), где Х_{i —} экономические показатели,  — математическое выражение, содержащее кроме переменных Х_i числовые константы. Чаще всего математическое выражение является линейным относительно входящих в него переменных, при этом А = ₁Х₁+₂Х₂+₃Х₃+…+_nX_n, где _i — числовые константы. Примером линейного агрегатного показателя является Z-счет Альтмана, который используется для прогнозирования банкротства предприятия 2.

Поскольку в формировании инвестиционной привлекательности компании принимает участие множество факторов и составляющих, интегральный показатель для ее измерения должен быть агрегатным. В настоящее время нет единой методики агрегирования экономических показателей. В большинстве случаев для этой цели используют методы многомерного статистического анализа. Одним из них является метод главных компонент.

Суть метода главных компонент состоит в следующем [1]. Пусть имеется m однородных объектов анализа, каждый из которых описывается вектором из n показателей (Х₁, Х₂, …, Х_n). Таким образом, каждому показателю соответствует m его фактических значений. Внутренние взаимосвязи между показателями отражает ковариационная (корреляционная) матрица размерностью n x n, след которой равен их полной дисперсии. С помощью метода главных компонент можно получить n новых показателей f, каждый из которых является линейной комбинацией исходных: f_i = _i1X₁ + _i2X₂ + _inX_n, i = 1, 2, …, n, где  — статистические коэффициенты. Дисперсия главных компонент f_i равна полной дисперсии исходных показателей Х_i. Таким образом, главные компоненты могут заменить исходные показатели для описания объектов анализа, потому что несут в себе ту же информацию. Как правило, для анализа отбираются не все главные компоненты, а только наиболее значимые. В этом случае объект анализа характеризуют уже не n исходными показателями Х_i,, а меньшим числом главных компонент. Такое уплотнение информации бывает полезно, если число n велико. Каждая главная компонента f_i представляет собой агрегатный безразмерный показатель. Однако после получения он должен быть идентифицирован. Идентификация означает определение физического смысла и аналитической ценности главной компоненты. Методические рекомендации к интерпретации экономического содержания агрегатных показателей, полученных методом главных компонент, отсутствуют. Идентификация компонент осуществляется самим исследователем на основе анализа знаков и значений статистических коэффициентов  при исходных показателях в каждой компоненте. Как показывает практика, не все компоненты могут быть идентифицированы из-за внутренней противоречивости. Необходимость последующего отбора и идентификации главных компонент, а также потребность в большом количестве статистических наблюдений ограничивают область применения данного метода макроэкономическим анализом. Он используется специалистами в области многомерной статистики для агрегирования экономических показателей множества компаний на уровне отраслей экономики. Конкретная компания может воспользоваться результатами анализа главных компонент, полученными по их совокупности, для анализа собственной инвестиционной привлекательности на основе бенчмаркинга [4].

Для агрегирования экономических показателей на уровне конкретной компании необходимо использовать ретроспективную информацию. Временной горизонт ретроспективной информации не может быть слишком большим из-за несопоставимости экономических условий. Годовые выборки берутся, как правило, за 3–5 лет. При таком малом количестве наблюдений агрегирование методом главных компонент невозможно из-за низкой достоверности результата. В этом случае может быть применен метод таксономии или сравнения индексов. Пусть имеются выборки из n экономических показателей работы компании (Х₁, Х₂, …, Х_n) за m лет. Для агрегирования могут использоваться только показатели-цели, то есть такие, желательные значения которых либо возрастают по абсолютной величине, либо убывают. Таким образом, для любого показателя за m лет можно указать наилучшее и наихудшее значения. Каждый год анализируемого периода представляется вектором из n индексов (I₁, I₂, …, I_n). Индекс определяется как отношение фактического значения экономического показателя в данном году к его наихудшему значению за m лет для показателей с желательным ростом, и обратной величиной — для показателей с желательным убыванием. Агрегирование заключается в получении выражения А = ₁I₁ + ₂I₂ +…+ _nI_n, где  — статистические коэффициенты. Очевидно, минимальное (наихудшее) значение агрегатного показателя А достигается в том случае, когда I_i = 1, i =1, 2, … n: А_min = ₁ + ₂ + … + _n. Предположим, что нижняя граница агрегатного показателя равна единице, А_min = 1, тогда коэффициенты  будут характеризовать значимость исходных показателей в агрегатном. Максимальное (наилучшее) значение соответствует максимальным значениям каждого из индексов: А_max = ₁I^max₁ + ₂I^max₂ + … + _nI^max_n. Максимум агрегатного показателя неизвестен и подлежит определению из условия А_max  max. Для i-ого года агрегатный показатель равен: А_i = ₁I_i1 + ₂I_i2 + … + _nI_in. Существует m(m-1)/2 простых соотношений А_i  A_j, где i, j — несовпадающие порядковые номера лет. Статистические коэффициенты  определяются путем решения задачи линейного программирования:

А_max = ₁I^max₁ + ₂I^max₂ + … + _nI^max_n  max;(1)

A_min =₁ + ₂ + … + _n = 1;

A_i  A_j; _i  0; i = 1, 2, …, n; j = 1, 2, …, n; i  j.

Важным моментом в решении задачи является определение соотношений A_i  A_j. Для оценки соотношений необходимо проранжировать годы анализируемого периода от наихудшего по экономическим соображениям к наилучшему. Если ранг j-ого года выше, чем i-ого, то А_i  A_j. Ранжирование могут выполнить эксперты. Кроме того, ранги могут быть присвоены по значениям некоторого исходного доминирующего показателя Х_i. Если последовательно полагать доминирующим каждый из n исходных показателей Х_i, то получится до n наборов статистических коэффициентов , по которым затем могут быть рассчитаны средние значения.

Применение данного метода рассмотрим на условном примере. Компании требуется оценить тенденции изменения инвестиционной привлекательности, исходя из своего финансового состояния и структуры капитала. Упрощенно структуру капитала характеризуют три коэффициента: коэффициент покрытия Кп, представляющий собой отношение стоимости оборотных активов к величине краткосрочных обязательств; коэффициент финансовой стабильности Кфс, определяемый как соотношение собственных и заемных средств, и коэффициент абсолютной ликвидности Кал, равный отношению суммы денежных средств и их эквивалентов к сумме краткосрочных обязательств. Все коэффициенты определяются по балансу предприятия. В таблице 1 приведены исходные значения коэффициентов на 01.01.16, на 01.01.17 и 01.01.18, их динамика по годам разнонаправлена.

Таблица 1

Исходные данные для агрегирования финансовых коэффициентов

Показатель	Значения показателей			Наилучшее значение	Наихудшее значение	Максимальный индекс, гр.5/гр.6	Индекс
	01.01.16	01.01.17	01.01.18				01.01.01, гр.2/гр.6	01.01.02, гр.3/гр.6	01.01.03, гр.4/гр.6
1	2	3	4	5	6	7	8	9	10
Коэффициент покрытия	1,12	1,14	1,16	1,16	1,12	1,04	1,00	1,02	1,04
Коэффициент финансовой стабильности	1,40	1,20	1,15	1,40	1,15	1,22	1,22	1,04	1,00
Коэффициент абсолютной ликвидности	0,25	0,30	0,18	0,30	0,18	1,67	1,39	1,67	1,00

Для каждого коэффициента при прочих равных условиях желательно увеличение. Необходимо объединить их в агрегатный показатель инвестиционной привлекательности Аип. Следуя изложенной методике, в гр.5 и гр.6 таблицы 4 приведены соответственно наилучшие и наихудшие значения коэффициентов за 3 года, в гр. 8–10 для каждого года рассчитаны индексы фактических значений к наихудшим. Агрегатные показатели инвестиционной привлекательности компании должны быть проранжированы по годам. Пускай наиболее значимым для оценки инвестиционной привлекательности компании является коэффициент покрытия (доминирующий показатель), тогда Аип(01.01.16)<Аип(01.01.17), Аип(01.01.16)<Аип(01.01.18), Аип(01.01.17)<Аип(01.01.18). Строим модель (1):

Аип_max = 1,04₁ + 1,22₂ + 1,67₃  max;

Аип_min = ₁ + ₂ + ₃ = 1;

₁ + 1,22₂ + 1,39₃ < 1,02₁ + 1,04₂ + 1,67₃;

₁ + 1,22₂ + 1,39₃ < 1,04₁ + ₂ + ₃;

1,02₁ + 1,04₂ + 1,67₃ < 1,04₁ + ₂ + ₃;

₁  0; ₂  0; ₃  0.

Результаты расчета коэффициентов  для данной модели приведены в таблице 2, там же показаны коэффициенты, получающиеся при выборе других доминирующих показателей.

Таблица 2

Результаты расчета коэффициентов агрегатного показателя инвестиционной привлекательности компании

Доминирующий показатель	Значение коэффициента
	1	2	3
Коэффициент покрытия	0,86	0,12	0,02
Коэффициент финансовой стабильности	0,00	0,61	0,39
Коэффициент абсолютной ликвидности	0,00	0,00	1,00
Среднее значение коэффициентов	0,29	0,24	0,47

После определения средних значений коэффициентов  получаем итоговый агрегатный показатель инвестиционной привлекательности:

,

Аип=0,26Кп+0,21Кфс+2,61Кал,

Чем больше значение агрегатного показателя, тем выше инвестиционная привлекательность компании. Его пороговая величина равна 1, что соответствует одновременному достижению коэффициентами наихудших значений, наблюдаемых в анализируемом периоде. По годам анализируемого периода агрегатный показатель финансового состояния равен: 01.01.16–1,23; 01.01.17–1,33; 01.01.18–1,01, что позволяет проследить тенденцию его улучшения в 2016 году и ухудшения в 2017 году.

Дальнейший анализ агрегатного показателя инвестиционной привлекательности компании заключается в построении регрессионных моделей зависимости от влияющих факторов.

Изложенный метод агрегирования экономических показателей компании по ретроспективной информации имеет ряд особенностей. Во-первых, в полученном агрегатном показателе наиболее значимыми будут исходные показатели с максимальным размахом вариации. Это имеет следующий аналитический смысл: в рассмотренном примере на инвестиционную привлекательность компании самое большое влияние окажет наиболее неустойчивый показатель. Во-вторых, количество агрегируемых показателей не должно превышать значение m(m-1)/2, поскольку при большем количестве коэффициенты  при них примут нулевое значение (особенность решения задачи линейного программирования).

Научная новизна предлагаемого метода заключается в использовании таксономии и многомерного статистического анализа для получения комплексной оценки инвестиционной привлекательности компании на основе агрегатного показателя. Практическая значимость результатов состоит в возможности выполнения расчетов по предлагаемой методике непосредственно в самих компаниях по их статистическим и бухгалтерским данным.

Литература:

1. Кизима А., Кушнирик И. Прогнозирование вероятности банкротства на основе «Z-счета Альтмана» // Экономика Украины. — 1999. — № 12. — С. 82
2. Тихомиров Н. П., Тихомирова Т. М., Умашев О. С. Методы эконометрики и многомерного статистического анализа. Учебник — М.: Экономика, 2011. — 568 с.
3. Андерсон Д. Канбан. Альтернативный путь в Agile — М.: Манн, Иванов и Фарбер, 2016. — 336 с.
4. http://www.grandars.ru/student/marketing/benchmarking.html