Анализ и прогнозирование финансового состояния предприятий оптовой торговли сельхозпродукцией

Размещено на http://www.allbest.ru//

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ОБРАЗОВАНИЯ

НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ

«ВЫСШАЯ ШКОЛА ЭКОНОМИКИ»

Факультет бизнеса и менеджмента

Анализ и прогнозирование финансового состояния предприятий оптовой торговли сельхозпродукцией

Выпускная квалификационная работа

по направлению подготовки 38.03.05 Бизнес-информатика

Саприкин Сергей Александрович



Введение

прогнозирование финансовый банкротство платежеспособный

Изначально на этапе воплощения в жизнь бизнес проекта большую роль играет этап прогнозирования и планирования и то, насколько качественно эти этапы проделаны. Это связано с тем, что данные этапы задают сам вектор развития предприятия и обозначают ключевые ожидания руководства. Критически важно здесь учесть все возможные риски и факторы, которые могут повлиять на успех предприятия и его рентабельность.

Когда же проект прошёл стадии запуска и уже непосредственно воплощается в жизнь, то роль планирования и прогнозирования ничуть не уменьшается, а наоборот местами возрастает. Это связано с реалиями современного конкурентного рынка, когда условия среды меняются настолько быстро, что ежемесячно в России порядка 1000 компаний становятся банкротами. В такой среде важность принимаемых управленческих решений возрастает многократно, так как хорошо просчитанное, спрогнозированное и вовремя принятое решение может уберечь компанию от банкротства или значительно увеличить долю рынка, и наоборот при недостаточном внимании к данному вопросу у предприятия просто не будет чёткого понимания как выбраться из той или иной ситуации и с большой вероятностью это приведёт к отрицательному исходу.

На фоне больших экономических потрясений в российской экономике за последние 10 лет (мировой финансовый кризис 2008 года, санкции с 2014 года и т.д.) заметно сильное влияние данных событий на количество банкротств в стране в целом. Начиная с 2014 года число банкротсв компаний в год остаётся стабильно высоким, а также ежегодное падение реальных доходов населения задают достаточно сложные и агрессивые условия для ведения бизнеса в России. Таким образом, тема анализа и прогнозирования финансового состояния предприятий является особенно актуальной сейчас.

Финансовое состояние российских предприятий оптовой торговли сельского хозяйства является предметом исследования.

Целью исследования является разработка метода анализа и прогнозирования финансового состояния предприятий оптовой торговли сельского хозяйства России.

Для достижения данной цели были поставлены следующие исследовательские задачи:

1. Сбор и анализ данных российских компаний оптовой торговли сельским хозяйством и определение ключевых факторов, оказывающих сильное влияние на банкротство данных предприятий;

2. Анализ классических моделей прогнозирования финансового состояния предприятия и их анализ, а также выделение методов, наиболее подходящих к сфере сельского хозяйства;

3. Разработка собственной модели прогнозирования вероятности банкротства предприятий оптовой торговли сельского хозяйства России.

За методологическую и теоретическую основы исследования взяты современные теории оценки финансового состояния предприятий, а также концептуальные подходы к данной проблеме и труды российских и зарубежных авторов по теме анализа и прогнозирования банкротства предприятий.

Для достижения поставленных целей и задач в исследовании применяются инструменты финансового и статистического анализа.

В качестве выборки для проведения исследования были выбраны данные обязательной финансовой отчётности.

Научная новизна работы состоит в:

Разработке модели оценки вероятности банкротства предприятий оптовой торговли сельским хозяйством в России.

Достижение поставленной в работе цели может стать фундаментом для создания новой и более совершенной методики прогнозирования банкротств предприятий оптовой торговли сельского хозяйства, что в свою очередь может иметь эффект не только на данную сферу, но и на максимально близкие и связанные с данной другие сферы бизнеса. Это в свою очередь говорит о полезности работы с точки зрения практической применимости, а также с точки зрения возможности значительного снижения отрицательных тенденций российской экономики последних 5 лет.



Глава 1. Особенности сельскохозяйственной отрасли в России и основные причины банкротства

1.1 Обзор отрасли и основные тенденции

В настоящее время по сравнению с развитыми странами доля сельскохозяйственной отрасли в ВВП России является существенной. И суждение о том, что агропромышленный комплекс (далее АПК) является одной из важнейших отраслей экономики РФ несомненно справедливо. Именно поэтому важно рассмотреть влияние санкций и затяжного для страны кризиса на сельскохозяйственную отрасль. По данным Росстата за последние 5 лет темпы роста цен на сельскохозяйственную продукцию сильно отстают от темпов роста цен промышленности, перевозок, строительства и других сфер. Но проблема заключается в том, что сельскохозяйственные отрасли очень тесно связаны с как раз с такими отраслями, как перевозки, промышленность и строительство. Таким образом, это наводит на гипотезу, что за последние 5 лет доля чистой прибыли в сельскохозяйственных предприятиях стабильно падает. В то же время в совокупности с более высоким темпом роста цен на промышленность и строительство в ближайшем будущем сельскохозяйственную сферу могут ждать большие трудности с и без того сильно изношенным производственным фондом в сфере. Исходя из вышесказанного проблема диспаритета цен в агропромышленном комплексе (далее АПК) России приобретает особую актуальность.

Помимо сельскохозяйственной отрасли АПК также включает в себя такие отрасли, как промышленное производство (станки, техника, и т.д.), строительство, а также вспомогательные отрасли, которые обеспечивают транспортировку, хранение, переработку и реализацию продукции.

Не секрет, что АПК производит товары первой необходимости или жизненно важные продукты для потребителей. На фоне ответных санкций со стороны России к странам зарубежья для развития многих сфер сельского хозяйства появился огромный экономический потенциал, но в то же время не будем забывать и о санкциях в сторону России, которые также усложнили ситуацию в плане экспорта. Актуальность данной проблемы также подчёркивает Президент РФ в ежегодных посланиях Федеральному собранию, акцентируя внимание на экономическом потенциале роста отрасли на внутреннем рынке и инновационном развитии АПК. Несмотря на все эти факторы, добиться ощутимого прогресса в сельском хозяйстве на данный момент не удалось. Некоторые сферы, конечно, выросли и часть выросла существенно, но если смотреть на отрасль в целом, то общая динамика не внушает уверенности в конкурентоспособности российского сельского хозяйства, в то время как развитие данной отрасли (исходя из доли в ВВП страны) коренным образом определяет экономический потенциал России и уровень её продовольственной безопасности, а также социально-экономическую обстановку в обществе.

АПК стал основным центром санкционного противостояния России и стран зарубежья. И как было сказано ранее на развитие сельскохозяйственной отрасли несомненно повлияли как санкции в сторону России, так и ответные санкции. В таблице 1 отражены основные показатели отрасли сельского хозяйства до продовольственного эмбарго и после. На основе этих данных можно сделать следующие выводы:

Первые два квартала 2015 года по сравнению с 2014 годом отметились падением экспорта на 2,2 миллиарда долларов, а также на санкциях в отношении импорта российских товаров Россия потеряла порядка 80 миллиардов долларов;

Доля импорта и экспорта для стран дальнего зарубежья значительно не изменилась;

За первые два квартала 2015 года импорт с/х продукции сократился почти на 9 миллиардов долларов;

Достигнута рекордная цифра покрытия импорта сельскохозяйственной продукции экспортом в 2015 году, и она составила почти 55%. Данный показатель вырос почти на 12% к предыдущему году.

Таблица 1. Показатели импорта и экспорта с/х продукции в России за 2011-2015 гг.

Показатели	2011	2014	2014 (январь - июль)	2015 (январь - июль)
Экспорт с/х продукции, млрд долл.	13,4	18,8	10,4	8,2
Совокупная доля экспорта, %	2,7	3,4	3,5	3,9
Доля стран дальнего зарубежья, %	69	74	72	73
Импорт с/х продукции, млрд долл.	42,6	39,8	23,8	14,9
Совокупная доля импорта, %	13,8	13,9	15	14,5
Доля стран дальнего зарубежья, %	85	87	87	85
Доля покрытия импорта экспортом, %	31,4	47,7	43,5	54,8

Источник: авторское исследование по данным Росстата

На фоне такой сложной и опасной ситуации для отрасли в целом совместно с Министерством сельского хозяйства РФ (далее Минсельхоз России) были разработаны корректировки в программу развития сельского хозяйства и разработана новая программа на 2015 - 2020 годы. Согласно данной программе, Министерством были выдены новые приоритетные направления развития сельского хозяйства России (Таблица 2). На основе данных из таблицы 2 видно, что результаты сельскохозяйственной отрасли в целом за 2011-2014 гг. значительно ниже результатов за 1986-1990 гг. Причём по 5 из 8 основным продуктам данная разница составляет 14%, а по молоку в свою очередь 42%. В добавок к вышесказанному следует подчеркнуть, что планируемые показатели 2020 года (на основе программы гос. развития сельского хозяйства) ниже показателей 1986-1990 гг., по таким продуктам, как молоко, зерно и картофель, а по мясным изделиям данные показатели примерно равны. По результатам 2017 года можно судить, что санкции в отношении стран зарубежья не принесли ожидаемого роста отечественного сельского хозяйства и, несмотря на прогнозы экспертов, значительных успехов добились только сферы производства мяса, молока и сахарной свеклы. Рост данных сфер был заложен в 2015 году и продолжается по настоящее время. Данные результаты были в первую очередь обеспечены ростом производства мяса птицы (10,3%) и свинины (14,4%) и ростом производства сыров на целых 42% в 2015 году. В свою очередь это обеспечило прирост производства мяса на 5,5%, а молока на 2,7%. Однако, если разобраться поподробнее, то ситуация в отношении производства молока не такая хорошая, как могло показаться из прироста. Суть заключается в том, что несмотря на колоссальный прирост в производстве сыров, производство молока осталось примерно на том же уровне. В свою очередь это указывает на то, что некоторые производители молочной продукции перешли на более дешёвые заменители молока, то есть в данной ситуации мы имеем дело с фальсификацией и ухудшением качества конечной продукции.

Таблица 2. Производство продуктов сельского хозяйства с наибольшей долей рынка в России (млн. т., среднее за год)

Продукция		1986 -			2011-		2017		2020 (госпрограмма)
		1990		2014
Зерно		105,1		91,4		99,3		116
Молоко		55,2		32,1		31,1		39
Яйца, млрд шт.		48,1		42,5		42		-
Картофель		36,2		32		31,4		32
Сахарная свекла		34		42,7		38,1		41,2
Овощи		12		15,4		16		17
Скот и птица (в убойном весе)		9,7		8,4		9,3		9,8
Семена подсолнечника		3,2		9,4		9,4		7,6

Источник: авторское исследование по данным Росстата



По оценкам экспертов при нынешнем уровне производства молока, для производства заявленных оборотов молочной продукции необходимо использовать порядка 12 млн. тонн немолочных жиров (заменителей молока), что в свою очередь составляет 40% от произведённого за 2014 год молока. В добавок к этому Росстандарт дал следующую оценку рынку фальсификатов в России, данные свидетельствуют, что за 2017 год доля данной продукции составляла порядка 20% от всех товаров пищевой промышленности и среди них доля молочной продукции составляла более 20% (из них почти 39% приходилось на сливочное масло), а доля мясных фальсификатов порядка 12%. Исходя из оценок Россельхознадзором российского рынка сыра на начало 2017, доля фальсифицированной продукции составляла не менее 50%, а в некоторых категориях достигала 80%.

Многие эксперты также в свою очередь отмечали прирост производства некоторых видов сельскохозяйственной продукции (наряду с падением качества некоторых товаров) и связывали такой рост в первую очередь с отдачей от ранее вложенных инвестиций в данные сферы. Подводя небольшой итог воздействия санкций на российский рынок сельского хозяйства, можно сделать выводы, что хоть ответные меры со стороны России и принесли свои плоды в виде финансовых потерь и сокращения рабочих мест для стран Евросоюза (Таблица 3), но тем не менее курс на импортозамещение нельзя назвать невероятно успешным и АПК столкнулся с большими трудностями при переходе на новые условия рынка, а в связи с изношенностью производственной базы и разностью темпов роста цен в АПК наряду с ежегодным падением реальных доходов населения на протяжении последних лет, что в совокупности делает небезосновательными прогнозы многих экспертов относительно ещё более сложного этапа для сельского хозяйства в России в ближайшие годы. Для изменения ситуации в лучшую сторону и выполнения плана на 2020 год были разработаны следующие приоритетные направления:

Снижение потерь продукции и увеличение плодородия почв;

Модернизация производственной базы картофельных производителей и производителей овощных культур открытого грунта;

Модернизация и субсидирование производителей овощных культур в защищенном грунте;

Модернизация и рост отрасли молочного скотоводства;

Строительство и модернизация существующих центров селекции и генетики с упором на отрасли животноводства и растениеводства;

Модернизация вспомогательных отраслей АПК (строительство и модернизация логистических центров, складских помещений и перерабатывающих предприятий).

Таблица 3. Потери стран Евросоюза, вызванные санкциями и ответными мерами со стороны России

Страна	Экономические потери, млрд евро		Падение числа рабочих мест, тыс.
Германия	30						510
Италия	17,1						310
Франция	12						172
Великобритания	9,1						151
Испания	8,6						216
Польша	5,5						312
Нидерланды	3						43
Чехия	2,9						99
Австрия	2,9						46
Эстония	1,7						77
Румыния	1,4						120
Португалия	1,2						66
Венгрия	1,2						56
Словакия	1,1						44
Болгария	0,5						63

Источник: авторское исследование по сайту: URL: http://uecs.ru/finansi-i-kredit/item/3713-2015-09-25-09-23-19



Таким образом, вышеперечисленные меры помогут стимулировать ускоренное развитие сельского хозяйства в России и поспособствуют уменьшению наметившихся отрицательных тенденций. Совместно с Минсельхозом России были проработаны два варианта дополнений к программе поддержки АПК на 2015-2020 гг.: в высокозатратном варианте запланировано финансирование из бюджетных средств на сумму 1 трлн 30 млн рублей, а согласно минимальному плану намечено финансирование на сумму 646 млрд рублей до 2020 года. Помимо всего прочего для решения ключевой проблемы с кредитованием сельскохозяйственных предприятий, на базе Минсельхоза России была создана рабочая группа, в состав которой вошли ведущие представители банковской сферы РФ.

Благодаря данным мерам был разработан и внесён ряд поправок в текущую нормативную документацию кредитных учреждений и Центрального банка РФ основываясь на специфики АПК. Что в свою очередь позволило использовать земли сельскохозяйственного назначения в качестве залога, а также позволило уменьшить резервы банков, необходимые для выдачи займов сельскохозяйственным предприятиям.

Как было отмечено ранее, развитие сельскохозяйственной отрасли в условиях санкций проходит неоднозначно. Несомненно, наблюдаются некоторые положительные тенденции роста по некоторым продуктам сектора, рост количества предприятий, но, с другой стороны, эти тенденции не всегда имеют под собой качественную и однозначно положительную основу, как в примере с молочной продукцией. Очевидно, что когда отрасль столкнулась с такими трудностями, то в данном случае не обойтись без помощи государства и государственные проекты по развитию сельского хозяйства, о которых говорилось ранее, как раз способствуют и будут способствовать снижению негативного эффекта и повышению экономической эффективности отрасли. К примеру, в 2017 г. на поддержание АПК в регионах правительством была выделена сумма в 156,4 млрд руб. Одной из основных проблем сельскохозяйственной отрасли в России являются высокий процент потери урожая по всем этапам производства. Для улучшения земель сельскохозяйственного назначения по целевой программе «Устойчивое развитие сельских территорий на период до 2020 года» бюджетом заложена сумма в 10,442 млрд руб., из которых 98% субсидий. По данным на начало 2018 года до предприятий и регионов было доведено порядка 98,6% этой суммы. По данным Ассоциации фермерских хозяйств и сельскохозяйственных кооперативов России, на 2014 г. по государственным грантам и субсидиям получили поддержку порядка 16% новых сельскохозяйственных предприятий, а что касается 2017 года, то изначально на поддержку новых предприятий сельского хозяйства было заложено 2 млрд руб., но уже к июню эта сумма выросла до 3,3 млрд руб. Росстат опубликовал данные, что в 2017 году в конкурсах на получение государственного гранта или субсидий всего участвовало порядка 156 тыс. фермеров, а сам конкурс насчитывал по 6-12 человек на грант исходя из расположения региона.

Как было отмечено ранее, одной из наиболее существенных проблем АПК в России является устаревшая и изношенная производственная база. По данным на начало 2018 года на предприятиях сельского хозяйства было задействовано около 21 тыс. кормоуборочных, 127 тыс. зерноуборочных комбайнов и 470 тыс. тракторов, при этом общее количество техники в сравнении с 2014 годом упало на 2,8% при средней готовности техники в 87,6%.

Исходя из мировой практики и экономических соображений очевидно, что курс на импортозамещение товаров, которые можно с тем же успехом и меньшими затратами производить в своей стране, имеет место быть. И даже в условиях открытого рынка каждая страна пытается защитить товары отечественного производителя и создать для них лучшие условия на рынке. Но в отношении сельского хозяйства в России эта политика на данный момент не принесла ожидаемых плодов и в свою очередь встаёт вопрос о её состоятельности и продуманности, потому что переход на новый курс произошёл крайне быстро и отрасль по большей части оказалась не готова к таким изменениям. И если мы обратимся к таблице 2, то увидим, что по сравнению с 2014 годом в 2017 году наблюдается снижение производства молока, картофеля, сахарной свеклы и яиц при том, что после продовольственного эмбарго некоторые категории импортируемых продуктов питания вовсе попали под запрет и российским производителям было необходимо удовлетворять этот спрос и как следствие должны были вырасти и объёмы производства, но это произошло лишь в трёх из восьми основных производимых продуктах. Исходя из этого можно подвести итог, что политика импортозамещения оказалась неудачной и плохо реализованной.

1.2 Анализ финансового состояния отрасли

По своей сути анализ финансового состояния предприятий представляет собой комплексное исследование ключевых показателей жизнедеятельности предприятия и их анализ на предмет эффективного использования ресурсов предприятия. В современных реалиях рыночных условий такой анализ необходимо проводить на регулярной основе и как можно чаще для определения основных проблемных зон предприятия. На основе полученной аналитики может быть выработана новая стратегия фирмы по ключевым направлениям, например это может быть изменение политики структуры активов и капитала или повышение уровня платежеспособности предприятия. Несомненно все вышеперечисленные факторы делают анализ финансового состояния предприятия невероятно важным и ответственным мероприятием для качественного управления любой коммерческой организацией. Помимо этого, не секрет, что в современных рыночных отношениях большое внимание будет приковано к таким исследованиям и последующим действиям менеджмента предприятия как со стороны прямо, так и косвенно финансово заинтересованных агентов.

Последние исследования финансового состояния отрасли сельского хозяйства России демонстрируют, что наметилась положительная тенденция роста объёма переработки и производства сельскохозяйственной продукции и как следствие выросла продовольственная безопасность в стране. В большинстве это плоды нескольких государственных программ, которые были описаны ранее, а также инициативы производителей и отдача от инвестиций, которые были вложены в сектор после введения продовольственного эмбарго. От эффективно и качественной работы АПК страны в огромной степени зависит продовольственная безопасность страны. Это связано с тем, что АПК включает в себя такие сферы, как производство спец. техники, строительство, пищевую промышленность, перевозки, переработку и хранение готовой продукции, а также непосредственную реализацию. Таким образом, планомерное и качественное развитие данного сектора является основой для качественного и достаточного обеспечения продуктами питания населения. На сегодняшний день перед АПК России стоит огромная задача модернизации всего комплекса и снижения больших убытков в деятельности предприятий. К примеру, статистика потерь готовой продукции после сбора картофеля и овощей составляет более 38%, а при сборе зерна порядка 29%. Изношенность производственного фонда отрасли, которая обеспечивает дальнейшую переработку продукции сельского хозяйства, составляет около 65%, а сама потребность в оборудовании сектора удовлетворена лишь на половину.

Анализ финансового состояния АПК России позволил выявить целый ряд проблем. Основная проблема заключается в сокращении производства и объёмов посевных работ, а также сокращение поголовья скота. Данная проблема проистекает из ряда причин вызванных санкционной войной. Во-первых, в результате продовольственного эмбарго были нарушены многие продовольственные связи с зарубежными производителями, а также значительно подорожали товары, закупаемые в валюте. Во-вторых, скачок инфляции и как следствие подорожание заемных средств. И в-третьих, отрицательная динамика снижения реального дохода населения России на протяжении последних 5-ти лет и разница в темпах роста цен на сельскохозяйственную и промышленную продукцию. Второй не менее важной проблемой является тяжёлое положение дел в отрасли в плане финансов, для которого характерны следующие признаки:

Низкие поступления денежных средств от реализации продукции в связи с низкими ценами и ограничениями сбыта;

Сезонный характер большинства производств и как следствие нехватка оборотных средств для стимулирования производства и наряду с этим высокий уровень недоступности кредитных займов;

Высокий уровень закредитованности сферы в целом и большое количество задолженностей в гос. бюджет и внебюджетные фонды, а также задолженности по льготным государственным кредитам.

Подавляющая часть этих задолженностей приходятся на штрафы и пени за просрочки по выплатам в связи с тем, что существующая система не имеет ничего общего с гибким подходом и продуманным взаимодействием с каждой отраслью и абсолютно не учитывает сезонный характер финансовых поступлений отрасли. По сравнению со странами, которые находятся в таких же климатических условиях, как и Россия, у нас достаточно остро стоит проблема низкой урожайности и продуктивности животноводства. В сравнении с развитыми странами уровень урожайности в России ниже по картофелю в 2,3 раза, по зерну почти в 3 раза и по сахарной свекле в 1,9 раза.

Все перечисленные проблемы в совокупности приводят к отставанию по производительности труда от развитых стран в среднем в 3,4 раза. Наряду с этим на территории России возможно выращивать практически любые виды сельскохозяйственной продукции, за исключением самых требовательных к климатическим условиям видов. Однако на мировом рынке Россия выступает в качестве одного из главных импортёров продуктов питания. Причинами этому служат такие факторы, как низкая эффективность производства и качества продукции, а также большие потери производства. И несмотря на то, что территория России достаточно хорошо снабжена сельскохозяйственными землями, но их количество и размеры постоянно подвергаются уменьшению из-за изъятия земель под различные строительные проекты.

Из вышесказанного можно сделать вывод, что для успешного развития АПК в России и возможности самостоятельно обеспечивать себя продовольственными ресурсами, необходимо не только наращивать объёмы производства, но и сделать огромный шаг в сторону эффективности (снижение потерь производства) и качества производства, а также продолжать работу в сторону расширения ассортимента. При невыполнении данных задач возврат к масштабному импорту товаров пищевой промышленности станет неизбежным.



Глава 2. Методы оценки финансового состояния предприятий

2.1 Модель Альтмана

При построении модели Эдвардом Альтманом были исследованы 66 компаний Америки на временном отрезке с 1946 по 1965 гг. Выборка компаний состояла на половину из финансово стабильных компаний и наполовину из компаний, потерпевших банкротство за этот период. Изначально для работы с выборкой Альтман использовал 22 коэффициента, но впоследствии, выдели наиболее существенные, оставил только 5. В последующей работе с выборкой Эдвард Альтман использовал такой инструмент, как множественный дискриминантный анализ. При помощи данного анализа Альтман определял весовые значения для коэффициентов модели.

Итогом модели стало получение статической классификационной модели, которая позволяла распределять выборку предприятий на 3 категории: «зелёная» зона (куда попадали финансово стабильные и крепкие предприятия), «серая» зона или зона неопределённости (предприятие нельзя было с точностью отнести ни к одной из групп) и наконец «красная» зона (куда попадали предприятия с наибольшим риском банкротства). В таблице 4 описаны критерии, по которым принято оценивать интегральные значения компаний по данной модели и относить к одной из зон. Эдвард Альтман был первым, кто применил MDA-анализ Фишера с целью анализа риска банкротств предприятий.

В последствии Эдвард Альтман несколько раз дорабатывал модель и в конечном виде для оценки вероятности банкротств частных предприятий она дошла до наших времён с видоизменённым 4-м коэффициентом, рыночную стоимость акций сменил такой показатель, как величина собственного капитала. Принято считать, что модель Альтмана выдаёт точность порядка 91% в прогнозировании вероятности банкротства предприятия при прогнозном периоде в 1 год.

Таблица 4. Модифицированная пятифакторная модель Альтмана для частных компаний

Модифицированная пятифакторная модель Альтмана для частных компаний
K1	NWC/TA = Собственные оборотные средства/Баланс
K2	Нераспределенная прибыль (непокрытый убыток)/Баланс
K3	EBIT/TA=(Прибыль до налогообложения + ABS(Проценты к уплате))/Баланс
K4	Собственный капитал/ Обязательства
K5	Выручка/Баланс
Z	0,717*K1 + 0,847*K2 + 3,107*K3 + 0,42*K4 + 0,995*K5
Анализ	Если Z*>2,9 - зона финансовой устойчивости («зеленая» зона). Если 1,23<Z*<2,9 - зона неопределенности («серая» зона). Если Z*<1,23 - зона финансового риска («красная» зона).

Модель Фулмера

В основу разработки модели Фулмера для определения вероятности банкротства предприятия легли данные 60-ти компаний, из которых половина обанкротившиеся предприятия, а вторая половина стабильно работающие предприятия со средним годовым оборотом порядка 460 тыс. долл.

Основные особенности модели заключаются в:

тесной связи и высокой корреляции факторов модели между собой;

ориентации факторов модели на объёмы инвестиций. К примеру, такой показатель, как стоимость совокупных активов, который является составляющей частью большинства компонентов модели, как раз и подразумевает собой тесную связь с объёмом инвестиций, во всяком случае линейную зависимость.

Ещё одной особенностью компонентов модели многие эксперты выделяют их обратно пропорциональную зависимость от совокупной стоимости активов. В свою очередь такие показатели модели, как балансовая стоимость долговых обязательств и полная задолженность предприятия, тоже имеют высокую корреляцию с показателем объёма инвестиций, так как большая доля итогового значения по данным показателям генерируется как раз за счёт инвестиций.

Изначально модель базировалась на подсчёте 40-ка коэффициентов, но в последствии их количество было сокращено до 9-ти. Из-за большого количества компонентов модель Фулмера считают одной из самых стабильных и устойчивых к изменению отдельного фактора. Помимо всего прочего выгодной особенностью данной модели считаю тот факт, что в уравнении модели учитывается такой немаловажный критерий, как размер предприятия.

Для американского рынка данная модель способна определять вероятность банкротства и вероятность успеха предприятия с одинаковой степенью надёжности. Для российских предприятий данную модель следует использовать с одной оговоркой, а именно следует переводить 7-й коэффициент (Таблица 5) в доллары США по курсу на дату составления отчёта. В прогнозировании на год вперёд данная модель показывала точность порядка 98%, а при прогнозировании на более продолжительный период в районе 80%.

Таблица 5. Модель Фулмера

Модель Фулмера
K1	Нераспределенная прибыль/Баланс
K2	Выручка/Баланс
K3	Прибыль до уплаты налогов/(Итого капитал и резервы + Доходы будущих периодов)
K4	(Амортизация + Чистая прибыль) / (Итого долгосрочные пассивы + Итого краткосрочные пассивы - Доходы будущих периодов)
K5	Итого долгосрочные обязательства/Баланс
K6	(Итого краткосрочные пассивы - Доходы будущих периодов)/Итого баланс
K7	log(Баланс - Доходные финансовые вложения - Нематериальные активы - Дебиторская задолженность - НДС на приобретенные ценности)
K8	(Итого оборотные активы- Долгосрочная дебиторская задолженность)/(Итого краткосрочные пассивы + Итого долгосрочные пассивы - Доходы будущих периодов)
K9	lg((Прибыль до налогообложения/ABS(Проценты к уплате))+1)
Z	5,528*K1 + 0,212*K2 + 0,073*K3 + 1,270*K4 - 0,120*K5 + 2,335*K6 + 0,575*K7 + 1,083*K8 + 0,894*K9 - 3,075
Анализ	при Z<0, предприятие с высокой долей вероятности станет банкротом

Модель Спрингейта

Данная модель для анализа платежеспособности компаний была создана учёным из Канады Гордоном Спрингейтом в 1978 году.

При создании данной модели Г. Спрингейтом изначально было отобрано 19 показателей и, после последовательного применения дискриминантного анализа, их число сократилось до 4-х показателей (Таблица 6), наиболее значимых для дальнейшего анализа.

Основой выборки для создания данной модели послужили 40 компаний (половина банкроты, а половина платежеспособные предприятия). В прогнозном периоде на год вперёд данная модель определяла платежеспособные предприятия с точностью до 92,6%. В последствии при тестировании данной модели в разные периоды времени, исследователи получали разные показатели надёжности, так, например, в 1979 году протестировав модель на 50-ти предприятиех со средним показателем активов в 2,4 млн. долл. модель показала точность 87,8%, а в 1980 году при выборке в 24 предприятия со средним значением активов в 2,6 млн. долл. модель продемонстрировала результат в 83,4% точности.

Таблица 6. Модель Спрингейта

Модель Спрингейта
K1	(Итого оборотные активы - Долгосрочная дебиторская задолженность)/Баланс
K2	EBIT/TA=(Прибыль до налогообложения + ABS(Проценты к уплате))/Баланс
K3	Прибыль до налогообложения/(Итого краткосрочные пассивы-Доходы будущих периодов)
K4	Выручка/Баланс
Z	1,03*K1 + 3,07*K2 + 0,66*K3 + 0,4*K4
Анализ	при Z < 0,862 - высокая вероятность банкротства в течение 2-3 лет; при Z > 0,862 - платежеспособное предприятие.

Модель Чессера

Основной функцией модели Чессера является прогнозирование вероятных финансовых проблем с возвратом займа у заёмщика и в добавок ко всему прочему модель позволяет не только оценивать риски не возврата займа, но и позволяет оценить многие другие факторы, которые позволяют более объективно оценить выгодность предоставления займа для кредитора.

В основу модели легла выборка из 74-х банковских займов, где половину составляли ссуды, которые были успешно возвращены, а другую половину составляли проблемные займы. Также стоит отметить, что при создании модели были использованы данные балансов предприятий заёмщиков за год до займа.

Однако изначальная точность модели относительно остальных рассматриваемых достаточно низкая и на этапе тестирования позволяла точно определить 75% предприятий-банкротов за год, до нарушения условий займа. Основным отличием модели Чессера от остальных моделей является тот факт, что на основе анализа модель позволяет выделить целых 6 классификаций для заёмщиков (Таблица 7) и с большей точностью определить финансовое положение предприятия.

Таблица 7. Модель Чессера

Модель Чессера
K1	(Высоколиквидные ценные бумаги + Наличность) / Активы
K2	Нетто-продаж / (Высоколиквидные ценные бумаги + Наличность)
K3	(Брутто-доходы) / Активы
K4	(Краткосрочная + Долгосрочная задолженность) / Активы
K5	Основной капитал / Чистые активы
K6	Оборотный капитал / (Нетто-продажи)
Z	-2,0434 - 5,24*K1 + 0,0053*K2 - 6,6507*K3 + 4,4009*K4 - 0,0791*K5 - 0,102*K6 P = 1/(1+e--z)
Анализ	При P<0,5, стабильное финансовое положение и низкий риск банкротства; При 0,8<P<1 предприятие-банкрот; При 0,6<P<0,8 высокая вероятность банкротства; При 0,4<Р<0,6 удовлетворительное состояние предприятия; При 0,2<Р<0,4 хороший уровень надёжности заёмщика; При 0<Р<0,4 отличный показатель финансового состояния.

Модель Р. Таффлера и Г. Тишоу

При создании своей модели британские учёные Г. Тишоу и Р. Таффлер опирались на результаты, полученные при применении в 1977 г. модели Альтмана к данным 80 компаний Британии. По результатам эксперимента учёными было принято решение о построении собственной модели прогнозирования вероятности банкротства, основанной на 4-х модифицированных факторах. Данная модель была рекомендована к использованию, если существует необходимость оценки таких факторов, как влияние технологий на изменение финансовых показателей и влияние современных трендов бизнеса.

Согласно распределению весов в итоговой модели первая переменная (Таблица 8) играет ключевую роль в прогнозировании, однако надёжность прогнозирования модели ниже в сравнении с Моделью Альтмана, на которую опирались учёные при создании. Это связано с тем, что в модели используются 4 фактора, а первый имеет вес более 0,5, что в свою очередь может привести к неточностям в определении категории предприятия при незначительном колебании параметров или при небольших неточностях в подсчётах и на этапе составления выборки.

Таблица 8. Модель Р. Таффлера и Г. Тишоу

Модель Р. Таффлера и Г. Тишоу
K1	Прибыль от продаж/(Итого краткосрочные пассивы-Доходы будущих периодов)
K2	(Итого оборотные активы- Долгосрочная дебиторская задолженность)/(Итого краткосрочные пассивы + Итого долгосрочные пассивы - Доходы будущих периодов)
K3	(Итого краткосрочные обязательства-Доходы будущих периодов)/Баланс
K4	Выручка/Баланс
Z	0,53*K1 + 0,13*K2 + 0,18*K3 + 0,16*K4
Анализ	При Z > 0,3 предприятие платежеспособно; При Z< 0,2 высокая вероятность банкротства.

Модель Р.С. Сайфуллина и Г.Г. Кадыкова



Модель прогнозирования вероятности банкротства Г. Кадыкова и Р. Сайфулина при прогнозировании опирается на 5 факторов (Таблица 9) и входит в число количественных кризис-прогнозных методов. Подсчёты данной модели базируются на следующей формуле:

R = 2*Косс + 0,1*Ктл + 0,08*Ки +0,45*Км + Кпр,

В которой R является рейтинговым числом Сайфуллина - Кадыкова;

Косс обозначает собой коэффициент обеспеченности собственными средствами (оптимальным значением является Косс больше 0,1);

Ктл - коэффициент текущей ликвидности (Оптимальное значение Ктл больше 2);

Ки обозначает интенсивность оборота авансированного капитала, иначе говоря, отражает выручку предприятия с 1 рубля инвестированного капитала (Ки больше 2,5 оптимально);

Км - коэффициент менеджмента, отражает процент чистой прибыли в общей выручке предприятия;

Кпр - рентабельность собственного капитала (Кпр больше 0,2).

По данной модели предприятия со значением R меньше 1 относятся к предприятием с высоким риском банкротства.

Таблица 9. Модель Р.С. Сайфулина и Г.Г. Кадыкова

Модель Р.С. Сайфуллина и Г.Г. Кадыкова
Косс	(Собственный капитал -- Внеоборотные активы) / Оборотные активы;
Ктл	Оборотные активы / Краткосрочные обязательства;
Ки	Выручка от продаж / Среднегодовая стоимость активовобязательства;
Км	Чистая прибыль / Выручка;
Кпр	Чистая прибыль / Собственный капитал.
R	2*Косс+0,1*Ктл+0,08*Ки+0,45*Км+Кпр
Анализ	При R<1 высокая вероятность банкротства; При R>1 низкая вероятность банкротства.



2.2 Модель Иркутской государственной экономической академии

Модель Иркутской государственной экономической академии (далее ИГЭА) разработана учёными этой академии и за основу данной модели были взяты 4 коэффициента для расчёта риска банкротства предприятий. Достоинством модели считается довольно высокая точность прогнозирования для российских компаний.

Вероятность банкротства зависит от значения коэффициента и определяется на основании информации, приведенной в таблице 10.

Основная особенность модели ИГЭА состоит в том, что помимо классификации компаний на основе значений R коэффициента, модель также присваивает предприятием определённые вероятности банкротства от 0 до 100%, а также выделяет 5 групп классификации компаний, что в свою очередь позволяет заранее отреагировать на ухудшение финансового состояния предприятия и принять соответствующие меры по минимизации потерь и сохранения платежеспособности.

Таблица 10. Модель Иркутской государственной экономической академии

Модель Иркутской государственной экономической академии
К1	чистый оборотный капитал / активы;
К2	чистая прибыль / собственный капитал;
К3	чистый доход / валюта баланса;
К4	чистая прибыль / суммарные затраты.
R	8,38*К1 + К2 + 0,054*К3 + 0,63*К4
Анализ	Если R < 0 - вероятность банкротства лежит в районе 90%-100%; Если R 0 - 0,18 - вероятность банкротства в районе 60%-80%; Если R 0,18 - 0,32 - вероятность банкротства в районе 35%-50%; Если R 0,32 - 0,42 - вероятность банкротства низкая, в районе 15%-20%; Если R > 0,42 - вероятность банкротства минимальная, до 10%.



2.3 Сравнительная характеристика моделей

В современных реалиях рынка в связи с ростом неопределённости и скорости изменений, всё большее внимание уделяют анализу бизнеса, в том числе и такому инструменту как прогнозирование вероятности банкротства. В настоящее время модели прогнозирования банкротства получили широчайшее представление и распространены на большинство сфер предпринимательства, использование данных моделей помимо консалтинга мы можем наблюдать в банковской сфере при анализе заёмщика, в государственных органах и непосредственно на самих предприятиях для постоянного мониторинга финансового состояния. В добавок к вышесказанному прогнозированием банкротств занимается и специальное подразделение Банка России и по данным этого подразделения при анализе российского рынка на 2016 год, у 40% компаний были выявлены признаки банкротства, а среди крупнейших компаний России по данному анализу к банкротству склонны 7 из 20. Однако, стоит также отметить, что данный анализ подразделение выполняло на базе модели Альтмана, которая является одной из первых моделей прогнозирования банкротства. Но насколько она применима к современным российским реалиям? Этот вопрос, а также анализ надёжности и точности вышеперечисленных моделей на примере современных российских компаний будут рассмотрены в данном пункте.

Настоящий «бум» в интересе к прогнозированию вероятности банкротства предприятий произошёл после публикации работ учёных У. Бивера и Э. Альтмана в 1966 году и в 1968 году соответственно. Считается, что У. Бивер является первым исследователем данной темы и в своих трудах он анализировал вероятность банкротства на основе финансовой отчётности предприятий. Однако, как и у большинства новых изобретений, его подход имел массу недостатков и недоработок. К примеру, Бивер в своей работе для выявления предприятий, подверженных риску банкротства, использовал метод сравнения финансовых показателей предприятий-банкротов и здоровых предприятий. Таким образом, его метод не предполагал дискриминантного анализа и построения сложных моделей с распределением весов по коэффициентам, а основывался на сравнении. Итогом анализа становилось построение графиков или таблиц с выделением ключевых финансовых переменных, которые оказывают влияние на риск банкротства, и задания диапазона значений для этих переменных. Пользователи данной модели при анализе риска банкротства предприятия ориентировались на данную таблицу, сравнивая значения необходимых показателей со значениями в таблице, и посредствам этого делались выводы в пользу финансовой устойчивости или вероятности банкротства предприятия.

Первым, кто внедрил множественный дискриминантный анализ для анализа риска банкротства предприятия, был Эдвард Альтман. Данная методика впоследствии получила широчайшее распространение в анализе банкротства и неоднократна становилась основой для новых моделей последователей Альтмана. Сам Альтман на основе анализа переменных смоделировал линейное уравнение, в котором оставил только 5 ключевых, по его мнению, переменных. Далее на основе анализа выборки компаний и неоднократных экспериментов данным факторам были присвоены весовые коэффициенты, а, суммируя полученное уравнение, исследователь получал значение функции, называемой Z-счётом. Таким образом, по значениям данной функции происходило распределение предприятий на две категории: финансово устойчивые предприятия и предприятия-банкроты. Новаторство данного подхода состояло в том, что учёному удалось совместить большое количество критериев и факторов, по сути, в одну переменную, что в свою очередь давало возможность однозначной оценки состояния предприятия.

На период 1980-х пришёлся всплеск популярности применения моделей бинарного выбора. Данные модели были основаны на вероятностном распределении банкротства компаний, также данные модели известны как логит и пробит-модели. Первопроходцем в применении данной методики стал Дж. Олсон и в 1980 году он применил логистическую регрессию в прогнозировании банкротства. Основное достоинство данной модели состоит в том, что функция имеет распределение значений от 0 до 1, а, следовательно, отлично подходит для присваивания значений вероятности банкротства для предприятий. Спустя 4 года последователем Олсона стал Д. Фулмер, который в свою очередь также предложил модель на основе логистической регрессии в 1984 году. Для создания модели Фулмером была проанализирована выборка из 60 компаний с применением 40 коэффициентов для их анализа. Следующими исследователями данной проблемы стали британские учёные Г. Тишоу и Р. Таффлер и в 1977 году они разработали модель, которая изначально была основана на 80 показателях и апробирована на 92-х британских предприятиех. Впоследствии учёными было выделено 4 ключевых коэффициента. Основную часть выборки для данной модели составляли предприятия строительной и промышленной сфер. Впоследствии канадским учёным Гордоном Спрингейтом была предложена своя модель. При создании данной модели изначально было отобрано 19 показателей и, после последовательного применения дискриминантного анализа, их число сократилось до 4-х, наиболее значимых для дальнейшего анализа.

В связи с тем, что на период зарождения и развития вышеперечисленных моделей в нашей стране законодательство и политический строй не подразумевали понятие банкротства, вопрос анализа вероятности банкротства предприятий на тот момент не изучался. Однако ситуация в корне изменилась с переходом России на рыночные отношения и выходом ряда законопроектов и поправок, к которым можно отнести закон от 19.11.1992 № 3929-1 «О банкротстве предприятий». Этот закон изменил привычную систему функционирования предприятий путём перенесения ответственности на предприятия за все используемые ресурсы. В новых рыночных условиях необходимо было уже бороться с причинами банкротства. Это в свою очередь подтолкнуло многих исследователей на изучение данной проблемы в России, что привело к появлению первых моделей прогнозирования вероятности банкротства российских учёных. Наиболее известными отечественными моделями принято считать модель на основе рейтингового числа Р. Сайфуллина и Г. Кадыкова и модель R-счёта учёных ИГЭА.

Постоянный рост и развитие в области бизнеса неизбежно приводят к появлению новых задач и переменных и, как следствие, ведут к увеличению объёма анализируемой информации. Именно поэтому современные исследования и методологии в области анализа вероятности банкротства предприятия берут за основу методы машинного обучения, статистика, а также искусственного интеллекта. Ключевые достоинства применения данных методов состоят в более низкой стоимости и в скорости обработки информации, что в свою очередь также увеличивает и скорость получения актуальных данных о состоянии предприятия высшим менеджментом и соответственно ведёт к увеличению скорости реагирования на изменения, принятия ответных мер. Как было сказано ранее основой для многочисленных исследований в области анализа финансового состояния предприятий были методы статистического анализа и относительно прогнозирования банкротства наиболее часто применяли такие параметрические методы, как логистическая регрессия и дискриминантный анализ. Но здесь возникает противоречие, так как параметрические методы относят к методам со сравнительно небольшой прогнозной способностью. Отсюда вытекает следующее преимущество использования современных IT решений, которое состоит в более эффективных инструментах для решения задачи прогнозирования на базе искусственного интеллекта и машинного обучения. Таким образом, в наше время анализ вероятности банкротства предприятий имеет более сложный инструментальный набор и в своём составе имеет не только современные статистические и математические методики, но и новые решения из IT сферы, а также современному анализу свойственна работа с куда более обширным набором факторов.

Тем не менее помимо ряда действительно важных достоинств, существует и ряд недостатков в современных методиках и одно из них заключается в отсутствии как таковой формулы для классификации предприятий, то есть мы не имеем дело с уравнением. Таким образом, в данной работе будем больше ориентироваться на более классические методы анализа.

Что касается классических моделей, то наиболее известной моделью является модель Альтмана, где учёным было получено линейное уравнение с помощью дискриминантного анализа. Данное уравнение было основано на 5-ти ключевых факторах, которые выступали в модели с определёнными коэффициентами. Сумма данных факторов задаёт функцию, которую называют Z-счётом.

Именно согласно значениям функции Z-счёта и происходил анализ и распределение предприятий по двум категориям: платежеспособные предприятия и предприятия-банкроты. Критерии отбора у функции следующие: если Z < 1,23 - имеем дело с высокой вероятностью банкротства, если Z > 2,9, это означает, что вероятность банкротства низкая, а если значения Z лежат между 2,9 и 1,23, то имеем дело с зоной неопределённости, то есть вероятность банкротства предприятия колеблется от низкой до высокой.

Преимущество подхода Альтмана на тот момент состояло в сведении большого числа факторов модели к одной переменной Z, что привело к однозначной интерпретации полученных в анализе результатов. Данный подход дал базу для большого количества исследований в будущем и метод Альтмана в свою очередь лёг в основу таких известных моделей, как модели Фулмера, Таффлера и Тишоу, Лиса, Спрингейта, Гольдера и Конана.

Для составления выборки для данного исследования были использованы данные Росстата по финансовой отчётности предприятий, а именно форма №1 и форма №2 бухгалтерского баланса. Для проверки гипотез о точности и эффективности модели была использована выборка из 200 компаний, которые ведут бизнес в сельскохозяйственной сфере в России. После завершения процесса формирования выборки она была поделена случайным образом на две группы: обучающая, на основе которой строилась модель прогнозирования и непосредственно контрольную, на которой позже апробировались результаты полученной модели. Обучающая выборка составила 90% от всей выборки, а соответственно контрольная остальные 10%, что в свою очередь перекликается с мировой практикой финансового анализа.

Относительно рассматриваемого периода времени для предприятий-банкротов данные для анализа брались за год до объявления процедуры банкротства предприятия. Данные по точности результатов прогнозирования банкротства на основе наиболее известных российских и иностранных моделей для предприятий сельского хозяйства России представлены в таблице 11.

Таблица 11. Применение классических моделей для прогнозирования банкротства к составленной выборке, результаты в %.

...

Название модели	Правильно спрогнозированные предприятия-банкроты	Правильно спрогнозированные здоровые предприятия	Средняя значение прогнозирования
Сельское хозяйство

Подобные документы

• Анализ и планирование в системе управления корпоративными финансами

  Особенности анализа финансового состояния сельскохозяйственных предприятий. Роль финансового планирования в корпорации. Анализ показателей финансовой устойчивости, платежеспособности и ликвидности хозяйства, резервы улучшения финансового состояния.
  
  курсовая работа [52,8 K], добавлен 26.08.2014
  

• Методы финансового прогнозирования развития предприятия и возможного банкротства

  Понятие и сущность финансового прогнозирования. Предпосылки возникновения банкротства предприятий, методы его прогнозирования, оценка эффективности. Анализ финансового состояния ЗАО Торговый дом "Радуга": показатели, рентабельность, деловая активность.
  
  дипломная работа [250,4 K], добавлен 05.08.2013
  

• Анализ финансового состояния туроператорских предприятий на материалах ООО "Зарайск"

  Направления деятельности ООО "Зарайск". Расчет собственного капитала в обороте, показателей платежеспособности, ликвидности и рентабельности фирмы. Оценка потенциального банкротства организации. Мероприятия по улучшению финансового состояния турагенства.
  
  дипломная работа [173,6 K], добавлен 21.07.2014
  

• Оценка финансового положения международных компаний

  Основные элементы для анализа финансового состояния предприятий. Выявление балансовых пропорций, соблюдение которых способствует финансовой устойчивости фирмы. Вертикальный и горизонтальный анализ баланса, расчет необходимых показателей и коэффициентов.
  
  лабораторная работа [29,3 K], добавлен 14.06.2010
  

• Диагностика финансового состояния фирмы

  Характеристика качественной, количественной, альтернативной моделей прогнозирования банкротства. Анализ преимуществ и недостатков зарубежных методик оценки финансового состояния, их адаптации к российским условиям и разработка отечественных методов.
  
  курсовая работа [171,1 K], добавлен 04.03.2010
  

• Анализ финансовой деятельности предприятия

  Значение и сущность анализа финансового состояния предприятий. Анализ финансового состояния предприятия на примере специализированного ремонтно-строительного управления "Фрайз". Основные направления улучшения финансового состояния предприятия.
  
  дипломная работа [114,7 K], добавлен 18.11.2002
  

• Анализ финансового состояния предприятия (по материалам ОАО "Ливгидромаш")

  Понятие, значение и задачи анализа финансового состояния предприятия. Приемы анализа: сравнение, сводка и группировка, методы цепных подстановок и разницы. Разработка финансовой политики предприятия. Прогнозирование и разработка моделей состояния объекта.
  
  курсовая работа [113,3 K], добавлен 12.08.2011
  

• Производственно-экономическая деятельность предприятия ООО "Кристалл"

  Понятие, виды и причины банкротства предприятий. Нормативное регулирование процесса банкротства хозяйствующих субъектов в РФ. Методы диагностики вероятности банкротства. Оценка эффективности мероприятий по улучшению финансового состояния ООО "Кристалл".
  
  дипломная работа [103,2 K], добавлен 25.09.2009
  

• Анализ финансового состояния

  Анализ финансового состояния организации: сущность и показатели его характеризующие. Критерии оценки несостоятельности организации. Современная характеристика деятельности ОАО «Калугатрансмаш» г. Калуга. Анализ вероятности банкротства организации.
  
  курсовая работа [220,1 K], добавлен 19.12.2008
  

• Пути улучшения финансового состояния РУП "Гомельский жировой комбинат"

  Теоретические основы анализа финансового состояния предприятия. Система показателей, характеризующих финансовое состояние предприятий. Оценка финансового состояния РУП "Гомельский жировой комбинат". Пути улучшения финансового состояния.
  
  дипломная работа [356,8 K], добавлен 10.10.2006
  

• Основные методы предупреждения банкротства

  Понятие банкротства и его сущность. Особенности банкротства и реорганизации в России. Причины и методы искусственных банкротств. Диагностика финансового состояния предприятия. Формирование антикризисных стратегий. Деструкция и финансовое оздоровление.
  
  курсовая работа [291,0 K], добавлен 23.12.2010
  

• Анализ финансового состояния предприятия и пути его улучшения

  Теоретические аспекты оценки финансового состояния. Факторы, влияющие на изменение финансового состояния предприятия. Правовое регулирование деятельности предприятия. Оценка платежеспособности и ликвидности предприятия. Прогнозирование устойчивости.
  
  дипломная работа [94,5 K], добавлен 07.11.2008
  

• Анализ финансового состояния предприятия-банкрота

  Финансовое состояние предприятия. Место и роль банкротства в Российской экономике. Механизм реализации банкротства в современной России. Экономическая сущность банкротства. Меры по финансовому оздоровлению российских предприятий.
  
  дипломная работа [93,4 K], добавлен 04.02.2005
  

• Анализ финансового состояния предприятия

  Анализ финансового состояния предприятия на примере ОАО "Строй". Предварительная оценка финансового состояния предприятия, система показателей, характеризующих его финансовое состояние. Составление аналитического баланса. Оценка вероятности банкротства.
  
  курсовая работа [165,8 K], добавлен 28.07.2010
  

• Разработка современной модели оценки вероятности банкротства компании

  Основные понятия финансовой несостоятельности предприятий. Создание математической модели прогнозирования банкротства компании. Выявление факторов финансового состояния ЗАО "Управление механизации №276", информационная база анализа угрозы банкротства.
  
  курсовая работа [388,7 K], добавлен 18.05.2014
  

• Анализ и диагностика финансового состояния предприятия

  Понятие, причины возникновения, признаки и последствия банкротства. Основные методы определения несостоятельности предприятия. Диагностика финансового состояния ОАО "Стройком", оценка его имущественного положения, ликвидности и платежеспособности.
  
  курсовая работа [1,2 M], добавлен 24.12.2013
  

• Анализ финансового состояния предприятия с целью прогнозирования вероятности банкротства на примере ОАО "Нептун"

  Сущность и экономическая природа банкротства, теории данного явления. Исследование показателей финансового анализа предприятия при потенциальном банкротстве, методы оценки и анализа. Анализ финансовой устойчивости предприятия и пути ее улучшения.
  
  дипломная работа [164,4 K], добавлен 12.06.2011
  

• Финансовое оздоровление предприятия

  Методики прогнозирования банкротства предприятий. Анализ финансового состояния предприятия и констатация факта кризисного положения. Выяснение факторов, обусловивших появление кризисного состояния. Содержание финансового оздоровления предприятия.
  
  курсовая работа [63,6 K], добавлен 21.09.2011
  

• Анализ финансового состояния предприятия

  Сущность и назначение анализа финансового состояния предприятия. Информационная база для анализа финансового состояния предприятия. Прогнозирование и разработка моделей финансового состояния. Методика анализа финсостояния ОАО "Завод металлоконструкций".
  
  дипломная работа [194,2 K], добавлен 25.03.2003
  

• Анализ финансового состояния предприятия

  Значение и сущность анализа финансового состояния предприятия. Анализ финансового состояния на примере Специального конструкторско-технологического бюро океанологического приборостроения. Основные направления улучшения финансового состояния.
  
  курсовая работа [76,4 K], добавлен 11.05.2002
  

• главная
• рубрики
• по алфавиту
• вернуться в начало страницы
• вернуться к началу текста
• вернуться к подобным работам