सात वित्तीय अनुपात तीन साल पहले MSME की दिवालियेपन की भविष्यवाणी करते हैं
किसी भी क्षेत्र में एक विचित्र क्षण आता है जब किसी समस्या को सुलझाने वाले साक्ष्य दशकों से उपलब्ध होते हैं, लेकिन किसी ने उन्हें सही तरीके से व्यवस्थित नहीं किया था। यही सार है उस शोध का जो हाल ही में Global Business and Economics Review में प्रकाशित हुआ है: यूरोपीय छोटी और मध्यम उद्यमों (MSME) की दिवालियेपन का अनुमान तीन साल पहले तक लगाया जा सकता है, केवल सात मानक लेखांकन संकेतकों का उपयोग करके — वही संकेतक जो कोई भी लेखाकार पहले से ही गणना करता है और जो बैंक दशकों से प्राप्त करते रहे हैं, बिना यह जाने कि उन्हें एक साथ मिलाकर क्या करना है।
सोनिया सिल्वा द्वारा हस्ताक्षरित इस अध्ययन ने आठ वर्षों में 24,500 से अधिक यूरोपीय उद्यमों के डेटा का विश्लेषण किया। परिणामी मॉडल लगभग 82% की समग्र सटीकता प्राप्त करता है और ज्ञात परिणामों वाले डेटा पर लागू होने पर घटना से तीन साल पहले 70% से अधिक दिवालियेपन की सही पहचान करता है। यह लाखों चरों से प्रशिक्षित मशीन लर्निंग एल्गोरिदम नहीं है। यह सात अनुपातों पर निर्मित एक बहुचर पूर्वानुमान मॉडल है: नकद अनुपात, भुगतान किए गए ब्याज पर योगदान, सॉल्वेंसी अनुपात, अल्पकालिक वित्तपोषण, उत्तोलन, ऋण-संपत्ति अनुपात और संपत्ति पर प्रतिफल। सात संख्याएं जो पहले से ही बैलेंस शीट में मौजूद हैं और जो एक साथ किसी उद्यम की तरलता, ऋण बोझ, वित्तीय लचीलेपन और लाभप्रदता का पर्याप्त रूप से वर्णन करती हैं।
यह खोज जो प्रश्न मेज पर छोड़ती है वह तकनीकी नहीं है। यह संरचनात्मक है: यदि डेटा वहाँ था और मॉडल काम करते हैं, तो पहले यह क्यों नहीं हुआ?
वह अंतर जिसे अकादमिक जगत ने बहुत लंबे समय तक खुला रखा
व्यावसायिक दिवालियेपन की भविष्यवाणी का लंबा अकादमिक इतिहास है। 1960 और 1970 के दशकों में गढ़े गए क्लासिक मॉडल बड़ी और सूचीबद्ध कंपनियों के लिए डिज़ाइन किए गए थे, जिनके पास बाजार मूल्यांकन, शेयर पूंजीकरण डेटा और पर्याप्त रूप से पारदर्शी वित्तीय संरचनाएं थीं जो मजबूत सांख्यिकीय मॉडलों को पोषित कर सकें। MSME उस ढांचे से बाहर रह गए, लापरवाही के कारण नहीं, बल्कि इसलिए कि वे एक ऐसी श्रेणी का प्रतिनिधित्व करते थे जिसे पारंपरिक कॉर्पोरेट वित्त ने बहुत अपारदर्शी, बहुत विषम और कई मामलों में विश्लेषणात्मक प्रयास को उचित ठहराने के लिए बहुत छोटी मानी।
उस तर्क की समस्या यह है कि MSME एक गौण श्रेणी नहीं हैं। वे OECD अर्थव्यवस्थाओं में अधिकांश उद्यमों का प्रतिनिधित्व करते हैं और उन देशों में लगभग दो-तिहाई रोजगार का। MSME की दिवालियेपन का जोखिम एक व्यक्तिगत स्तर पर प्रबंधनीय सूक्ष्मआर्थिक समस्या नहीं है: यह एक ऐसा चर है जिसके बैंकिंग प्रणाली, श्रम बाजार और उन सरकारों की राजकोषीय स्थिरता पर प्रत्यक्ष परिणाम हैं जो क्रेडिट गारंटी कार्यक्रम या रोजगार सब्सिडी संचालित करती हैं।
सिल्वा का कार्य उस अंतर को एक ऐसे डेटासेट के साथ बंद करता है जो मॉडल को सांख्यिकीय रूप से मजबूत बनाने के लिए पर्याप्त विस्तृत है और सुलभ अनुपातों पर पर्याप्त केंद्रित है ताकि इसे असाधारण बुनियादी ढांचे के बिना दोहराया जा सके। सबसे खुलासा करने वाली खोज यह नहीं है कि मॉडल 82% सटीकता के साथ काम करता है: यह है कि सटीकता का वह स्तर दिवालियेपन की घटना से तीन साल पहले हासिल किया जाता है, एक ऐसा समय क्षितिज जो हस्तक्षेप के तर्क को पूरी तरह बदल देता है।
तीन साल क्रेडिट शर्तों पर पुनर्बातचीत के लिए पर्याप्त समय है। यह किसी ऋणदाता के लिए गारंटी समायोजित करने, कवेनेंट संशोधित करने या किसी विशिष्ट पोर्टफोलियो की निगरानी बढ़ाने के लिए पर्याप्त समय है। यह किसी MSME मालिक के लिए स्थिति अपरिवर्तनीय होने से पहले पुनर्गठन के निर्णय लेने के लिए पर्याप्त समय है। जो चीज इस मॉडल को कई यूरोपीय बैंकों में पहले से मौजूद शीघ्र चेतावनी प्रणालियों से अलग करती है, वह ठीक यही विस्तारित क्षितिज है जो साधन की मितव्ययिता के साथ संयुक्त है: सैकड़ों चर नहीं, बल्कि सात अनुपात।
सात अनुपात एक दिवालियेपन की शारीरिक रचना के बारे में क्या प्रकट करते हैं
मॉडल के सात संकेतकों को अलग-अलग चरों के बजाय एक समूह के रूप में देखने से उनमें से किसी एक की तुलना में अधिक रोचक निदान उत्पन्न होता है। चयन मनमाना नहीं है: प्रत्येक अनुपात जोखिम के एक अलग आयाम को पकड़ता है, और मिलकर वे उद्यम की एक त्रि-आयामी छवि बनाते हैं।
नकद अनुपात और अल्पकालिक वित्तपोषण तत्काल तरलता और उद्यम अपनी सबसे जरूरी देनदारियों का प्रबंधन करने के तरीके का वर्णन करते हैं। एक उद्यम कागज पर लाभदायक हो सकता है और उपलब्ध नकदी की कमी से दम तोड़ सकता है। यह MSME में कोई असामान्य विरोधाभास नहीं है: यह सबसे सामान्य दिवालियेपन तंत्रों में से एक है, विशेष रूप से लंबे संग्रह चक्र वाले व्यवसायों में जहां आपूर्तिकर्ता त्वरित भुगतान की मांग करते हैं।
सॉल्वेंसी अनुपात, उत्तोलन और ऋण-संपत्ति अनुपात पूंजी संरचना और बिना ढहे नुकसान को अवशोषित करने की क्षमता को पकड़ते हैं। एक अत्यधिक उत्तोलित उद्यम तब तक जीवित रह सकता है जब तक नकदी प्रवाह स्थिर हो, लेकिन राजस्व में गिरावट के खिलाफ उसकी सहनशीलता की सीमा न्यूनतम होती है। ये तीन अनुपात, एक साथ देखे जाने पर, वर्णन करते हैं कि ऋण अस्थिर होने से पहले उद्यम के पास कितनी ऑक्सीजन बची है।
भुगतान किए गए ब्याज पर योगदान एक परिचालन आयाम जोड़ता है: यह मापता है कि व्यवसाय अपनी वित्तीय लागत को कवर करने के लिए पर्याप्त योगदान मार्जिन उत्पन्न करता है या नहीं। एक उद्यम जो अपने परिचालन मार्जिन से अपना ब्याज नहीं कवर कर सकता, वह सक्रिय रहने के लिए इक्विटी या अतिरिक्त क्रेडिट का उपभोग कर रहा है, जो एक संरचनात्मक गिरावट का संकेत है जो केवल शुद्ध आय को देखने पर कई तिमाहियों तक अदृश्य रह सकता है।
संपत्ति पर प्रतिफल उद्यम द्वारा अपनी संपत्तियों को परिणामों में परिवर्तित करने की दक्षता को मापकर मॉडल को बंद करता है। इस संकेतक में निरंतर गिरावट, बढ़ते उत्तोलन और घटती तरलता के साथ मिलकर, वह पैटर्न पैदा करती है जिसे मॉडल दिवालियेपन के अग्रदूत के रूप में पहचानना सीखता है।
मूल्य प्रस्ताव के दृष्टिकोण से जो महत्वपूर्ण है वह यह है कि इन सात अनुपातों में से किसी को भी ऐसी जानकारी की आवश्यकता नहीं है जो किसी उद्यम के बुनियादी वित्तीय विवरणों में पहले से उपलब्ध न हो। बाजार डेटा, बाहरी मूल्यांकन या प्रबंधकीय अनुमानों तक पहुंच की आवश्यकता नहीं है। मॉडल पहले से मौजूद चीज़ों के साथ काम करता है, जिसके इस बारे में प्रत्यक्ष निहितार्थ हैं कि इसे कौन अपना सकता है और किस लागत पर।
वह अड़चन जिसे मॉडल अकेले हल नहीं कर सकता
अध्ययन स्वयं एक ऐसी सीमा की ओर इशारा करता है जो अलग ध्यान देने योग्य है: MSME द्वारा अधिक वित्तीय प्रकटीकरण के साथ मॉडल में सुधार होगा, लेकिन लेखक इसे "छोटी कंपनियों की प्रकृति को देखते हुए अत्यधिक असंभव" मानते हैं। वह वाक्यांश एक तनाव को केंद्रित करता है जो नया नहीं है, लेकिन जिसे यह खोज पहले की तुलना में अधिक तात्कालिकता के साथ मेज पर वापस रखती है।
MSME के पास अपने वित्तीय डेटा को अपारदर्शी रखने के संरचनात्मक प्रोत्साहन हैं। उस अपारदर्शिता का एक हिस्सा रक्षात्मक है: ऋणदाताओं या बाजार के साथ विस्तृत जानकारी साझा करने से मालिक की बातचीत की स्थिति कमजोर हो सकती है, प्रतिस्पर्धात्मक कमजोरियां उजागर हो सकती हैं, या बस प्रशासनिक बोझ उत्पन्न हो सकता है जिसे एक छोटा उद्यम प्रबंधित करने में सक्षम नहीं है। परिणाम एक ऐसा बाजार है जहां पूर्वानुमान उपकरण ठीक उन्हीं मामलों में सबसे अच्छा काम करते हैं जहां जानकारी सबसे प्रचुर होती है, जो आमतौर पर वे उद्यम होते हैं जिन्हें इसकी सबसे कम जरूरत होती है।
इस असंतुलन के ऋणदाताओं के लिए प्रत्यक्ष परिणाम हैं। बैंक और माइक्रोक्रेडिट संस्थान जो छोटे MSME खंडों में — अच्छी तरह से प्रलेखित मध्यम आकार के नहीं, बल्कि सरलीकृत लेखांकन वाले सूक्ष्म और छोटे — संचालित होते हैं, उनके पास उस जानकारी के एक अंश तक पहुंच होती है जो मॉडल को अपनी प्रलेखित सटीकता के स्तर पर काम करने के लिए आवश्यक है। उन मामलों में, मॉडल सापेक्ष जोखिम संदर्भ के रूप में उपयोगी रह सकता है, लेकिन इसकी पूर्वानुमान क्षमता उपलब्ध डेटा की गुणवत्ता के अनुपात में घट जाती है।
सार्वजनिक क्रेडिट गारंटी कार्यक्रमों के लिए, चुनौती अलग है लेकिन उतनी ही ठोस है। उन कार्यक्रमों में से कई क्रेडिट तक पहुंच को अधिकतम करने के राजनीतिक दबाव में काम करते हैं, जिसका व्यवहार में अर्थ है उन उद्यमों को वित्तपोषित करना जिन्हें एक निजी बैंक अस्वीकार करेगा। सिल्वा द्वारा प्रलेखित सटीकता वाले मॉडल का उपयोग तरलता की अस्थायी समस्याओं वाले व्यवहार्य उद्यमों और अपरिवर्तनीय संरचनात्मक गिरावट वाले उद्यमों के बीच बेहतर अंतर करने के लिए किया जा सकता है, जिससे सार्वजनिक व्यय की दक्षता में सुधार होगा। लेकिन इसके लिए आवश्यक है कि लाभार्थी उद्यम उस विवरण के स्तर पर रिपोर्ट करें जो मॉडल को आवश्यक है, और वह आवश्यकता सीधे सरलीकरण की तर्क से टकराती है जो पहले स्थान पर कार्यक्रमों को उचित ठहराती है।
वह डेटा जो यूरोपीय बैंकों को पहले से ही गणना करना चाहिए था
यह शोध एक ऐसे समय में आता है जब यूरोपीय व्यापक आर्थिक संदर्भ इसकी प्रासंगिकता को बढ़ाता है। यूरोपीय MSME पर COVID-19 महामारी के प्रभाव पर पूर्व अध्ययनों ने उस अवधि के दौरान लगभग 21% दिवालियेपन जोखिम में वृद्धि दर्ज की, जिसे लाभप्रदता, बिक्री और कार्यशील पूंजी में गिरावट के कार्य के रूप में मापा गया। वही चर जिन्हें सिल्वा का मॉडल केंद्रीय भविष्यवक्ताओं के रूप में पहचानता है।
MSME को क्रेडिट के महत्वपूर्ण पोर्टफोलियो वाले बैंकों के लिए, इन सात अनुपातों पर आधारित निगरानी ढांचे को अपनाने का आर्थिक तर्क सीधा है। अंतर्राष्ट्रीय मुद्रा कोष ने दर्ज किया है कि MSME का बड़े पैमाने पर गिरावट सबसे अधिक उजागर देशों में बैंकिंग प्रणालियों के Tier 1 पूंजी अनुपात को 2 प्रतिशत अंक तक कम कर सकती है। यह एक अमूर्त जोखिम नहीं है: यह एक ऐसा चर है जिस पर यूरोपीय नियामक 2020 के बाद से बढ़ती जागरूकता के साथ नजर रख रहे हैं और जिसे प्रासंगिक MSME पोर्टफोलियो वाले किसी भी बैंक के जोखिम प्रबंधन टीमों को स्थायी रूप से मात्रात्मक बनाना चाहिए।
बैंकिंग निगरानी प्रणालियों में मॉडल को व्यावहारिक रूप से अपनाने के लिए बड़े तकनीकी निवेश की आवश्यकता नहीं है। इसके लिए देनदारों के आवधिक वित्तीय विवरणों के संग्रह में अनुशासन, सात अनुपातों की गणना में मानकीकरण और एक स्पष्ट आंतरिक अलर्ट प्रक्रिया की आवश्यकता है जब कोई उद्यम एक साथ कई संकेतकों में जोखिम सीमा पार करे। यह प्रौद्योगिकी की समस्या से अधिक प्रक्रिया की समस्या है, जो उन मध्यम आकार की संस्थाओं के लिए कार्यान्वयन बाधा को भौतिक रूप से कम करती है जिनके पास मालिकाना मशीन लर्निंग मॉडलों के लिए बजट नहीं है।
जो चीज इस संदर्भ में सिल्वा के मॉडल को विशेष रूप से उपयोगी बनाती है, वह केवल इसकी सटीकता नहीं है बल्कि इसकी व्याख्यायोग्यता है। सात अनुपातों का मॉडल लेखा परीक्षण योग्य है। एक क्रेडिट विश्लेषक किसी जोखिम समिति को यह समझा सकता है कि किसी विशिष्ट उद्यम ने अलर्ट क्यों ट्रिगर किया: "नकद अनुपात दो लगातार वित्तीय वर्षों में 40% गिर गया, जबकि उत्तोलन 15 प्रतिशत अंक बढ़ा और संपत्ति पर प्रतिफल नकारात्मक हो गया।" यह एक ऐसा निदान है जो कार्रवाई उत्पन्न करता है। 200 चरों वाला एक ब्लैक बॉक्स मॉडल अधिक सांख्यिकीय सटीकता प्राप्त कर सकता है, लेकिन उन स्तरों पर अधिक कठिन बातचीत पैदा करता है जहां वास्तविक क्रेडिट निर्णय लिए जाते हैं।
वह संकेत जिसे कोई एक साथ नहीं पढ़ रहा था
इस कार्य का सबसे स्थायी योगदान मॉडल स्वयं नहीं है। यह यह प्रदर्शन है कि किसी MSME के दिवालियेपन का अनुमान लगाने की जानकारी पहले से उपलब्ध थी, कि यह उन बैलेंस शीट में निहित थी जो बैंकों को आवधिक रूप से प्राप्त होती हैं, और जो कमी थी वह पर्याप्त अग्रिम अनुमान के साथ संयोजन में उसे पढ़ने के लिए विश्लेषणात्मक संरचना थी।
यह एक ऐसा पैटर्न वर्णित करता है जो उन बाजारों में बार-बार दिखाई देता है जहां डेटा मौजूद है लेकिन खंडित या गलत व्याख्या किया गया है: समाधान नई जानकारी के साथ नहीं आता, बल्कि मौजूदा जानकारी के पुनर्गठन के साथ आता है जो कुछ ऐसा दृश्यमान बनाता है जो पहले से ही वहाँ था। इस मामले में, पुनर्गठन सांख्यिकीय रूप से प्रलेखित, दोहराने योग्य और पर्याप्त रूप से मितव्ययी है ताकि बुनियादी बैलेंस शीट तक पहुंच वाली कोई भी वित्तीय संस्था असाधारण बुनियादी ढांचे के बिना इसे अपना सके।
MSME उन्नत अर्थव्यवस्थाओं के व्यावसायिक ढांचे का अधिकांश हिस्सा और अप्रबंधित क्रेडिट जोखिम का असंगत हिस्सा प्रतिनिधित्व करते हैं। एक ऐसा मॉडल जो केवल सात मानक अनुपातों का उपयोग करके तीन साल के अंतर के साथ 70% से अधिक दिवालियेपन का अनुमान लगा सकता है, अकादमिक जिज्ञासा नहीं है। यह ऋणदाताओं, नियामकों और उद्यम मालिकों के लिए ठोस परिचालन परिणामों वाला एक उपकरण है जो संकट प्रबंधन के बजाय पहले हस्तक्षेप करना पसंद करते हैं। इसकी उपयोगिता की सीमा इसकी सटीकता में नहीं है: यह उस डेटा की गुणवत्ता और संगति में है जो स्वयं MSME रिपोर्ट करने को तैयार हैं, और यह उन प्रोत्साहनों पर निर्भर करता है जिन्हें अकेला मॉडल नहीं बदल सकता।
