Νέα Μεθοδολογία για την Χρηματοπιστωτική Αξιολόγηση Επικινδυνότητας Ναυτιλιακών Εταιρειών με Στόχο την Αειφορία

Abstract

Το περιβάλλον της ναυτιλιακής βιομηχανίας, στο οποίο δραστηριοποιούνται οι ναυτιλιακές εταιρείες, χαρακτηρίζεται από συνεχείς διακυμάνσεις και μεταβολές, γεγονός που έχει σαν επακόλουθο οι διαφόρων μορφών επενδύσεις σε τέτοιου είδους εταιρείες, να υπόκεινται σε υψηλό ρίσκο. Το στοιχείο αυτό εντάθηκε σε μεγάλο βαθμό από την παγκόσμια κρίση που ξέσπασε στο χρηματοπιστωτικό τομέα την περίοδο 2007-2008, η οποία θα μπορούσε να χαρακτηριστεί και σαν κρίση φερεγγυότητας και ρευστότητας του χρηματοοικονομικού συστήματος. Λαμβάνοντας υπ' όψιν τα στοιχεία αυτά, γίνεται φανερό ότι είναι επιτακτική η ανάγκη ενός μακροπρόθεσμου προγραμματισμού των ναυτιλιακών εταιρειών, με σκοπό τη βιώσιμη χρηματοδότηση, δηλαδή τη διάκριση εκείνων των επιχειρήσεων οι οποίες πρέπει να επιλεχθούν για να γίνουν επενδύσεις, ώστε να μειωθεί το χρηματοοικονομικό ρίσκο και να μεγιστοποιηθούν τα ανταποδοτικά οφέλη από την επένδυση. Τα κύρια στοιχεία από τα οποία αποτελούν τις πηγές άντλησης των οικονομικών πληροφοριών των εταιρειών, είναι οι οικονομικές τους καταστάσεις, ενώ τα βασικά εργαλεία με τα οποία πραγματοποιείται η σύγκριση, αξιολόγηση και αξιοποίηση αυτών των πληροφοριών είναι οι χρηματοοικονομικοί δείκτες (Financial Ratios). Η παρούσα διπλωματική εργασία έχει σαν αντικείμενο, την κατάταξη των επιλεγμένων ναυτιλιακών εταιρειών σε κλάσεις βάση χρηματοοικονομικών δεικτών αξιολόγησης, την ταυτοποίηση της κατάταξης αυτής και την πρόβλεψη της κατάταξης τους μετά από χρονική περίοδο ενός και δυο τριμήνων (1 and 2 Quarter Forecasting). Μέσα από την διαδικασία αυτή, επιχειρείται να καθοριστεί η ποσοστιαία επίδραση των επιλεγμένων χρηματοοικονομικών δεικτών-μεταβλητών στην κατάταξη των εταιρειών, με σκοπό την επιλογή αυτών οι οποίοι είναι κρίσιμοι για την εύρυθμη λειτουργία των εταιρειών. Πολύ αξιόλογα επιστημονικά εργαλεία για την μελέτη και διαχείριση μεγάλου όγκου ψηφιακών πληροφοριών και μεταβλητών με ευρύ πεδίο μεταβολής τιμών, είναι τα λογισμικά άντλησης δεδομένων (data mining tools). Βρίσκονται ακόμη σε αρχικό στάδιο εξέλιξης και αυτό τα καθιστά ελκυστικά σε περαιτέρω έρευνα όσον αφορά προβλήματα βελτιστοποίησης, δίνοντας στην εργασία μας, στην οποία η επεξεργασία των δεδομένων γίνεται με ένα τέτοιου είδους λογισμικό, ένα ιδιαίτερο στοιχείο στην προσέγγιση του ενδιαφέροντος του αναγνώστη. Η διπλωματική εργασία, ξεκινά με γενική αναφορά στα είδη της ναυτιλιακής χρηματοδότησης, την ανάλυση της παγκόσμιας οικονομικής κρίσης και των ναυτιλιακών κλάδων και εταιρειών που θα επεξεργαστούμε. Ακολουθεί η περιγραφή των οικονομικών καταστάσεων των εταιρειών και η σύνδεσή τους με τους χρηματοοικονομικούς δείκτες, που αποτελούν και τις μεταβλητές του προβλήματος μας. Έπειτα αναλύεται το θεωρητικό υπόβαθρο του λογισμικού άντλησης δεδομένων που θα χρησιμοποιηθεί (συγκεκριμένα του C5), ώστε η λειτουργία του να γίνει πιο κατανοητή στον αναγνώστη. Η δημιουργία της τελικής βάσης δεδομένων, στηρίχθηκε στην επιλογή ενός συγκεκριμένου αριθμού εταιρειών μεταφοράς ξηρού (dry cargo) και υγρού φορτίου (wet cargo), χρηματιστηριακά εισηγμένων στην αγορά της Αμερικής και για μελέτη 17 χρονικών περιόδων-τριμήνων με εκκίνηση το πρώτο τρίμηνο του 2007. Η επιλογή των χρηματοοικονομικών δεικτών-μεταβλητών που αναλύθηκαν έγινε μετά από συζήτηση με έμπειρους επαγγελματίες που ασχολούνται με την χρηματιστηριακή χρηματοδότηση. Η τελική βάση επεξεργάστηκε από το λογισμικό άντλησης δεδομένων και εξήχθησαν ενδιαφέροντα αποτελέσματα και προβλέψεις. Τα αποτελέσματα που προκύπτουν είναι ιδιαίτερα αξιόλογα, με αρκετά χαμηλό και αποδεκτό ποσοστό αποτυχίας πρόβλεψης και ταυτοποίησης, αποδεικνύοντας την ικανότητα του λογισμικού άντλησης δεδομένων στην διαχείριση μεγάλου όγκο δεδομένων με πολλές αυξομειώσεις. Η σωστή ερμηνεία των αποτελεσμάτων, μπορεί να προσφέρει την δυνατότητα αναγνώρισης οικονομικών στοιχείων των επιχειρήσεων, τα οποία απαιτούν περαιτέρω επεξεργασία και βελτίωση, για την ισχυροποίηση της οικονομικής δύναμης και προοπτικής τους. Επιπρόσθετα, θα μπορούν οι οικονομικοί επενδυτές να έχουν μια εικόνα των επιχειρήσεων που διαχειρίζονται με τον πιο αποτελεσματικό τρόπο τα διαθέσιμά τους, και επομένως οι χρηματοοικονομικοί τους δείκτες οδηγούν σε μια υψηλή κατάταξη γι' αυτές, και να επιλέγουν για επενδύσεις εκείνες που ορίζοντα προόδου και ανάπτυξης.

The uncertainty & crisis conditions which prevail in the financial sector of the economy have led the investments in marine shipping to seek large probability of success. This target is best achieved by the evaluation and sorting of the shipping companies according to the probabilities they have to be successful. The growing interest in such a sorting has led us to search for a ratio to successfully sort the companies in classes which will reflect their perspectives. The selected ratio is Share Price/Book Value per Share, as this ratio compares the market's valuation of a company to the value of that company as indicated on its financial statements.

This paper investigates the factors which are necessary to be included in the development of a model, capable to predict the sorting of each company for a range of time periods. The tools for the creation of this model will be a set of financial ratios or otherwise KPI’s (Key Performance Indicators). For the calculation of KPI’s, we have drawn from the financial statements of shipping companies, such as the balance sheet and the income statement. We have used data from a set of 22 companies, from the DRY Cargo and from the Wet Cargo, to check out the differences arising from the two different categories of cargo. Finally we concluded in 8 factors – KPI which affect the final evaluation of each company (such as ROE, Equity/Total Debt, Net profit Margin, etc.). The model we made determines the final classification of the company in a class, taking in to consideration the value of these critical values. The model creates a decision tree, which consists the basis of the sorting, according to the critical value of the variables. The percentage of the identification of the model sorting relative to the initial sorting by the ratio P/BV, defines the degree of success of the model.

The model created offers 2 basic arguments: 1) Calculates the percentage of influence of every factor in the final sorting of the company. 2) Permits the prediction of the position of a company, if we know the critical values. After the observation of these companies for a period of two quarters we verified that our method was exact with a small error. The reliable quantity of data utilized in this study gives us the possibility to draw important conclusions with regard to the final sorting of the companies as well as their probable future position, a fact that is related to their possibility to be successful, and consequently our odds to invest in them.