Анализ вероятности банкротства

0.00

***

x9

-0.66

0.51

0.11

-6.18

0.00

***

x7

-0.39

0.68

0.17

-2.32

0.02

*

x14

-0.15

0.86

0.03

-5.40

0.00

***

x15

0.00

1.00

0.00

4.92

0.00

***

cg2

-0.44

0.64

0.07

-5.94

0.00

***

cg3

-0.76

0.47

0.07

-11.52

0.00

***

cg4

-1.71

0.18

0.20

-8.60

0.00

***

cg5

-1.40

0.25

0.32

-4.40

0.00

***

no17

0.24

1.27

0.14

1.72

0.08

.

no20

0.50

1.64

0.07

6.98

0.00

***

no22

0.56

1.75

0.07

7.86

0.00

***

no25

0.32

1.37

0.07

4.62

0.00

***

no32

0.92

2.50

0.28

3.29

0.00

**

no33

0.62

1.85

0.18

3.40

0.00

***

no36

0.56

1.74

0.08

7.34

0.00

***

Signif.codes: 0.001 -> `***'; 0.01 -> `**'; 0.05 -> `*'; 0.10 -> `.'

Наибольший интерес вызывает оценка финансовых переменных, временная структура которых учтена в модели в полной мере. Таким образом, в модели присутствуют не только индикаторы размера и специфики деятельности, но и финансовая составляющая деятельности фирмы. По результатам оценивания, значимыми оказались 9 финансовых показателей, но среди них есть две переменные (x4 - доля стоимости капитала в прибыли с продаж и x15 - отношение выручки от продаж к дебиторской задолженности), коэффициент перед которыми оказался очень низким (близок к нулю). Данный факт имеет место быть из-за различия масштабов значений используемых переменных - переменные x4 и x15 варьируются в пределах от 2 до 80, в то время как, остальные относительные показатели лежат, в основном, в пределах от 0 до 3. Экономически эффективнее было бы взять обратные величины, но мы придерживаемся правила добавления переменных из первоначальных источников в оригинальном виде. [17]

Аналогично объяснение положительного коэффициента перед переменной x5 - total assets/net profit - величина, обратная рентабельности активов компании (1/ROA). Таким образом, при снижении данного показателя (повышение рентабельности активов) на единицу, риск стать банкротом снижается в 0.74 раза или на 26%, при прочих равных условиях. Остальные переменные имеют отрицательное влияние на риск стать банкротом, что согласуется с предыдущими работами. Так, например, переменные x14 и x15 были взяты из модели Альтмана и оказались значимыми с теми же знаками коэффициентов, переменные x5 и x6 (отношение выручки от продаж к общим активам) были взяты из модели Змиевского. Остальные переменные были взяты из работы (Fedorova et.al, 2014), где проводился отбор всех переменных при помощи процедуры ANOVA-анализа.

В заключение к оценке модели стоит обратить внимание на результаты проведения тестов на правильность спецификации (Приложение B). Все три теста (Wald, Long-Rank, LR) оказались значимыми даже на 0.1% уровне значимости, что говорит о том, что модель хорошо описывает различия между компаниями в терминах риска стать банкротом. Более того, при оценке модели значительное внимание стоит уделять значению логарифма функции правдоподобия - для данной модели он равен -22,906.830, что является показателем удачной спецификации модели. Таким образом, модель имеет хорошие показатели спецификации и включает в себя все типы используемых данных, поэтому мы будем считать ее наиболее подходящей для предсказания банкротства компаний.

Глава 4. Оценивание предсказательной силы модели

Для оценки качества модели мало оценить переменные, содержащиеся в ней и проанализировать пост-оценочные тесты на спецификацию, необходимо проверить ее применимость для предсказания банкротств. Наиболее важным показателем адекватности модели служит точность прогнозирования банкротства. Существует множество методик по оцениванию различных моделей прогнозирования, но основная идея остается неизменной - происходит сравнение прогнозных значений признака и фактических, произошедших в последующие периоды.

Во многих работах по изучению банкротств компаний оценка модели происходит по следующему алгоритму: в начале рассматриваемые фирмы разделяют на банкроты/не банкроты по имеющимся предикторам при помощи оцененной модели; далее - сравнение полученной классификации с реальными значениями; после этого, по данным массивам рассчитывается точность всей модели. Описанная методология подходит для оценивания моделей бинарной классификации. Специфика же использующейся в данной работе методе (регрессия Кокса с зависимыми от времени ковариатами) состоит в том, что ее результатом является не элементарная бинарная классификация фирм, а оценка рисков банкротства рассматриваемых компаний в последующие периоды ее деятельности. Таким образом, модель никогда не покажет 100% риск банкротства в определенный момент времени ввиду специфики формы функции распределения, поэтому стандартная классификация в данном случае неприемлема. В дальнейших параграфах речь пойдет об используемом методе оценивания точности модели, подготовке данных и результатами оценивания данной модели.

4.1 Метод оценивания

Используемый метод для цели оценивания точности модели должен удовлетворять нескольким критериям:

· Значение точности должно быть в пределах от нуля до единицы, включая границы интервала;

· Учитывать временную структуру риска банкротства;

· Учитывать специфику ошибки предсказания (ложноотрицательные и ложноположительные);

· Быть устойчивым к изменению данных.

Методы оценивания бинарных моделей удовлетворяют трем перечисленным критериям, кроме учета временной структуры. Таким, образом, достаточно приспособить имеющуюся методику к оцененной модели.

Для начала определим ложноотрицательные и ложноположительные предсказания. Ложноотрицательные предсказания соответствуют ошибке первого рода (type Й error), когда реальный банкрот классифицируется как финансово устойчивая компания, соответственно, ложноположительное предсказание характеризует ошибку второго рода (модель принимает действующую компанию за банкрота). Для реального бизнеса ошибка ложноположительные предсказания имеют меньшую значимость, нежели чем ложноотрицательные. Данный факт имеет место быть по причине высокой значимости ошибки ЙЙ рода для антикризисного менеджмента фирмы - несрабатывание метода ведет к недооценке последствий кризисной ситуации, а, следовательно, и к отсутствию мероприятий по предотвращению банкротства, в то время как ложноположительный результат не приведет к финансовому краху компании, а лишь станет «ложной тревогой» для компании, не ведущей к фатальным последствиям.

Метод, использующийся для оценки точности модели, проиллюстрирован на примере в таблице 7 (Lee, 2014).

Таблица №7. Сводная таблица для оценивания точности модели.

Оценен. Наблюд.	Не банкрот	Банкрот	Точность классификации
Не банкрот	A	B (2 рода)	E
Банкрот	C (1 рода)	D	F
Общая точность			G

Здесь, точность классификации финансово устойчивых фирм,

точность классификации фирм-банкротов,

общая точность модели.

Осталось решить вопрос с учетом временной структуры зависимой переменной.. По результатам анализа регрессии Кокса модель на выходе имеет распределение рисков во времени для фирм с определенными исходными значениями ковариат, таким образом, для каждой из фирм можно получить значение риска банкротства (интенсивность осуществления события в момент t) в определенный момент времени или вероятность не обанкротиться до момента t (вероятность обанкротится после t, дожив до t).

.Поэтому, требуется установить правило, по которому, фирма будет классифицироваться как банкрот. Исходя из оценки модели для каждой фирмы, можно определить риск стать банкротом в период времени . Таким образом, мы примем за пороговое значение риска, например, значение , при достижении которого, компания будет считаться банкротом, соответственно, а при риске ниже данного значения, компания будет характеризоваться как финансово устойчивая в данный момент времени.

Помимо данного метода классификации будет применена другая методология. По имеющимся данным о фирмах-банкротах будет оценено значение риска в фактический момент банкротства и внесено в таблицу для расчета точности модели как наблюдение-банкрот, в зависимости от выбранного порогового значения Для фирм, не обанкротившихся на момент выгрузки данных (2015 год), будет оценен риск банкротства в этот год, а наблюдение будет классифицировано в зависимости от того же параметра Особенность данного метода состоит в возможности использования всей имеющейся информации, без использования искусственного цензурирования данных, как было описано в первом методе. Данная особенность должна положительно повлиять на показатель предсказательной силы полученный модели, ввиду большего количества используемой информации для определения риска в каждый момент времени.

Данные методики по оценке точности модели отличаются по своей структуре и интерпретации выводов. Первая методика показывает точность модели при предсказании времени наступления интересующего события, в то время как, вторая методика показывает корректность предсказания по заранее известному фактическому времени банкротства. Первая методика впервые используется в данной работе, поэтому наибольшую важность представляет второй способ оценки точности модели ввиду своей стабильности.

4.2 Структура данных для оценивания модели

Оценивание точности модели по первой методике происходит в два этапа: построение регрессионной модели Кокса по обучающей выборке и применение результата оценивания к контрольной выборке, по которой будет посчитана точность построенной модели. Для того чтобы результат являлся корректным, фирмы-банкроты в тестовой выборке должны быть искусственно приведены к цензурированному типу, другими словами, необходимо «обрезать» данные на определенный момент времени, чтобы проверить факт банкротства на последующих, наблюдаемых промежутках времени, основываясь на данных динамических предикторов за предыдущие периоды. В данной работе в качестве предельного года был выбран 2010 год, для того, чтобы тестовый и исследованный промежутки времени имели одинаковую длину (выборка включает информацию с 2007 по 2014 год включительно).

Данная ситуация изображена на Рис.4 (слева). Синей горизонтальной линией отмечено выбранное критическое значение вероятности, красной вертикальной - момент «искусственного цензурирования» данных. Момент достижения оцененной кривой дожития критического значения вероятности будет характеризован как момент банкротства данной фирмы. Если же фирма не достигла синей линии до 2014 года, то она считается финансово устойчивой и не относится к группе банкротов. В данном случае, существует три возможных ситуации: первая - вероятность достигла критического значения, но банкротства в этот момент не произошло, следовательно данный случай будет квалифицироваться как ложноположительный; вторая ситуация характеризуется точным совпадением момента достижения критического значения фирмой и фактического момента банкротства; и, наконец, третья ситуация имеет место быть при ложно отрицательном прогнозе, когда момент банкротства наступил раньше предполагаемого момента времени. Описанный метод впервые применяется в данной работе, так как он очень специфичен и не может быть применен к другим моделям предсказания банкротств.

Рис 4. Методология оценивания.

Со второй методикой проще - здесь нет необходимости «обрезать» данные, даже, наоборот, необходимо использовать всю информацию. В данном случае, если в момент наступления банкротства компании оцененный риск окажется меньше выбранного критического значения, что данное наблюдение будет отнесено к ложноположительному случаю. Тестовая выборка состоит из 250 наблюдений, доли банкротов и не обанкротившихся за период изучения равны.

4.3 Результаты оценивания точности модели

Для начала, необходимо определить критическое значение для тестовой выборки. Методика выбора порога отсечения основывается на балансировании специфичности и чувствительности предсказываемой модели. В данном случае, чувствительность модели определяется долей истинно положительных предсказаний, в то время как, специфичность определяется долей истинноотрицательных предсказаний. Для определения оптимального значения порога отсечения необходимо найти пересечение кривых специфичности и чувствительности, оцененных по тестовой выборке.

Рис. 5. Определение оптимального порога отсечения

Как видно из Рис. 5 оптимальное значение порога отсечения для данной модели равно . Соответственно, данное значение будет использовано в дальнейшем оценивании точности модели.

Следующим этапом оценивания регрессии Кокса на контрольной выборке является подсчет ложноотрицательных, ложноположительных и корректных предсказаний, и, на основе полученных данных произвести расчет общей точности модели.

Таблица 8. Точность модели (первая методика)

		Estimated
		Не банкрот	Банкрот	Точность
Fact	Не банкрот	99	26	0.792
	Банкрот	27	98	0.784
	Общая точность			0.788

Таблица 9. Точность модели (вторая методика)

		Estimated
		Не банкрот	Банкрот	Точность
Fact	Не банкрот	101	24	0.808
	Банкрот	23	102	0.816
	Общая точность			0.812

В таблицах 8 и 9 представлены результаты оценивания точности модели первым и вторым методом, соответственно. Как и предполагалось, точность оцененной модели, рассчитанная по методике, не использующей “искусственное цензурирование” данных, оказалась выше по причине полноты информации о фирмах в тестовой выборке. С другой стороны, точность модели по первой методологии является более реальной в терминах оценивания предсказательной способности регрессии Кокса, но, несмотря на это, итоговой точностью оцененной модели для предсказывания будем принимать точность второй модели, по причине ее устойчивости. Примечательно то, что данное значение точности говорит о том, что в 81% случаях, модель будет верно предсказывать момент банкротства определенной компании, что является хорошим результатом в сравнении с альтернативными моделями предсказания банкротств. К сожалению, нам не удалось получить точность выше модели нейронных сетей, равной 82%. Однако, не стоит забывать о том, что данная модель относится к разряду классифицирующих моделей и, полученная нами модель, имеет большую применимость к реальной жизни.

Интересно оценить точность модели в зависимости от порога отсечения. В таблице 9 представлена динамика точности модели при изменении порога отсечения. Из таблицы видно, что оптимальный в терминах точности модели порог равен 0.45, что говорит о корректности выбранного порога для оценивания модели.

Таблица 9. Оценка точности модели (2 метод) при смене порога

Порог отсечения	Точность
0	0.5
0.12	0.635
0.24	0.725
0.36	0.78
0.45	0.812
0.48	0.7825
0.6	0.765
0.72	0.73
0.84	0.655
0.96	0.5

Таким образом, из оценивания регрессии Кокса мы получили модель, использующую цензурированный тип данных, учитывающую временную структуру наблюдений и имеющую высокую точность при прогнозировании банкротства. Более того, методика дает большую информацию о фирме, в сравнении с другими моделями, а именно риск стать банкротом в каждый момент времени жизни компании.

Заключение

В современных условиях ведения бизнеса для осуществления непрерывной и успешной коммерческой деятельности, необходим постоянный финансовый контроль, как со стороны регулирующих органов, так и со стороны антикризисного менеджмента компании. Среди причин банкротства компаний наиболее часто встречаются такие как: нехватка денежных средств на осуществление деятельности, конъюнктурные изменения и повышение уровня конкуренции на рынке. Очевидно, что с последними двумя причинами, по большему счету, компании не в силах справиться, но финансовые затруднения можно предотвратить благодаря выявлению признаков банкротства на ранних стадиях его развития. В данной работе предложен и апробирован на данных российского рынка метод оценивания риска банкротства наоснове методики анализа выживаемости.

Данная модель построена на основе оценивания регрессии Кокса с меняющимися во времени ковариатами, что позволяет использовать для прогнозирования риска не только фиксированные во времени переменные, но и динамические показатели фирмы. Важнейшей особенностью, определившей выбор данной модели, является способность анализировать цензурированные данные, что, несомненно, является преимуществом над другими моделями, не берущими во внимание фирмы с неполной информацией, тем самым теряя большой объем информации.

В существующем исследовании была получена модель, описывающая риск наступления банкротства компании в каждый момент времени ее существования. Наиболее важной и применимой возможностью данной модели является построение прогнозных значений риска банкротства на будущие периоды для фирм, не подвергнутых процедуре банкротства на момент проведения исследования. Таким образом, данная модель может быть использована для оценки вероятности стать банкротом для любой существующей российской компании, на основе ее финансовых показателей, что, несомненно, представляет объект интереса для антикризисного менеджмента компании. Помимо наличия дополнительных возможностей прогнозирования банкротства с помощью анализа выживаемости, данная модель имеет высокую точность - 78,8% и имеет право конкурировать с такими методиками как, модель нейронных сетей и многомерный дискриминантный анализ.

К сожалению, в данной модели никак не были учтены макроэкономические показатели конъюнктуры рынков, что, в свою очередь, исключает учет внешних факторов, как причину наступления банкротства. В дальнейшем, модель можно усовершенствовать путем включения индикаторов внешнего экономического воздействия, таких как изменения в законодательстве, уровень заработной платы и т.д. Помимо этого, в данной работе было принято предположение об отсутствии фиктивных фирм, что является грубым предположением, сделанным по причине отсутствия общепринятых признаков для их определения. В будущем, данную модель можно использовать для прогнозирования банкротств зарубежных компаний, но, вероятнее всего, список зависимых переменных может измениться. Вполне вероятно, что модель покажет большую точность на данных других стран, по причине лучшего качества предоставляемых финансовых данных.

В заключение следует отметить, что работы по предсказанию банкротства с использованием анализа выживаемости не получили огласку в отечественных исследованиях, поэтому результаты данного исследования являются уникальными для российского рынка. Более того, сравнительный анализ точности отечественных моделей показал, что результаты, полученные в настоящей работе являются одними из самых высоких для российских компаний.

Список литературы

1. Abad R.C., Fernбndez J.M.V., Rivera A.D. Modelling consumer credit risk via survival analysis // SORT Stat. Oper. Res. Trans. 2009. Т. 33. № 1. С. 3-30.

2. Aharony J., Swary I. A note on corporate bankruptcy and the market model risk measures // J. Bus. Financ. Account. 1988. Т. 15. № 2. С. 275-281.

3. Altman E.I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // J. Finance. 1968. Т. 23. № 4. С. 589-609.

4. Atiya A.F. Bankruptcy prediction for credit risk using neural networks: A survey and new results // Neural Networks, IEEE Trans. 2001. Т. 12. № 4. С. 929-935.

5. Beaver W.H., McNichols M.F., Rhie J.-W. Have financial statements become less informative? Evidence from the ability of financial ratios to predict bankruptcy // Rev. Account. Stud. 2005. Т. 10. № 1. С. 93-122.

6. Begley J., Ming J., Watts S. Bankruptcy classification errors in the 1980s: An empirical analysis of Altman's and Ohlson's models // Rev. Account. Stud. 1996. Т. 1. № 4. С. 267-284.

7. Bellovary J.L., Giacomino D.E., Akers M.D. A review of bankruptcy prediction studies: 1930 to present // J. Financ. Educ. 2007. С. 1-42.

8. Chen L.-S. идр. Predictive survival model with time-dependent prognostic factors: development of computer-aided SAS Macro program // J. Eval. Clin. Pract. 2005. Т. 11. № 2. С. 181-193.

9. Dimitras A.I. идр. Business failure prediction using rough sets // Eur. J. Oper. Res. 1999. Т. 114. № 2. С. 263-280.

10. Dimitras A.I., Zanakis S.H., Zopounidis C. A survey of business failures with an emphasis on prediction methods and industrial applications // Eur. J. Oper. Res. 1996. Т. 90. № 3. С. 487-513.

11. Fedorova E., Gilenko E., Dovzhenko S. Bankruptcy prediction for Russian companies: Application of combined classifiers // Expert Syst. Appl. 2013. Т. 40. № 18. С. 7285-7293.

12. Jackson R.H.G., Wood A. The performance of insolvency prediction and credit risk models in the UK: A comparative study // Br. Account. Rev. 2013. Т. 45. № 3. С. 183-202.

13. Kim M.H., Partington G. The dynamic prediction of company failure // 21st Australasian Finance and Banking Conference. , 2008.

14. Lane W.R., Looney S.W., Wansley J.W. An application of the Cox proportional hazards model to bank failure // J. Bank. Financ. 1986. Т. 10. № 4. С. 511-531.

15. LeClere M.J. The occurrence and timing of events: Survival analysis applied to the study of financial distress // J. Account. Lit. 2000. Т. 19. С. 158-189.

16. Lee M.-C. Business Bankruptcy Prediction Based on Survival Analysis Approach // Int. J. Comput. Sci. Inf. Technol. 2014. Т. 6. № 2. С. 103.

17. Luoma M., Laitinen E.K. Survival analysis as a tool for company failure prediction // Omega. 1991. Т. 19. № 6. С. 673-678.

18. Miller W. Comparing models of corporate bankruptcy prediction: Distance to default vs. z-score // Z-Score (July 1, 2009). 2009.

19. Odom M.D., Sharda R. A neural network model for bankruptcy prediction // 1990 IJCNN International Joint Conference on neural networks. , 1990. С. 163-168.

20. Ohlson J.A. Financial ratios and the probabilistic prediction of bankruptcy // J. Account. Res. 1980. С. 109-131.

21. Partington G., Kim M.H. Modeling bankruptcy prediction using Cox regression model with time-varying covariates // Available SSRN 1101876. 2008.

22. Pereira J. Survival Analysis Employed in Predicting Corporate Failure: A Forecasting Model Proposal // Int. Bus. Res. 2014. Т. 7. № 5. С. 9.

23. Perperoglou A., Cessie S. le, Houwelingen H.C. van. A fast routine for fitting Cox models with time varying effects of the covariates // Comput. Methods Programs Biomed. 2006. Т. 81. № 2. С. 154-161.

24. Raghupathi W., Schkade L.L., Raju B.S. A neural network application for bankruptcy prediction // System Sciences, 1991. Proceedings of the Twenty-Fourth Annual Hawaii International Conference on. , 1991. С. 147-155.

25. Severin E.K., Koloszбr L. «The Efficiency of Bankruptcy Forecast Models in the Hungarian SME Sector.» // J. Compet. 2014. Т. 6. № 2. С. 56-73.

26. Shumway T. Forecasting bankruptcy more accurately: A simple hazard model* // J. Bus. 2001. Т. 74. № 1. С. 101-124.

27. Thomas L., Reyes E.M. Tutorial: survival estimation for Cox regression models with time-varying coefficients using SAS and R // J. Stat. Softw. 2014. Т. 61.

28. Upward R. Constructing data on unemployment spells from the PSID and the BHPS // Cent. Res. Glob. Labour Mark. Sch. Econ. Stud. Nottingham. 1999.

29. Zmijewski M.E. Methodological issues related to the estimation of financial distress prediction models // J. Account. Res. 1984. С. 59-82.

30. Завадников В.О. О промышленной политике в Российской Федерации // Промышленная политика в Российской Федерации. 2007. № 5. С. 3-24.

Приложение

Regression Results
	Dependent variable:
	Hazard ratio
x2	-0.029***
	(0.006)
x3	-0.130***
	(0.027)
x4	0.00001***
	(0.00000)
x5	0.295***
	(0.046)
x6	-0.182***
	(0.024)
x9	-0.664***
	(0.108)
x7	-0.388**
	(0.168)
x14	-0.152***
	(0.028)
x15	0.0001***
	(0.00002)
cg2	-0.445***
	(0.075)
cg3	-0.763***
	(0.066)
cg4	-1.708***
	(0.199)
cg5	-1.401***
	(0.319)
no17	0.239*
	(0.138)
no20	0.495***
	(0.071)
no22	0.556***
	(0.071)
no25	0.318***
	(0.069)
no32	0.916***
	(0.279)
no33	0.618***
	(0.182)
no36	0.555***
	(0.076)
Observations	24,161
LogLikelihood	-22,906.830
WaldTest	787.120*** (df = 20)
LR Test	769.699*** (df = 20)
Score (Logrank) Test	981.690*** (df = 20)
Note:	*p**p***p<0.01

Таблица № 10. Базовый риск банкротства.

Baseliane Hazard
hazard	time
0.072	2
0.165	3
0.227	4
0.316	5
0.371	6
0.384	7
0.439	8
0.477	9



Рис. 11. Оценка регрессии Кокса без меняющихся ковариат.

Таблица № 11. Основные финансовые переменные

Переменная	Описание переменной
	current assets/current liabilities
	net profit/current liabilities
	cash/current liabilities
	inventory/profit sales
	total assets/net profit
	profit sales/current assets
	cash/current assets
	loan index
	fixed assets/total assets
	cash/current assets
	current ratio
	current assets/total assets
	capital/total assets
	retain earnings/total assets
	revenue sales/accounts receivable
	accounts receivable/accounts payable

Сектор	ОКВЭД
Производство пищевых продуктов, включая напитки	15
Производство табачных изделий	16
Текстильное производство	17
Производство одежды; выделка и крашение меха	18
Производство кожи, изделий из кожи и производство обуви	19
Обработка древесины и производство изделий из дерева и пробки, кроме мебели	20
Производство целлюлозы, древесной массы, бумаги, картона и изделий из них	21
Издательская и полиграфическая деятельность, тиражирование записанных носителей информации	22
Производство кокса, нефтепродуктов и ядерных материалов	23
Химическое производство	24
Производство резиновых и пластмассовых изделий	25
Производство прочих неметаллических минеральных продуктов	26
Металлургическое производство	27
Производство готовых металлических изделий	28
Производство машин и оборудования	29
Производство офисного оборудования и вычислительной техники	30
Производство электрических машин и электрооборудования	31
Производство аппаратуры для радио, телевидения и связи	32
Производство изделий медицинской техники, средств измерений, оптических приборов и аппаратуры, часов	33
Производство автомобилей, прицепов и полуприцепов	34
Производство судов, летательных и космических аппаратов и прочих транспортных средств	35
Производство мебели и прочей продукции, не включенной в другие группировки	36
Обработка вторичного сырья	37
Производство, передача и распределение электроэнергии, газа, пара и горячей воды	40
Сбор, очистка и распределение воды	41

Размещено на Allbest.ru

...