CC BY
67
Экономика предприятия
УДК 336.658.14/.17
анализ вероятности банкротства
небанковских финансовых посредников
А.Е. НОВАК,
старший преподаватель кафедры финансового менеджмента
E-mail: ananova7@gmail.com Национальный исследовательский университет «Высшая школа экономики» в Нижнем Новгороде
Е.Р. ПИМЕНОВА, аналитик финансового отдела E-mail: liz.pimenova@yandex.ru ООО «Газэнергострой-НН», Нижний Новгород
В условиях рыночной экономики большое значение имеет оценка состоятельности организаций как внутренним персоналом, так и внешними лицами. В связи с быстрым развитием рынка небанковского финансового посредничества усиление контроля и надзора за предприятиями данной отрасли становится все более актуальным.
В статье предпринята попытка построения модели бинарного выбора для компаний отрасли небанковского финансового посредничества для определения и прогнозирования их финансовой состоятельности. Прогнозом в модели является не само значение бинарной переменной, а вероятность получения определенной вероятности банкротства. Модель рассчитывает итоговый показатель, который принимает значение от нуля (максимальный риск банкротства) до единицы (минимальный риск банкротства), без каких-либо диапазонов неопределенности.
Разработанная логистическая модель апробирована на выборке из 34 организаций финансовой отрасли, специализирующихся на финансовом посредничестве. Для расчета анализируемых критериев банкротства использовались данные отчетности выбранных компаний за 2012 г. (за год до наступления банкротства).
В качестве критериев оценки состоятельности были выбраны: рентабельность активов, рентабельность собственного капитала, оборачиваемость активов и соотношение оборотных активов предприятия к сумме ее краткосрочных обязательств.
Для решения указанного класса финансово-экономических задач предложенный подход рекомендуется как обеспечивающий более гибкую и детализированную оценку вероятности банкротства компаний данной отрасли. Применение разработанной модели позволяет оценить вероятность риска банкротства для российских предприятий небанковского финансового посредничества, что в конечном итоге дает возможность определения управленческих мероприятий по его снижению или предотвращению.
Ключевые слова: финансовый посредник, небанковская финансовая организация, банкротство, бинарная модель выбора
Бведение
Замедление роста российской экономики в 2012-2014 гг. негативно сказалось на динамике большинства сегментов рынка небанковского фи-
нансового посредничества1, а это означает, что проблема несостоятельности предприятий отрасли является в настоящее время одной из наиболее острых.
В частности, основным ограничением, существовавшим в обеспечении надзора за организациями отрасли финансового посредничества, являлось несоответствие уровня регулирования и уровня развития отрасли, что могло в конечном итоге привести к снижению эффективности и препятствовать естественному и сбалансированному росту. Решением этой проблемы явилась передача функции регулятора на рынке кредитной кооперации и микрофинансирования Банку России. Эти меры были приняты для усиления контроля за организациями финансового посредничества и снижения риска появления у них финансовых проблем.
В свою очередь произошедшие изменения в политике регулирования и контроля требуют пересмотра Банком России существовавших критериев банкротства предприятий финансовой отрасли России и делают проблему разработки новых норм и методик выявления несостоятельности организаций данной отрасли как никогда актуальной. Необходимо разработать меры, которые приведут к повышению инвестиционной привлекательности и прозрачности рынка финансовых услуг, а также уровня защиты прав потребителей.
Целью статьи является построение модифицированной модели диагностики банкротства для российских предприятий отрасли финансового посредничества, а именно, разработка модели диагностики банкротства, которая позволит выявлять проблемные организации и наиболее точно описывать вероятность банкротства за год до его наступления.
Параметры модели и данные
Для предупреждения нежелательной и болезненной для предприятия процедуры банкротства целесообразно проведение финансовой диагностики, в ходе которой выявляются и оцениваются критерии потенциального банкротства, а также разрабатываются меры по оздоровлению предприятия.
В целях диагностики банкротства предприятия анализируется количественная информация, кото-
1 Аналитическое обозрение Банка России «Небанковские финансовые посредники». URL: http://www.cbr.ru/analytics/fm_r/ nbfi/Fin-posr-2013.pdf.
-42 (228)
рая основывается на данных бухгалтерского учета и отчетности, а затем рассчитывается вероятность неплатежеспособности. Для этого обычно используются несколько основных методов диагностики банкротства, основанных на расчете и оценке ограниченного количества показателей финансового состояния. К ним относят пятифакторную модель Е. Альтмана [9], модель Р. Таффлера и Г. Тишоу [10], Р. Лиса и др.
Также известны российские модели, адаптированные с учетом особенностей страны (модели Р. Сайфулина и Г. Кадыкова, И. Ивашковской и Д. Янгеля, модель Иркутской государственной экономической академии (ИГЭА), и др.) [5, 8]. Однако, несмотря на наличие множества работ, посвященных анализу факторов и методов оценки состоятельности организации, их результаты не являются исчерпывающими. В настоящее время еще не разработано совершенной модели, позволяющей с высокой точностью спрогнозировать наступление банкротства российских предприятий [1, 2, 4]. Кроме этого, авторы отмечают сложность разработки универсальной модели и необходимость учета отраслевой специфики предприятий [3, 7].
Выборка формировалась из числа российских компаний, представленных на сайте ООО «Первое Независимое Рейтинговое Агентство»2. В качестве основного критерия отбора была принадлежность предприятия к финансовой отрасли, специализирующейся на финансовом посредничестве. К числу небанковских финансовых посредников относятся: страховые организации, паевые и акционерные инвестиционные фонды, пенсионные фонды, лизинговые и факторинговые компании, микрофинансовые организации, ломбарды.
В выборку вошли все предприятия данной отрасли, ставшие неплатежеспособными по состоянию на 01.01.2014 (17 предприятий). Также в выборку вошли 20 предприятий, которые продолжали существовать на отчетный период. Данные предприятия отобраны случайным образом из общего числа предприятий, предоставивших на момент исследования финансовую отчетность за 2013 г.
Для расчета анализируемых критериев банкротства использовались данные отчетности выбранных компаний за 2012 г. (за год до банкротства). В качестве зависимой применялась бинарная переменная Y, которая принимает значение 1, если пред-
2 ООО «Первое Независимое Рейтинговое Агентство». URL: http://www.fira.ru.
Таблица 1
финансовые показатели, включенные в модель
показатель формула расчета
Рентабельность активов Х1 Чп/Вб -100%, где Чп — чистая прибыль предприятия, руб.; Вб — валюта баланса, руб.
Рентабельность собственного капитала Х2 Чп/Ск -100%, где Ск — собственный капитал, руб.
Оборачиваемость активов Х3 В/Сса, где В — выручка, руб. Сса — среднегодовая стоимость активов, руб.
Оборотные активы к сумме краткосрочных обязательств Х4 ОбА/Кдо, где ОбА — оборотные активы, принимаемые в расчет при оценке структуры баланса, руб. Кдо — краткосрочные долговые обязательства, руб.
приятие было платежеспособно по состоянию на 31.12.2013, и 0, если оно было признано банкротом в 2013 г. Экспертным путем было отобрано четыре объясняющих переменных, которые использованы в качестве регрессоров (табл. 1) [5, 6].
Для анализа данных выведем описательную статистику (табл. 2).
Анализ данных табл. 2 свидетельствует, что представленные компании характеризуются абсолютно разным финансовым положением, так как рентабельность активов Х1 и рентабельность собственного капитала Х2 значительно различаются. В выборке среднее значение оборачиваемости активов Х3 составляет 5,7 раз в год, минимальное значение равно 0 (в случае, отрицательной или нулевой выручки), а максимальное — 73,2 раза. Это также подтверждает, что финансовое состояние исследуемых предприятий является очень разным. При этом значение коэффициента показывает, что в среднем анализируемые предприятия в течение года получают выручку практически в шесть раз большую стоимости своих активов.
Чтобы учесть «выбросы» в значениях переменных (минимальные или максимальные значения не укладываются в правило «Среднее ± ± 3 • Стандартное отклонение ») и сделать выборку более однородной, из нее были исключены самые
сильные «всплески» (были применены следующие ограничения: Х2 > -10 000, Х3 < 40, Х4 < 150). Таким образом, в окончательной выборке осталось 34 компании (16 банкротов и 18 не банкротов).
оценка модели и интерпретация полученных результатов
Результаты оценки модели бинарного выбора. Модель бинарного выбора предполагает зависимость состоятельности организации (переменная Т) от финансовых показателей (независимые переменные Х1, Х2, Х3, Х4). Существует несколько видов моделей бинарного выбора, однако, будем рассматривать только две из них: модели logit и ргоЬй.
Чтобы выбрать наилучшую модель, описывающую влияние рассматриваемых регрессоров на вероятность наступления банкротства, необходимо оценить каждую из них и сравнить показатели качества и информационные критерии (табл. 3). Анализ произведен с использованием пакета эко-нометрического анализа Eviews.
Анализ данных табл. 3 свидетельствует в целом о значимости обеих моделей, т.е. можно их использовать для диагностики финансового состояния предприятий отрасли. Кроме того, обе модели имеют одинаковые знаки у коэффициентов и схожие
Таблица 2
описательная статистика переменных
показатель Y X1 X2 X3 Х4
Среднее значение 0,65 139,31 463,96 5,74 18,22
Медиана 0,00 178,52 320,00 1,00 1,29
Максимум 1,00 625,00 14 158,21 73,20 564,43
Минимум 0,00 -883,43 -16 029,82 0,00 0,01
Стандартное отклонение 0,50 300,02 3 807,03 13,01 92,43
Количество наблюдений 37 37 37 37 37
Таблица 3
Оценки коэффициентов для logit- и probit-моделей
Параметры Модель
probit
Константа -3,0044* -5,3945*
(1,6072) (3,1203)
XI 0,0006** 0,0015**
(0,0039) (0,0075)
X2 0,01330* 0,0232*
(0,0068) (0,0128)
X3 0,2649** 0,4607**
(0,1531) (0,2871)
X4 0,8735 1,5420
(0,5697) (1,0290)
¿^-statistic 39,6955 39,3584
Prob (¿^-statistic) 0,0000 0,0000
McFadden ^-squared 0,8143 0,8371
Log likelihood -8,6604 -8,5289
* Уровень значимости — 10%. ** Уровень значимости — 5%.
Примечание. В скобках приведены стандартные ошибки.
результаты. Для того чтобы выбрать одну из этих моделей, сравним их основные показатели качества. Наилучшим образом описывает исходные данные Logit-модель, так как выше значения McFadden R-squared (зависимая переменная на 84% объясняется logit-моделью) и Log likelihood (критерий по методу максимального правдоподобия).
Интерпретация полученных результатов. Разработанная logit-модель, по мнению авторов, наилучшим образом описывает вероятность наступления банкротства на российском предприятии отрасли небанковского финансового посредничества.
Прогнозом в этой модели является не само значение бинарной переменной, а вероятность получения определенного значения переменной, в рассматриваемом случае — вероятности банкротства. В итоге получено следующее уравнение для латентной переменной, по которой может быть рассчитана вероятность того, что организация платежеспособна:
Y*= (-5,394) + 0,001X1 + 0,023X2 + + 0,461X3 + 1,542X4.
Формула вероятности логистической модели
имеет вид P(Y = 1) = -Y*, при этом, чем выше
коэффициент платежеспособности, тем ниже вероятность банкротства.
Что касается положительных знаков перед независимыми переменными в уравнении, то они говорят о том, что чем выше рентабельность ак-
-42 (228)
ФИНАНСОВАЯ АНАЛИТИКА: проблемы и решения
тивов Х1, рентабельность собственного капитала Х2, оборачиваемость активов Х3 и соотношение оборотных активов предприятия и суммы ее краткосрочных обязательств Х4, тем выше вероятность, что компания платежеспособна (У = 1).
Стоит отметить, что вероятность банкротства зависит не только от значений финансовых показателей, но и от случайной ненаблюдаемой компоненты, которая отражает влияние факторов, не учитываемых в модели. Например, макроэкономические шоки, качество менеджмента на конкретном предприятии, отношения с поставщиками и потребителями и т.д. [5]. В работе предполагается, что случайные компоненты независимые, одинаково распределенные случайные величины с нулевым средним значением и постоянной дисперсией.
Определение предельных эффектов от финансовых показателей на состоятельность организации. Для того чтобы понять, какое влияние оказывает изменение независимых переменных на вероятность того, что предприятие является платежеспособным, рассчитаем предельные эффекты для средних значений объясняющих факторов (табл. 4).
Полученные значения (см. табл. 4) свидетельствуют о том, что:
— при увеличении рентабельности активов предприятия Х1 на 1% вероятность того, что оно состоятельно, увеличивается на 0,0046%;
— при росте рентабельности собственного капитала Х2 на 1% вероятность того, что компания платежеспособна, возрастает на 0,0039%;
— при увеличении оборачиваемости активов Х3 предприятия на единицу (на 100%) вероятность того, что оно является состоятельным, увеличивается на 0,78%;
— при увеличении соотношения оборотных активов предприятия к сумме ее краткосрочных обязательств Х4 на единицу (на 100%) вероятность платежеспособности возрастает на 2,6%.
Таблица 4
Предельные эффекты от независимых переменных, %
Переменная Предельный эффект для среднего значения объясняющей переменной
XI 0,0046
X2 0,0039
X3 0,7832
X4 2,6010
Экономика предприятия Economy of enterprise -52-
Таблица 5
значения объясняющих переменных для анализируемых компаний в 2013 г.
переменная Компания-банкрот Действующая компания
Рентабельность активов Х1, % 5,35 203,35
Рентабельность собственного капитала Х2, % 80,99 286,51
Оборачиваемость активов Х3, во сколько раз 0,43 1,25
Соотношение оборотных активов и пассивов Х4, во сколько раз 0,13 1,96
Проверка предсказательной способности модели и разработка критериев для определения класса платежеспособности. Для проверки предсказательной способности модели оценим вероятность платежеспособности двух российских компаний из числа небанковских финансовых посредников в 2013 г., не вошедших в анализируемую выборку, а затем сравним прогноз на 2014 г. и фактический результат. Для анализа отобраны два случайных предприятия из базы данных ООО «ПНРА» с условием, что одно из них является банкротом, а второе действует до настоящего времени. Независимые переменные рассчитаны по балансам предприятий за 2013 г. (табл. 5).
После включения в модель рассматриваемых компаний были получены прогнозные значения вероятностей того, что предприятия платежеспособны в 2014 г.:
— компания-банкрот — 0,16;
— действующая компания — 0,79.
Прогнозное значение вероятности состоятельности копании в 2014 г. для компании-банкрота составляет 0,16, что значительно ниже средней вероятности, равной 0,5. Полученный результат говорит о том, что данное предприятие можно отнести к классу неплатежеспособных. Это и подтвердилось в 2014 г. — в настоящее время это предприятие признано банкротом и находится в стадии ликвидации.
Теперь рассмотрим полученные результаты по действующему предприятию, рассчитанные при помощи оцененной logit-модели. Вероятность платежеспособности этой организации в 2014 г. составляет 0,79, что выше порогового значения 0,5. Такой результат может свидетельствовать о том, что предприятие будет платежеспособно в году, следующим за годом, по которому были рассчитаны показатели. Этот прогноз также подтвердился — предприятие является платежеспособным и действует в настоящее время.
Результаты анализа предсказательной способности модели позволяют сделать вывод о том, что полученная модель хорошо работает для прогноза
-42 (228)
ФИНАНСОВАЯ АНАЛИТИКА: проблемы и решения
Таблица 6 значения объясняющих переменных для анализируемой компании-банкрота за 2011 и 2012 гг.
переменная 2011 2012
Рентабельность активов Х1,% 5,62 5,97
Рентабельность собственного 34,72 128,98
капитала Х2,%
Оборачиваемость активов Х3, 0,54 0,83
во сколько раз
Соотношение оборотных активов 0,96 1,22
и пассивов Х4, во сколько раз
Вероятность состоятельности 0,86 0,58
компании,%
состоятельности российских предприятий в отрасли небанковского финансового посредничества за один год до наступления банкротства.
Проверим возможность применения данной модели для предсказания банкротства предприятия за несколько лет до его наступления. Для этого спрогнозируем вероятность платежеспособности для компании-банкрота, выбранной ранее, за два и три года до наступления банкротства. Для этого используем данные по балансам компании за 2012 и 2011 гг. (табл. 6).
Полученные значения вероятности состоятельности выбранной компании свидетельствуют о том, что в 2011 г. предприятие было платежеспособным и наступление банкротства не прогнозировалось. Однако в 2012 г. вероятность состоятельности уже немного превышает пороговое значение вероятности, равное 0,5. Это может сигнализировать о возможном наличии финансовых проблем у компании, которые впоследствии могут привести к банкротству.
заключение
В соответствии с решением совета директоров Банка России от 29.11.2013 Служба Банка России по финансовым рынкам (СБРФР) упразднена. Полномочия, ранее осуществляемые СБРФР по регулированию, контролю и надзору в сфере финан-
совых рынков переданы созданным структурным подразделениям Банка России.
В настоящее время можно отметить тенденцию к стабильному росту небанковских финансово-кредитных организаций, таких как кредитные потребительские кооперативы и микрофинансовые организации3, а также расширение и увеличение их кредитных портфелей. Все это в свою очередь требует пересмотра Банком России существовавших в недавнем прошлом критериев банкротства предприятий отрасли небанковского финансового посредничества в России, и делает проблему разработки новых норм и методик выявления несостоятельности организаций как никогда актуальной.
В статье разработана логистическая модель оценки финансовой состоятельности компаний небанковского финансового посредничества, позволяющая с достаточно высокой точностью спрогнозировать вероятность наступления банкротства предприятия данной отрасли на год вперед. К преимуществам полученной logit-модели можно отнести:
— возможность определения вероятности риска банкротства предприятия. Logit-модель позволяет сделать вывод не только относительно принадлежности к группе банкротов, но и оценить вероятность возникновения риска банкротства для предприятия, что представляет собой ценность для менеджмента компании;
— возможность учета отраслевой специфики деятельности предприятий. Дело в том, что наиболее известные и часто используемые модели разработаны без учета отраслевой принадлежности компаний. Это в свою очередь не может не сказаться на точности полученных результатов, так как показатели платежеспособности достаточно сильно варьируются от отрасли к отрасли и зависят от размера предприятия;
— отсутствие зоны неопределенности, присущей моделям дискриминантного анализа. Необходимо отметить, что отечественные модели диагностики риска банкротства получают диапазоны принятия решения о вероятности банкротства на основе значения интегрального Z-показателя, в то же время logit-модель диагностики риска банкротства не предлагает никаких диапазонов принятия решений. Эта модель рассчитывает итоговый пока-
3 Аналитическое обозрение Банка России «Небанковские финансовые посредники». URL: http://www.cbr.ru/analytics/Default. aspx?Prtid=finmarket
затель, который принимает значение от 0 до 1, без каких-либо диапазонов неопределенности. Вывод о вероятности банкротства делается в зависимости от близости расчетного значения итогового показателя к 0 или к 1. Ноль означает максимальный риск банкротства, единица — минимальный. Данная особенность logit-моделей упрощает интерпретацию результатов анализа.
Однако, несмотря на все достоинства, полученная logit-модель все же имеет и недостатки. Модель имеет высокую прогностическую точность лишь за год до наступления банкротства. В ситуации же, когда требуется предсказать несостоятельность организации за два года и более, модель работает недостаточно хорошо.
Разработанная модель применима только для предприятий финансовой отрасли России, специализирующихся на посредничестве. Другими словами, она не универсальна.
Применение разработанной модели позволяет с высокой точностью оценить вероятность риска банкротства для российских предприятий небанковского финансового посредничества, что в конечном итоге дает возможность определения управленческих мероприятий по его снижению или предотвращению.
Список литературы
1. Дешко А.Э. К проблеме предупреждения неплатежеспособности: таблица для регулярного мониторинга деятельности предприятия // Аудит и финансовый анализ. 2007. № 3. С. 332-340.
2. Ивашковская И.В., Янгель Д.О. Жизненный цикл организации и агрегированный показатель роста // Корпоративные финансы. 2007. № 4. С. 97-110.
3. Кузьмичев К.Е., Логунова О.В. Анализ вероятности банкротства строительных компаний в России // Финансовая аналитика: проблемы и решения. 2012. № 44. С. 47-55.
4. Куранов М.В. Показатели и модели анализа финансового состояния на различных этапах жизненного цикла организации // Экономический анализ: теория и практика. 2008. № 5. С. 65-75.
5. ЛеоноваЛ.А., Макаров А.С., Максимов А.Г., Шарунина А.В. Формирование многофакторных критериев оценки состоятельности организации с использованием методов анализа иерархий и эконометрики // Экономический анализ: теория и практика. 2010. № 30. С. 43-53.
6 .МакаровА.С. К проблеме выбора критериев анализа состоятельности организации // Экономический анализ: теория и практика. 2008. № 23. С. 26-35.
7. Федорова Е.А., Гиленко Е.В., Довженко С.Е.. Модели прогнозирования банкротства: особенности российских предприятий // Проблемы прогнозирования. 2013. № 2. С. 85-92.
8. Шапурова О.О. Модели оценки банкротства // Экономическая наука. 2008. № 7. С. 59-64.
9. Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // Journal of Finance. 1968. № 4. Р. 589-609.
10. Taffler R.J. The Assessment of Company Solvency and Performance Using a Statistical Model // Accounting and Business Research. 1983. № 15.
Financial analytics: science and experience Economy of enterprise
ISSN 2311-8768 (Online) ISSN 2073-4484 (Print)
ANALYSIS OF THE BANKRUPTCY PROBABILITY OF NON-BANKING FINANCIAL INTERMEDIARIES
Anna E. NOVAK, Elizaveta R. PIMENOVA
Abstract
Importance Under the condition of market economy, organizations' viability assessment by both internal personal and external users assumes an importance . Due to the rapid development of non-bank financial intermediary market, control and supervision of enterprises of this industry become increasingly relevant Objectives The article attempts to construct a binary choice model for companies in the sector of non-banking financial intermediary to identify and predict their financial solvency
Methods The possibility of occurrence of a particular bankruptcy probability acts as a model forecast, not the value of the binary variable proper The model calculates the summary indicator that varies from zero (the maximum risk of bankruptcy) to one (the minimal risk of bankruptcy), without any uncertainty ranges. The developed model is tested on a sample of 34 financial organizations, specialized in financial intermediary. To calculate the analyzed bankruptcy criteria, we used data reporting of the selected companies for 2012 (the year prior to bankruptcy). As the criteria for the assessment of solvency, we have chosen the following indicators: return on assets, return on equity, asset turnover, and asset turnover ratio of an enterprise to the amount of its short-term obligations
Results In order to solve the specified class of financial-economic objectives, we recommend our own approach, which ensures the more flexible and detailed assess-
ment of the likelihood of bankruptcy of companies of the sector.
Conclusions and Relevance The developed model application allows estimating the bankruptcy risk probability for the Russian non-bank financial intermediation companies, which ultimately helps to determine the management measures for its reduction or prevention
Keywords: financial intermediary, non-bank financial organization, bankruptcy, binary choice model
References
1. Deshko A.E. K probleme preduprezhdeniya neplatezhesposobnosti: tablitsa dlya regulyarnogo monitoringa deyatel'nosti predpriyatiya [On the issue of insolvency prevention: tables for regular monitoring of an enterprise's activity]. Audit i finansovyi analiz — Audit and financial analysis, 2007, no. 3, pp. 332-340.
2. Ivashkovskaya I.V., Yangel' D.O. Zhiznennyi tsikl organizatsii i agregirovannyi pokazatel' rosta [Life cycle of an organization and the aggregate development index]. Korporativnye finansy — Corporate finance, 2007, no. 4, pp. 97-110.
3. Kuz'michev K.E., Logunova O.V. Analiz veroy-atnosti bankrotstva stroitel'nykh kompanii v Rossii [An analysis of the probability of construction companies' bankruptcy in Russia]. Finansovaya analitika: prob-lemy i resheniya — Financial analytics: science and experience, 2012, no. 44, pp. 47-55.
-42 (228) - 2014-
ФИНАНСОВАЯ АНАЛИТИКА: FINANCIAL ANALYTICS
проблемы и решения science and experience
4. Kuranov M.V. Pokazateli i modeli analiza fin-ansovogo sostoyaniya na razlichnykh etapakh zhiznen-nogo tsikla organizatsii [Indicators and models of the financial status analysis at the different stages of an organization's life cycle]. Ekonomicheskii analiz: teoriya i praktika — Economic analysis: theory and practice, 2008, no. 5, pp. 65-75.
5. Leonova L.A., Makarov A.S., Maksimov A.G., Sharunina A.V. Formirovanie mnogofaktornykh kriter-iev otsenki sostoyatel'nosti organizatsii s ispol'zovaniem metodov analiza ierarkhii i ekonometriki [Formation of multiple-factor evaluation criteria of an organization viability when using the methods of hierarchy analysis and econometrics]. Ekonomicheskii analiz: teoriya i praktika — Economic analysis: theory and practice, 2010, no.30, pp.43-53.
6. Makarov A.S. K probleme vybora kriteriev analiza sostoyatel'nosti organizatsii [On the issue of selecting the criteria to analyze an entity's viability]. Ekonomicheskii analiz: teoriya i praktika — Economic analysis: theory and practice, 2008, no. 23, pp. 26-35.
7. Fedorova E.A., Gilenko E.V., Dovzhenko S.E. Modeli prognozirovaniya bankrotstva: osobennosti rossiiskikh predpriyatii [Models of bankruptcy predic-
tion: the specifics of the Russian enterprises]. Problemy prognozirovaniya — Problems offorecasting, 2013, no. 2, pp. 85-92.
8. Shapurova O.O. Modeli otsenki bankrotstva [Evaluation models of bankruptcy]. Ekonomicheskaya nauka — Economic science, 2008, no. 7, pp. 59-64.
9. Altman E.I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. Journal of Finance, 1968, no. 4, pp. 589-609.
10. Taffler R.J. The Assessment of Company Solvency and Performance Using a Statistical Model . Accounting and Business Research, 1983, no. 15.
Anna E. NOVAK
National Research University —
Higher School of Economics in Nizhny Novgorod,
Nizhny Novgorod, Russian Federation
ananova7@gmail.com
Elizaveta R. PIMENOVA
OOO Gazenergostroi-NN,
Nizhny Novgorod, Russian Federation
liz . pimenova@yandex . ru
