ИЛЬЯ МУНЕРМАН, директор исследовательского центра «Интерфакс ЛАБ»
«Всякому приятно будет увидать один из способов, коими на Руси можем мы лишиться имения, на владение коим имеем неоспоримое право», – писал Пушкин, рассказывая о судебном иске Троекурова, с помощью которого он отнял имение у своего соседа Дубровского. Способы для отъема имущества и сегодня есть разные. Бывает, дела у компании идут вроде нормально, но вдруг по решению суда важного актива или половины бизнеса – как ни бывало. Можно ли это спрогнозировать, чтобы, как старший Дубровский, не оказаться застигнутым врасплох?
СПАРК начал рассчитывать аналитическую модель для оценки потенциальной исковой нагрузки бизнеса исходя из всего объема судебных дел, в которые вовлечена компания.
Алгоритм вычисления выглядит так:
- делается статистический анализ судебных споров, в которых участвует компания;
- вычисляется, какие активы или обязательства возникнут у компании в случае выигрыша или проигрыша, с дисконтированием на срок судебного разбирательства;
- рассчитывается вероятность исхода дела на основе аналогичных исков в том же суде с тем же предметом спора.
Рассмотрение многих дел подпадает под точную типологию. Например, истцом выступает ФНС, и в деле есть упоминания фирм-«однодневок». Тут, скажет вам СПАРК, шансы на выигрыш дела налогоплательщиком стремятся к нулю.
Или, например, возьмем иск «А.С. Пламя» к инспекции ФНС России по Нерюнгринскому району Республики Саха (Якутия). Сумма иска – 5 992 809 руб., предмет спора – «Об обязании возместить НДС из бюджета». Прогнозируемый СПАРКом результат: с вероятностью 65% компания «А.С. Пламя» проиграет спор.
Использование алгоритмического подхода для предсказания исхода дел уже не является экзотикой ни в России, ни за рубежом.
В 2017 г. в Великобритании было устроено соревнование между профессиональными юристами и юристами-роботами. Участники должны были прогнозировать результаты судебных споров по финансовым продуктам в сфере страхования (PPI – страхование кредитных платежей). Алгоритмы прогнозирования компании CaseCrunch заняли первое место с показателем точности прогнозов в 87%. Английские адвокаты в среднем показали более низкий уровень точности – около 62%.
В 2019 г. алгоритм, разработанный канадской iCan Systems, успешно урегулировал в режиме медиации длившийся до этого уже три месяца спор о неоплаченном счете на 2000 фунтов.
University College London разработал модель лингвистического анализа, прогнозирующую решения Европейского суда по правам человека. Модель, которая базируется на обработке «естественного языка» и машинном обучении, показала точность на уровне 79%.
Американский Stanford Center for Legal Informatics проанализировал возможности прогнозирования решений Верховного суда США – как в целом, так и отдельных судей. Для обучения модели использовалась выборка из 28 тыс. судебных дел, которые Верховный суд рассмотрел в 1816-2015 гг. Каждое дело изначально содержало около 240 признаков, по каждому из них учитывались голоса каждого из 9 судей. Модель достигла 70-процентной точности при прогнозировании исхода дела, 72-процентной – при прогнозировании индивидуальных голосов судей.
Использование предсказательных моделей достигло такого распространения, что во Франции был введен запрет на анализ и прогнозирование решений конкретных судей, так как это рассматривается как инструмент давления на суд.
Перспектива начинается с ретроспективы
Для прогнозирования исковой нагрузки в России мы использовали открытые данные состоявшихся арбитражных процессов (данные судов общей юрисдикции и мировых судов пока недостаточно полные и не очень качественно оцифрованы).
За последние несколько лет в СПАРКе была проделана большая работа по анализу судебных дел. Мы научились распознавать типы судебных разбирательств и классифицировать их по предмету спора и категориям участников дела, учитывать отраслевой и региональный факторы. СПАРК извлекает данные об участниках судебного процесса, и прежде всего судьях, истцах и ответчиках. Распознавание третьих лиц, таких как юристы или эксперты, несколько сложнее, но это позволяет, например, понять успешность юридической компании на основании серии дел.
В качестве предикторов, то есть факторов, помогающих спрогнозировать результат дела, мы использовали данные о предмете спора, истце (выручка, сфера деятельности, регион, возраст компании), ответчике, об арбитражном суде и судье, о сумме исковых требований. При этом мы учитывали, что в континентальной системе права вынесенное решение по одному делу не всегда будет в точности повторять аналогичное решение, принятое в схожей ситуации в другом суде.
В основе нашей модели по расчету исковой нагрузки лежит логистическая регрессия, которая с определенной вероятностью прогнозирует исход арбитражного спора.
Приведем несколько примеров.
- Предмет спора: исполнение обязательств по договорам финансовой аренды (лизингу.) Участники спора: ООО «Фольксваген Груп Финанц» (истец) и ООО «Группа Трест» (ответчик). Сумма иска: 204 761 руб. Прогнозируемый результат: иск ООО «Фольксваген Груп Финанц» будет удовлетворен. Для оценки исковой нагрузки сумма исковых требований умножается на вероятность исхода дела. Таким образом, ожидаемая исковая нагрузка для компании- ответчика будет отрицательной и равной: –204 761 руб. * 85% = –173 738 руб., а для компании-истца – положительной и равной 173 738 руб.
- Предмет спора: исполнение обязательств по договорам энергоснабжения. Участники спора: ООО «Газпром межрегионгаз Белгород» (истец) и АО «Красненские Тепловые Сети» (ответчик). Сумма иска: 1 761 950 руб. Прогнозируемый результат: удовлетворение иска ООО «Газпром межрегионгаз Белгород». Поскольку вероятность такого исхода оценивается нами в 84%, ожидаемая исковая нагрузка компании-ответчика: –1 761 950 руб. * 84% = –1 473 775 руб. Исковое бремя компании-истца будет положительным и равным 1 473 775 руб.
Сложные случаи
Есть иски, по которым исход пока прогнозировать оказывается сложно.
Трудно предсказывать развитие ситуации по встречным искам, так как здесь обычно целая история сложных взаимоотношений между сторонами судебного процесса, которые непросто оценить.
Особое место занимают дела о банкротстве. Мы научились прогнозировать полную потерю компанией платежеспособности. Но этого в данном случае недостаточно, так как требуется определить также достаточность имущества для удовлетворения требований кредиторов; спрогнозировать суммы, которые получат кредиторы по очередности и т.д. При этом надо помнить, что в рамках банкротных процессов в России в среднем удовлетворяется лишь несколько процентов требований.
Прогнозирование осложняется тем, что компания может пойти как по стандартному пути банкротства, так и использовать альтернативные способы самоликвидации.
Тем не менее, по сотням тысяч компаний в СПАРКе теперь есть возможность более точно оценить риски, связанные с судебными тяжбами.
Новые индикаторы позволяют оценить общую сумму исков против компании и понять, может ли это создать риски для ее бизнеса. Например, нет ли угрозы, что иски приведут к банкротству или ликвидации компании, повлияют на ее способность выполнять текущие финансовые обязательства.
Все это – важные факторы при финансовом анализе контрагента и оценке его кредитных рисков.
Читайте также:
Данные онлайн-касс как инструмент мониторинга контрагентов
Рэнкинг быстрорастущих компаний России
Альфа-Банк выдает корпоративные кредиты до 6 млн рублей на основе данных СПАРК