Прогноз вероятности банкротств

· Коэффициент платежеспособности (s1). [3]

Анализ мультиколлинеарности выявил высокий уровень взаимосвязи между коэффициентом платежеспособности, финансовым рычагом и коэффициентом финансовой независимости (см. Приложение 2). По содержательному значению данные показатели близки и основываются на показателе собственных средств предприятия. Для включения в модель был выбран показатель финансового рычага, поскольку он считается основным показателем устойчивости фирмы. Вследствие этого, индикатор платежеспособности и финансовой независимости были исключены из рассмотрения.

Кроме того, были включены такие показатели, как:

· Коэффициент покрытия (int1). Он показывает, сколько раз в году компания заработала такую сумму средств, которая способна покрыть проценты по кредитам за год. Тот факт, что компания в состоянии покрыть процентные выплаты, свидетельствует о том, что риск дефолта для нее крайне мал.

· Отношение долгосрочных обязательств к общим активам (ltdta1) Этот индикатор показывает, какое количество активов фирмы финансируется за счет долгосрочных заемных средств. Чем выше этот показатель, тем больше заемных средств в структуре капитала. Это свидетельствует о том, что у компании

· Отношение текущих обязательств к текущим активам (clca1). Этот показатель демонстрирует, какую долю текущих обязательств компания способна покрыть за счет текущих активов.

· Рентабельность активов (rta1) показывает, какой доход приносит использование активов фирмой. Так же с помощью этого показателя можно определить, насколько эффективно используется активы в компании.

В совокупности они характеризуют, насколько возможно покрыть те или иные затраты компании за счет общих или текущих активов. Если компания грамотно управляет и распоряжается своими активами, то ее состояние на рынке будет более устойчиво по сравнению с теми, кто некачественно использует собственные активы. Из этого предположения можно сделать вывод, что по данным коэффициентам можно более точно предсказать риск банкротства.

В третью группу фиктивных переменных были включены следующие:

· Al .

· Prl

· Pe

·

Отрасль включена в модель как категориальная переменная. Каждой отрасли соответствует ее порядковый номер, представленный в Таблице 4.

Таблица 4. Номер отрасли как категориальной переменной в модели

Как отмечалось в части постановки исследования, компании можно условно разделить на две группы. Те, которые в большей степени взаимодействуют с другими компаниями из разных отраслей, к которым в данном исследовании отнесены отрасли сельского хозяйства, добычи полезных ископаемых, производства и строительства (1-5). Вторая группа, соответственно, включает в себя отрасль торговли, операции с недвижимым имуществом, транспорта и связи (6-8). Профессиональная, научная и техническая деятельность выделена отдельно в силу собственной специфики. В этой отрасли большую долю активов составляют нематериальные активы, по которым отсутствует информация в источнике данных. Поэтому состояние компаний этой отрасли будет оцениваться по объему обязательств и скорости расчетов с контрагентами. При этом фиктивные переменные так же одинаково применяются при рассмотрении всех отраслей. Так, переменные, построенные на различных показателях и используемые при оценке отдельных отраслей, представлены в Таблице 5.

Таблица 5. Показатели для построения независимых переменных в моделях для разных отраслей

Оборачиваемость собственного капитала (nct1) будет учтена при анализе всех отраслей. Этот показатель так же показывает успешность компании. В частности, он показывает влияние инвестиций в оборотный капитал на увеличение продаже. Чем ниже коэффициент показателя, тем компания использует оборотный капитал менее эффективно.

Общая сумма обязательств, долгосрочные обязательства и кредиторская задолженность (обозначены переменными tl1, ltd1 и c1 соответственно). Показатели используются при анализе состояния компаний из первых пяти отраслей. Они были выбраны для рассмотрения ситуации в этих отраслях, поскольку данные отрасли достаточно капиталоемкие, и для поддержания основных фондов в удовлетворительном состоянии, а так же внедрение новых технологий требует дополнительного инвестирования. Поэтому компании склонны прибегать к заимствованию денежных средств, что делает обязательства важным фактором при учете финансового состояния. Коэффициент отношения основных фондов к общим обязательствам (fatl1) показывает, какая доля основных фондов финансируется за счет заемных средств. Этот показатель так же включается в модель, описывающую вероятность банкротства для компаний, осуществляющих профессиональную, научную и техническую деятельность. Для успешного ведения деятельности таким компаниям необходимо иметь достаточное количество оборудования и недвижимости, что на балансе характеризуется как основные фонды. Общие обязательства косвенно показывают, что в получении качественных результатов деятельности таких компаний заинтересованы и другие лица. Так, переменная fatl1 аналогично показывает уровень заинтересованности других лиц в получении продуктов научно-технической деятельности. Для этой отрасли так же использовалась переменная, построенная по индикатору доли текущих активов в общей сумме активов (cata1). Поскольку большинство активов компаний этой отрасли - нематериальные, то предполагается, что доля текущих материальных активов относительно невелика, а ее увеличение может привести к ухудшению деятельности. Сумма дебиторской задолженности (d1) так же относится к взаимосвязи с контрагентами. Она так же используется в отраслях торговли и оказания услуг транспорта, связи и операций с недвижимостью, где сделки с контрагентами заключаются чаще, чем в отраслях производства. По этой же причине в модели для данных отраслей были включены показатели оборачиваемости запасов (st1), дебиторской задолженности (dt1) и количества наличных денежных средств (cash1).

В совокупности будет построено десять logit-моделей: по общей выборке и отдельно по каждой отрасли. Качество построенных logit-моделей можно оценить с помощью одного или нескольких инструментов, представленных ниже:

1) Площадь под ROC-кривой, которая показывает взаимозависимость между долей верных положительных классификаций и долей ложных положительных классификаций. Преимуществом этого метода оценки является инвариантность кривой относительно цены ошибки I и II рода. Чем больше площадь, тем качественнее модель.

2) Логарифм функции максимального правдоподобия (Log likelihood). Оценка модели методом максимального правдоподобия, который используется для моделей бинарного выбора, предполагает максимизацию функции правдоподобия. Таким образом, чем больше значения логарифма функции максимального правдоподобия, тем качественнее модель.

3) AIC, BIC - значения информационных критериев, Акаике и Шварца. Чем меньше значение критерия, тем качественнее модель.

4) Хи-квадрат тест Пирсона. При использовании этого теста выдвигается гипотеза H0 о том, что модель согласована с используемыми данными (Goodness-of-Fit test). Гипотеза H1 принимается, если модель с данными не согласуется.

Итоговые уравнения для оценки вероятности банкротства компаний представлены общим уравнением и различаются по отраслям с применением вышеописанных показателей. Зависимая переменная показывает статус компании в отчетном периоде:

Status=

Имена независимых переменных одинаково оканчиваются на «1», что означает, что эти переменные построены по показателям, актуальным за год до отчетного периода.

4. Описание результатов

На начальном этапе эмпирического анализа было проведено построение уравнений, по которым оценивается риск банкротства фирмы. Следует отметить, что анализ на мультиколлинеарность был проведен отдельно для данных по отраслям. Поэтому для построения моделей были допущены переменные, которые отсутствовали в общей выборке. Для каждой отрасли было построено отдельное уравнение. Знак перед коэффициентом независимой переменной определяет воздействие на вероятность банкротства. Если перед коэффициентом стоит знак «минус», то при увеличении переменной вероятность банкротства снижается, а противном случае - она увеличивается. Полученные результаты показали, что для каждой отрасли при оценке вероятности банкротства значимы не только финансовые показатели, но и абсолютные показатели, характеризующие размер компании, степень ее влияния и структуру. Практически для всех отраслей значимыми оказались dummy-переменные. Как и в модели Хайдаршиной, в разных отраслях для каждого показателя получились разные предельные эффекты, качество моделей при этом тоже различается. Это свидетельствует о том, что при оценке вероятности банкротства следует учитывать отраслевую специфику компаний.

По общей выборке получены результаты, представленные в Таблице 6. Модель построена по основной выборке, которая состоит из показателей по 8132 компаниям. Количество наблюдений определяет уровень значимости. Чаще всего в исследованиях считаются значимыми показатели на уровне значимости 5% (Вербик, 2008). Однако при количестве наблюдении, превышающем 1000, допустимо использовать и уровень значимости 1%. Поэтому результаты построения модели по общей выборке учитывали значимость переменных на уровне 1%, 5% и 10%.

Таблица 6. Результаты исследования по общей выборке

Наиболее значимыми переменными для определения вероятности банкротства оказались численность персонала, рентабельность активов, выпуск продукции. В добавление к этому, на основе полученных результатов можно сделать вывод, что первая гипотеза подтвердилась. Разделение компаний по отраслям значимо при оценке риска банкротства, соответственно, необходимо учитывать особенности отрасли. Dummy-переменная PRL, обозначающая соотношение чистой прибыли и обязательств, оказалось значимой на уровне 5%, в то время как другая фиктивная переменная AL значима только на уровне 10%. Показатели фондоотдачи и количества компаний в группе так же важны при оценке вероятности банкротства. Постоянный коэффициент значим, что свидетельствует о том, что в модель необходимо дополнительно включить переменные, которые помогут точнее определить вероятность банкротства. Это подтверждается тем, что качество полученной модели невысокое: используемые переменные влияют на вероятность банкротства только на 3,1%. Тем не менее, первая гипотеза о значимости разделения на отрасли подтвердилась. Поэтому при оценке риска банкротства необходимо учесть отраслевую специфику компании, а так же ее внутреннюю структуру.

Сельское хозяйство, лесоводство и рыболовство

Результаты по данной отрасли представлены в Таблице 7. Они отличаются от результатов модели, построенной по общей выборке. Это вызвано не только влиянием отраслевой специфики, но и сокращением выборки с 8132 наблюдений до 1176 - такое количество компаний было представлено в данной отрасли. Количество наблюдений позволяет использовать уровень значимости 1%.

Таблица 7. Результаты для отрасли сельское хозяйство, лесоводство и рыболовство

Основываясь на результатах, можно сделать вывод, что для данной отрасли вторая гипотеза не подтвердилась. Наиболее сильное влияние на вероятность банкротства оказывают переменные, основанные на показателях, быстро изменяющихся во времени. К ним относятся рентабельность активов, оборачиваемость дебиторской задолженности, выпуск продукции, кредиторская задолженность и индикатор превышения текущих активов над текущими обязательствами. Качество полученной модели выше, чем по общей выборке, и для его повышения необходимо включать в модель ряд дополнительных переменных.

Добыча полезных ископаемых

Количество наблюдений по данной отрасли не превышает 300, поэтому переменные на уровне значимости 1% отсутствуют.

Таблица 8. Результаты для отрасли добычи полезных ископаемых

Ориентируясь на результаты по этой отрасли, представленные в Таблице 8, можно сделать вывод, что вторая гипотеза в отношении нее частично подтвердилась. На вероятность банкротства компаний влияют такие мало изменяемые и долгосрочные показатели, как сумма общих обязательств и размер основных фондов. Так же для этой отрасли необходимо учитывать изменение нераспределенной прибыли / непокрытого убытка и численности персонала. В добавление к этому, качество модели гораздо выше, чем в предыдущей, что свидетельствует о правильности выбранных показателей. Однако допускается наличие и других влияющих факторов, не включенных в данную модель, поскольку постоянный член значим.

Производство

Результаты, полученные с помощью logit-модели для отрасли производства, показали, что вторая гипотеза для нее частично подтверждается. Важную роль при оценке вероятности банкротства компаний в этой отрасли играют абсолютные показатели.

Таблица 9. Результаты для отрасли производства

Следует отметить значимость переменных, обозначающих оборачиваемость собственного капитала и долгосрочные инвестиции, которые не стали значимыми для общей выборки. Это еще раз подтверждает тот факт, что необходимо учитывать отраслевые особенности при установлении вероятности несостоятельности. Количество наблюдений в данной отрасли равно 2369.

Снабжение электричеством и строительство

По этим отраслям были построены наиболее качественные модели, где верно определено большинство показателей, характеризующих вероятность банкротства. Это свидетельствует о том, что вторая гипотеза в отношении этих отраслей так же частично подтверждается.

Таблица 10. Результаты для отрасли снабжения электричеством

При этом в отрасли снабжения достаточно показателей для определения вероятности несостоятельности, в то время как в строительстве необходимо рассмотрение дополнительных показателей, оказывающих потенциально значимое влияние на вероятность банкротства.

Таблица 11. Результаты для строительной отрасли

Размер обязательств наиболее важен при оценке вероятности банкротства в отрасли строительства. Чем выше сумма обязательств, тем больше вероятность стать банкротом. В отрасли снабжения важными являются оборачиваемость рабочего капитала, при увеличении которой вероятность обанкротиться снижается, а так же показатель долгосрочных инвестиций.

Оптовая и розничная торговля

Таблица 12. Результаты для отрасли оптовой и розничной торговли

Наиболее значимыми переменными, построенными на основе текущих показателей, для определения вероятности банкротства в торговой отрасли оказались доля текущих активов в общей сумме активов и размер дебиторской задолженности. Их значимость подтверждает верность второй гипотезы относительно данной отрасли. Чем больше доля текущих активов в валюте баланса, тем меньше вероятности стать банкротом. Это также подтверждает значимость текущих показателей для отрасли, в частности, текущих активов. Обратную зависимость с вероятностью банкротства имеет также рентабельность активов, что вполне закономерно, исходя из определения данного показателя. Значимой оказалось прямая зависимость вероятности банкротства от численности персонала и величины дебиторской задолженности. В отношении dummy-переменной AL был получен противоречивый результат. Логично предположить, что если текущие активы превышают текущие обязательства, то у компании уменьшается риск стать банкротом. Однако исследование показало, что для отрасли торговли зависимость между переменными прямая, и величина предельного эффекта относительно велика.

Транспорт и связь

Наиболее значимыми переменными при оценке вероятности банкротства в отрасли транспорта и связи оказались размер кредиторской задолженности, численность персонала, долгосрочные инвестиции и фиктивная переменная PRL. При этом в отношении показателя долгосрочных инвестиций так же, как и для отрасли снабжения, наблюдается положительная взаимосвязь с риском банкротства (см. Таблицу 13).

Таблица 13. Результаты для отрасли транспорта и связи

Выборка по этой отрасли включала данные по 473 компаниям. По этой причине показатели значимы только на уровне 5% и 10%. Вторая гипотеза для этой отрасли не подтвердилась, поскольку предполагаемые значимые переменные не оказались таковыми.

Операции с недвижимым имуществом

Результаты исследования для этой отрасли показали, что при оценке вероятности банкротства значимыми оказались те переменные, которые не были значимы ни в одной из рассмотренных выше отраслей. Выборка состояла из 250 наблюдений, что так же исключает возможность получения переменных значимых на уровне 1%.

Таблица 14. Результаты для отрасли по осуществлению операций с недвижимым имуществом

Согласно полученным результатам, при оценке риска банкротства компаний сектора предоставления услуг c недвижимым имуществом наиболее значимым оказалось изменение нераспределенной прибыли. На большем уровне значимости была подтверждена обратная взаимосвязь между вероятностью банкротства и суммой наличных денежных средств. Была установлена прямая взаимосвязь зависимой переменной с переменными, обозначающими долгосрочные текущие обязательства и размер финансового рычага.

Профессиональная, научная и техническая деятельность

С помощью используемых переменных была построена logit-модель для научно-технической отрасли, качество которой составляет 31%.

Таблица 15. Результаты для отрасли профессиональной, научной и технической деятельности

Важную роль при оценке риска банкротства являются относительные показатели, обозначающие долю активов и обязательств в валюте баланса. Значимой оказалась и переменная, обозначающая финансовый рычаг. Все значимые переменные обратно пропорциональны зависимой переменной. Соответственно, при их увеличении вероятность банкротства снижается.

В целом для всех рассмотренных моделей для каждой отрасли можно сделать общие выводы.

В частности, результаты исследования подтвердили, что в большинстве моделей значимы переменные третьей группы - фиктивные переменные. Это свидетельствует о том, что при определении риска банкротства важно учитывать не абсолютные значения таких показателей, как нераспределенная прибыль, текущие активы и текущие обязательства, а их соотношение между собой.

Значимыми оказались так же переменные первой группы - абсолютные показатели. В большинстве отраслей важную роль при определении риска банкротства играет показатель численности персонала. Так же следует учитывать размер долгосрочных инвестиций, дебиторской и кредиторской задолженности. При этом коэффициент оборачиваемости дебиторской задолженности оказался незначимым во всех отраслях. Из относительных показателей большее влияние на вероятность банкротства оказывает рентабельность активов. Воздействие других коэффициентов рентабельности не было оценено, поскольку они были исключены по причине мультиколлинеарности.

Помимо эффекта мультиколлинеарности, в текущем исследовании была выявлена еще одна проблема, с которой сталкивались и предыдущие российские исследователи. Подробный анализ оценки вероятности банкротства российских компаний, полученный с помощью logit-регрессии, не позволял сделать конкретные выводы относительно некоторых компаний. При расчете вероятности банкротства на основе моделей бинарного выбора исследователи получали результаты, обратные ожидаемым, или не соответствующие здравому смыслу. В данной работе обратные результаты были получены для торговой отрасли по фиктивной переменной AL. Наиболее противоречивые результаты получились по показателям долгосрочных инвестиций и выпуска продукции. Как правило, чем выше эти показатели, тем меньше вероятность банкротства. Однако анализ риска банкротства, проведенный по logit-модели, выявил, что вероятность банкротства изменяется в аналогичном направлении с этими показателями. Подобные эффекты наблюдались и при анализе ситуации в отраслях производства, строительства, профессиональной, научной и технической деятельности.

Заключение

Данное исследование рассмотрело влияние различных факторов на вероятность банкротства компаний разных отраслей посредством logit-модель бинарного выбора. В ходе исследования были выявлены все достоинства и недостатки модели, описанные в предыдущих исследованиях. В частности, было подтверждено, что данная модель действительно дает точные результаты и проста в использовании. Кроме того, она удобна при интерпретации результатов. Однако недостатки использования данной модели так же повлияли на конечный результат.

При анализе вероятности банкротства с помощью модели бинарного выбора использовались фиктивные переменные, которые в большинстве случаев оказались значимыми. На практике их удобнее использовать с помощью рейтинговых моделей. В этом случае при анализе вероятности банкротства они относятся к группе качественных показателей. В группу количественных показателей обычно включают абсолютные показатели финансовой отчетности и относительные показатели, характеризующие состояние финансово-хозяйственной деятельности фирмы. Иначе говоря, к количественным показателям относят показатели первой и второй группы текущего исследования. На практике удобнее рассчитывать вероятность банкротства с помощью рейтинговых и скоринговых моделей, поскольку они позволяют избежать некоторых проблем, с которыми исследователи сталкиваются, используя модели бинарного выбора. Так, при данном анализе нет необходимости учитывать наличие мультиколлинеарности. Помимо этого, нет сложностей в определении меры рисков. При использовании logit-регрессии риски деятельности предприятия можно оценить только по относительным показателям, в то время как при использовании рейтинговых моделей учитывается конкретная фиксированная мера риска, предварительно рассчитанная по финансовым показателям. Однако, несмотря на то, что logit-модель уступает рейтинговым моделям по некоторым параметрам, она остается одной из самых распространенных инструментов исследования риска банкротства. Данная модель показывает степень влияния рассматриваемых показателей на вероятность несостоятельности. Кроме того, с помощью нее можно определить точный процент, отражающий вероятность банкротства. Такие результаты нельзя получить с помощью других моделей, что делает logit-регрессию уникальным и удобным в использовании инструментом.

В данном исследовании вероятность банкротства компаний разных отраслей оценивалась на временном промежутке с 2012 по 2013 год. В этот период времени в экономике России происходили процессы и изменения, которые не учитывались в исследовании, но оказывали влияние на деятельность некоторых компаний. В 2012 году Россия стала членом ВТО, соответственно, произошли внешнеэкономические изменения, которые так же затронули внутренний рынок. Наиболее сильное влияние вступления России в ВТО ощутили компании сельскохозяйственной отрасли, а так же отраслей добычи полезных ископаемых (в частности, нефти) и металлургического производства. Под влиянием внешней политики изменились цены на продукцию этих отраслей, а так же допустимое количество произведенной продукции. Все эти факторы могли быть учтены в исследовании, однако, макроэкономических показателей не было включено. Предыдущие российские исследования, где использовались те же инструменты для оценки вероятности банкротства, содержали макроэкономические показатели. Среди них учитывалась ставка рефинансирования и отношение общих активов каждой компании к индексу-дефлятору ВВП. Вероятно, такие показатели рассматривались в исследованиях по причине кризисной ситуации в стране в целом. Авторам удалось оценить влияние этих факторов, которое оказалось значимым. Таким образом, при оценке степени влияния внешних экономических факторов на вероятность банкротства необходимо обозначать временной период, за который оцениваются риск банкротства. Экономическая ситуация в России в 2014-2015 гг., например, ощутимо отличается от ситуации в 2012-2013 гг., за которые оценивались показатели в текущем исследовании. Данная работа была более сфокусирована на отраслевых особенностях и различиях в финансовых показателях компаний. Иначе говоря, большее внимание в работе уделялось рассмотрению внутренних факторов, оказывающих влияние на вероятность банкротства.

В дальнейшем данная тема может быть развита в нескольких направлениях. Возможно рассмотрение влияния внешних экономических факторов на вероятность банкротства компаний. При этом целесообразно будет разделить компании по размеру и посмотреть, какие компании больше всего подвержены влиянию внешних изменений в экономике. Возможно дальнейшее изучение отраслевых различий при оценке вероятности банкротства компаний. Результаты текущего исследования показали, что на вероятность банкротства компаний влияют не только финансовые показатели. Некоторые значимые факторы не были учтены в данном исследовании по разным причинам, в том числе и по отсутствию информации в открытом доступе. Так, в качестве независимых переменных, оказывающих потенциальное воздействие на вероятность банкротства, можно исследовать переменные, построенные на основе показателей качества управления компании, как в модели Аргенти. Так же возможно включить в рассмотрение большее количество показателей, специфичных по отраслям.

Исходя из описанной ситуации, можно заключить, что по данной теме возможно провести более обширные исследования, учитывающее многие факторы, относящиеся как к внешней экономической среде, так и к внутренней отраслевой структуре компаний.

Список литературы

1. Altman E., 1968. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // Journal of Finance, 23, PP. 589-609.

2. Altman, Edward I., Corporate financial distress and bankruptcy: predict and avoid bankruptcy, analyze and invest in distressed debt / 3rd ed. 2006.

3. Aziz M., Dar H. Predicting corporate bankruptcy - where we stand? // Corporate Governance Journal. 2006. Vol. 6. No 1. PP. 18-33.

4. Jonathan B. Berk, R. Stanton and J. Zecher. Human Capital, Bankruptcy, and Capital Structure (2010)

5. Qing He, Terence Tai-Leung Chong, Li Li, Jun Zhang. A Competing Risks Analysis of Corporate Survival // Financial Management, Vol. 39, No. 4 (Winter 2010), pp. 1697-1718.

6. Ohlson, J., 1980, Financial ratios and the probabilistic prediction of bankruptcy, Journal of Accounting Research, №18, PP. 109-131.

7. Boris Podobnik, Davor Horvatic, Alexander M. Petersen, Branko Uroљeviж, H. Eugene Stanley. Bankruptcy risk model and empirical tests. // Proceedings of the National Academy of Sciences of the United States of America, Vol. 107, No. 43 (October 26, 2010), pp. 18325-18330

8. Ilia D. Dichev. Is the Risk of Bankruptcy a Systematic Risk? // The Journal of Finance, Vol. 53, No. 3 (Jun., 1998), pp. 1131-1147

9. Zmijewski M.E. Methodological issues related to the estimation of fi nancial distress prediction models / M.E. Zmijewski // Journal of accounting research, Supplement to Vol. 22, Studies on current econometric issues in accounting research. - 1984. - P. 59-82.

10. Minussi J, Soopramanien DGR and Worthington DJ, 'Statistical modelling to predict corporate default for Brazilian companies in the context of Basel II using a new set of financial ratios', Lancaster University Management School Working Paper, 2007.

11. Begley J., Ming, J., and Watts S. Bankruptcy Classification Errors in the 1980s: An Empirical Analysis of Altman's and Ohlson's Models, Review of Accounting Studies, 1996. ? №1.

12. Korol T., Multi-Criteria Early Warning System Against Enterprise Bankruptcy Risk, EuroJournals Publishing, 2011.

13. T. Shumway. Forecasting Bankruptcy More Accurately: A Simple Hazard Model. // The Journal of Business, Vol. 74, No. 1 (January 2001), pp. 101-124

14. J.B. Berk, R. Stantons and J. Zecher. Human Capital, Bankruptcy, and Capital Structure (2010)

15. J.F. Weston. Some Economic Fundamentals for an Analysis of Bankruptcy (1977)

16. W.B. Johnson. «Representativeness» in Judgmental Predictions of Corporate Bankruptcy // The Accounting Review, Vol. 58, No. 1 (Jan., 1983), pp. 78-97

17. Kim-Choy Chung. Insolvency Prediction Model Using Multivariate Discriminant Analysis and Artificial Neural Network for the Finance Industry in New Zealand // International Journal of Business and Management (January, 2008)

18. G. Allayannis, G.W. Brown, L.F. Klapper. Capital Structure and Financial Risk: Evidence from Foreign Debt Use in East Asia // The Journal of Finance, Vol. 58, No. 6 (Dec., 2003), pp. 2667-2709

19. C. Petrovits, C. Shakespeare, A. Shih. The Causes and Consequences of Internal Control Problems in Nonprofit Organizations // The Accounting Review, Vol. 86, No. 1 (JANUARY 2011), pp. 325-357

20. Beaver William H. Financial Ratios as Predictors of Failure, Empirical Research in Accounting Selected Studies / William H. Beaver, 1966. - Supplement to Journal of Accounting Research. - 4. pp. 71-111.

21. Back В., Laitinen Т., Sere К., van Wezel M. Choosing Bankruptcy Predictors Using Discriminant Analysis, Logit Analysis, and Genetic Algorithms II Technical Report №40. Turku Centre of Computer Science, September, 1996.

22. Hosmer, D.W., Jr., Lemeshow, S.A. and Klar, J. (1988), «Goodness-of-?t testing for the logistic regression model when the estimated probabilities are small», Biometrical Journal, Vol. 30, pp. 911-924.

23. Балдин К.В. Банкротство предприятия: анализ, учет и прогнозирование. М., «Дашков и К», 2010.

24. Лукашов А.В. Риск-менеджмент и количественное измерение финансовых рисков в нефинансовых корпорациях. // Управление рисками, №5 (11) - 2005 г., с. 43-60

25. Т.К. Богданова, Ю.А. Алексеева. Прогнозирование вероятности банкротства предприятий с учетом изменения финансовых показателей в динамике. // Бизнес-информатика №1 (15) - 2011 г., с. 50-60

26. Т.К. Богданова, Баклакова А.В. Инструментальные средства прогнозирования вероятности банкротства авиапредприятий. // Бизнес-информатика №1-2008 г., с. 45-61

27. Захарова А.А., Телипенко Е.В. Отбор факторов риска банкротства предприятия на основе метода главных компонент. // Электронный журнал Корпоративные Финансы №1 (29) - 2014 г., с. 66-74

28. А.М. Карминский, А.А. Пересецкий. Рейтинги как мера финансовых рисков. Эволюция, назначение, применение. // Проблемы экономической теории (2008), с. 86-102.

29. Федотова М.А. Как оценить финансовую устойчивость предприятия. // Финансы. - 1995. - №6.

30. Макеева Е.Ю., Бакурова А.О. Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей. // Журнал «Корпоративные финансы» №3 (23) 2012 г.

31. Попов В.Б., Кадыров Э.Ш. Анализ моделей прогнозирования вероятности банкротства предприятий. // Ученые записки Таврического национального университета имени В.И. Вернадского. Серия «Экономика и управление». Том 27 (66), 2014 г., №1, с. 118 - 128.

32. Мурадов Д.А. «Logit-регрессионные модели прогнозирования банкротства предприятий». // Труды нефти и газа имени И.М. Губкина №3 (264), 2011 г.

33. Хайдаршина Г.А. Эффективность современных методов оценки риска банкротства предприятий в российской практике финансового менеджмента: logit- и SVM-модели // Экономические науки, 2008. ? №44.

34. Евстропов М.В. Оценка возможностей прогнозирования банкротства предприятий в России // Вестник Оренбургского государственного университета, 2008. ? №4.

Размещено на Allbest.ru