CC BY
1
8. Котлер Ф. Основы маркетинга. - М.: Издательский дом «Вильямс», 2007, с. 63.
9. Куликова О. М., Суворова С. Д. Таргетированная реклама как инструмент построения коммуникаций с целевой аудиторией // Экономика и бизнес: теория и практика. 2020. № 3-2(61). С. 98-102. DOI 10.24411/2411-0450-2020-10218.
10. Лосьмаков О.А. Возвращение офлайн-маркетинга: почему не стоит возлагать все надежды на digital-маркетинг // Маркетинговые коммуникации. 2022. No3. С.202-211.
11. Нурпеисова Л.С. Роль и значение комплекса маркетинга-микс в индустрии гостеприимства // Общество. 2022. № 2-1(25). С. 54-57.
12. Портер М. Конкурентное преимущество: Как достичь высокого результата и обеспечить его устойчивость. М.: Альпина Паблишер, 2016. 715 с.
13. Руданина А. Ю. Инфлюенс-маркетинг: влияние лидеров мнений на потребителей // ВУЗ и реальный бизнес. 2021.Т. 1. С. 64-69.
14. Токова, А. Р. Нативная реклама в СМИ как актуальный формат рекламного медиабизнеса // Мир науки, культуры, образования. 2021. № 2(87). С. 513-515. DOI 10.24412/1991-5497-2021-287-513-515.
15. Шеина А. Ю., Шумилов Н. С. Обзор современных инструментов целеполагания // Инновационные научные исследования. 2022. № 6-2(20). С. 158168. DOI 10.5281/zenodo.7093831.
16. Шендо М.В., Свиридова Е.В. Влияние цифровых технологий на современные тренды инновационного маркетинга в коммуникациях с потребителем // Вестник Астраханского государственного технического университета. 2022. № 1(73). С. 63-69. DOI 10.24143/1812-9498-2022-1-63-69.
17. Ansoff H. Strategic management. Springer, 2007.
18. Chandler Jr A. D. Strategy and structure: Chapters in the history of the American industrial enterprise. - MIT press, 1969. - Т. 120. 455 p.
19. Definitions of Marketing (American marketing association) https://www.ama.org/the-definition-of-marketing-what-is-marketing/.
20. Social Media Marketing (The Marketing Accountability Standards Board) https://marketing-dictionary.org/s/social-media-marketing/.
EDN: PPNMZH
C.А. Кацко - к.э.н., доцент кафедры экономического анализа, Кубанский государственный аграрный университет, Краснодар, Россия, [email protected],
S.A Kacko - candidate of economic sciences, associate professor of the department of economic analysis, Kuban State Agrarian University, Krasnodar, Russia;
Е.И. Земляк - к.э.н., доцент кафедры экономического анализа, Кубанский государственный аграрный университет, Краснодар, Россия, [email protected],
E.I. Zemlyak - candidate of economic sciences, associate professor of the department of economic analysis, Kuban State Agrarian University, Krasnodar, Russia;
Д.С. Шевчук - обучающийся учетно-финансового факультета, Кубанский государственный аграрный университет, Краснодар, Россия, [email protected],
D.S. Shevchuk - student of accounting and finance department, Kuban State Agrarian University, Krasnodar, Russia;
С.С. Бондаренко - обучающаяся учетно-финансового факультета, Кубанский государственный аграрный университет, Краснодар, Россия, [email protected],
S.S. Bondarenko - student of accounting and finance department, Kuban State Agrarian University, Krasnodar, Russia.
ДИАГНОСТИКА БАНКРОТСТВА СЕЛЬСКОХОЗЯЙСТВЕННЫХ ОРГАНИЗАЦИЙ НА ОСНОВЕ МУЛЬТИПЛИКАТИВНОГО ДИСКРИМИНАНТНОГО АНАЛИЗА DIAGNOSTICS OF BANKRUPTCY OF AGRICULTURAL ORGANIZATIONS BASED ON MULTIPLICATE DISCRIMINANT ANALYSIS
Аннотация. В статье обоснована необходимость оценки платежеспособности организаций аграрного сектора экономики и диагностики вероятности наступления их банкротства. Рассмотрены и выделены основные методы прогнозирования банкротства с выделением их степени формализации. Также представлены основные подходы к прогнозированию вероятности банкротства организаций на основе на основе мультипликативного дискриминантного анализа, что позволило выделить этапы осуществления фундаментальной диагностики банкротства. На примере пилотных аграрных организаций проведена оценка основных показателей ликвидности баланса и платежеспособности, что позволило определить их платежных возможностей. Выполнена диагностика вероятности наступления банкротства пилотных организаций на основе мультипликативного дискриминантного анализа, что позволило выявить их достаточный уровень платежных возможностей и стабильное финансовое положение. Однако любая организация в условиях функционирования нестабильной внешней среды окружения и вариативности внутренних условий хозяйствования должна стремиться полноценно использовать имеющиеся ресурсы и потенциал в целом.
Abstract. The article substantiates the need to assess the solvency of organizations in the agricultural sector of the economy and diagnose the likelihood of their bankruptcy. The main methods of predicting bankruptcy are reviewed and highlighted, highlighting their degree of formalization. The main approaches to predicting the probability of bankruptcy of organizations based on multiplicative discriminant analysis are also presented, which made it possible to highlight the stages of the fundamental diagnosis of bankruptcy. Using the example of pilot agricultural organizations, the main indicators of balance sheet liquidity and solvency were assessed, which made it possible to determine their payment capabilities. The probability of bankruptcy of pilot organizations was diagnosed based on multiplicative discriminant analysis, which made it possible to identify their sufficient level of payment capabilities and stable financial position. However, any organization in the context of the functioning of an unstable external environment and variability of internal business conditions must strive to fully use the available resources and potential as a whole.
Ключевые слова: диагностика банкротства, методы и подходы прогнозирования, платежные возможности, этапы диагностики.
Keywords: bankruptcy diagnostics, forecasting methods and approaches, payment options, diagnostic stages.
Финансовое состояние сельскохозяйственных организаций - это сложная системная характеристика, отражающая влияние множества различных как благоприятных факторов, условий и предпосылок, возможностей достижения устойчивости, так и деструктивных, которые могут стать причиной финансовой неустойчивости и банкротства в случае их несвоевременного выявления. Методы прогнозирования банкротства включает в себя количественные и качественные. Среди количественных методов, как показали результаты проведенного исследования, наиболее часто выделяют линейные и обобщённые линейные, имеющие явную форму записи, которые могут быть выражены с помощью однофазных модельных и дискриминантных моделей. Также к линейным и обобщающим линейным методам относятся регрессионные модели бинарного выбора. Что касается нелинейных количественных, то среди них получили развитие модели искусственного интеллекта, которые определяют неявной формулой записей. Среди таких наибольшее применение в научных исследованиях получили следующие: деревья классификации, генетические алгоритмы, нейронные сети, нечётные множества, метод опорных векторов, метод ближайших соседей, карты Кохонена, интегрированные классификаторы и другие. В дополнение к перечисленным методам практики анализа, оценки и прогнозирования банкротства используют также некачественные методы, которые строятся на критериальных показателях, и включают в себя соответственно критериальные методики, предикативные методики и др. Обобщенно совокупность рассмотренных методов систематизирована и представлена на рисунке 1.
Рисунок 1 - Методы прогнозирования банкротства организаций аграрного сектора экономики
Проведенные исследования показали, что большинство обследований в этой сфере выполнялись с помощью пошагового дискриминационного анализа. Среди методов дискриминантного анализа наибольшее применение получили такие модели как Альтмана, Фулмера, матрицы финансовой стратегии, показатели argente, метод рейтинговой оценки финансового состояния, расчёт ликвидационной стоимости фирмы (модель Уилсона). Кроме этого широко используют в практике оценки вероятности банкротства коэффициентный анализ, включающий различные показатели финансовой устойчивости, платёжеспособности и деловой активности. Их комплексное изучение позволяет оценить динамику изменения не только отдельных показателей, но и вероятность банкротства организации на основе сравнительного анализа существующих нормативных (теоретически рекомендуемых) ограничений и фактических значений, используют также интегральную оценку финансового состояния организации по показателям Биверра (рисунок 2).
Рисунок 2 - Подходы к прогнозированию вероятности банкротства организаций
При определении вероятности банкротства пилотных организаций были реализованы следующие этапы:
- систематизация основных факторов, обусловливающих кризисное финансовое развитие предприятия, таких как: внешняя и внутренняя среда функционирования организации, обеспеченность предприятия ресурсным потенциалом и эффективности его использования, существующая система управления имеющимся ресурсами, ценовая политика, кредитоспособность предприятия и существующая практика финансирования и другие;
- комплексный анализ с использованием специальных методов оценки влияния отдельных факторов на финансовое развитие предприятия таких как: метод сравнительного анализа, метод аналитических группировок, вертикальный и горизонтальный анализ, трендовый анализ, были также использованы методы факторного анализа, что в совокупности позволило оценить сложившуюся ситуацию в разрезе отдельных пилотных организаций;
- следующим этапом является прогнозирование развития финансовое состояние организации под воздействием факторов различного порядка: политическая ситуация, деловая активность организации, государственная поддержка и эффективностью ее реализации, уровень риска, воздействие операционного и финансового рычага и других факторов;
- окончательное проведение итогов, выполненных расчёта, систематизация предложений, позволяющих реализовать выявленные неиспользованные резервы организации (рисунок 3).
Этапы осуществления фундаментальной диагностики банкротства
Систематизация основных факторов, обуславливающих кризисное финансовое развитие предприятия
Проведение комплексного фундаментального анализа с использованием специальных методов оценки влияния отдельных факторов на кризисное финансовое развитие предприятия
Прогнозирование развития кризисного финансового состояния предприятия под негативным воздействием отдельных факторов
Прогнозирование способности предприятия к нейтрализации угрозы банкротства за счет внутреннего финансового потенциала
Окончательное определение масштабов кризисного финансового состояния предприятия
Рисунок 3 - Основные этапы оценки вероятности банкротства организации
Полагаем, что только комплексный подход в решении вопросов анализа и оценки финансового состояния и вероятности банкротства организации позволяет выявить причинно-следственные связи между риском банкротства и эффективностью принимаемых управленческих решений по предотвращению возникающих проблем в функционирования организации.
В этой связи на примере пилотных сельскохозяйственных организаций сначала проведем оценку ликвидности их баланса и платежеспособности. Анализ динамики выполнения условий ликвидности баланса пилотных организаций за период 2016-2022 годы, представленный в таблице 1, позволил сделать соотвествующие выводы.
Таблица 1 - Динамика выполнения условий ликвидности баланса в пилотных организациях
Показатели | 2016г. | 2017г. | 2018г. | 2019г. | 2020г. | 2021г.
ООО «Агрофирма «Приволье»
А1 > П1 А1 < П1 А1 < П1 А1 < П1 А1 < П1 А1 > П1 А1 < П1
Условие абсолютной А2 > П2 А2 > П2 А2 > П2 А2 > П2 А2 > П2 А2 > П2 А2 > П2
ликвидности А3 > П3 А3 > П3 А3 > П3 А3 > П3 А3 > П3 А3 > П3 А3 > П3
А4 < П4 А4 < П А < П4 А < П4 А4 < П А4 < П4 А4 < П4
Текущая ликвидность 165703 107271 144612 74036 167480 304411
Перспективная ликвидность 178737 292852 303710 505023 506265 446781
ООО «КИРПИЛИ»
Условие абсолютной ликвидности А1 > П1 А1 > П1 А1 < П1 А1 > П1 А1 > П1 А1 > П1 А1 > П1
А2 > П2 А2 > П2 А2 < П2 А2 < П2 А2 < П2 А2 < П2 А2 > П2
А3 > П3 А3 < П3 А3 > П3 А3 > П3 А3 > П3 А3 > П3 А3 > П3
А1 < П1 А4 < П А < П4 А < П4 А4 < П4 А4 < П4 А4 < П
Текущая ликвидность 35791 -3780 -14061 -3134 17152 27401
Перспективная ликвидность -25843 42933 71224 47310 74894 82808
ООО «КОРЕНОВСКАГРОХИМИЯ»
Условие абсолютной ликвидности А1 > П1 А1 > П1 А1 > П1 А1 > П1 А1 > П1 А1 > П1 А1 > П1
А2 > П2 А2 > П2 А2 > П2 А2 > П2 А2 > П2 А2 > П2 А2 > П2
А3 > П3 А3 < П3 А3 < П3 А3 < П3 А3 < П3 А3 < П3 А3 < П3
А1 < П1 А4 < П А < П4 А < П4 А4 < П А4 < П4 А4 < П
Текущая ликвидность 94894 101307 124563 92314 153872 155904
Перспективная ликвидность 135535 129547 105356 145135 105993 153610
ООО Агрофирма «Приволье» на протяжении всего периода исследования не имело абсолютно ликвидного баланса, на это указывает недостаток ликвидных активов в соответствующих группах. Так, в 2021 г. предприятие не имело в достаточном объеме средств абсолютно ликвидных активов срок превращения которых в денежные средства соответствовал бы сроку погашения наиболее срочных обязательств (кредиторской задолженности). Что касается других групп, таких как быстро реализуемые активы и медленно реализуемые активы, то как показали расчёты, предприятие имело излишек средств, а также наличие собственных оборотных средств, вложенных в формирование оборотных активов. В совокупности, наличие платёжного излишка по 2 и 3 группам позволило получить достаточно средств в сумме 304,4 млн рублей для погашения срочных и краткосрочных обязательств. Кроме этого, положительно следует оценить наличие перспективной ликвидности организации в течение всего периода исследований и динамику его роста.
Анализ ликвидности бухгалтерского баланса сельскохозяйственной организации ООО «Кирпили» показал, что в течение исследуемого периода предприятие не имело ликвидного баланса до 2020 года, так как 2017 -2019 гг. текущая ликвидность имела отрицательное значение: в 2017 году недостаток платёжных средств составляют 3780 руб., а в 2019 году 3134 руб., и только начиная с 2020 и по состоянию на 2021 год предприятие имело платёжный излишек, направляемый на погашение краткосрочных обязательств. В 2021 году условия ликвидности выполнялись в полном объёме, так группа активов А1 полном в полном объёме превышала потребность покрытия наиболее срочных обязательств П1; группа А2 быстрая ликвидность превышала группу П2 срочные обязательства; группа активов А3, которые медленно реализуемые, превышала потребность группы П3 - долгосрочные обязательства, что указывает на наличие текущей ликвидности. Кроме этого, капитал и резервы превышали величину первого раздела бухгалтерского баланса - внеоборотные активы. Это позволило опреде-
лить наличие у организации собственных оборотных средств, Сложившаяся ситуация на конец 2021 года позволяет положительно оценить ликвидность бухгалтерского баланса и перспективы для укрепления финансовой независимости организации в части наличия собственных оборотных средств как необходимого условия финансовой устойчивости.
ООО «Кореновскагрохимия» на протяжении всего периода исследований является платежеспособной, текущая и перспективная ликвидность возрастает, что оценивается положительно. На протяжении периода с 2016 г. по 2021 г. баланс был абсолютно ликвидным, все группы ликвидных активов А1, А2, А3, превышали группы П1, П2, П3, характеризующее срочность погашения обязательств. При этом отметим увеличение текущей ликвидности почти в два раза, а перспективной ликвидности в 1,5. Такая динамика отражает положительные изменения в части управления имуществом и источниками их формирования. ООО «Кореновскагрохимия» располагает собственным оборотным капиталом, П4 больше А4 в течение 2016-2021 гг.
В таблице 2 представлены основные показатели, характеризующие платежеспособность исследуемых пилотных организаций.
Таблица 2 - Динамика показателей, характеризующих платежеспособность исследуемых
пилотных организаций
Показатель 2017 г. 2018 г. 2019 г. 2020 г. 2021 г. Изменение 2021г. от 2017г., (+,-)
ООО «Кирпили»
Коэффициент абсолютной ликвидности 0,468 0,244 0,439 0,882 0,715 -0,471
Коэффициент быстрой ликвидности 0,805 0,824 0,910 1,334 1,322 -0,531
Коэффициент текущей ликвидности 4,278 1,659 3,300 3,263 2,472 -0,78
Коэффициент восстановления платежеспособности x 0,175 x x x х
Коэффициент утраты платежеспособности 2,267 x 1,855 1,627 1,137 х
ООО «Кореновскагрохимия»
Коэффициент абсолютной ликвидности 21,282 18,481 15,252 24,327 30,131 9,614
Коэффициент быстрой ликвидности 23,694 19,097 18,108 27,209 33,426 10,601
Коэффициент текущей ликвидности 52,715 34,404 45,005 45,262 65,375 11,378
Коэффициент утраты платежеспособности 26,197 14,913 23,828 22,663 35,202 х
ООО Агрофирма «Приволье»
Коэффициент абсолютной ликвидности 0,062 0,012 0,221 0,508 0,471 0,413
Коэффициент быстрой ликвидности 1,745 1,606 1,265 1,586 3,458 -1,394
Коэффициент текущей ликвидности 4,565 3,412 3,367 4,147 11,318 -3,718
Коэффициент утраты платежеспособности 0,974 1,562 1,678 2,171 6,555 х
Значение коэффициента текущей ликвидности ООО «Кирпили» на 01.01.2022 года снизилось по сравнению с 01.01.2017 года на 0,78 и составило 2,472, т.е. на 01.01.2017 года организация была в состоянии выполнить текущие обязательства реализуя свои ликвидные активы по балансовой стоимости на 325,2 %, а на 01.01.2022 года - на 247.2 %. Таким образом, платежеспособность организации за анализируемый период снизилась. Максимальная текущая ликвидность в 427,8 % достигала на 01.01.2018 г., а минимальная 165,9 % на 01.01.2019 г. Среднее значение показателя по отрасли на 01.01.2022 года составляет 1,961. Таким образом, текущая ликвидность больше средней по отрасли.
Значение коэффициента текущей ликвидности ООО Агрофирма «Приволье» на 01.01.2022 года снизилось по сравнению с 01.01.2017 года на 3,718 и составило 11,318, т.е. на 01.01.2017 года организация была в состоянии выполнить текущие обязательства реализуя свои ликвидные активы по балансовой стоимости на 1503.6 %, а на 01.01.2022 года - на 1131.8 %. Таким образом, платежеспособность организации за анализируемый период снизилась. Максимальная текущая ликвидность в 1503,6% достигала на 01.01.2017 г., а минимальная 336.7 % на 01.01.2020 г. Среднее значение показателя по отрасли на 01.01.2022 года составляет 1,961. Таким образом, текущая ликвидность больше средней по отрасли.
Значение коэффициента текущей ликвидности ООО «Кореновск-агрохимия» на 01.01.2022 года по сравнению с 01.01.2017 года увеличилось на 11,378 и составило 65,375, т.е. платежеспособность возросла и на 01.01.2022 года организация, реализуя свои ликвидные активы по балансовой стоимости могла погасить текущие обязательства на 6537,5 %, в то время как на 01.01.2017 года этот показатель составил 5399,7 %. Максимальная текущая ликвидность в 6537,5 % достигала на 01.01.2022 г., а минимальная 3440,4 % на 01.01.2019 г. Среднее значение показателя по отрасли на 01.01.2022 года составляет 1,961. Таким образом, текущая ликвидность больше средней по отрасли.
Что касается коэффициента восстановления платёжеспособности ООО «Кирпили», то в 2018 году данный показатель не превышал 0,175 единиц и только после 2018 года предприятие смогло улучшить своё финансовое положение, риск утрата платежеспособности был сведен к нулю. Характеризуя риск утраты платежеспособности предприятия ООО «Кореновскагрохимия» укажем, что предприятие на протяжении всего периода его не имело, данный коэффициент в 2021 году превысил критериальный показатель в 35 раз. Отсутствовал риск утраты платёжеспособности и в ООО Агрофирма «Приволье» в течение 2017-2021 гг.
Подводя итог, можно отметить, что рассмотренные пилотные организации не имеют проблем в части обеспеченности собственными оборотными средствами, что отражает финансовые возможности и положительно влияет на финансовое положение.
Вторым этапом протестируем на примере пилотных сельскохозяйственных организаций модели Альтмана, Фулмера и Стрингейта, а также Лиса и Таффлера, которые получили наибольшее распространение в прак-
тике анализа. Вместе с тем полагаться на параметры только одной модели было бы не совсем правильно при оценке вероятности банкротства организации, необходимо использовать комплексный подход, поскольку каждая из моделей оценивает только одну из сторон деятельности организации. Рассмотри ниже различные авторские модели дискриминантного анализа, которые оценивает изменение рентабельности собственного, оборотного капитала, деловой активности, то есть одну из сторон функционирования. Пятифакторная модель дискриминантного анализа Э. Альтмана:
Z5 = 1 , 2 xXt+ 1 , 4 хХ2+ 3 , 3 хХ3 + 0 , 6 хХ4 + 0,999 х Х5 (1)
Xj - отношение оборотного капитала к величине активов;
X2 - отношение нераспределенной прибыли к величине активов;
X3 - отношение прибыли до налогообложения к величине активов;
X4 - отношение рыночной стоимости собственного капитала к величине бухгалтерской (балансовой) стоимости всех обязательств;
Х5 - отношение стоимости объема продаж к величине активов.
Если Z5 < 1,81, то зона финансового риска - высокая вероятность банкротства («красная» зона) 1,81 < Z5 < 2,9, то зона неопределенности - средняя вероятность банкротства («серая» зона) Z5 > 2,9, то зона финансовой устойчивости - низкая вероятность банкротства («зеленая» зона)
Модель дискриминантного анализа Д. Фулмера: Z = 5,5 2 8 xXt+ 0, 2 1 2 хХ2 + 0,073 х 7Х3 + 1, 2 7 хХ4+ 0, 1 2 х Х5 + 2, 2 3 5 хХ6 + 0,5 75 хХ7 + 1,083 хХ8 + 0,984 х Х9 - 6,075 (2)
X1 - отношение нераспределенной прибыли прошлых лет к величине активов; X2 - отношение выручки от продаж к величине активов;
X3 - отношение прибыли до налогообложения к величине собственного капитала; X4 - отношение денежного потока к величине стоимости всех обязательств; Х5 - отношение стоимости долгосрочных обязательств к величине активов; Х6 - отношение стоимости краткосрочных обязательств к величине активов; Х7 - log (материальные активы);
Х8 - отношение стоимости оборотного капитала к величине стоимости всех обязательств; Х7 - log (отношение (величина прибыли до налогообложения + проценты к уплате) к величине выплаченных процентов).
Если Z < 0, то зона финансового риска - высокая вероятность банкротства («красная» зона), и Z > 0, то зона финансовой устойчивости - низкая вероятность банкротства («зеленая» зона).
Модель дискриминантного анализа Спрингейта:
Z = 1 , 0 3 х Хх + 3 , 0 7 х Х2 + 0, 6 6 х Х3 + 0, 4 х Х4 (3)
X1 - отношение оборотного капитала к величине активов;
X2 - отношение прибыли до уплаты налогов и процентов к величине активов;
X3 - отношение прибыли до налогообложения к величине краткосрочных обязательств;
X4 - отношение величины выручки продаж к величине активов.
Если Z < 0,865, то зона финансового риска - высокая вероятность банкротства («красная» зона); Z > 0,865, то зона финансовой устойчивости - низкая вероятность банкротства («зеленая» зона).
Модель дискриминантного анализа Р. Лиса:
Z = 0,063 х Хх + 0,092 х Х2 + 0,05 7 х Х3 + 0, 0 0 1 4 х Х4 (4)
X1 - отношение оборотного капитала к величине активов; X2 - отношение прибыли от продаж к величине активов; X3 - отношение чистой прибыли к величине активов;
X4 - отношение стоимости собственного капитала к величине стоимости всех обязательств. Если Z < 0,037, то зона финансового риска - высокая вероятность банкротства («красная» зона); Z > 0,037, то зона финансовой устойчивости - низкая вероятность банкротства («зеленая» зона).
Модель дискриминантного анализа Таффлера:
Z = 0, 5 3 х Хх + 0, 1 3 х Х2 + 0, 1 8 х Х3 + 0, 1 6 х Х4 (5)
X1 - отношение прибыли от продаж к величине стоимости краткосрочных обязательств; X2 - отношение стоимости оборотного капитала к величине стоимости всех обязательств; X3 - отношение стоимости краткосрочных обязательств к величине активов; X4 - отношение стоимости собственного капитала к величине стоимости всех обязательств.
Если 2 < 0,2, то зона финансового риска - высокая вероятность банкротства («красная» зона);
0,2 < 2 < 0,3, то зона неопределенности - средняя вероятность банкротства («серая» зона);
2 > 0,3, то зона финансовой устойчивости - низкая вероятность банкротства («зеленая» зона).
Вот некоторые варианты самостоятельного использования выделенных моделей: это обоснование рекомендаций или условий предоставления кредита; это проверка правильности принимаемых решений в стимулировании тех или иных экономических ситуаций; это продажа и покупка организацией на основе сложившихся критериальных значений; это построение траектории заёмщика по данным отчётности за несколько лет и другие направления. В этой связи полагаем, что в комплексе изучив уровень возможных параметров вероятности банкротства в разрезе выделенных 5 моделей можно относительно объективно предсказать возможную вероятность банкротства организации.
Результаты выполненных расчетов с использованием моделей дискриминантного анализа представлены в таблице 3.
Таблица 3 - Сравнительная оценка показателей вероятности банкротства в исследуемых
сельскохозяйственных организациях
Показатель 2017 г. 2018 г. 2019 г. 2020 г. 2021 г.
Пятифакторная модель Э.Альтмана
ООО Агрофирма «Приволье» 2,047 1,323 1,793 1,809 3,861
ООО «Кирпили» 3,778 2,761 1,256 1,788 1,973
ООО «Кореновск-агрохимия» 1,669 1,525 1,226 1,556 1,792
Модель Фулмера
ООО Агрофирма «Приволье» 7,399 6,382 7,614 7,583 7,762
ООО «Кирпили» 4,857 4,384 5,437 6,866 7,414
ООО «Кореновск-агрохимия» 21,645 19,229 20,544 20,797 27,813
Модель Стрингейта
ООО Агрофирма «Приволье» 2,369 1,147 1,82 2,097 3,727
ООО «Кирпили» 2,181 0,709 1,782 2,554 2,722
ООО «Кореновск-агрохимия» 3,114 2,474 1,919 2,367 4,019
Модель Лиса
ООО Агрофирма «Приволье» 0,055 0,04 0,049 0,055 0,049
ООО «Кирпили» 0,034 0,023 0,038 0,053 0,057
ООО «Кореновск-агрохимия» 0,082 0,072 0,072 0,078 0,096
Модель Таффлера
ООО Агрофирма «Приволье» 1,39 0,752 0,963 1,242 1,6
ООО «Кирпили» 1,475 0,502 1,409 1,676 1,628
ООО «Кореновск-агрохимия» 3,229 2,284 2,117 2,869 4,32
Анализ данных представленных в таблице 3 позволяет сделать вывод о том, что исследуемые пилотные сельскохозяйственные организации по пятифакторной модели Э.Альтмана имеют низкую вероятность банкротства, так как фактический критериальный показать выше теоретически рекомендуемого значения. Что касается модели Фулмера, то все три сельскохозяйственные организации ООО Агрофирма «Приволье», ООО «Кирпи-ли», ООО «Кореновскагрохимия» имеют фактическое значение критериального показателя, поторый превышает теоретически рекомендуемую величину «H», это указывает на низкую вероятность банкротства. Что касается модели Стрингейта, вероятность банкротства в организациях также соответствует теоретические рекомендуемым величинам Z (должна превышать 0,865), по исследуемым пилотным организациям данный параметр превышен в 2, 3 и 4 раза, что указывает на низкий уровень вероятности банкротств. Характеризуя параметры моделей Таффлера и Лиса можно отметить, что и по этим дискриминантным моделям вероятность банкротства организаций мала, так по модели Лиса ООО Агрофирма «Приволье» имеет параметр 0,049, ООО «Кирпили» 0,057 и ООО «Кореновск-агрохимия» 0,096 при оценке вероятности банкротства 0,037. Соответственно данный параметр подтверждает низкую вероятность банкротства. Относительно модели Таффлера вероятность банкротства считается низкой если Z больше 0,3 в исследуемых организациях данный параметр превышен критические рекомендуемого ограничения существенно. Таким образом, по всем 5 моделям, принятым для оценки вероятности банкротства, можно сделать вывод, что организации имеют хорошее финансовое положение.
Несмотря на положительную оценку финансового положения исследуемых пилотных организаций и низкую вероятность их банкротства следует отметить, что любая организация в условиях функционирования нестабильной внешней среды окружения и вариативности внутренних условий хозяйствования должна стремиться полноценно использовать имеющиеся ресурсы и потенциал, что определяет необходимость проработки аналитического инструментария управления финансовым положением.
Источники:
1. Васильева Н.К. Информационно-методическое обеспечение оценки финансового положения организации /Васильева Н.К., Сидорчукова Е.В., Агафонова Н.П.// Экономика, труд, управление в сельском хозяйстве. 2019. № 12 (57). С. 182-187.
2. Васильева Н.К. Теоретико-методические аспекты оценки инвестиционной привлекательности организации / Васильева Н.К., Сидорчукова Е.В., Сосник Т.П., Атажахов А.З.//Вестник академии знаний.2021.№42(1).С.66-75.
3. Васильева Н.К. Оценка рыночной устойчивости организаций аграрного сектора / Васильева Н.К., Сидорчукова Е.В., Колотий С.С., Пан Н.К.// Естественно-гуманитарные исследования. 2021. № 36 (4). С. 87-91.
4. Сидорчукова Е.В. Совершенствование методических подходов к оценке финансовой устойчивости сельскохозяйственных организаций / Сидорчукова Е.В., Яроменко Н.Н., Дыбко Д.Л. - Краснодар, 2018. - 186 с.
