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

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

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

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

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

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

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

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

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

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.

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

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

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

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

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

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 м...