CC BY
61
Научная статья УДК 338.124.4
doi: 10.24412/2587-6740-2021-6-59-64
БИЗНЕС-АНАЛИТИКА ДИНАМИЧЕСКИХ СОСТАВЛЯЮЩИХ КРИЗИСНОГО ПОТЕНЦИАЛА ЭКОНОМИЧЕСКИХ СИСТЕМ
А.Н. Опекунов, О.С. Кошевой, Н.В. Некрылова
Пензенский государственный университет, Пенза, Россия
Аннотация. Целью исследования является обзорный анализ теорий, связанных с оценкой и прогнозированием динамики кризисных процессов в экономических системах, включая сельскохозяйственный сектор экономики. Теоретической основой исследования является теория длинных волн Кондратьева, которая служит базой для формирования целого ряда динамических моделей экономического роста (развития), рыночного равновесия, характеризующих экономическую сущность кризисных явлений. В статье выделены основные теоретические парадигмы: неоклассическая модель роста, АК-модель (модель эндогенного роста), модель продуктового разнообразия, шумпетерианская модель, модели деловых циклов. Более поздняя модель метаморфозы (М-модель) формирует методологическую базу анализа структурной нестабильности экономических систем более низкого уровня, таких как регионы или отрасли экономики. На примере динамики ключевых индикаторов сельскохозяйственной отрасли в статье сделаны выводы, что макроэкономический подход к исследованию динамических характеристик кризисов экономических систем имеет ряд существенных недостатков, связанных с ограниченными возможностями математического аппарата и, как следствие, с трудностями определения точки цикла в определенный момент времени. Рассмотренные далее подходы к определению точек бифуркации, основанные на построении опережающих циклических индексов, хотя и получили широкое распространение, но также показали недостаточную обоснованность (общность выводов и предложений). Показано, что для анализа и прогнозирования динамики кризисных процессов в экономических системах требуется осуществлять синтез как нисходящего подхода — от макро- к микроэкономике, так и восходящего — от микро- к макроэкономике. В статье определено, что основными препятствиями к реализации этого принципа являются недостаточная сформированность (ограниченность) информационных источников (баз данных) и высокий уровень размерности, получаемый при построении аналитических моделей. В большей степени это касается агропромышленного комплекса. Указанные проблемы рекомендуется решать современными методами бизнес-анализа, сочетающем в себе как необходимый методологический и методический инструментарий. Подтверждается рациональность такого подхода, а также приводятся результаты исследований и апробации прогностических моделей по сельскохозяйственной отрасли и по другим секторам экономики.
Ключевые слова: экономическая система, сельское хозяйство, кризис, цикличность, динамика, точки бифуркации, сельскохозяйственное производство, прогнозирование, бизнес-анализ
Благодарности: исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 20-110-50145 «Бизнес-аналитика динамических составляющих кризисного потенциала экономических систем».
Original article
BUSINESS ANALYTICS OF THE DYNAMIC COMPONENTS OF THE CRISIS POTENTIAI OF ECONOMIC SYSTEMS
A.N. Opekunov, O.S. Koshevoy, N.V. Nekrylova
Penza State University, Penza, Russia
Abstract. The aim of the research is to provide an overview analysis of theories related to the assessment and forecasting of the dynamics of crisis processes in economic systems. Kondratyev's theory of long waves serves as the basis for the formation of a number of dynamic models of economic growth (development), market equilibrium that characterize the economic essence of crisis phenomena. The article highlights the main theoretical paradigms: neoclassical growth model, AK- model (endogenous growth model), food diversity model, Schumpeterian model, business cycle models. The later model of metamorphosis (M-model) forms a methodological basis for analyzing the structural instability of lower-level economic systems, such as regions or sectors of the economy. The article concludes that the macroeconomic approach to the study of the dynamic characteristics of the crises of economic systems has a number of significant drawbacks associated with the limited capabilities of the mathematical apparatus and, as a consequence, with the difficulties in determining the cycle point at a certain point in time. The approaches to the determination of bifurcation points, considered below, based on the construction of leading cyclic indices, although they are widespread, also showed insufficient validity. It is shown that in order to analyze and predict the dynamics of crisis processes in economic systems, it is necessary to synthesize both a top-down approach — from macro- to microeconomics, and a bottom-up approach — from micro- to macroeconomics. The article determines that the main obstacles to the implementation of this principle are the insufficient formation of information sources (databases) and a high level of dimension obtained in the construction of analytical models. It is recommended to solve these problems with modern methods of business analysis, combining both the necessary methodological and methodological tools. Using the banking sector as an example, which undoubtedly has a much smaller size, the article confirms the rationality of this approach, and also provides the results of research and testing of predictive models for other sectors of the economy.
Keywords: economic system, agriculture, a crisis, cyclicality, dynamics, bifurcation points, agricultural production, forecasting, business analysis
Acknowledgments: the research was carried out with the financial support of the Russian Foundation for Basic Research within the framework of the scientific project No. 20-110-50145 "Business analytics of the dynamic components of the crisis potential of economic systems".
Введение
Нестабильность экономического развития и все более часто повторяющиеся кризисы различного типа обуславливают выводы о недостаточной проработанности данной проблемы
© Опекунов А.Н., Кошевой О.С., Некрылова Н.В., 2021 Международный сельскохозяйственный журнал, 2021,
в современной экономической теории. Несмотря на огромное количество опубликованных работ по данной тематике, в последнее время часто возникают ситуации, когда ни исследователи, ни практические работники не могут
64, № 6 (384), с. 59-64.
объяснить: возник ли новый экономический кризис или это еще последствия незаконченного предыдущего кризиса.
Возникновение кризисов как экономического явления можно отнести еще к периоду
до промышленной революции [49, с. 49, 51, 88]. Большинство кризисов указанного временного периода проявлялись в обострении проблем платежного баланса и реализовывались в виде финансовых потрясений [2, с. 8]. В качестве основных причин объявлялись массовые эпидемии, войны, неурожаи и т.п. В Российской империи также отмечались периоды нестабильной экономической динамики и экономических кризисов, однако их полноценное изучение началось только в XIX веке. Аграрный тип экономики страны характеризовал экономические кризисы 1808-1815 гг., 1833-1843 гг., 1853-1857 гг., 1877-1880 гг., 1899-1903 гг. как внутренние и объяснял их природу нестабильностью сельскохозяйственного сектора. При этом кризисные явления, тесно коррелированные с агропромышленном типом экономистки, оказывали самое тесное влияние и на кризисные явления в социально-экономическом устройстве страны.
Со временем исследователи стали замечать периодическую сущность (цикличность) динамики экономического развития и объяснять причины кризисов «болезненным процессом ликвидации создавшихся под влиянием определенных условий несоответствий и диспропорциональностей производства и распределения, предложения и спроса» [5, с. 7].
Формирование такого рода взглядов послужило основой научных подходов к изучению динамики развития экономических систем. Однако проработанность этих теорий пока недостаточна, особенно в области анализа и прогнозирования кризисных явлений.
Достаточно сложно определять суждения о длительности экономического кризиса, скорости развития кризисных явлений, возможностях выхода экономической системы из кризисного состояния, что является основной проблемой определения валидности предсказания кризисов по разработанным математическим моделям. Для агропромышленного сектора задача согласования результатов прогнозирования несколько упрощается, вследствие наличия достаточно адекватных показателей итогов функционирования экономики сельского хозяйства, например урожайности, удойности, мясной продукции и т.п. Наличие длинных циклов кризисных явлений в сельском хозяйстве также способствует увеличению длины исследуемого процесса, а значит и повышению точности спектральных характеристик и возможности перехода на стационарный режим представления математических моделей.
Постановка проблемы
Формирование теоретических противоречий в исследованиях начинается уже на этапе определения терминологии и классификации кризисов. Наиболее распространенным подходом в теоретических исследованиях до настоящего времени является определение кризиса как периодического экономического явления. В рамках данного подхода цикличность рассматривается как способ саморегулирования рыночной экономики, форма прогрессивного развития, обеспечивающего движение по спиралевидной траектории. Фундаментальная экономическая теория формулирует понятие кризиса как нарушение
International agricultural journal. Vol. 64, No. 6 (384). 2021
рыночного равновесия и движения к новой точке этого равновесия.
Ценностью такого подхода, несомненно, является выделение типичных фаз экономического цикла. Однако многие исследователи отмечают недостаточную обоснованность динамических характеристик этих циклов и существенные различия по скорости и длительности кризисных процессов, происходящих в различных отраслях и регионах.
Следует отметить, что еще и сам автор «теории длинных волн» Н.Д. Кондратьев ориентирует исследователей на изучение динамики экономических циклов. При этом он выделяет два принципиально разных типа процессов экономической динамики: количественные (потоковые, конъюнктурные) и качественные (кумулятивно-преобразовательные) [13, с. 20].
Аналогичных взглядов придерживаются и многие современные исследователи. Так, Г.Б. Клейнер вводит понятие «системный кризис» и объясняет количественные процессы кризисов нарушением характеристик экономического равновесия, а качественные — нарушением внутренних связей экономической системы [10].
Исследования многих авторов, придерживаясь данной концепции, предлагают альтернативные «системному кризису» понятия: К. Перес — «переломный момент» [25], Г. Менш — «технологический пат» [20], Й. Шумпетер — «депрессия» [40], С.Ю. Глазьев — «системный кризис», «турбулентный режим» [4].
Обобщение данных подходов основано на базовой концепции системной экономики, системного анализа и системного синтеза. «Системность позволяет оценивать кризисные явления как функцию отдельных экономических событий, характеризующую количественные и качественные диспропорции экономической системы с учетом динамической составляющей. Кроме того, системный подход позволяет избегать ошибочных суждений о природе кризисных явлений. Как пишет Г.Б. Клейнер: «... ошибочного зачисления обычных циклических потрясений (событий) в категорию системных кризисов (процессов)» [11]. Они, как правило, отличаются глубиной, продолжительностью и скоростью развития. Именно такие ошибочные суждения приводят на практике к ситуациям, когда вывод о завершении очередного экономического кризиса в дальнейшем не подтверждается и резюмируется: «Экономика пробила дно».
Кроме того, следует подчеркнуть, что вышеперечисленные определения носят сугубо макроэкономический характер. В то же время огромное число исследований посвящено проблемам кризисных явлений систем микроэкономического уровня. Такой подход прослеживается в работах как зарубежных (Lacombe D. [48], Bauer J. [44], Altman E. [42], Brindescu-Olariu D. [45] и др.), так и отечественных (Сай-фуллин Р.С., Кадыков Г.Г. [15], Казакова Н.А. [8], Малкина М.Ю. [17], Овчаров А.О. [18] и др.) ученых, посвященных проблемам анализа и прогнозирования кризисов в конкретных организациях, фирмах и на предприятиях.
Развитие макро- и микроэкономических подходов осуществляется как бы условно параллельно, без учета требований системности анализа. Отмечается достаточно малое число
публикаций, связывающих макроэкономический анализ с конкретной бизнес-ситуацией. Например, в периодическом мониторинге динамики банкротств в России до 2018 г. А. Рыбалко и В. Сальниковым наряду с макроэкономическими факторами выделяются основные бизнес-индикаторы (показатели), характерные для большинства фирм, попавших в ситуацию финансовых трудностей: рентабельность активов, условия рефинансирования предприятий, уровень ликвидности и т.д. [30].
В некоторые микроэкономические модели прогнозирования банкротства предприятий вводятся переменные, условно характеризующие влияние макроэкономических факторов. Так, в эконометрической !од^-модели Г.А. Хай-даршиной введены фиктивные переменные, характеризующие место регистрации и деятельности предприятия — г. Москва, г. Санкт-Петербург и другие регионы, а также возраст предприятия — менее 10 лет и более 10 лет [36].
Следует отметить, что сформулированные во многих публикациях ограничения при решение вышеуказанных методологических проблем в основном связаны с ограниченными возможностями имеющегося научно-аналитического инструментария. Однако развитие современных методов бизнес-анализа, в первую очередь информационно-аналитических, позволяет системно исследовать как макроэкономические характеристики рыночного равновесия, так и формирующие его большие данные микроэкономического уровня.
Методыпроведения
исследования
Общепринятой теоретической базой исследований динамических характеристик кризисных явлений в экономических системах, несомненно, является теория длинных волн Н.Д. Кондратьева (К-модель), столетие которой научная общественность будет отмечать в 2022 г.
Анализ динамических характеристик экономических систем на макроэкономическом уровне изучен достаточно глубоко. Наибольшее распространение в последнее время получили динамические модели устойчивого экономического развития (роста) и модели деловых циклов [12, с. 340]. Такое деление, на наш взгляд, обусловлено требованиями выделения в экономической динамике трендовой и циклической составляющих.
Хронологическая последовательность развития и понятийный аппарат динамических моделей анализа и прогнозирования экономического роста подробно представлены в ряде публикаций [12, 1, 7, 28, 37 и др.] Однако можно выделить некоторую общность и предложить классификацию таких моделей. Так, в коллективной монографии Д.В. Колюжнов выделяет четыре основные теоретические парадигмы: неоклассическая модель роста, АК- модель (модель эндогенного роста), модель продуктового разнообразия, шумпетерианская модель [12, с. 342].
Альтернативным методом моделирования экономической динамики является метод, основанный на моделях деловых циклов, теоретические предпосылки к которому заложены в работах Е. Слуцкого и состоят в идее о
www.mshj.ru
накоплении и суммировании случайных возмущений [31, с. 567]. Основными составляющими модели делового цикла являются общая модель экономического равновесия, построенная на микроэкономических основаниях, различные шоки и механизмы их распространения во времени. В качестве механизмов распространения шоков выделяют механизм межвременного замещения труда и капитала, жесткие цены и несовершенство финансового рыночного механизма [46]. Особую актуальность в предлагаемом исследовании имеет третий механизм, который характерен для поздних развитых монетарных неокейнсианских DSGE-моделей [41, с. 79].
Динамические К-модели имеют существенные слабости и ограничения. В первую очередь следует отметить недостаточную обоснованность дискретных характеристик экономических циклов. Так, еще в 1970-х годах возникла спорная гипотеза о тенденции сжатия во времени и продолжительности К-волн [19, с. 13]. Во-вторых, не развит математический аппарат, позволяющий сформировать замкнутую модель для описания и расчета волны экономического цикла Кондратьева, хотя такие попытки имеют место [1]. Кроме того, К-модель неспособна объяснять причины кризисных явлений, основываясь на анализе предшествующих событий. Так, Г. Менш постулирует, что К-модель
не объясняет причины кризиса 1929-1930 гг. [20, с. 22].
Альтернативой динамическим моделям, основанным на теории длинных волн Кондратьева (К-модели), является развивающаяся с 1970-х годов эволюционная модель или модель метаморфозы (М-модель) [20]. Математически М-модель формирует методологическую базу анализа структурной нестабильности экономических систем, таких как регионы или отрасли экономики. М-модель не отрицает наличие волн и цикличности развития экономических систем. Однако она демонстрирует, что волны могут прерываться. Преимуществом М-модели, на наш взгляд, является то, что она направлена на более низкий мезоэкономический уровень и позволяет выявлять застойные сектора, где существует структурная готовность к коренным инновациям и росту [20, с. 23].
Одной из ключевых проблем практической реализации рассмотренных выше динамических моделей является задача обоснованного анализа и прогнозирования фаз экономического цикла, а также моментов изменения траектории — переломных точек (точек бифуркации) [24, с. 396].
Решение проблемы определения поворотных точек экономического цикла в общемировой практике связывают с развитием подходов, основанных на построении опережающих
Таблица 1. Характеристики кризисных процессов в РФ Table 1. Characteristics of crisis processes in the Russian Federation
Поворотные точки, характеризующие падение экономики Продолжительность острой фазы, месяцы Комментарии
12.1991-12.1992 12 Переход от плановой к рыночной экономике, крах действующей экономической системы.
03.1993-03.1994 12 Проведение экономических реформ, приватизация.
11.1995-11.1996 12 Убыточность большинства предприятий, массовые банкротства, избыточная занятость.
09.1997-09.1998 12 Дефолт на рынке ГКО-ОФЗ.
10.2008-12.2009 14 Рецессия мировой финансовой системы.
12.2014-01.2016 13 Спад, начавшийся из-за исчерпания прежней модели роста и усугубленный падением нефтяных цен, санкциями со стороны западных стран и собственными ограничениями на импорт.
04.2020-2021 более 13 Спад, вызванный ограничениями, связанными с пандемией, а также ужесточением санкционных ограничений и развитием торговых войн.
Таблица 2. Оценка расхождений точек бифуркации в целом по экономике РФ и в сельскохозяйственной отрасли
Table 2. Estimation of bifurcation point divergences for the economy of the Russian Federation in general and in the agricultural sector
Поворотные точки, характеризующие падение экономики Острые фазы сельского хозяйства по динамике объемов продукции Динамика объемов сельскохозяйственной продукции, % к предыдущему году
12.1991-12.1992 1992 Спад на 60,2 %
1993 Спад на 11,7 %
03.1993-03.1994 1994 Рост на 4,1 %
11.1995-11.1996 1997 Спад на 1,8 %
09.1997-09.1998 1998 Спад на 22,6 %
10.2008-12.2009 2008 Рост на 4,9 %
2009-2010 Спад на 5,5 %
12.2014-01.2016 2014-2016 Рост на 3,3 %
04.2020-2021 2020 Спад на 11,8 %
циклических индексов. Обзорный анализ позволил выделить три основных подхода к датировке циклических поворотных точек, основанных на построении опережающих индексов [50]: подход, основанный на экспертном мнении; подход на основе эталонных индикаторов, синхронных с изменением направления экономической динамики; подход Бернса и Митчелла, основанный на исследовании временных рядов по большому числу финансовых и экономических индикаторов и по множеству секторов экономики.
На данный момент практическое применение в России находит только первый подход. Принципы реализации второго подхода рассматриваются в исследованиях достаточно узкого круга авторов [3, 9, 26, 29, 32 и др.] и пока не получили широкого развития.
Наиболее точный и обоснованный третий подход, как заверяют большинство исследователей, трудно реализовать в России вследствие недостаточного развития информационных баз данных и аналитического инструментария. Попытка реализации такого подход рассмотрена в работе В.А. Иванюк и Н.М. Абдикеева, где в основе построения кризисного индикатора заложен показатель волатильности, основанный на законе нормального распределения случайной величины и «правиле трех сигм» [6].
Обобщение исследований и результатов публикаций перечисленных авторов позволили сформировать общую картину с частотой возникновения кризисов в России (табл. 1).
Полученные результаты апробаций методов опережающих индикаторов показали их недостаточную обоснованность. Особенно ярко противоречия данного подхода характеризуют индикаторы сельского хозяйства (табл. 2).
Во-первых, отмечается слабая и разнонаправленная коррелируемость динамики ключевых индикаторов по экономике РФ в целом и по сельскохозяйственной отрасли в частности. Так, до 2014 г. в сельскохозяйственном секторе наблюдается отложенный эффект влияния экономического кризиса на отрасль. Примерный лаг запаздывания кризиса в динамике сельскохозяйственного производства составляет около 11-12 месяцев. Начиная с 2014 г., ситуация резко меняет характер, что связано с политическими факторами и санкционным давлением. В этот период на фоне общего падения отечественной экономики сельскохозяйственное производство росло повышенными темпами. 2020 г. характеризуется сильным падением объемов производства аграрного сектора, вызванного снижением спроса на продукцию сельскохозяйственного назначения вследствие кризиса пандемии.
Наблюдаемые расхождения объясняются как необоснованным выбором самих индикаторов, так и методами их оценки. Аналитический инструментарий, основанный на использовании методов расчета коэффициентов конкор-дации, использованных в работах [3, 29, 32], как и метод трех сигм, по общепризнанному мнению, имеют достаточно низкую точность оценок.
Ход исследования
Исследование динамической природы кризисного потенциала экономической системы требует новых подходов, реализуемых на
Международный сельскохозяйственный журнал. Т. 64, № 6 (384). 20211
ликвидация/рождаемость
^^—ликвидация/рождаемость РФ ^^—ликвидация/рождаемость С/Х
Рисунок. Соотношение ликвидированных и вновь зарегистрированных предприятий в целом по РФ и по сельскохозяйственной отрасли
Figure. The ratio of liquidated and newly registered enterprises in the Russian Federation in general and in the agricultural sector
основе принципов современной бизнес-аналитики. По мнению Г. Менша, для анализа нестабильности экономической системы недостаточно применять только «нисходящий» подход, то есть от макро- к микроуровню. «Восходящий» подход (от микро- к макроуровню) позволяет объединить данные в степени, достаточной для оценки поведения экономической системы в целом и других подсистем [20, с. 20]. Так, уже поверхностное изучение микроэкономических данных позволяет сформулировать выводы, отличные от результатов макроэкономического анализа (рис.).
Данные, представленные на рисунке, подтверждают выводы об отложенном эффекте влияния экономического кризиса на сельскохозяйственную отрасль, а также низкой корреляции точек бифуркации по экономике РФ в целом и в аграрном секторе. В то же время можно говорить о сложившейся отрицательной динамике деловой активности в России, то есть о наличии признаков системного кризиса в экономике. Кроме того, по ним можно выделить стадии повышения кризисного потенциала, несколько отличающиеся от результатов, полученных методами опережающих индикаторов. Так, повышение отрицательных тенденций характерно для экономики в целом в периоды: 2005-2006 гг., 2008-2009 гг., 2010-2011 гг., 20152016 гг., 2017 г. и по настоящее время. По сельскому хозяйству результаты сдвинуты примерно на 11-12 месяцев. Аналогичные результаты можно получить и при исследовании динамики банкротств, однако этот показатель вызывает некоторые сомнения вследствие его чрезмерной управляемости (например, мораторий на банкротства, введенный в 2020 г.).
Распространению методологии исследования кризисных явлений в экономических системах, основанной на микроэкономическом подходе, препятствует ряд факторов. Главными из них являются асимметричность информации, неразвитость необходимых баз данных. Следствием этого послужило развитие большого количества качественных методик оценки, основанных на анкетном или опросном методе сбора данных, отражающих только восприятие бизнесменами происходящих изменений. В
62 -
International agricultural journal. Vol. 64, No. 6 (384). 2021
настоящее время более 300 аналогичных методов исследования бизнес-тенденций применяются в 55 странах мира [21].
Аналогичные методические подходы применяются и рамках получившей в последнее время развитие теории «Динамической экономической устойчивости» [47]. Так, например, Н. Дормади и А. Розе используют для исследования инструмент опроса компаний, пострадавших от стихийных бедствий, для оценки временных траекторий восстановления — линейный, логистический (S-образный) или экспоненциальный путь восстановления.
В прикладном плане следует также отметить недостаточность для получения количественных оценок традиционно используемого аналитического инструментария в микроэкономическом подходе, связанного с высоким уровнем размерности данных. Наиболее полно эта проблема решена в исследованиях финансовых характеристик экономических систем. В этом направлении уже сейчас можно выделить три сформировавшихся подхода: модели финансовой устойчивости (financial soundness indicators — FSls) [22]; модели, основанные на проведении стресс-тестирования [34]; модели систем раннего предупреждения о финансовых кризисах (early warning systems — EWSs) [35]. На основе синтеза этих подходов сформирован индикативный сигнальный метод для выявления динамических характеристик финансовой нестабильности, реализованный в виде моделей дискретного выбора. Так, биноминальные логит- и пробит-модели предлагаются в исследованиях Е.А. Федоровой [38], Д.М. Куликова [16], А.А. Пестовой [27] и др.
С точки зрения технологии для решения задачи снижения размерности исследуемого пространства большинством исследователей применялся метод главных компонент, успешно используемый в прикладной статистике. Особый интерес в этой связи вызывает работа М.И. Столбова, в который дается оценка различных методов понижения размерности: классический метод главных компонент, нелинейный метод главных компонент, метод независимых компонент, Проекция Саммона, динамические факторные модели, метрическое
обучение, максимальная развертка дисперсии [33]. В работе показано, что нелинейные методы снижения размерности, заимствованные из машинного обучения, показывают наилучшие результаты сжатия как при тестировании на искусственно сгенерированных, так и на реальных данных.
Среди последних исследований по исследуемой проблематике можно выделить публикации по разработке современных моделей прогнозирования банкротства на основе машинного обучения. Так, например, в работе [43, с. 405-417] авторы исследовали показатели американских и канадских компаний с 1985 по 2013 гг. Результаты исследования показали, что точность прогнозов, полученных с помощью машинного обучения, в среднем выше на 1020 %, чем у моделей на основе дискриминант-ного анализа.
Аналогичные результаты демонстрируют и многие отечественные авторы. Так, в публикации А.Н. Опекунова сформулированы принципы построения моделей прогнозирования банкротства предприятий на основе машинного обучения [23]. Предложена концепция построения и сформулирована биноминальная логит-модель, основанная на обучающей выборке из 20 предприятий промышленности, сельского хозяйства, строительства и торговли Пензенской области, которая показала точность оценки риска банкротства 92 % на период прогнозирования 1 года и 85 % на период прогнозирования 2 года. Итоговая модель, предложенная в работе Е.А. Федоровой, Е.В. Гиленко и С.Е. Довженко, построена уже на выборке, состоящей 3056 предприятий [39, с. 87-88]. Прогностическая способность разработанной модели составила 84,7 % (86,4 % на выборке здоровых предприятий и 91,8 % — банкротов). В модели И.Б. Копелева, основанной на выборке из 124 компаний, получена точность прогнозирования 82,1% [14, с. 115].
А.О. Овчаровым и А.М. Тереховым предложена периодизация экономических кризисов с учетом их влияния на развитие сельского хозяйства РФ. Данная концепция основана на использовании VAR-моделей с марковскими переключениями для оценки динамических закономерностей распространения вола-тильности ключевых факторов на индикаторы деятельности сельскохозяйственной отрасли [23, с. 62-63].
Выводы
Прогнозирование структуры динамических характеристик кризисных явлений не имеет до настоящего времени строго обоснованного математического описания, поэтому на первом этапе моделирования целесообразно выбрать процесс, характеризуемый какой-либо мерой общности рассматриваемых процессов. Такой мерой может быть ярко выраженная сезонность, в наибольшей степени присущая виду деятельности, связанному с сельским хозяйством.
Реализация методологии микроэкономического подхода и практическое использование методов бизнес-аналитики в рассмотренных моделях прогнозирования банкротства предприятий уже в настоящее время расширяет возможности исследования динамических характеристик кризисных явлений в
www.mshj.ru
целых секторах экономики, отраслях, регионах. Развитие данного подхода на более широкие базы данных позволит определять и оценивать как циклические характеристики кризисов — точки бифуркации, длительность циклов, так и скорость развития кризисных явлений.
Список источников
1. Акаев А.А. Замкнутая динамическая модель для описания и расчета длинной волны экономического развития Кондратьева // Вестник Российской академии наук. 2016. Т. 86. № 10. С. 883-896. М 10.7868/ S0869587316100029
2. Архипов С. и др. Финансовый кризис в России и в мире. М.: Проспект, 2010. 247 с.
3. Белянова Е.В. О датировке экономических циклов: мировой опыт и возможности его использования в российских условиях // Вопросы статистики. 2013. № 8. С.30-41.
4. Глазьев С.Ю. Современная теория длинных волн в развитии экономики // Экономическая наука современной России. 2012. № 2 (57). С. 27-42.
5. Глазьев С.Ю. О неотложных мерах по укреплению экономической безопасности России и выводу российской экономики на траекторию опережающего развития (академическая версия доклада) // Российский экономический журнал. 2015. № 5. С. 3-62.
6. Иванюк В.А. Методы обнаружения кризисных ситуаций в экономике на ранних стадиях // Эффективное антикризисное управление. 2017. № 3 (102). С. 10-14.
7. Иващенко С.М. Источники долгосрочного роста секторов российской экономики // Журнал новой экономической ассоциации. 2020. № 4 (48). С. 86-112.
10.31737/2221-2264-2020-48-4-4
8. Казакова Н.А. Риск-ориентированная модель для оценки вероятности банкротства компаний-членов стратегического альянса // Экономический анализ: теория и практика. 2019. № 7 (490). С. 1295-1308.
9. Китрар Л.А. Развитие композитных индикаторов циклического реагирования в конъюнктурных обследованиях // Вопросы статистики. 2021. Т. 28. № 2. С. 24-41.
10.34023/2313-6383-2021-28-2-24-41
10. Клейнер Г.Б. Системные проблемы отечественной экономики: мезоэкономика, микроэкономика, экономика предприятий // Вестник ЦЭМИ. 2018. № 1. С. 5.
11. Клейнер Г.Б. Спиральная динамика, системные циклы и новые организационные модели: перламутровые предприятия // Российский журнал менеджмента. 2020. Т. 18. № 4. С. 471-496. 10.21638ЛрЬи18.2020.401
12. Колюжнов Д.В. Инвестиции, инновации, экономический рост и монетарная политика в рамках динамических моделей общего экономического равновесия. Постановка проблемы: глава в монографии Инвестиционный процесс и структурная трансформация российской экономики / под ред. А.В. Алексеева, Л.К. Казанцевой. Новосибирск: ИЭОПП СО РАН, 2020. С. 340-361.
13. Кондратьев НД. Большие циклы конъюнктуры. Избранные работы. М.: Юрайт, 2020. 490 с.
14. Копелев И.Б. Прогнозирование банкротства компании // Вестник университета. 2014. № 20. С. 110-117.
15. Кукукина И.Г. Учет и анализ банкротств: учебное пособие. М.: Финансы и статистика, 2014. 304 с.
16. Куликов Д.М. Индекс финансового стресса для финансовой системы России // Деньги и кредит. 2017. № 6. С. 39-48.
17. Малкина М.Ю. Оценка финансовой нестабильности экономических систем: различные методы и модели // Экономический анализ: теория и практика. 2019. № 7 (490). С. 1273-1294.
18. Малкина М.Ю. Индекс финансового стресса как обобщающий индикатор финансовой нестабильности // Финансовый журнал. 2019. № 3 (49). С. 38-54.
10.31107/2075-1990-2019-3-38-54
19. Мельник М.С. Полисистемная парадигма в теории экономических циклов: дис. ... д-р экон. наук. М., 2014. 377 с.
20. Менш Г. Цунами на рынках капитала // Экономические стратегии. 2006. Т. 8. № 2 (44). С. 18-23.
21. Мински Х. Стабилизируя нестабильную экономику. СПб.: Изд-во Института Гайдара, 2017. 624 с.
22. Могилат А.Н. Оценка финансовой устойчивости российских промышленных компаний, или о чем говорят банкротства // Вопросы экономики. 2019. № 3. С. 101-118. doi: 10.32609/0042-8736-2019-3-101-118
23. Овчаров А.О. Периодизация развития сельского хозяйства РФ в контексте влияния экономических кризисов // АПК: экономика, управление. 2021. № 1. С. 62-70.
24. Опекунов А.Н. Принципы формирования моделей прогнозирования вероятности банкротства предприятий с использованием элементов машинного обучения // Модели, системы, сети в экономике, технике, природе и обществе. 2019. № 4 (32). С. 24-31.
25. Перегудов Ф.И. Основы системного анализа: учебник. Томск: Изд-во научно-технической литературы, 2001. 396 с.
26. Перес К. Технологические революции и финансовый капитал: динамика пузырей и периодов процветания. М.: Дело, 2011. 232 с.
27. Пестова А.А. Предсказание поворотных точек бизнес-цикла: помогают ли переменные финансового сектора? // Вопросы экономики. 2013. № 7. С. 63-81. doi: 10.32609/0042-8736-2013-7-63-81
28. Пестова А.А. Разработка системы индикаторов финансовой нестабильности на основе высокочастотных данных // Деньги и кредит. 2017. № 6. С. 49-58.
29. Плущевская Ю. О состоятельности теоретического фундамента таргетирования инфляции и ново-кейнсианских моделей общего равновесия // Вопросы экономики. 2012. № 5. С. 22-36. doi: 10.32609/0042-87362012-5-22-36
30. Райская Н.Н. Синхронность динамики интегральных индексов как индикатор поворотных точек экономического цикла // Вопросы статистики. 2010. № 12. С. 47-50.
31. Рыбалко А. Банкротства юридических лиц в России: основные тенденции. Материал подготовлен в рамках программы фундаментальных исследований НИУ ВШЭ, 19 января 2021 г. URL: https://arb.ru/upload/ iblock/931/Bnkrpc-2020.pdf
32. Слуцкий Е.Е. Экономические и статистические произведения: избранное. М.: Эксмо, 2010. 1150 с.
33. Смирнов С.В. Экономический рост и экономические кризисы в России: конец 1920-х годов — 2014 год // Вопросы экономики. 2015. № 5. С. 28-47. doi: 10.32609/0042-8736-2015-5-28-47
34. Столбов М.И. Индекс финансового стресса для России: новые подходы // Экономический журнал Высшей школы экономики. 2019. Т. 23. № 1. С. 32-60. doi: 10.17323/1813-8691-2019-23-1-32-60
35. Сучкова Е.О. Методология и практика реализации макропруденциального стресс-тестирования банковской системы // Вестник Московского университета. Серия 6: Экономика. 2017. № 1. С. 123-146.
36. Трунин П.В. Мониторинг финансовой стабильности в развивающихся экономиках (на примере России). М.: ИЭПП, 2007. 106 с.
37. Хайдаршина Г.А. Методы оценки риска банкротства предприятия: дис. ... канд. экон. наук. М., 2009. 252 с.
38. Фаджиоло Д. О научном статусе экономической политики: повесть об альтернативных парадигмах // Вопросы экономики. 2009. № 6. С. 24-47.
39. Федорова Е.А. Моделирование правила денежно-кредитной политики ЦБ РФ с использованием индекса финансового стресса // Журнал новой экономической ассоциации. 2016. № 1 (29). С. 84-106. doi: 10.31737/2221-2264-2016-29-1-4
40. Федорова Е.А. Модели прогнозирования банкротства российских предприятий: отраслевые особенности // Проблемы прогнозирования. 2016. № 3 (156). С. 32-40.
41. Шумпетер Й. Теория экономического развития: (Исследование предпринимательской прибыли, капитала, кредита, процента и цикла конъюнктуры). М.: Прогресс, 1982. 455 с.
42. Aghion, Ph. (2007). Capital, innovation, and growth accounting. Oxford Review of Economic Policy, vol. 23, no. 1, p. 79.
43. Altman E. (2006). Corporate Financial Distress and Bankruptcy: Predict and Avoid Bankruptcy, Analyze and Invest in Distressed Debt. Hoboken, NJ., Wiley Publishing.
Международный
44. Barboza F., Kimura H., Altman E. (2017). Machine learning models and bankruptcy prediction. Expert Systems with Applications, no. 83 (2017), pp. 405-417. doi: 10.1016/j. eswa.2017.04.006
45. Bauer, J. (2014). Are hazard models superior to traditional bankruptcy prediction approaches? A comprehensive test. Journal of Banking & Finance, no. 40 (2014), pp. 432-442.
46. Brîndescu-Olariu, D. (2017). Bankruptcy prediction logit model developed on Romanian paired sample. Theoretical & Applied Economics, vol. 24, no. 1, pp. 5-22.
47. Del Negro (2013). DSGE model-based forecasting. Handbook of Economic Forecasting, vol. 2, part A, pp. 57-140. doi: 10.1016/B978-0-444-53683-9.00002-5
48. Dormady, N., Glenn, J. (2018J. Advances in Analyzing and Measuring Dynamic. Economic Resilience Columbus.
49. Lacombe, DJ. et al. (2017). Hierarchical spatial econometric models in regional science. Regional Research Frontier,vol. 2, pp. 151-167. doi: 10.1007/978-3-319-50590-9_9
50. Shcherbakov, G.A. (2016). The Genesis and Mechanisms to Overcome Systemic Economic Crises. Economic and Social Changes: Facts, Trends, Forecast, no. 2 (44), pp. 48-60. doi: 10.15838/esc.2016.2.44.3
51. Stock, J.H., Watson, M.W. (2014). Estimating turning points using large data sets. Journal of Econometrics, vol. 178, no. 2, pp. 368-381.
52. Thorp, W. (1926). Business Annals. New York: National Bureau of Economic Research Publisher.
References
1. Akaev, A.A. (2016). Zamknutaya dinamicheskaya model' dlya opisaniya i rascheta dlinnoi volny ehkonomi-cheskogo razvitiya Kondrat'eva [A closed dynamic model for describing and calculating the long wave of Kondratiev's economic development]. Vestnik Rossiiskoi akademii nauk [Bulletin of the Russian academy of sciences], vol. 86, no. 10, pp. 883-896. doi: 10.7868/S0869587316100029
2. Arkhipov, S. i dr. (2010). Finansovyikrizis vRossiiivmire [The financial crisis in Russia and in the world]. Moscow, Prospect Publ., 247 p.
3. Belyanova, E.V. (2013). O datirovke ehkonomicheskikh tsiklov: mirovoi opyt i vozmozhnosti ego ispol'zovaniya v ros-siiskikh usloviyakh [On the dating of economic cycles: world experience and the possibilities of its use in Russian conditions]. Voprosy statistiki, no. 8, pp. 30-41.
4. Glaz'ev, S.Yu. (2012). Sovremennaya teoriya dlinnykh voln v razvitii ehkonomiki [The modern theory of long waves in the development of the economy]. Ehkonomicheskaya nauka sovremennoi Rossii [Economics of contemporary Russia], no. 2 (57), pp. 27-42.
5. Glaz'ev, S.Yu. (2015). O neotlozhnykh merakh po ukre-pleniyu ehkonomicheskoi bezopasnosti Rossii i vyvodu rossi-iskoi ehkonomiki na traektoriyu operezhayushchego razviti-ya (akademicheskaya versiya doklada) [On urgent measures to strengthen Russia's economic security and put the Russian economy on the trajectory of advanced development (academic version of the report)]. Rossiiskii ehkonomicheskii zhur-nal [Russian economic journal], no. 5, pp. 3-62.
6. Ivanyuk, V.A. (2017). Metody obnaruzheniya krizis-nykh situatsii v ehkonomike na rannikh stadiyakh [Methods of detecting crisis situations in the economy at an early stage]. Ehffektivnoe antikrizisnoe upravlenie, no. 3 (102), pp. 10-14.
7. Ivashchenko, S.M. (2020). Istochniki dolgosroch-nogo rosta sektorov rossiiskoi ehkonomiki [Sources of long-term growth of the Russian economy sectors]. Zhurnal Novoi ehkonomicheskoi assotsiatsii [Journal of the New economic association], no. 4 (48), pp. 86-112. doi: 10.31737/2221-2264-2020-48-4-4
8. Kazakova, N.A. (2019). Risk-orientirovannaya model' dlya otsenki veroyatnosti bankrotstva kompanii-chlenov strategicheskogo al'yansa [A risk-oriented model for assessing the probability of bankruptcy of strategic alliance member companies]. Ehkonomicheskii analiz: teoriya i praktika [Economic analysis: theory and practice], no. 7 (490), pp. 1295-1308.
9. Kitrar L.A. (2021). Razvitie kompozitnykh indikatorov tsiklicheskogo reagirovaniya v kon"yunkturnykh obsledo-vaniyakh [Development of composite indicators of cyclical response in market surveys]. Voprosy statistiki, vol. 28, no. 2, pp. 24-41. doi: 10.34023/2313-6383-2021-28-2-24-41
- 63
зльскохозяйственный журнал. Т. 64, № 6 (384). 20211
10. Kleiner, G.B. (2018). Sistemnye problemy otechest-vennoi ehkonomiki: mezoehkonomika, mikroehkonomika, ehkonomika predpriyatii [Systemic problems of the domestic economy: mesoeconomics, microeconomics, enterprise economics]. Vestnik TSEHMI, no. 1, p. 5.
11. Kleiner, G.B. (2020). Spiral'naya dinamika, sistemnye tsikly i novye organizatsionnye modeli: perlamutrovye predpriyatiya [Spiral dynamics, system cycles and new organizational models: pearl enterprises]. Rossiiskii zhurnal menedzhmenta [Russian management journal], vol. 18, no. 4, pp. 471-496. doi: 10.21638/spbu18.2020.401
12. Kolyuzhnov, D.V. (2020). Investitsii, innovatsii, ehkonomicheskii rost i monetarnaya politika v ramkakh dinamicheskikh modelei obshchego ehkonomicheskogo ravnovesiya. Postanovka problemy [Investment, innovation, economic growth and monetary policy in the framework of dynamic models of general economic equilibrium. Problem statement], In: Investitsionnyiprotsess istrukturnaya transfor-matsiya rossiiskoiehkonomiki [Investment process and structural transformation of the Russian economy]. Novosibirsk, IEOPP SB RAS, pp. 340-361.
13. Kondrat'ev, N.D. (2020). Bol'shie tsikly kon'yunktury. Izbrannye raboty [Large market cycles. Selected works]. Moscow, Yurait Publ., 490 p.
14. Kopelev, I.B. (2014). Prognozirovanie bankrotstva kompanii [Forecasting the company's bankruptcy]. Vestnik universiteta, no. 20, pp. 110-117.
15. Kukukina, I.G. (2014). Uchet i analiz bankrotstv: uchebnoeposobie [Accounting and analysis of bankruptcies: study guide]. Moscow, Finansy i statistika Publ., 304 p.
16. Kulikov, D.M. (2017). Indeks finansovogo stressa dlya finansovoi sistemy Rossii [Financial stress index for the Russian financial system]. Den'gi i kredit [Russian journal of money and finance], no. 6, pp. 39-48.
17. Malkina, M.Yu. (2019). Otsenka finansovoi nestabil'nosti ehkonomicheskikh sistem: razlichnye metody i modeli [Assessment of financial instability of economic systems: various methods and models]. Ehkonomicheskii analiz: teoriya i praktika [Economic analysis: theory and practice], no. 7 (490), pp. 1273-1294.
18. Malkina, M.Yu. (2019). Indeks finansovogo stressa kak obobshchayushchii indikator finansovoi nestabil'nosti [The financial stress index as a generalizing indicator of financial instability]. Finansovyizhurnal [Financial journal], no. 3 (49), pp. 38-54. doi: 10.31107/2075-1990-2019-3-38-54
19. Mel'nik, M.S. (2014). Polisistemnaya paradigma v teorii ehkonomicheskikh tsiklov [Polysystem paradigm in the theory of economic cycles]. Dr. economic sci. diss. Moscow, 377 p.
20. Mensh, G. (2006). Tsunami na rynkakh kapitala [A tsunami in the capital markets]. Ehkonomicheskie strategii, vol. 8, no. 2 (44), pp. 18-23.
21. Minski, Kh. (2017). Stabiliziruya nestabil'nuyu ehko-nomiku [Stabilizing an unstable economy]. Saint-Petersburg, Gaidar Institute Publishing house. 624 p.
22. Mogilat, A.N. (2019). Otsenka finansovoi ustoi-chivosti rossiiskikh promyshlennykh kompanii, ili o chem govoryat bankrotstva [Assessment of the financial stability of Russian industrial companies, or what the bankruptcies say]. Voprosy ehkonomiki, no. 3, pp. 101-118. doi: 10.32609/0042-8736-2019-3-101-118
23. Ovcharov, A.O. (2021). Periodizatsiya razvitiya sel'skogo khozyaistva RF v kontekste vliyaniya ehkonomi-cheskikh krizisov [Periodization of the development of agriculture in the Russian Federation in the context of the impact of economic crises]. APK: ehkonomika, upravlenie [AIC: economy, management], no. 1, pp. 62-70.
24. Opekunov, A.N. (2019). Printsipy formirovaniya modelei prognozirovaniya veroyatnosti bankrotstva predpriyatii s ispol'zovaniem ehlementov mashinnogo obu-cheniya [Principles of forming models for predicting the probability of bankruptcy of enterprises using machine learning elements]. Modeli, sistemy, seti v ehkonomike, tekhnike, prirode i obshchestve [Models, systems, networks in economics, technology, nature and society], no. 4 (32), pp. 24-31.
25. Peregudov, F.I. (2001). Osnovy sistemnogo analiza [Fundamentals of system analysis]. Tomsk, Publishing house of scientific and technical literature, 396 p.
26. Peres, K. (2011). Tekhnologicheskie revolyutsii i finansovyi kapital: dinamika puzyrei i periodov protsvetaniya [Technological revolutions and financial capital: the dynamics of bubbles and periods of prosperity]. Moscow, Delo Publ., 232 p.
27. Pestova, A.A. (2013). Predskazanie povorotnykh tochek biznes-tsikla: pomogayut li peremennye finansovogo sektora? [Predicting the turning points of the business cycle: Do financial sector variables help?]. Voprosy ehkonomiki, no. 7, pp. 63-81. doi: 10.32609/0042-8736-2013-7-63-81
28. Pestova, A.A. (2017). Razrabotka sistemy indikato-rov finansovoi nestabil'nosti na osnove vysokochastotnykh dannykh [Development of a system of indicators of financial instability based on high-frequency data]. Den'gi i kredit [Russian journal of money and finance], no. 6, pp. 49-58.
29. Plushchevskaya, Yu. (2012). O sostoyatel'nosti teo-reticheskogo fundamenta targetirovaniya inflyatsii i no-vokeinsianskikh modelei obshchego ravnovesiya [On the consistency of the theoretical foundation of inflation targeting and New Keynesian models of general equilibrium]. Voprosy ehkonomiki, no. 5, pp. 22-36. doi: 10.32609/0042-87362012-5-22-36
30. Raiskaya, N.N. (2010). Sinkhronnost' dinamiki integral'nykh indeksov kak indikator povorotnykh tochek ehkonomicheskogo tsikla [Synchronicity of dynamics of integral indices as an indicator of turning points of the economic cycle]. Voprosy statistiki, no. 12, pp. 47-50.
31. Rybalko, A. (2021). Bankrotstva yuridicheskikh lits v Rossii: osnovnye tendentsii. Material podgotovlen v ram-kakh programmy fundamental'nykh issledovanii NIU VSHEH, 19yanvarya 2021 g. [Bankruptcy of legal entities in Russia: the main trends. Paper presented within the framework of the HSE Basic Research Program., 19 January, 2021]. Available at: https://arb.ru/upload/iblock/931/Bnkrpc-2020.pdf
32. Slutskii, E.E. (2010). Ehkonomicheskie i statisticheskie proizvedeniya: izbrannoe [Economic and statistical works: favorites]. Moscow, Eksmo Publ., 1150 p.
33. Smirnov, S.V. (2015). Ehkonomicheskii rost i ehkonomicheskie krizisy v Rossii: konets 1920-kh godov — 2014 god [Economic growth and economic crises in Russia: the end of the 1920s — 2014]. Voprosy ehkonomiki, no. 5, pp. 28-47. doi: 10.32609/0042-8736-2015-5-28-47
34. Stolbov, M.I. (2019). Indeks finansovogo stressa dlya Rossii: novye podkhody [Financial Stress Index for Russia: new approaches]. Ehkonomicheskii zhurnal Vysshei shkoly ehkonomiki [HSE economic journal], vol. 23, no. 1, pp. 32-60. doi: 10.17323/1813-8691-2019-23-1-32-60
35. Suchkova, E.O. (2017). Metodologiya i praktika real-izatsii makroprudentsial'nogo stress-testirovaniya bankovs-koi sistemy [Methodology and practice of implementing macroprudential stress testing of the banking system]. Vestnik Moskovskogo universiteta. Seriya 6: Ehkonomika [Moscow university bulletin. Series 6: Economy], no. 1, pp. 123-146.
36. Trunin, P.V. (2007). Monitoring finansovoistabil'nosti v razvivayushchikhsya ehkonomikakh (naprimere Rossii) [Monitoring of financial stability in developing economies (on the example of Russia)]. Moscow, Publishing house of the Institute of Transition period, 106 p.
37. Khaidarshina, G.A. (2009). Metodyotsenki riska bankrotstva predpriyatiya [Methods of assessing the risk of bankruptcy of an enterprise]. Cand. economic sci. diss. Moscow, 252 p.
38. Fadzhiolo, D. (2009). O nauchnom statuse ehko-nomicheskoi politiki: povest' ob al'ternativnykh paradig-makh [On the scientific status of economic policy: a story about alternative paradigms]. Voprosy ehkonomiki, no. 6, pp. 24-47.
39. Fedorova, E.A. (2016). Modelirovanie pravila denezh-no-kreditnoi politiki TSB RF s ispol'zovaniem indeksa finansovogo stressa [Modeling the monetary policy rules of the Central Bank of the Russian Federation using the financial stress index]. Zhurnal Novoi ehkonomicheskoi assotsiatsii [Journal of the New economic association], no. 1 (29), pp. 84-106. doi: 10.31737/2221-2264-2016-29-1-4
40. Fedorova, E.A. (2016). Modeli prognozirovaniya bankrotstva rossiiskikh predpriyatii: otraslevye osobennosti [Models for predicting the bankruptcy of Russian enterprises: industry features]. Problemy prognozirovaniya, no. 3 (156), pp. 32-40.
41. Shumpeter, I. (1982). Teoriya ehkonomicheskogo razvitiya: (Issledovanie predprinimatel'skoi pribyli, kapitala, kredita, protsenta i tsikla kon'yunktury) [Theory of economic development: (Research of entrepreneurial profit, capital, credit, interest and the business cycle)]. Moscow, Progress Publ., 455 p.
42. Aghion, Ph. (2007). Capital, innovation, and growth accounting. Oxford Review of Economic Policy, vol. 23, no. 1, p. 79.
43. Altman E. (2006). Corporate Financial Distress and Bankruptcy: Predict and Avoid Bankruptcy, Analyze and Invest in Distressed Debt. Hoboken, NJ., Wiley Publishing.
44. Barboza F., Kimura H., Altman E. (2017). Machine learning models and bankruptcy prediction. Expert Systems with Applications, no. 83 (2017), pp. 405-417. doi: 10.1016/j. eswa.2017.04.006
45. Bauer, J. (2014). Are hazard models superior to traditional bankruptcy prediction approaches? A comprehensive test. Journal of Banking & Finance, no. 40 (2014), pp. 432-442.
46. Brindescu-Olariu, D. (2017). Bankruptcy prediction logit model developed on Romanian paired sample. Theoretical & Applied Economics, vol. 24, no. 1, pp. 5-22.
47. Del Negro (2013). DSGE model-based forecasting. Handbook of Economic Forecasting, vol. 2, part A, pp. 57-140. doi: 10.1016/B978-0-444-53683-9.00002-5
48. Dormady, N., Glenn, J. (2018). Advances in Analyzing and Measuring Dynamic. Economic Resilience Columbus.
49. Lacombe, DJ. et al. (2017). Hierarchical spatial econometric models in regional science. Regional Research Frontier, vol. 2, pp. 151-167. doi: 10.1007/978-3-319-50590-9_9
50. Shcherbakov, G.A. (2016). The Genesis and Mechanisms to Overcome Systemic Economic Crises. Economic and Social Changes: Facts, Trends, Forecast, no. 2 (44), pp. 48-60. doi: 10.15838/esc.2016.2.44.3
51. Stock, J.H., Watson, M.W. (2014). Estimating turning points using large data sets. Journal of Econometrics, vol. 178, no. 2, pp. 368-381.
52. Thorp, W. (1926). Business Annals. New York: National Bureau of Economic Research Publisher.
Информация об авторах:
Опекунов Алексей Николаевич, кандидат экономических наук, доцент, Researcher ID: ABG-8617-2020, opekunovan@yandex.ru Кошевой Олег Сергеевич, доктор технических наук, профессор, ORCID: http://orcid.org/0000-0002-4429-3138, olaa1@yandex.ru Некрылова Нина Валерьевна, кандидат экономических наук, доцент, ORCID: http://orcid.org/0000-0003-1898-5074, nina-nekrylova@yandex.ru
Information about the authors:
Alexey N. Opekunov, candidate of economic sciences, associate professor, Researcher ID: ABG-8617-2020, opekunovan@yandex.ru
Oleg S. Koshevoy, doctor of technical sciences, professor, ORCID: http://orcid.org/0000-0002-4429-3138, olaa1@yandex.ru
Nina V. Nekrylova, candidate of economic sciences, associate professor, ORCID: http://orcid.org/0000-0003-1898-5074, nina-nekrylova@yandex.ru
б4
International agricultural journal. Vol. 64, No. 6 (384). 2021
opekunovan@yandex.ru
www.mshj.ru
