CC BY
94
ISSN 2311-8768 (Online) Математический анализ и моделирование в экономике
ISSN 2073-4484 (Print)
ЭКСПРЕСС-МОДЕЛИРОВАНИЕ КРЕДИТОСПОСОБНОСТИ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ОРГАНИЗАЦИЙ
Марина Львовна ЯШИНАЯ\ Наталья Михайловна НЕЙФь
a доктор экономических наук, профессор кафедры экономики, организации и управления на предприятии, Ульяновская государственная сельскохозяйственная академия им. П.А. Столыпина, Ульяновск, Российская Федерация [email protected]
b кандидат экономических наук, доцент кафедры финансов и кредита, Ульяновская государственная сельскохозяйственная
академия им. П.А. Столыпина, Ульяновск, Российская Федерация
• Ответственный автор
История статьи:
Принята 13.08.2015 Принята в доработанном виде 19.10.2015
Одобрена 25.11.2015
УДК 338.2 JEL: G32
Ключевые слова:
кредитование,
кредитоспособность,
коэффициентный анализ,
моделирование,
сельскохозяйственное
производство
Аннотация
Предмет. Для диагностики финансового состояния сельскохозяйственных организаций используются регрессионные и дискриминантные модели, а также методы научного прогнозирования. Однако большая их часть требует значительного времени для обоснованного вывода о кредитоспособности потенциального заемщика. В связи с этим своевременна и актуальна разработка экономико-математической модели экспресс-анализа кредитоспособности сельскохозяйственных предприятий, учитывающей их специфику. Цель. Разработка модели кредитоспособности организаций, учитывающей специфику аграрного производства и позволяющей в минимальные сроки установить класс кредитоспособности потенциального заемщика.
Методология. При разработке авторской методики в расчет были приняты обязательные финансовые коэффициенты, используемые ОАО «Россельхозбанк», учитывающие отраслевые и организационные особенности сельскохозяйственных товаропроизводителей. В ходе исследования были определены границы кредитоспособности заемщика, которые соответствуют трем классам. С помощью программы STATISTICA была проведена проверка правильности определения групп кредитоспособности, которая подтвердила корректность их установления. При построении регрессионной модели оценки кредитоспособности заемщика применялись совместно программные пакеты MS Excel и STATISTICA, что позволило определить уровень значимости каждого коэффициента.
Результаты. Разработанная модель кредитоспособности базируется на коэффициентах финансовой независимости и срочной ликвидности, учитывает специфику аграрного производства и способствует ускорению процесса принятия решения о возможности получения кредита либо об улучшении финансового состояния организации.
Выводы. Модель разработана на региональном массиве фактических данных, достоверна и обоснованна. Проведение диагностической оценки финансового состояния сельскохозяйственной организации на основе предложенной модели, выявление наиболее значимых факторов, влияющих на уровень кредитоспособности, позволяют кредитным организациям правильно определить возможность кредитования организации, а последней -разработать комплекс стабилизационных мероприятий, направленных на управление этими факторами.
© Издательский дом ФИНАНСЫ и КРЕДИТ, 2015
В современных экономических условиях любому предприятию для эффективной работы требуется привлечение заемных средств, однако для получения кредита необходимо иметь финансовое положение, которое гарантирует возврат денежных средств банку.
При оценке финансового состояния организации важным является сравнение полученных фактических значений коэффициентов с нормативными [1, с. 146]. Это связано с тем, что нормативные значения финансовых индикаторов позволяют устанавливать соответствие
фактических значений коэффициентов
требованиям, позволяющим определить финансовое состояние организации как хорошее.
При оценке финансового состояния хозяйствующего субъекта применяются различные правила чтения отчетности - вертикальный, горизонтальный, факторный, трендовый, сравнительный и коэффициентный анализ1 [2].
1 Михайлова Н.С. Проблемы кредитования сельскохозяйственных товаропроизводителей // Агропродовольственная политика России. 2014. № 8. С. 48-50; Нейф Н.М., ЯшинаМ.Л. Банковский сектор сегодня и стратегия развития аграрного кредитования //
Расчет коэффициентов как инструментарий используется при оценке относительных показателей. Для диагностики финансового состояния организаций используются
регрессионные и дискриминантные модели, а также методы научного прогнозирования в работах как отечественных2 [3, 5-9], так и зарубежных авторов [10, 11].
В большинстве современных методик, используемых для оценки финансового состояния организаций3 [2, 12-13], основными являются показатели ликвидности, отражающие
способность организаций оперативно получить денежные средства, необходимые для нормального осуществления финансовой деятельности и позволяющие погасить имеющиеся обязательства.
Разработка модели оценки кредитоспособности организаций агропромышленного комплекса (АПК) предполагает прохождение определенных этапов.
1-й этап. Подготовка пакета документов. Исходные данные для разработки моделей получают из годовой бухгалтерской (финансовой) отчетности организаций, прежде всего бухгалтерского баланса и отчета о финансовых результатах.
2-й этап. Выбор банковской методики оценки кредитоспособности заемщика и определение группы финансовых коэффициентов. Требования банка по оценке финансового состояния заемщика закладываются в основу разработки авторской модели. При этом набор финансовых коэффициентов отличается в методике каждого банка. В основном банки рассчитывают коэффициенты финансовой устойчивости, ликвидности, рентабельности и деловой активности.
Международный научно-исследовательский журнал. 2015. № 5-3. С. 63-67.
2 Королёв К.Ю. Совершенствование методики оценки кредитоспособности сельскохозяйственных организаций // Известия Пензенского государственного педагогического университета им. В.Г. Белинского. 2012. № 28. С. 381-386; Трескова Т.В., Федотова М.А. Финансовое моделирование. Ульяновск: Ульяновская ГСХА им. П.А. Столыпина, 2014. 200 с.
3 Лосевская С.А., Каширина Д.П. Кредитные ресурсы для АПК в условиях экономических санкций // Вестник Донского государственного аграрного университета. 2014.
№ 4-3. С. 9-12.
При этом в банковских методиках указывается, какие коэффициенты являются основными (то есть обязательными для расчета) для определения финансового состояния заемщика, а какие -дополнительными, необязательными.
При разработке авторской методики в расчет были приняты обязательные финансовые коэффициенты [14, с. 145], используемые ОАО «Россельхозбанк» и учитывающие отраслевые и организационные особенности сельскохозяйственных
товаропроизводителей (табл. 1).
3-й этап. Подготовка исходной матрицы данных. На этом этапе необходимо провести выборку исходных данных из форм годовой бухгалтерской отчетности. Для этого с использованием программы Excel создается матрица данных для расчета необходимых финансовых коэффициентов. Количество строк в матрице равно количеству организаций (годовых бухгалтерских отчетов организаций). Количество столбцов, содержащих данные строк бухгалтерской (финансовой) отчетности, зависит от банковской методики и формулы расчета каждого выбранного финансового коэффициента, используемого банком для определения финансового состояния организации.
4-й этап. Расчет коэффициентов, предусмотренных банковской методикой. После подготовки матрицы с исходными данными рассчитывают финансовые коэффициенты, предусмотренные банковской методикой. Для этого необходимо создать соответствующую матрицу данных. По каждой отобранной организации следует просчитать группу финансовых коэффициентов. Полученные данные отражаются в соответствующей таблице (матрице). Количество финансовых коэффициентов, вводимых в матрицу, определяется методикой банка [15, с. 465].
5-й этап. Определение границ классов кредитоспособности заемщика исходя из методики оценки финансового состояния сельскохозяйственных товаропроизводителей [16, с. 83] и собственных предложений. Предлагаемая группировка классов кредитоспособности выглядит так:
• 66-100 - 1-й класс кредитоспособности (хорошее финансовое состояние);
• 36-65 - 2-й класс кредитоспособности (среднее финансовое состояние);
• 14-35 - 3-й класс кредитоспособности (плохое финансовое состояние).
Для обоснования корректности распределения групп кредитоспособности с помощью программы STAГПSГПCA проведена проверка, которая показала, что процент правильного определения организаций 1-й группы - 95,65, 2-й и 3-й -соответственно 100 и 60. А в целом по всей совокупности организаций процент правильности (корректности) определения группы равен 92,85.
6-й этап. Построение регрессионных моделей оценки финансового состояния и кредитоспособности заемщика. Для создания модели необходимо использовать следующие данные:
• значения финансовых коэффициентов, полученные в соответствии с требованиями банковских методик;
• сумму баллов, определенную по методике оценки финансового состояния сельскохозяйственных товаропроизводителей и собственных предложений для каждой организации.
На основании приведенных данных составляется таблица, которая является исходной матрицей для построения регрессионных моделей оценки кредитоспособности заемщика. Полученные данные (значения коэффициентов и суммы баллов) в виде матрицы переносятся в специализированное программное средство -статистическую программу, позволяющую на основе полученной информации провести регрессионный анализ и создать модель.
В современных условиях необходимым инструментом для получения знаний о механизме изучаемых явлений становятся математико-статистические исследования. Для исследования интенсивности, вида и формы причинных влияний широко применяется дискриминантный и регрессионный анализ4 [17]. Это позволяет
4 Оношко О.Ю., Далбаева В.Ю. Управление банковским
воздействовать на выявленные факторы, вмешиваться в финансовый процесс для получения нужных результатов.
Так, проведение диагностической оценки финансового состояния коммерческой
организации, выявление значимых факторов, влияющих на уровень кредитоспособности, позволяют кредитным организациям правильно определить возможность кредитования
организации, а последней - разработать комплекс стабилизационных мероприятий, направленных на управление этими факторами, то есть оценку возможности получения кредита [18, с. 52].
Для моделирования оценки кредитоспособности заемщика применяется совместное использование программных пакетов MS Excel и STATISTICA, версия 6.0.
Информация, создаваемая программой на основе введенной матрицы данных, позволяет определить не только значение константы уравнения и весовые значения каждого финансового коэффициента, но и величину уровня значимости последних. Кроме того, определяется величина коэффициента детерминации, который позволяет оценить значимость уравнения регрессии в целом, то есть показывает, какая доля общей вариации зависимой переменной объясняется построенной регрессией.
В соответствии с предложенной методикой моделирование осуществляется применительно к сельскохозяйственным организациям.
Для исследования использовались данные годовых отчетов 109 сельскохозяйственных организаций Ульяновской области по состоянию на 01.01.2014.
При построении уравнения регрессии сформированы исходные матрицы данных. С помощью программы STATISTICA были выявлены предприятия, показатели которых значительно отличаются от общего массива. Они были исключены из общего массива данных.
кредитованием субъектов малого и среднего предпринимательства в России: исследование тенденций развития // Управление экономикой: методы, модели, технологии. 2014. С. 39-45; Сундикова И.А. Кредитование сельскохозяйственных предприятий в России: особенности и перспективы развития // Контентус. 2014. № 9. С. 1-9.
По результатам исследования приводятся
следующие характеристики построенных
уравнений регрессии:
• R - значение выборочного коэффициента корреляции;
• R2 - значение коэффициента детерминации (его величина показывает, какая доля общей вариации зависимой переменной объясняется построенной регрессией);
• Adjusted R2 - значение скорректированного на число степеней свободы коэффициента детерминации;
• F - расчетное значение критерия Фишера, используемое для проверки гипотезы о значимости уравнения регрессии;
• р - величина уровня значимости;
• Std. Error of estimate - стандартная ошибка оценки уравнения регрессии.
Кроме того, в таблицах приводятся следующие значения величин:
• Intercept - оценка свободного члена уравнения регрессии;
• Beta - стандартизированный коэффициент при независимой переменной;
• Std. Error of Beta - стандартные ошибки коэффициента Beta;
• В - коэффициенты уравнения регрессии, показывающие, на сколько единиц изменяется результативный показатель при изменении фактора на одну единицу (в соответствующих единицах измерения);
• Sid. Error of В - стандартные ошибки коэффициентов уравнения регрессии;
• t - значения распределения Стьюдента, используемые для построения доверительных интервалов параметров уравнения регрессии;
• p-level - уровень значимости принятия гипотез о равенстве нулю соответствующих коэффициентов уравнения.
Для построенных уравнений регрессии в зависимости класса кредитоспособности организации от выбранных факторов указанные характеристики будут иметь определенную интерпретацию.
Коэффициент корреляции составляет 0,89, что в соответствии со шкалой Чеддока свидетельствует о высокой тесноте связи между классом кредитоспособности и включенными в модель факторами.
Коэффициент детерминации равен 0,79. Это означает, что результативный показатель на 79% зависит от факторов, включенных в модель. Остальное приходится на долю случайных и неучтенных факторов.
Расчетная величина критерия Фишера выше теоретических значений для доверительной вероятности Р = (1 - 0,05) = 0,95. Это, в свою очередь, соответствует уровню значимости р менее 0,0000... Следовательно, полученные уравнения регрессии являются значимыми, а не результатом случайного отбора наблюдений.
Несмотря на значимость каждого уравнения в целом, не все факторы являются значимыми. Так, если р-1еуе1 превышает заданный уровень значимости (а = 0,05), это характеризует их как не значимые в уравнении регрессии. Значимыми факторами, оказывающими наибольшее влияние на степень платежеспособности, являются те, которые имеют наибольший уровень значимости ^^ < 0,05).
Проведя пошаговую корреляцию, то есть последовательно исключив факторы из моделей по принципу наименьшей значимости, авторы получили представленные результаты. Имеется регрессионная модель, содержащая наиболее значимые факторы, влияющие на степень кредитоспособности.
Чтобы убедиться в правильности построения модели, необходимо проверить нормальность распределения остатков (рис. 1). Точки на представленном графике достаточно тесно укладываются вдоль теоретически ожидаемой прямой, и это свидетельствует о том, что остатки распределены нормально.
Вторым условием в отношении остатков является то, что их дисперсия должна оставаться неизменной во всем диапазоне значений анализируемых переменных (рис. 2).
Так как точки на графике расположены хаотично, требуемое условие выполняется.
В представленной модели оба условия в отношении остатков выполняются, что еще раз подтверждает адекватность рассчитанной регрессионной модели для описания связи между предлагаемыми коэффициентами и классами кредитоспособности. В соответствии с проведенным анализом уравнение регрессии имеет следующий вид:
30,12801 + 61,87547К1 + 3,96892К4 - 4,19940К6.
Ввод значений коэффициентов в уравнение регрессии помогает определить количество баллов по предприятию. Это позволяет достаточно точно и быстро провести анализ кредитоспособности предприятий.
Для более точного определения класса кредитоспособности организации необходимо рассчитать оставшиеся показатели и подставить значения в уравнение регрессионной или дискриминантной модели.
7-й этап. Графический экспресс-анализ кредитоспособности. Создание регрессионных моделей дает возможность оценить значимость каждого фактора (коэффициента), используемого при разработке модели.
При этом из всех коэффициентов определяются два наиболее значимых (те, у которых показатель вероятности ошибки p-level < 0,05). Затем, используя матрицу исходных данных, можно построить график зависимости оценки кредитоспособности от коэффициентов срочной ликвидности и финансовой независимости.
Графики предназначены для первичной оценки кредитоспособности, они удобны для экспресс-анализа хозяйств, позволяют на основе двух коэффициентов отнести организацию к той или иной группе. На оси Z отражается значение зависимой переменной В; на оси X - значение коэффициента финансовой независимости; на оси У - значение коэффициента срочной ликвидности.
Цветовые границы позволяют на основе значений двух показателей определить, к какому классу кредитоспособности может быть отнесена отдельная организация. В данном случае для построения графика при проведении экспресс-анализа были выбраны два наиболее значимых параметра - коэффициенты финансовой независимости К1 и срочной ликвидности К4.
Таким образом, разработанная графическая модель экспресс-анализа позволяет оценить финансовое состояние сельскохозяйственной организации и сделать обоснованный вывод о ее кредитоспособности с учетом требований, предъявляемых ОАО «Россельхозбанк» при оценке потенциальных заемщиков.
Предлагаемые методы оценки финансового состояния и кредитоспособности организаций приемлемы для российских условий, они адаптированы к аграрному сектору. Модель создана на региональном массиве данных, что позволяет более точно определить финансовое состояние и оценить кредитоспособность аграрных организаций Ульяновской области.
Оценку финансового состояния и кредитоспособности на основании предложенной методики могут проводить кредитные аналитики банка при принятии решения о предоставлении заемных средств организациям отрасли. Оценивать финансовое состояние и кредитоспособность могут финансовые аналитики, руководители организаций для проверки соответствия полученных результатов требованиям банков и принятия своевременных управленческих решений по исправлению неудовлетворительного финансового состояния.
Модель экспресс-анализа кредитоспособности позволяет улучшить современный механизм кредитования предприятий АПК. Проведение оценки по предложенной методике позволяет ускорить процесс принятия решения о кредитовании, так как предварительный результат получается с достаточно высокой точностью и не отнимает много времени. Если финансовое состояние предприятия по предложенной методике не соответствует требованиям, дальнейший анализ его деятельности не принесет результатов. В ином случае необходимо изучение всех сторон деятельности организации.
Таблица 1
Обязательные коэффициенты методики оценки кредитоспособности сельскохозяйственных товаропроизводителей
Критерий оценки
Показатель кредитоспособности
Условное обозначение
согласно общепринятому подходу
для
сельскохозяйственных товаропроизводителей
Особенности сельскохозяйственных товаропроизводителей, обосновывающие особый подход к оценке их кредитоспособности
1. Коэффициент автономии
К1
> 0,5
> 0,5
Требования к удельному весу собственного капитала в общей величине источников едины для предприятий всех отраслей_
2. Коэффициент обеспеченности собственными оборотными средствами
К2
> 0,1
> 0,2
Сезонность производства вследствие цикличности времен года и погодных условий, а также развития сельскохозяйственных растений и животных вызывает неравномерность использования материальных ресурсов и накладывает дополнительные требования к достаточности собственных источников финансирования текущих активов
3. Коэффициент текущей ликвидности
КЗ
> 2
> 1,6
Длительность и неравномерность производственного цикла в сельском хозяйстве вызывают большую, чем у предприятий других отраслей, зависимость от внешних кредиторов, что предусматривает установление более мягких условий к необходимости покрытия краткосрочных обязательств текущими активами
4. Коэффициент срочной ликвидности
К4
0,7-0,8
> 0,5
Наличие скоропортящейся сельскохозяйственной продукции, а также продукции, требующей особых условий хранения, формирует мягкий тип кредитной политики по отношению к покупателям, в том числе в виде предоставления им отсрочки платежей. Отсюда - необходимость более мягких требований к значению коэффициента срочной ликвидности в виде погашения не менее половины всех краткосрочных обязательств при условии
расчетов покупателей
5. Коэффициент рентабельности продаж
К5
> 0,1
> 0,05
Сельскохозяйственное производство -биологический процесс, в котором задействованы живые организмы (почва, растения, животные), поэтому экономические процессы переплетаются с процессами естественного воспроизводства; зависимость результатов производства от природно-климатических условий; наличие проблем достижения паритетности отношений в сельском хозяйстве ставят сельскохозяйственных товаропроизводителей в неравные условия с предприятиями других отраслей. Обеспечение расширенного воспроизводства плодородия почвы, природной среды требуют более мягкого подхода к установлению минимального уровня рентабельности продаж
6. Коэффициент абсолютной ликвидности
К6
0,2-0,5
> 0,05
Сезонный характер производства вызывает отсутствие
высоколиквидных активов у сельскохозяйственных товаропроизводителей в отдельные периоды операционного цикла, что влияет на все стадии кругооборота капитала отрасли и допускает снижение требований к минимальной величине активов до 5% к сумме краткосрочных обязательств
Рисунок 1
График нормальных вероятностей 2,5 2,0 1,5 1,0 0,5 0
-0,5 -1,0 -1,5 -2,0 -2,5
е
«
5
л о
о
-30
-25
-20
-15
-10
10
15
20
25
Рисунок 2
График зависимости значений остатков от предсказуемых значений зависимой переменной 25 20 15 10
5 0 -5 -10 -15 -20 -25 -30
О 20 40 60 80 100 120
Список литературы
1. Трескова Т.В. Проблемные вопросы кредитования сельскохозяйственного производства // Функционирование финансового механизма: стратегия и тактика: сб. науч. трудов. Ульяновск, Ульяновская государственная сельскохозяйственная академия, 2006. С. 145-148.
2. Арунянц Г.Г., Бадеян А.Р. Анализ основных аспектов и особенностей управления банковскими рисками при кредитовании предприятий // Известия Волгоградского государственного технического университета. 2013. №11. С. 103-108.
5
0
5
3. Звоноренко А.С. Банковское кредитование сельхозпроизводителей как инструмент повышения эффективности сельского хозяйства страны // Бизнес. Образование. Право. Вестник Волгоградского института бизнеса. 2014. № 2. С. 212-216.
4. Порфирьев Д.Н. Кредитование сельскохозяйственных предприятий // Управление реформированием социально-экономического развития предприятий, отраслей, регионов: сб. науч. статей. Пенза: ПГУ, 2015. С.133-135.
5. Рябинина Е.Е. Управление кредитными рисками при кредитовании аграрного сектора экономики // Прикладные статистические исследования и бизнес-аналитика: м-лы межд. науч.-практ. конф. М.: РЭУ, 2015. С. 274-276.
6. Нейф Н.М., Яшина М.Л. Прогнозирование прибыли организации на основе факторной модели // Дни науки. Технологии управления в инновационной экономике: м-лы науч.-практ. конф. Екатеринбург: Уральский гуман. ин-т. 2012. С. 90-100.
7. Губанов Р.С. Управление рисками ОАО «Россельхозбанк» в российской экономике // Финансовый менеджмент. 2015. № 1. С. 70-75.
8. Smith V.L. Experimental Methods in Economics // The New Palgrave Dictionary of Economics. London: McMillan Press, 1989.
9. Thomas L.S., Edelman D.B., Crook J.N. Credit Scoring & Its Application (Monographs on Mathematical Modeling and Computation). Society for Industrial and Applied Mathematics, 2002. 246 p.
10. Попова Е.А. Развитие финансовых отношений между банковским сектором и сельским хозяйством РФ (на примере ОАО «Россельхозбанк») // Проблемы и перспективы развития финансов в условиях глобализации: м-лы межд. науч.-практ. конф. Ярославль: Ярославская ГСХА, 2014. С. 99-102.
11. Панкова Н.В., Столбова Д.А. Кредитование в России: основные направления тенденции в период 2010-2015 гг. URL: http://esa-conference.ru/wp-content/uploads/files/pdf/Pankova-Natalya-Viktorovna.pdf.
12. Чепик О.В., Винникова Л.Б. Особенности кредитования сельскохозяйственных товаропроизводителей ОАО «Россельхозбанк» // Наука и бизнес: пути развития. 2012. № 7. С. 144-148.
13. Чугунов В.И., Ратникова И.Г. К вопросу активизации коммерческих банков в кредитовании предприятий агропромышленного комплекса // Современные проблемы науки и образования. 2014. № 2. С. 464-467.
14. Маркелова С.В. Проблемы определения класса кредитоспособности сельскохозяйственных предприятий // Столыпинские чтения. Агробизнес в устойчивом развитии сельской местности: сб. науч. трудов. Ульяновск: Ульяновская ГСХА им. П.А. Столыпина. 2013. С. 80-88.
15. Новичкова О.В. Особенности банковской поддержки при финансировании сельскохозяйственных предприятий в современных условиях // Вестник Алтайского государственного аграрного университета. 2015. № 2. С. 165-170.
16. Ковешникова Е.В., Вавилова Е.С. Повышение эффективности сельскохозяйственного кредитования в современных условиях (на примере ОАО «Россельхозбанк») // Саяпинские чтения: м-лы науч.-практ. конф. Тамбов: ТГУ, 2014. С. 50-59.
ISSN 2311-8768 (Online) Mathematical Analysis and Modeling in Economics
ISSN 2073-4484 (Print)
PROMPT MODELING OF AGRICULTURAL ENTITIES' SOLVENCY Marina L. YASHINA"', Natal'ya M. NEIFb
a Ulyanovsk State Agricultural Academy named after P.A. Stolypin, Ulyanovsk, Russian Federation [email protected]
b Ulyanovsk State Agricultural Academy named after P.A. Stolypin, Ulyanovsk, Russian Federation [email protected]
• Corresponding author
Article history: Abstract
Received 13 August 2015 Importance Most regression and discriminant models and scientific research methods take much
Received in revised form time to make a sound conclusion on the solvency of the possible borrower. It is reasonable to devise
19 October 2015 an economic and mathematical model for a prompt analysis of agricultural entities' solvency in line
Accepted 25 November 2015 with their specifics.
Objectives The research outlines a model for a rapid analysis of corporate solvency that would JEL classification: G32 consider the specifics of agricultural production and allow determining the solvency class of the would-
be borrower.
Methods We take into account mandatory financial coefficients in line with industrial and organizational specifics of agricultural producers. We also determined the borrower's solvency limits broken down by three classes. The research is based on MS Excel and STATISTICA software applications.
Results The model for prompt analysis of solvency is based on the equity ratio and quick ratio, considering the specifics of agricultural production and helps to decide whether it is possible to obtain a loan or the entity's financial standing should be mended.
Conclusions and Relevance The model has been devised using the regional corpus of factual data, Keywords: lending, solvency, being reliable and reasonable. If the model is used to assess the financial position of the agricultural ratio analysis, modeling, entity and identify solvency factors, it will help credit institution to take adequate lending decisions,
agricultural production while agricultural entities may plan stabilizing measures to handle the factors.
References
© Publishing house FINANCE and CREDIT, 2015
1. Treskova T.V. [Challenging issues of lending for agricultural producers]. Funktsionirovanie finansovogo mekhanizma: strategiya i taktika: materialy nauchnoi konferentsii [Proc. Sci. Conf. Operation of Financial Mechanism: Strategy and Tactics]. Ulyanovsk, Ulyanovsk State Agricultural Academy Publ., 2006, pp.145-148.
2. Arunyants G.G., Badeyan A.R. Analiz osnovnykh aspektov i osobennostei upravleniya bankovskimi riskami pri kreditovanii predpriyatii [Analyzing the main aspects and specifics of managing bank risks as part of corporate lending]. Izvestiya Volgogradskogo gosudarstvennogo tekhnicheskogo universiteta = Izvestia VSTU, 2013, no. 11, pp. 103-108.
3. Zvonorenko A.S. Bankovskoe kreditovanie sel'khozproizvoditelei kak instrument povysheniya effektivnosti sel'skogo khozyaistva strany [Lending for agricultural producers as a tool to enhance the efficiency of national agriculture]. Biznes. Obrazovanie. Pravo. Vestnik Volgogradskogo instituta biznesa = Business. Education. Law. Bulletin of Volgograd Business Institute, 2014, no. 2, pp. 212-216.
4. Porfir'ev D.N. [Lending for agricultural entities]. Upravlenie reformirovaniem sotsial'no-ekonomicheskogo razvitiya predpriyatii, otraslei, regionov: materialy nauchnoi konferentsii [Proc. Sci. Conf. Managing Reforms of Socio-Economic Development of Businesses, Industries, Regions]. Penza, Penza State University Publ., 2015, pp. 133-135.
5. Ryabinina E.E. [Credit risk management as part of lending for the agricultural sector]. Prikladnye statisticheskie issledovaniya i biznes-analitika: materialy mezhdunarodnoi nauchnoi konferentsii [Proc. Sci. Conf. Applied Statistical Researches and Business Analytics]. Moscow, Plekhanov Russian University of Economics Publ., 2015, pp. 274-276.
6. Neif N.M., Yashina M.L. [Forecasting corporate profit with a factor-based model]. Dni nauki. Tekhnologii upravleniya v innovatsionnoi ekonomike [Proc. Sci. Conf. Days of Science. Management Technologies in Innovative Economy]. Yekaterinburg, Ural Institute for Humanities Publ., 2012, pp. 90-100.
7. Gubanov R.S. Upravlenie riskami OAO "Rossel'khozbank" v rossiiskoi ekonomike [Managing risks of OAO Russian Agricultural Bank in the Russian economy]. Finansovyi menedzhment = Financial Management, 2015, no. 1, pp. 70-75.
8. Smith V.L. Experimental Methods in Economics. The New Palgrave Dictionary of Economics. London, McMillan Press, 1989.
9. Thomas L.S., Edelman D.B., Crook J.N. Credit Scoring & Its Application (Monographs on Mathematical Modeling and Computation). Society for Industrial and Applied Mathematics, 2002, 246 p.
10. Popova E.A. [Developing financial relations between the banking sector and agricultural sector of the Russian Federation]. Problemy i perspektivy razvitiya finansov v usloviyakh globalizatsii: materialy nauchnoi konferentsii [Proc. Sci. Conf. Challenges and Prospects for Developing the Financial Sector During Globalization]. Yaroslavl, Yaroslavl State Agricultural Academy Publ., 2014, pp. 99-102.
11. Pankova N.V., Stolbova D.A. Kreditovanie v Rossii: osnovnye napravleniya tendentsii v period 2010-2015 gg [Lending in Russia: main trends in the 2010-2015 period]. Available at: http://esa-conference.ru/wp-content/uploads/files/pdf/Pankova-Natalya-Viktorovna.pdf. (In Russ.)
12. Chepik O.V., Vinnikova L.B. Osobennosti kreditovaniya sel'skokhozyaistvennykh tovaroproizvoditelei OAO "Rossel'khozbank" [Specifics of Russian Agricultural Bank's lending practices in relation to agricultural producers]. Nauka i biznes: puti razvitiya = Science and Business: Paths of Development,
2012, no. 7, pp. 144-148.
13. Chugunov V.I., Ratnikova I.G. K voprosu aktivizatsii kommercheskikh bankov v kreditovanii predpriyatii agropromyshlennogo kompleksa [On intensifying activities of commercial banks in lending for the agricultural sector]. Sovremennye problemy nauki i obrazovaniya = Modern Problems of Science and Education, 2014, no. 2, pp. 464-467.
14. Markelova S.V. [Issues of determining the solvency class of agricultural entities]. Stolypinskie chteniya. Agrobiznes v ustoichivom razvitii sel'skoi mestnosti: materialy nauchnoi konferentsii [Proc. Sci. Conf. Stolypin Readings. Agriculture in Sustainable Development of Rural Areas]. Ulyanovsk, USAA Publ.,
2013, pp.80-88.
15. Novichkova O.V. Osobennosti bankovskoi podderzhki pri finansirovanii sel'skokhozyaistvennykh predpriyatii v sovremennykh usloviyakh [Specifics of bank support as part of financing agricultural entities under modern circumstances]. Vestnik Altaiskogo gosudarstvennogo agrarnogo universiteta = Bulletin of Altai State Agrarian University, 2015, no. 2, pp. 165-170.
16. Koveshnikova E.V., Vavilova E.S. [Enhancing the efficiency of agricultural lending in current circumstances: evidence from OAO Russian Agricultural Bank]. Sayapinskie chteniya: materialy nauchnoi konferentsii [Proc. Sci. Conf. Sayapin Readings]. Tambov, TSU Publ., 2014, pp. 50-59.
