Комплексный анализ и прогнозирование вероятности банкротства в аудиторской проверке

нечетких множеств, нейронных сетей

Высокий уровень прогноза; возможность выявления с сложных нелинейных связей в совокупностях данных

Большая трудоемкость разработки; сложность формализации и нахождения оптимальной системы показателей, структуры модели; сложность в использовании

В рамках темы настоящей работы, актуальными являются модели, представленные в рамках количественного подхода, так как исследования в 3 главе будут проводиться только на данных бухгалтерской отчетности. Также не представляется целесообразным использование рейтинговых моделей, так как ранжирование или отнесение предприятия к определенному классу недостаточно для прогнозирования вероятности банкротства, для чего больше подходят МДА-модели и логит-модели. Нейронные сети сложны в построении, а стандартных схем не разработано.

На основании вышеизложенного материала второй главы, можно сделать выводы.

В настоящее время не существует единой методики оценки непрерывности деятельности предприятия, которая бы содержала четко установленную последовательность шагов реализации ее на практике. На основании информации, указанной в стандартах, теоретического материала и своего опыта аудиторской деятельности автором предложен алгоритм оценки непрерывности деятельности в аудиторской проверке.

Аналитические процедуры в рамках стандарта МСА в настоящее время не содержат руководства по применению каких-либо существующих методов и моделей прогнозирования банкротства, аудитор свободен в выборе аналитических процедур в оценке непрерывности деятельности. Многие известные ученые предлагают анализ оценки непрерывности деятельности проводить в контексте финансовой устойчивости.

Первоисточником получения доказательств по соблюдению принципа непрерывности является анализ финансовых коэффициентов, и их взаимосвязей. Наиболее значимые аналитические коэффициенты для такого анализа объединены в 5 групп.

Проведен анализ основных методов и наиболее известных моделей, которые аудитор может применить в своей практике оценки непрерывности деятельности. Результаты анализа сведены в таблице 2.3.

На основании вышеизложенного, можно говорить об актуальности применения современных методов и моделей для прогнозирования вероятности банкротства и оценки непрерывности деятельности, а также самостоятельной разработке более совершенной, охватывающей все стороны деятельности предприятия модели, которая, возможно, позволит получить наиболее точный результат.



Глава 3. Разработка и апробирование модели прогнозирования банкротства предприятий отрасли информационных технологий

3.1 Обоснование выборки предприятий по виду экономической деятельности, коэффициентный анализ результатов их деятельности с целью определения уровня финансовой устойчивости

Для исследования были отобраны предприятия, относящиеся к IT отрасли, вид их экономической деятельности - разработка программного обеспечения и консультирование в этой области, деятельность - обработка данных, предоставление услуг по размещению информации и связанная с этим деятельность. Выборка состоит из 1094 предприятий, которые существуют на рынке более 5 лет. По всем компаниям было рассчитано среднее значение выручки за 5 лет, начиная с 2012 по 2016 год. Получилось следующее распределение выборки предприятий по группам, представленное в таблице. Из полученной таблицы мы видим, что в выборку попали предприятия, признанные Арбитражным судом банкротами. Эти компании не будем исключать из списка для дальнейшего сопоставления данных их отчетности с данными отчетности предприятий не банкротов с целью определения уровня финансовой устойчивости компаний, попавших в выборку 3.1.

Таблица 3.1 - Группировка выборки компаний по среднему значению выручки

Интервал выручки, руб.	Количество компаний	Из них банкроты
0 - 250 000 000	657	24
250 000 000-750 000 000	303	6
>750 000 000	134	1
Общий итог:	1094	31

Далее из СПАРК были выгружены значения коэффициентов на 31.12.2016 для организаций данной выборки, имеющие существенное значение для определения вероятности банкротства. Часть коэффициентов было рассчитано самостоятельно. Методика расчета коэффициентов в СПАРК представлена в Приложении 2. Получились следующие результаты:

Коэффициенты ликвидности.

Данная группа коэффициентов рассчитывается как отношение оборотных активов, либо части оборотных активов к краткосрочным обязательствам. Коэффициенты ликвидности в отношении определения платежеспособности предприятия часто критикуют, ссылаясь на то, что их значения не стоит сравнивать для предприятий разных отраслей, а также использующих различную учетную политику для ведения бухгалтерского учета. Автор данной работы солидарен с критикой в отношении использования коэффициентов ликвидности для определения платежеспособности, но, так как выборка состоит из компаний, относящихся к одной отрасли, использование коэффициентов ликвидности в данном случае представляется возможным и необходимым, так как риск ликвидности выделяют многие специалисты, как один из самых значимых факторов вероятности банкротства. (раздел 1.2) Различиями в учетной, договорной политике в рамках данного исследования пренебрегается.

Из СПАРК были выгружены значения коэффициентов текущей, быстрой, абсолютной ликвидности. Для того, чтобы сравнить полученные значения не только с данными отчетности банкротов, но и в разрезе среднего значения выручки (данный показатель используется в исследовании для определения масштаба деятельности компаний) группировка по выручке была сохранена. Таким образом, к первой группе относятся предприятия со средним значением выручки ниже 250 млн. руб., вторая группа от 250 млн. руб. до 750 млн. руб., третья группа-предприятия со средним значением выручки свыше 750 млн. руб. Для начала проанализируем значения коэффициентов для предприятий не банкротов. Полученные значения коэффициентов представлены в таблице 3.2.

Таблица 3.2 - Значение коэффициентов ликвидности для первой, второй и третьей группы предприятий, исключая предприятия банкроты

	1 группа	2 группа	3 группа
Коэффициент абсолютной ликвидности
Значение	Кол-во компаний	Процент от итога	Кол-во компаний	% от итога	Кол-во компаний	% от итога
от 0 до 0.05	162	26%	41	14%	13	10%
от 0.05 до 0.2	99	16%	66	22%	29	22%
от 0.2 до 0.5	112	18%	63	21%	34	25%
от 0.5 до 1	91	14%	54	18%	23	17%
от 1 до 5	95	15%	57	19%	27	20%
свыше 5	74	12%	16	5%	7	5%
Общий итог	633	100%	297	100%	133	100%
Коэффициент быстрой ликвидности
от 0 до 0.5	75	12%	20	7%	12	9%
от 0.5 до 1	141	22%	81	27%	27	20%
от 1 до 1.5	155	25%	83	28%	44	33%
от 1.5 до 2.5	81	13%	54	18%	27	20%
от 2.5 до 10	100	16%	45	15%	20	15%
свыше 10	80	13%	14	5%	3	2%
Общий итог	633	100%	297	100%	133	100%
Коэффициент текущей ликвидности
меньше 1	120	19%	56	19%	19	14%
от 1 до 1.5	236	37%	106	36%	53	40%
от 1.5 до 2.5	85	13%	64	22%	34	25%
от 2.5 до 10	108	17%	57	19%	24	18%
свыше 10	84	13%	15	5%	3	2%
Общий итог	633	100%	297	100%	133	100%

Если принять во внимания тот факт, что для устойчивого состояния предприятий в среднем принято считать значения коэффициентов абсолютной ликвидности не ниже 0.05, быстрой ликвидности в значении около 1, а абсолютной в значении около 2, то для предприятий первой группы можно увидеть весомую часть предприятий с значениями коэффициентов ниже «нормального» значения. По коэффициенту абсолютной ликвидности такая часть составляет 26% от совокупности, быстрой ликвидности - около 34%, текущей ликвидности - свыше 56%. Наибольшая доля предприятий совокупности первой группы (37 % от совокупности) на конец 2016 года имеет коэффициент текущей ликвидности от 1 до 1.5, коэффициент быстрой ликвидности от 1 до 1.5 (25%), коэффициент абсолютной ликвидности ниже 0,05 (26%). Значения коэффициента текущей и быстрой ликвидности примерно равны, это объясняется видом деятельности таких предприятий, строка «Запасы» в оборотных активах имеет минимальное значение.

Доля предприятий второй группы, которая имеет коэффициент абсолютной ликвидности ниже нормативного значения, равна 14%, быстрой ликвидности - 34%, текущей ликвидности - 55 %. То есть, доля предприятий, которая имеет коэффициент текущей, быстрой ликвидности ниже нормы примерно равно доле предприятий первой группы. Доля предприятий с коэффициентом абсолютной ликвидности ниже нормативного значения для предприятий второй группы меньше, чем для первой (вторая группа - 14%, первая 26%).

Доля предприятий третьей группы, которая имеет коэффициент абсолютной ликвидности ниже нормативного значения, равна 10%, быстрой ликвидности - 29%, текущей ликвидности - 54 %. Можно сделать вывод о том, что доля предприятий, у которой коэффициенты текущей и быстрой ликвидности принимают значения ниже нормы, примерно одинакова во всех трех группах предприятий выборки. Доля предприятий с значением коэффициента абсолютной ликвидности ниже нормы снижается с увеличением среднего значения выручки за 5 лет.

Далее были проанализированы значения коэффициентов ликвидности предприятий банкротов. Так как количество таких предприятий невелико, анализировать коэффициенты в разрезе средней выручки этих предприятий не целесообразно. Полученные данные находятся в таблице 3.3.



Таблица 3.3 - Значения коэффициентов ликвидности для предприятий банкротов

Коэффициент абсолютной ликвидности
Значение	Количество предприятий	Процент от итога
от 0 до 0.05	13	44%
от 0.05 до 0.2	6	18%
от 0.2 до 0.5	3	10%
свыше 0,5	9	28%
Общий итог	31	100%
Коэффициент быстрой ликвидности
Значение	Количество предприятий	Процент от итога
от 0 до 0.5	11	35%
от 0.5 до 1	11	35%
от 1 до 1.5	3	10%
от 1.5 до 2.5	2	7%
от 2.5 до 10	3	10%
свыше 10	1	3%
Общий итог:	31	100%
Коэффициент текущей ликвидности
Значение	Количество предприятий	Процент от итога
меньше 1	16	53%
от 1 до 1.5	8	26%
от 1.5 до 2.5	2	6%
от 2.5 до 10	3	9%
свыше 10	2	6%
Общий итог:	31	100%

Доля предприятий, которая имеет коэффициент абсолютной ликвидности ниже нормированного значения равна 44%, быстрой ликвидности-70%, текущей ликвидности-79%. Таким образом, доля банкротов, у которых значения коэффициенты ликвидности ниже нормативного значения, гораздо выше, чем для предприятий не банкротов. Но также можно увидеть, что существуют предприятия банкроты, которые имеют коэффициенты ликвидность в районе нормативных значений и даже выше.

Проведем дальнейший коэффициентный анализ выборки рассчитав следующие коэффициенты. В работе использовался расчет коэффициентов ликвидности по методике СПАРК. Данная методика раскрыта в Приложении 2.

Коэффициент независимости (автономии). Данный коэффициент рассчитывается как отношение собственного капитала к валюте баланса. Логика его расчета говорит о том, что чем выше значение данного коэффициента, тем более устойчивым, независимым от внешних источников финансирования является предприятие.

По предприятиям не банкротам из исходной выборки были рассчитан коэффициент автономии. Полученные данные находятся в таблице 3.4.

Таблица 3.4 - Значения коэффициентов независимости (автономии). для предприятий не банкротов

Значение	1 группа	2 группа	3 группа
	Кол-во компаний	% от итога	Кол-во компаний	% от итога	Кол-во компаний	% от итога
меньше 0	69	11%	24	8%	8	6%
от 0 до 0.1	144	23%	53	18%	26	20%
от 0.1 до 0.5	181	29%	109	37%	51	38%
от 0.5 до 0.7	68	11%	59	20%	25	19%
свыше 0.7	171	27%	52	17%	23	17%
Общий итог	633	100%	297	100%	133	100%

Анализируя полученные данные, можно сказать, что предприятия второй и третьей группы имеют долю собственного капитала в валюте баланса в целом схожую, так как доля предприятий с значением коэффициента независимости ниже 0.1 (критически низкое значение) составляет 26% для обоих групп, а значение коэффициента выше 0.7 (предприятия с очень высоким уровнем независимости) принимают 17% от совокупности для обоих групп. Для этих предприятий так же значение коэффициента автономии реже принимает отрицательное значение, чем для компаний первой группы. Большая доля компаний первой группы принимает критически низкое значение коэффициента (ниже 0.1) равная 34 % и высокое значение коэффициента равная 27%.

Посмотрим какие значения принимает коэффициент автономии у предприятий банкротов. Полученные данные представлены в таблице 3.5.

Таблица 3.5 - Значения коэффициентов независимости (автономии). для предприятий банкротов

Значение	Кол-во компаний	% от итога
меньше 0	17	55%
от 0 до 0.2	9	29%
от 0.2 до 0.5	4	13%
свыше 0.5	1	3%
Общий итог	31	100%

Доля предприятий банкротов, имеющих отрицательное значение коэффициента автономии, гораздо выше, чем для не банкротов (55 % против в 8% в среднем для не банкротов). К тому же весомая доля предприятий банкротов имеет минимальное значение коэффициента автономии, не выше 0,2. Это означает, что значение коэффициента автономии как в динамике для одного предприятия, так и по отношению к другим предприятием может служить весомым индикатором для определения уровня финансовой устойчивости компаний IT сектора.

Коэффициент обеспеченности собственными оборотными средствами.

Значение данного коэффициента показывает долю собственных оборотных средств (СОС), необходимых для поддержания финансовой устойчивости.

По предприятиям не банкротам из исходной выборки были рассчитан коэффициент обеспеченности собственными оборотными средствами. Данные находятся в таблице 3.6.



Таблица 3.6 - Значения коэффициент обеспеченности СОС для предприятий не банкротов

	1 группа	2 группа	3 группа
Значение	Кол-во компаний	% от итога	Кол-во компаний	% от итога	Кол-во компаний	% от итога
меньше 0	159	25%	60	20%	24	18%
от 0 до 0.1	118	19%	40	13%	25	19%
от 0.1 до 0.5	161	25%	107	36%	50	38%
свыше 0.5	195	31%	90	30%	34	25%
Общий итог	633	100%	297	100%	133	100%

Из анализа данных видно, что доля предприятий с коэффициентом обеспеченности СОС ниже 0 для третьей группы компаний ниже чем для первой и второй. Значение коэффициента ниже 0 служит опасным сигналом в отношении платежеспособности предприятия, так как в этом случае погашение обязательств может наступить раньше, чем окупятся вложенные средства.

Рассчитаем аналогичный коэффициент для предприятий банкротов. Полученные данные находятся в таблице 3.7.

Таблица 3.7 - Значения коэффициент обеспеченности СОС для предприятий банкротов

Значение	Кол-во предприятий	% от итога
меньше 0	22	71%
от 0.1 до 0.5	9	29%
Общий итог	31	100%

Анализируя полученные данные можно сказать, что для предприятий банкротов доля предприятий с коэффициентов обеспеченности СОС ниже 0 существенно выше, чем для не банкротов (71% против 21% в среднем для не банкротов). Следовательно, анализ значений этого коэффициента также можно использовать для определения финансовой устойчивости и платежеспособности предприятия.

Значение чистых активов.

В Международном стандарте аудита IAS 570 «Непрерывность деятельности» одним из признаков, который может вызывать сомнение у аудитора в способности компании продолжать деятельность непрерывно, является отрицательное значение чистых активов. Посмотрим какие значения чистых активов у компаний банкротов и не банкротов выборки. Полученные данные для не банкротов находятся в таблице 3.8.

Таблица 3.8 - Значение чистых активов для предприятий не банкротов

Значение	Кол-во компаний	% от итога	Кол-во компаний	% от итога	Кол-во компаний	% от итога
меньше 0	68	11%	25	8%	8	6%
от 0 до 5 млн.	95	15%	20	7%	2	2%
от 5 до 20 млн.	105	17%	33	11%	6	5%
от 20 до 50 млн.	118	19%	46	16%	10	7%
от 50 до 100 млн.	113	18%	65	22%	13	10%
более 100 млн.	134	21%	108	36%	94	70%
Общий итог	633	100%	297	100%	133	100%

Из полученной информации можно сделать вывод о том, что доля компаний, значения чистых активов, которых принимают отрицательные значения для первой группы выше чем для второй и третьей. Весомая доля компаний третьей группы (70% от всей совокупности) имеют значение чистых активов более 100 млн. руб. Для компаний первой и второй группы эта доля существенно ниже и составляет 21% и 36% соответственно.

Полученные значения чистых активов для банкротов находятся в таблице 3.9

Таблица 3.9 - Значение чистых активов для предприятий банкротов

Значение	Кол-во компаний	% от итога
меньше 0	17	55%
от 0 до 5 млн	9	29%
от 5 до 20 млн	1	3%
от 20 до 50	1	3%
от 50 до 100	1	3%
свыше 100	2	6%
Общий итог	31	100%

Таким образом, доля компаний банкротов, которые имеют отрицательное значение чистых активов равна 55%, что гораздо выше, чем для компаний не банкротов. Но среди банкротов есть компании, чистые активы которых выше 0, так же среди не банкротов есть компании, чистые активы которых ниже 0, но тем не менее они не являются банкротами.

Просчитав основные коэффициенты на предприятиях исходной выборки можно сделать вывод, что для большей части компаний не банкротов они соответствуют нормативным значениям, но также существуют группы предприятий, у которых значения некоторых коэффициентов выходят за границы нормативных значений, а в некоторых случаях равны аналогичным значениям компаний банкротов. Данный анализ проводился на всех предприятиях совокупности без рассмотрения значения коэффициентов отдельных компаний. Это означает, что ситуации, когда для отдельного предприятия одни значения коэффициентов соответствовали норме, а значения других указывало на низкий уровень устойчивости компании, не рассматривались.

Коэффициентный анализ, безусловно, может указать на наличие признаков снижения устойчивости или уровня платежеспособности, но в данной работе для прогнозирования вероятности банкротства будет разрабатываться логит-модель и будет предложено использовать её в качестве аналитической процедуры с целью определения способности предприятия работать далее непрерывно. Коэффициентный анализ может быть использован в данном исследовании в качестве дополнительного инструменты для выбора показателей и отбора компаний для построения модели логистической регрессии.



3.2 Создание логит - модели с помощью инструментов Gretl

В данном исследовании, анализируя все плюсы и минусы существующих моделей, было принято решение разработать модель логистической регрессии. Для создания логит- модели использовалось программное обеспечение Gretl. Для исходной выборки, представленной в предыдущем параграфе, были рассчитаны показатели, которые были использованы в современных логит - моделях зарубежных авторов и в наиболее известных отечественных моделях. Таблица с указанием показателей, которые были использованы в моделях представлена ниже. (табл. 3.10)

Таблица 3.10 - Частота появления в различных моделях финансовых показателей.

Показатели	Расшифровка	Номер модели
		1	2	3	4	5	6	7	8
EQ/AT	Собственный капитал/Валюта баланса						+	+	+
OP/AT	Прибыль до налогоб./Валюта баланса	+
AC/SL	Оборотные активы/Краткосрочные об-ва							+
NP/AT	Чистая прибыль/Валюта баланса					+			+
TL/AT	Все об-ва/Валюта баланса	+
(AC-SL)/AT	(Оборотные активы-Краткоср. об-ва)/Валюта баланса				+	+
EBIT/AT	Прибыль до вычета налогов и процентов/Валюта баланса		+
SL/EQ	Краткоср. об-ва/Собственный капитал		+
NP/AT	Чистая прибыль/Валюта баланса		+		+
CASH/AT	Денежные средства/Валюта баланса		+
INT/TR	Проценты к уплате/Выручка от продаж			+
EBIT/TL	Прибыль до вычета налогов и процентов/Общая сумма об-в			+
TR/REC	Выручка от продаж/Дебиторская задолженность			+					+
TR/AT	Выручка от продаж/Валюта баланса						+
GP/AT	Валовая прибыль/Общая сумма активов				+				+
TL/EQ	Все Обязательства/Собственный капитал				+				+
CASH/TL	Денежные средства/Все обязательства					+
NP/EQ	Чистая прибыль/Собственный капитал						+	+	+
NP/OC	Чистая прибыль/Операционные расходы						+
SP/TR	Прибыль от продаж/Выручка от продаж							+
TR/EQ	Выручка от продаж/Собственный капитал							+	+

Табличные обозначения: 1 - модель Gruszczynski (2003 г.); 2 - Altman, Sabato (2007 г.); 3 - Joo-Ha, Taehong (2000 г.);4 - Ginoglou, Agorastos (2002 г.);5- Lin, Piesse (2004 г.); 6 - 4-х факторная модель ИГЭА (1997 г.); 7 - Сайфуллин - Кадыков (1996); 8 - модель Жданова (2011 г.).

В таблице показатели обозначены латинскими буквами, так как в программе Gretlдля построения модели можно использовать только латинские буквы.

Показатели были рассчитаны для исходной выборки за пять последних лет: с 2012 по 2016 гг. для компаний не банкротов, и за год до банкротства для компаний банкротов. Для построения бинарной логит-модели необходимо ввести зависимую переменную. Обозначим зависимую переменную - VERB, она будет принимать значение либо 0 - для компаний не банкротов, либо 1- для компаний за год до банкротства. Перед загрузкой исходных данной выборка была обработана. Были удалены нулевые строчки полученных показателей, которые возникали в результате отсутствия финансовой информации в СПАРК.

Опираясь на коэффициентный анализ предыдущего параграфа, из исходной выборки были отобраны компании не банкроты, которые являлись высоко устойчивыми и платежеспособными. Таким образом, выборка сократилось до 1681 наблюдения.

Далее коэффициенты были проверены на мультиколлинеарность - свойство данных, при котором регрессоры (показатели в нашем случае) являются полностью или частично линейно зависимыми. Последствиями мультиколлинеарности является, то что снижается точность модели, а также могут возникнуть проблемы при определении значимости коэффициентов, т.е. использованные в программе тесты для определения значимости регрессоров могут работать некорректно. Малова А.С. Основы эконометрики в среде GRETL: учебное пособие. - Москва: Проспект, 2016. С.64

Для того чтобы проверить модель на мультиколлинеарность в Gretl была построена корреляционная матрица (Приложение 3). Используя данные матрицы были определены регрессоры, которые являются линейно зависимыми, то есть коэффициент между которыми более 0.75 по модулю. Эти регрессоры не использовались для построения модели. Перечень исключенных регрессоров выглядит следующим образом:

Полученная модель представлена на рис. 3.1

Рис. 3.1. Логит-модель после исключения линейно-зависимых регрессоров

Значение R-квадрат для модели равно 0.73. Это в целом неплохое значение, интерпретировать его можно так: на 73 % вероятность банкротства описывается полученной регрессией. Для того, чтобы повысить точность модели, исключим менее значимые регрессоры. Для определения значимости отдельных регрессоров были оценены их p-значения. Значимым на 1%-ом уровне оказался лишь показатель . Об этом говорит проведенный тест Стьюдента. Наличие *** мы наблюдаем лишь у одного показателя.

Для того, чтобы выявить наиболее значимые регрессоры, поочередно из модели были исключены регрессоры, которые имеют наибольшее p-значение. Для этого был проведен тест на избыточные переменные. На рис. 3.2 представлена измененная модель, после проведения первого теста на избыточную переменную :

Рис. 3.2. Измененная модель, после проведения первого теста на избыточную переменную AC/SL

Из рисунка видно, что появился новый значимый на 10% уровне регрессор .

Проводя последующие тесты на избыточные переменные, была получена итоговая модель, в которой все регрессоры являются значимыми. Она выглядит следующим образом (рис.3.3):



Рис. 3.3. Итоговая логит-модель оценки вероятности банкротства.

В полученной итоговой модели значение R-квадрат равно 0,76, является высоким показателем и свидетельствует о том, что регрессия в целом является значимой. Все регрессоры в модели являются значимыми на 1%, 5-ти % уровне. Модель проверена на мультиколлинеарность. Мультиколлиниарность отсутствует. Корреляцинная матрица для регрессоров участвующих в модели раскрыта в Приложении 4.

Таким образом, полученное уравнение регрессии выглядит следующим образом:

Для того, чтобы вычислить вероятность банкротства предприятия необходимо рассчитать для него значение Y и подставить его в формулу логистической регрессии раскрытую во 2 главе. Итоговое значение будет находится в диапазоне от 0 до 1, значение 1 будет означать вероятность банкротство равную 100%, значение 0-вероятность банкротства равно 0.



3.3 Тестирование модели, выводы и рекомендации к использованию

Для тестирования модели рассчитаем вероятность банкротства для предприятий исходной выборки. Для предприятий не банкротов вероятность банкротства находится в следующем интервале (табл. 3.11.).

Таблица 3.11 - Тестирование разработанной логит-модели на выборке предприятий не банкротов

Вероятность банкротства	Количество наблюдений
от 0 до 20%	2710
от 20% до 40%	225
от 40% до 60%	206
от 60% до 80%	354
свыше 80%	786
Общий итог	4281

Причем для не банкротов, количество наблюдений с вероятностью банкротства близкую к 100% равно 234, что составляет 5 % от всей совокупности. Количество наблюдений с вероятностью банкротства близкое к 0% равно 1960, что составляет 45.8% от всей совокупности.

Для компаний банкротов полученные результаты представлены в таблице. 3.12. Для компаний банкротов количество наблюдений с вероятностью банкротства близкую к 100% равно 10, что составляет 38.5% от совокупности. Количество наблюдений с вероятностью банкротства близкое к 0% равно 2, что составляет 7 % от всей совокупности.

Таблица 3.12 - Тестирование разработанной логит-модели на выборке предприятий банкротов

Вероятность банкротства	Количество наблюдений
от 0 до 20%	4
от 20% до 40%	1
от 40% до 60%	1
от 60% до 80%	3
свыше 80%	19
Общий итог	28

Для компаний банкротов количество наблюдений с вероятностью банкротства близкую к 100% равно 10, что составляет 38.5% от совокупности. Количество наблюдений с вероятностью банкротства близкое к 0% равно 2, что составляет 7 % от всей совокупности.

Таким образом, можно точно говорить о том, что процент неверно вынесенных решений разработанной модели составил: 5% для компаний не банкротов и 7 % для компаний банкротов. Довольно сложно оценить процент верно определенных вероятностей, так как не ясно к какой группе отнести полученные срединные значения вероятности банкротства для компаний. Поэтому, в данном случае, можно говорить только о тех результатах, которые модель явно определила неверно. Например, те случаи, когда для компаний с предбанкротными показателями вероятность банкротства определялась как близкая к 0%. Протестируем на нашей исходной выборке несколько известных моделей для сравнения точности полученных результатов. Результаты по тестированию логит - моделей для не банкротов представлены в таблице 3.13. Выборка представлена в приложении 5.

Таблица 3.13 - Результаты тестирования разработанной логит-модели и других на выборке предприятий не банкротов

Вероятность банкротства	Количество наблюдений
	Модель Lin, Piesse, (2004)	Модель Gruszczynski, (2003)	Модель Жданова, (2011)	Разработанная модель, (2018)
от 0 до 20%	265	2414	3624	2710
от 20% до 40%	946	333	231	225
от 40% до 60%	2755	271	115	206
от 60% до 80%	263	412	75	354
свыше 80%	52	851	234	786
Общий итог	4281	4281	4279	4281



Из полученных данных можно сделать вывод, что логистическая модель Жданова большую часть наблюдений, чем в остальных моделях ,отнесла к наблюдениям с низкой вероятностью банкротства, то есть оказалась наиболее точной для предприятий не банкротов.. Разработанная модель также показала хороший результат. Полученные результаты по модели Lin, Piesse отличаются от результатов остальных моделей. По этой модели большая часть предприятий имеет вероятность банкротства от 40% до 60%.

Рассчитаем вероятность банкротства для компаний банкротов используя те же модели. Полученные данные представлены в таблице 3.14.

Таблица 3.14 - Тестирование разработанной логит-модели и других моделей на выборке предприятий банкротов

Вероятность банкротства	Количество наблюдений
	Модель Lin, Piesse, (2004)	Модель Gruszczynski, (2003)	Модель Жданова, (2011)	Разработанная модель, (2018)
от 0 до 20%	2	23	26	4
от 20% до 40%	1	1	1	1
от 40% до 60%	5	0	0	1
от 60% до 80%	14	0	0	3
свыше 80%	6	3	1	1
Общий итог	28	27	28	28

Таким образом по трем представленным моделям результат по определении вероятности банкротства предприятий банкротов невысокий. Скорее всего это произошло потому, что эти модели создавались на выборке зарубежных предпритий (модель Lin, Piesse, модель Gruszczynski), без учета отраслевых особенностей, либо выборка состояла из предприятий другой отрасли (модель Жданова создавалась на выборке авиапредприятий). Разработанная модель гораздо лучше идетнтифицировала высокую вероятность банкротства для предприятий IT отрасли за год до банкротства.

Для проверки разработанной модели протестируем её на компаниях банкротах рассчитав вероятность банкротства за предшествующие банкротству годы. Полученные результаты находятся в таблице. 3.15. Цветом выделен значение вероятности банкротства за год до банкротства, то есть значения показателя того года которые использовались для построения модели. Пустые ячейки означают, что в СПАРК не было информации по компании в эти года.

Таблица 3.15 - Тестирование разработанной логит-модели на отдельных предприятиях банкротах

Названия строк	Вероятность банкротства, %
	2012	2013	2014	2015	2016
АЛГОРИТМ, ООО			89%	29%
АСГ ИНЖИНИРИНГ, ООО	91%	91%	91%	91%	19%
АСТИЛАЙН, ООО	10%	4%	66%	83%	83%
БАЙТМАКС, ООО	91%	91%	91%	91%	100%
БРАЙТНЕТ ИНЖИНИРИНГ, ООО	86%			84%
ВЕБГИРЗ, ООО	91%	91%	91%	91%	97%
ВЕГА ГРУПП, ООО	59%	66%	87%	99%
ГЕТНЕТ КОНСАЛТИНГ, ООО	38%	43%	60%	74%
ГЛОБАЛАВТОМАТИКА, ООО	90%	89%	46%	100%
ГРОТ-1, ООО	90%	91%
ЕСПП, ООО	91%	91%	91%	91%	86%
ИНКОРМЕДИА, ООО	9%	16%	43%	53%
ИС СОФТ, ООО	85%	92%	100%	100%
КОМПАНИЯ КОММЕД, ЗАО	34%	15%	17%	99%	100%
МАЛАХИТ, ООО	0%	3%	100%	100%
МАРКЕТИНГОВЫЕ ИССЛЕДОВАНИЯ И БИЗНЕС-ПЛАНЫ, ООО		98%	97%
НИПИ ТЯЖПРОМЭЛЕКТРОПРОЕКТ, ОАО	77%	73%	82%	100%
НОВИНТЕХ, ЗАО	91%	91%	63%
НПТВ, ООО		100%	100%	100%
ОРТ СПЕКТР, ООО			90%	87%
ОРТОКОН, ООО	88%	88%	87%	87%
ПЛАТФОРМА ЮТИНЕТ.РУ, ПАО		11%	94%	97%
ПРОГРЕСС РЕШЕНИЕ, ООО	43%	40%	8%
ПСТ, ООО	82%	75%	73%	69%
САП.БИ.ЭЙ, ООО			85%	98%
СТЕЛЛИТ, ООО	56%	51%	45%	100%
ТЕХНОЛОГИИ ПРОЦЕССИНГА, ЗАО	2%	7%	1%	0%
ТИВИЗОР, ООО	91%	91%	0%

Анализируя полученные данные, можно сказать что для большей части компаний, даже за несколько лет до банкротства вероятность банкротства высокая, более 70%. Это говорит о том, что данную модель можно использовать и для прогнозирования банкротства за несколько лет. Стоит отметить, что в большинстве случаев вероятность банкротства за год до банкротства принимает максимальное значение. Для двух компаний ООО АЛГОРИТМ и ОООАСГ ИНЖИНИРИНГ вероятность банкротства за год до банкротства не высокая и значительно ниже вероятности за предшествующие года. Этот факт может указывать либо на наличие существенных искажений отчетности, либо на изменение в финансовом положении компании, получение финансирования со стороны третьих лиц.

Подводя итоги проведенного тестирования модели, стоит отметить, что разработанная модель логистической регрессии довольно четко определяет вероятность банкротства. Этот вывод получен после сравнения результатов тестирования нескольких логит - моделей и расчета вероятности банкротства на компаниях банкротах за несколько лет до банкротства. Разработанная модель точнее остальных определила вероятность для компаний банкротов, высокая точность определения достигнута и для компаний не банкротов.

Обобщив все вышесказанное, стоит отметить плюсы и минусы разработанной модели. Очевидно, что большая часть плюсов и минусов этой модели соотносится с плюсами и минусами моделей логистической регрессии, использованных для разработки вероятности банкротства в целом. К плюсам модели можно отнести:

высокая точность полученных результатов;

Достигается за счет того, что: выбор коэффициентов, включаемых в разрабатываемую модель определяется с помощью математических расчетов, а не экспертным путем (ошибка в выборе менее вероятна); есть возможность исключения коррелирующих коэффициентов, которые могут искажать полученные результаты; есть возможность определения значимости полученной модели в целом.

присутствует возможность прогнозирования любой срочности;

Результаты тестирования модели показали, что её можно использовать и для прогнозирования банкротства за несколько лет. Для разработки измененной модели, с вероятностью банкротства за другой промежуток времени необходимо установить показатель VERB равный 1 на другой год.

доступность разработки;

Программное обеспечения с помощью которого была разработана модель является бесплатным и доступна любому пользователю. Пользователю необходимы будут базовые знания эконометрики, существует методические материалы для ознакомления с программой.

высокая ценность полученного результата использования модели;

Процент вероятности банкротства, получаемый в результате использования модели является более понятным с точки зрения вероятности банкротства компании чем, например, вероятность высокая, средняя, низкая.

К недостаткам разработанной модели можно отнести:

Узкий круг использования модели;

Модель применялась и тестировалась на компаниях IT-отрасли, может не подходить для компаний других отраслей.

Небольшая информационная база по компаниям банкротам;

Из-за того, модель разрабатывалась и тестировалась на предприятиях одной отрасли, количество банкротов, использованное для построения модели не высокое. Но этот минус так же может служить и плюсом, так как узкая сфера применения модели будет давать высокую точность результата для компаний этой отрасли.



Заключение

Банкротство является заключительным этапом нарушения принципа непрерывности деятельности. Принцип непрерывности деятельности - основополагающий принцип бухгалтерского учета, на основании которого составляется бухгалтерская отчетность. Аудитор несет ответственность в составлении мнения о достоверности финансовой отчетности организации, следовательно, и в оценке правомерности применения руководством данного принципа. Современное развитие аудита ставит перед аудитором задачу выявление потенциальных рисков, угроз и оценку реальных возможностей проверяемого экономического субъекта, используя наиболее эффективные инструменты.

Владение аудитором большим количеством инструментов прогнозирования позволит не только повысить его профессионализм, но и снизить риски в составлении ошибочного мнения, повысит качество аудита, принесет дополнительную ценность клиенту от полученных аудитором выводов относительно устойчивости бизнеса. Это повысит доверие к профессии аудитора со стороны общества и конкурентоспособность в бизнес среде.

В данной работе были раскрыты и качественные и количественные методы прогнозирования банкротства, большее внимание было уделено именно количественным методам оценки вероятности банкротства, что соответствует поставленной цели исследования. Были рассмотрены самые распространённые методы, как отечественные, так и зарубежные, которые используются для прогнозирования банкротства, проанализированы их положительные и отрицательные стороны, точность полученных результатов в ходе их применения.

Описанные в работе существующие модели, в том числе и разработанная модель, а также часть способов оценки непрерывности деятельности, описанные в международном стандарте аудита 570 «Непрерывность деятельности», составлены на основе анализа ретроспективной информации, которая складывается из событий и явлений прошлого. Прогноз обозримого будущего на основе ретроспективной информации не может дать точного результата, так как в будущем могут возникать события, не учтенные в составленном прогнозе. Однако стандарты бухгалтерского учета указывают на то, что при оценке обоснованности допущения о непрерывности деятельности руководство учитывает всю имеющуюся информацию о будущем. Но учитывать всю имеющую информацию о будущем и сопоставить ее с тем, как это может повлиять на деятельность компании не всегда просто, а иногда невозможно. Таким образом, получение абсолютно точного результата в данном случае невозможно. Поэтому важно использовать все имеющиеся инструменты прогнозирования, как качественного, так и количественного характера для составления наиболее точного прогноза.

Значимыми результатами работы являются комплексный анализ финансовых коэффициентов отечественных компаний IT отрасли в целях определения финансовой устойчивости и платёжеспособности на основе данных финансовой отчетности, а также построение логит-модели прогнозирования банкротства компаний данной отрасли.

В ходе исследования была составлена выборка из компаний IT отрасли, включая те компании, которые на текущий момент были признаны Арбитражным судом банкротами. Были сопоставлены значения финансовых коэффициентов для компаний, по которым отсутствуют судебные дела, связанные с банкротством с компаниями в предбанкротном состоянии, находящиеся на той или иной стадии банкротства. Так же проанализированы значения коэффициентов (коэффициенты ликвидности, коэффициент обеспеченности собственными оборотными средствами, коэффициент автономии, значение чистых активов) для компаний различных масштабов деятельности: большие, средние и мелкие. Отбор был произведен на основании среднего значения выручки за пять лет: с 2012 по 2016 года. Выявлено что для мелких компаний, доля предприятий значения коэффициентов, которых принимает значение ниже или выше нормативных значений больше, чем для крупных предприятий. То есть для крупных предприятий значения коэффициентов в большинстве своем приближено к нормативным срединным значениям. Было выявлено, что существуют доля предприятий, у которых значения некоторых коэффициентов выходят за границы нормативных значений, а в некоторых случаях равны аналогичным значениям компаний банкротов. Таким образом, коэффициентный анализ, безусловно, важен при оценке финансовой устойчивости компании, но только с его помощью невозможно оценить более точно вероятность банкротства. Поэтому была поставлена задача разработать логит -модель в целях определения этой вероятности.

Авторская модель была построена с помощью применения метода логистической регрессии. Компании, значения показателей которых использовались для построения модели, были отобраны из исходной выборки. Разработанная модель была апробирована на исходной выборке и показала высокую точность оценки вероятности банкротства. Полученные результаты были сравнены с результатами других логит-моделей. Проведено тестирование модели на 28 компаниях банкротах - рассчитано значение вероятности банкротства, используя ретроспективные данные отчетности этих компаний. Точность определения вероятности банкротства с помощью разработанной модели оказалась довольно высокой: за год до банкротства в 19 случаях из 28 от 80 до 100%.

Анализируя полученные результаты, а также достоинства и недостатки разработанной модели, можно сделать вывод, что её можно применять в качестве аналитической процедуры для обоснования допущения непрерывности деятельности для компаний IT отрасли в комплексе с другими доступными инструментами.

Таким образом, цель данного исследования - обоснование актуальности применения современных моделей прогнозирования банкротства, а также разработанную автором работы модель для предприятий IT отрасли, как эффективного инструмента аудиторской проверки в целях осуществления правомерности применения руководством принципа непрерывности деятельности, была достигнута.



Список использованной литературы

Нормативно-правовые акты:

1. «Непрерывность деятельности» МСА №570.

2. «О внесении изменений в отдельные законодательные акты Российской Федерации»: Федеральный закон РФ от 28.04.2009 N 73-ФЗ.

3. «О несостоятельности (банкротстве)»: Федеральный закон РФ от 08.01.98 № 6-ФЗ

4. «О несостоятельности (банкротстве)»: Федеральный закон РФ от 26.10.2002 №127-ФЗ.

5. «Об утверждении правил проведения финансового анализа арбитражными управляющими»: Постановление Правительства Р Ф от 25.06.03 № 367.

6. «Представление финансовой отчетности»: МСФО (IAS) 1.

7. «Презентация финансовых отчетов - непрерывность деятельности (Subtopic 205-40): Раскрытие неопределенностей о способности компании вести непрерывную деятельность»: Дополнение к стандарту № 2014-15.

8. «События после отчетного периода»: МСФО (IAS) 10.

9. «Учетная политика»: ПБУ 1/2008.

10. «Формирование мнения и составление заключения о финансовой отчетности»: МСА № 700.

Книги:

11. Антикризисное управление: макро - и микроуровень: Учеб. пособие / К. В. Балдин, И.И. Передеряев, А.В. Рукосуев - 6-е изд. - М.: Дашков и К, 2012. 268 с.

12. Бланк И. А. Основы финансового менеджмента: в 2 т., т.2 / И. А. Бланк. - 4-е изд., стер. - М.: Омега-Л, 2012. 512 с.

13. Бойко И.П. Лекции по курсу «Экономика предприятия и предпринимательства» Лекция 2. Жизненный путь предприятия - СПб.: изд-во СПбГУ, 2017. 48 с.

14. Бухгалтерский учет и аудит: современная теория и практика: Учебник для магистров всех экономических специальностей / Под ред. Я.В. Соколова и Т.О. Терентьевой. - М.: ЗАО «Издательство «Экономика», 2009. 438 с.

15. Добровольский Е., Карабанов Б., Боровков П., Глухов Е., Бреслав Е. Бюджетирование шаг за шагом/ 2-е изд., дополн., - Спб.: Питер, 2011. 480 с.

16. Ковалев, В. В. Анализ хозяйственной деятельности предприятия : Учебник / В.В. Ковалев, О.Н. Волкова . - Москва : Велби : Проспект, 2004. 421 с

17. Кован С. Е. Предупреждение банкротства организаций: монография / С.Е. Кован. - М.: ИНФРА-М.: 2017. 219 с.

18. Коласс Б. Управление финансовой деятельностью предприятия. Проблемы, концепции и методы: Учебн. пособие/ Пер. с франц. Под ред. проф. Я.В. Соколова -М.: Финансы, ЮНИТИ, 1997. 576 с.

19. Малова А.С. Основы эконометрики в среде GRETL: учебное пособие. - Москва: Проспект, 2016. 112 с.

20. Ж. Ришар Бухгалтерский учет: теория и практика, пер. с французского / под ред. проф. Я.В. Соколова. М.: Финансы и статистика, 2000. 160 с.

21. Сигидов Ю. И., Кучеренко С.А., Жминько Н.С. Методика анализа финансового состояния и оценка потенциальности банкротства сельскохозяйственных организаций: Монография. М.: НИЦ ИНФРА-М, 2015. 120 с.

22. Хоружий Л. И. Учет, отчетность и анализ в условиях антикризисного управления: Учебное пособие / Л.И. 8Хоружий, И.Н. Турчаева, Н.А. Кокорев - М.: НИЦ ИНФРА-М., 2015. 320 с.

23. Чараева М. В. Финансовый менеджмент: Учебное пособие / Чараева М.В., - 2 - е изд. - М.: НИЦ ИНФРА - М, 2016. 240 с.:

24. Чернова М. В. Аудит и анализ при банкротстве: теория и практика: монография. - М.: ИНФРА - М, 2017. 207 с.

Статьи в журналах:

25. Банкротства юридических лиц России: основные тенденции III квартала 2017 года. Презентация ЦМКП. URL: http://www.forecast.ru/_ARCHIVE/Analitics/PROM/2017/Bnkrpc-3-17.pdf (Дата обращения: 03.02.2018)

26. Бехтина О.Е. Современные проблемы прогнозирования банкротства предприятий // Вестник Волжского университета им. В.Н. Татищева. 2017. Т. 1. № 1. С. 75-81.

27. Блажевич О.Г., Карачун А.И., Сулейманова А.Л. Сравнительный анализ и применение методов прогнозирования банкротства // Бюллетень науки и практики. 2017. № 5 (18). С. 161-175.

28. Бойко И. П. Методы прогнозирования несостоятельности: проблемы и перспективы / Бойко И. П., Казаков А. В., Колышкин А. В. // Российское предпринимательство. 2017. Т. 18, № 8. С. 1313-1326

29. Жданов В.Ю., Афанасьева О.А. Разработка модели диагностики риска банкротства для авиапредприятий // Управление экономическими системами: электронный научный журнал. 2011. № 32. С. 43 - 55.

30. Зинченко Я. В., Орехова Л. Л. Причины банкротства предприятий в РФ // Молодой исследователь Дона. 2017.№1(4). С. 111-114.

31. Колышкин А.В., Гиленко Е.В., Довженко С.Е., Жилкин С.А., Чое С.Е. Прогнозирование финансовой несостоятельности предприятий // Вестник Санкт-Петербургского университета. Экономика. 2014. № 2. С. 122-142.

32. Кочугуева М.Н., Киселева Н.Н., Анпилов С.М. Анализ внешних и внутрифирменных факторов банкротства на примере российских компаний (часть 1) // Вестник Самарского государственного университета. 2013. № 10. С. 41-46.

33. Львова О.А., Пеганова О.М. Факторы и причины банкротства компаний в условиях современной экономики // Государственное управление. Электронный вестник. 2014. № 44. С. 64-82.

34. Любушин Н. П. Учетно-аналитическое обеспечение и оценка непрерывности деятельности организации: отечественные и зарубежные подходы / Н. П. Любушин, Е. Е. Козлова. // Экономический анализ: теория и практика. 2014. № 19. С. 2-11

35. Макеева Е.Ю., Горбатков С.А., Белолипцев И.И.О моделях диагностики банкротств организаций // Менеджмент и бизнес-администрирование. 2014. № 1. С. 151-172.

36. Мельник М.В. Гармонизация государственного аудита и аудита коммерческих организаций // Вопросы региональной экономики. 2017. Т. 32. № 3. С. 145-156.

37. Мешков С. А. Классификация факторов, приводящих к финансовой несостоятельности (банкротству) организации: // сборник статей Международной научно - практической конференции (3 июля 2017 г., г. Казань). В 2 ч. Ч.1/ - Уфа: МЦИИ ОМЕГА САЙНС, 2017. С. 44-48.

38. Полисюк Г.Б., Чистопашина С.С. Характеристика банкротства как важнейшей экономической категории в условиях кризиса и основные причины его возникновения // Экономический анализ: теория и практика. 2011. № 47. С. 52-56.

39. Пятов М.Л. Эволюция методологии бухгалтерского учета в рамках балансовой модели фирмы // Вестник Санкт-Петербургского университета. Экономика. 2014. № 4. С. 56-75.

40. Рыгин В.Е. Модель оценки риска банкротства предприятий металлургической отрасли // Вестник Южно-Российского государственного технического университета. Серия: Социально-экономические науки. 2013. № 5. С. 84-91

41. Федорова Е.А Довженко С.Е., Тимофеев Я.В. Какая модель лучше прогнозирует банкротство российских предприятий? // Экономический анализ: теория и практика. 2014. № 41 (392). С. 28-35

42. Фёдорова Е.А., Довженко С.Е., Фёдоров Ф. Ю. Модели прогнозирования несостоятельности российских предприятий: отраслевые особенности // Проблемы прогнозирования. 2016. № 3(156). С. 32-40

43. Федорова Е.А., Лазарев М.П., Федин А.В. Прогнозирование банкротства предприятия с учетом факторов внешней среды // Финансовая аналитика: проблемы и решения. 2016. № 42 (324). С. 2-12.

44. Шатковская Е.Г., Файзуллоев А.Х Банкротство организации, его понятие и методы прогнозирования // Фундаментальные исследования. 2016. № 5. С.433-440

45. Шеремет А.Д. Аудит достоверности, устойчивости и эффективности // Аудит. 2016. № 6. С.6-9

46. Шеремет А.Д. Комплексный анализ и оценка финансовых и нефинансовых показателей устойчивого развития компаний // Аудит. 2017. № 5. С. 6-9

47. Kloster B.T., Jacobsen H.D. What Influences the Number of Bankruptcies? // Economic Bulletin, 2005, vol. 76, no. 4, pp. 191-211.

48. Интернет-ресурсы и электронные базы данных:

49. URL: https://fedresurs.ru/Statistics (Дата обращения: 03.02.2018)

50. URL:https://www.ipbr.org/accounting/ias/ias-methodology/150809-krasnikova/ (Дата обращения: 08.02.2018)

51. СПАРК-Интерфакс / Система профессионального анализа рынка и компаний. URL: http://spark-interfax.ru (Даты обращения: 17.03.2018, 24.03.18, 31.03.18, 03.04.2018, 05.04.18)



Приложение 1

Отраслевая структура открываемых и ликвидированных юридических лиц 2010-2016 гг.*

Отрасль	Число открытых предприятий за 2010/2016 гг.	Число ликвидированных предприятий за 2010/2016 гг.	Прирост предприятий за 2010/2016 гг.
Оптовая торговля лесоматериалами, строительными материалами и санитарно-техническим оборудованием	252 992	171 218	81 774
Прочая оптовая торговля	439 767	362 367	77 400
Управление недвижимым имуществом	250 481	173 661	76 820
Производство общестроительных работ	356 399	292 063	64 336
Оптовая торговля прочими машинами и оборудованием	148 828	120 546	28 282
Деятельность автомобильного грузового транспорта	54 113	30 158	23 955
Организация перевозок грузов	58 063	38 081	19 982
Деятельность в области права	105 593	87 866	17 728
Деятельность ресторанов и кафе	94 122	80 407	13 714
Деятельность в архитектурной области, инженерно-техническое проектирование, геолого-разведочные и геофизические работы, деятельность в области гидрометеорологии и смежных с ней областях	149 916	142 164	7 752
Деятельность, которая связана с обеспечением военной безопасности	569	1 451	-881
Деятельность по организации азартных игр	1 116	2 602	-1 486
Дошкольное и начальное общее образование	13 333	16 927	-3 594
Основное общее и среднее (полное) общее образование	3 019	8 035	-5 017
Деятельность агентов по оптовой торговле универсальным ассортиментом товаров	28 379	35 680	-7 301
Деятельность профессиональных союзов	9 731	20 225	-10 495
Неспециализированная оптовая торговля пищевыми продуктами, включая напитки и табачные изделия	11 938	22 998	-11 060
Выращивание зерновых, технических и прочих сельскохозяйственных культур	57 988	75 659	-17 670
Прочая розничная торговля в неспециализированных магазинах	50 304	70 719	-20 415
Разведение крупного рогатого скота	20 383	43 279	-22 896

*Прирост предприятий за 2010-2016 гг. рассчитан как разность числа открытых предприятий за 2010-2016 гг. и числа ликвидированных предприятий за 2010-2016 гг.



Приложение 2

Методика расчета коэффициентов СПАРК



Приложение 3

Корреляционная матрица (первый запрос)

Коэффициенты корреляции, наблюдения 1 - 1681

(отсутствующие данные были проигнорированы)

5% критические значения (двухсторонние) = 0,0478 для n = 1681

EQAT	ACSL	NPAT	SLEQ	INTTR
1,0000	0,0605	0,1300	0,0585	0,1062	EQAT
	1,0000	-0,0085	0,0009	0,0035	ACSL
		1,0000	0,0060	0,0147	NPAT
			1,0000	-0,0019	SLEQ
				1,0000	INTTR
TRAT	TREQ	OPAT	TLAT	ACSLAT
-0,0548	-0,0532	0,1445	0,0632	-0,0388	EQAT
-0,0047	-0,0021	-0,0135	0,0012	-0,0015	ACSL
-0,2290	-0,2451	0,8572	0,0065	-0,2451	NPAT
0,0041	0,0801	0,0083	0,9978	0,0030	SLEQ
0,0019	0,0007	0,0175	-0,0025	0,0019	INTTR
1,0000	0,9752	0,1082	0,0022	0,9681	TRAT
	1,0000	0,1024	0,0780	0,9957	TREQ
		1,0000	0,0089	0,1057	OPAT
			1,0000	0,0013	TLAT
				1,0000	ACSLAT
CASHAT	TRREC	GPAT	TLEQ	CASHTL
0,1475	0,0109	-0,0485	0,0845	0,0582	EQAT
-0,0087	-0,0043	-0,0052	0,0013	0,4041	ACSL
0,0850	0,0229	-0,2264	0,0098	-0,0061	NPAT
-0,0425	0,0021	0,0039	0,8314	0,0007	SLEQ
0,0252	0,0045	0,0022	-0,0015	0,0011	INTTR
-0,0215	0,0046	0,9642	0,0041	-0,0039	TRAT
-0,0293	0,0003	0,9906	0,0644	-0,0018	TREQ
0,2233	0,0992	0,1476	0,0135	-0,0055	OPAT
-0,0386	0,0023	0,0022	0,8015	0,0010	TLAT
-0,0160	-0,0015	0,9943	0,0030	-0,0006	ACSLAT
1,0000	0,1558	0,0011	-0,0427	0,0503	CASHAT
	1,0000	0,0137	0,0033	-0,0008	TRREC
		1,0000	0,0042	-0,0033	GPAT
			1,0000	0,0013	TLEQ
				1,0000	CASHTL
			NPEQ	SPTR
			0,0621	-0,0505	EQAT
			-0,0020	-0,0020	ACSL
			0,2492	0,0133	NPAT
			0,9338	-0,0013	SLEQ
			-0,0023	-0,1382	INTTR
			-0,2559	0,0032	TRAT
			-0,1937	0,0013	TREQ
			0,1740	0,0322	OPAT
			0,9387	-0,0014	TLAT
			-0,2669	0,0006	ACSLAT
			0,0067	0,0381	CASHAT
			0,0214	0,0106	TRREC
			-0,2563	0,0066	GPAT
			0,7288	-0,0014	TLEQ
			-0,0007	-0,0051	CASHTL
			1,0000	0,0051	NPEQ
				1,0000	SPTR



Приложение 4

Корреляционная матрица (второй запрос)

Коэффициенты корреляции, наблюдения 1 - 1681

5% критические значения (двухсторонние) = 0,0478 для n = 1681

EQAT	NPAT	ACSLAT	TRREC
1,0000	0,1300	-0,0388	0,0109	EQAT
	1,0000	-0,2451	0,0229	NPAT
		1,0000	-0,0015	ACSLAT
			1,0000	TRREC



Приложение 5

Результаты тестирования разработанной логит-модели и других логит-моделей*

*Выборка представлена не в полном объеме. В ней присутствуют данные о не банкротах за 2016 год и данные о банкротах за год до банкротства.

Размещено на Allbest.ru