CC BY
21
5. The resolution of the administration of the Kameshkir district of Penza region from November 1, 2013 No. 336 about the approval of the municipal program «The development of agro-industrial complex of the Kameshkir district of Penza Region for the period of 2014 — 2020 years»// http://rkam. przreg. ru
6. Baryshnikov, N. G. Small and medium business and financial institutes / N. G. Baryshnikov // Regional problems of the development of small agribusiness: collection of articles II of the All-Russian scientific and practical conference / Penza: EPD PSAA 2014 - P. 11-14.
7. Baryshnikov, N. G. Diagnostics of forecasts of development of agriculture / N. G. Baryshnikov, D. Yu. Samygin // Niva Povolzhya. - 2013. - No. 3(28). - P. 129-136.
8. Giblova, N. M. How to help small and medium business? / N. M. Giblova //Bank crediting. - 2014. -No. 3. - P. 11-15
9. GOST 2929-75. Oatmeal. Technical conditions. // http://www. consultant. ru.
10. Kadykova, O. F. Risks sources in the work of subjects of small agribusiness / O. F. Kadykova // Regional problems of development of small agribusinesses: a collection of articles of All-Russian scientific-practical conference / MNITS PSAA. - Penza: EPD PSAA, 2013 - P. 64-69.
16. Экономика труда в организациях АПК: учебное пособие для студентов экономических факультетов сельскохозяйственных вузов / Ю. Н. Шумаков, Л. Б. Винничек и др. - М.: НИЦ ИНФРА-М, 2013. - 223 с.
11. Kadykova, O. F. Assessing the effectiveness of entrepreneurial activity of agricultural organizations of the region/ O. F. Kadykova // Nauchnoye obozreniye. - 2014. - No. 6. - P. 49-51.
12. Kulikov, I. Problems and directions of the development of small business in Russian agriculture / I. Kulikov //AIC: economy, management. - 2013. - No. 2. - 3 p.
13. Chuvorkina, T. N. Project management in small business of the Penza region / T. N. Chuvorkina // Nauchnoye obozreniye. - 2014. - No. 6. - P. 46-48.
14. Chuvorkina, T. N. Small business as a strategic resource for the economic security of the region / T. N. Chuvorkina // Food and security policy: OOO Publishing house «Kreativnaya ekonomika».- 2014. - № 1. - P. 41-52.
15. Shatova, A. V. Current state and prospects of the development of small and medium business in Russia and Penza region / A. V. Shatova // Regional problems of development of small agribusinesses: a collection of articles of International scientific-practical conference / MNITS PSAA. - Penza: EPD PSAA, 2015 - P. 12-16.
16. Labor economics in agribusiness companies: textbook for students of economic faculties of agricultural institutions of higher education / Yu. N. Shumakov, Vinnichek L. B. et. al. - M.: SRC INFRA-M, 2013. - 223 p.
УДК 338.2
ЭКОНОМИКО-МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ЭКСПРЕСС-АНАЛИЗА КРЕДИТОСПОСОБНОСТИ
СЕЛЬСКОХОЗЯЙСТВЕННЫХ ОРГАНИЗАЦИЙ
Н. М. Нейф, канд. экон. наук, доцент; М. Л. Яшина, доктор экон. наук, доцент
ФГБОУ ВПО Ульяновская ГСХА им. П. А. Столыпина, Россия, e-mail: [email protected], т. 8(422)55-95-85
Представлена авторская экономико-математическая модель экспресс-анализа кредитоспособности сельскохозяйственных организаций. Модель основана на двух коэффициентах -финансовой независимости и срочной ликвидности, учитывает особенности аграрного производства и способствует ускорению процесса принятия решения о возможности получения кредита.
Ключевые слова: кредитование, кредитоспособность, коэффициентный анализ, моделирование, сельскохозяйственное производство.
В современных экономических условиях любому предприятию для эффективной его работы требуется привлечение заемных средств, однако для получения кредита предприятию необходимо иметь финансовое положение, которое гарантирует банку возврат денежных средств.
При оценке финансового состояния организации важным является сравнение полученных фактических значений коэффи-
циентов с нормативными. Это связано с тем, что нормативные значения финансовых индикаторов позволяют устанавливать соответствие фактических значений коэффициентов требованиям, позволяющим определить финансовое состояние организации как «хорошее».
При оценке финансового состояния хозяйствующего субъекта применяются различные правила чтения отчетности - вер-
тикальный, горизонтальный, факторный, трендовый, сравнительный и коэффициентный анализ. Расчет коэффициентов как инструментарий используется при оценке относительных показателей. Для диагностики финансового состояния организаций используются регрессионные и дискрими-нантные модели, а также методы научного прогнозирования [1, 2, 3].
В большинстве современных методик, используемых для оценки финансового состояния организаций, основными являются показатели ликвидности, отражающие способность организаций оперативно получить денежные средства, необходимые для нормального осуществления финансовой деятельности и позволяющие погасить имеющиеся обязательства [4, с. 101].
Разработка модели оценки кредитоспособности организаций АПК предполагает выполнение определенных этапов.
1-й этап. Подготовка пакета документов. Исходные данные для разработки моделей получают из годовой бухгалтерской (финансовой) отчетности организаций, прежде всего, бухгалтерского баланса и отчета о финансовых результатах.
2-й этап. Выбор банковской методики оценки кредитоспособности заемщика и определение группы финансовых коэффициентов. Требования банка по оценке финансового состояния заемщика закладываются в основу разработки авторской модели. При этом набор финансовых коэффициентов отличается в методике каждого банка. В основном банки рассчитывают коэффициенты финансовой устойчивости, ликвидности, рентабельности и деловой активности.
При этом в банковских методиках указывается, какие коэффициенты являются основными (то есть обязательными для расчета) для определения финансового состояния заемщика, а какие дополнительными, необязательными. При разработке авторской методики нами в расчет были приняты обязательные финансовые коэффициенты, используемые ОАО «Россель-хозбанк», учитывающие отраслевые и организационные особенности сельскохозяйственных товаропроизводителей.
Обязательными коэффициентами выбранной методики являются: К1 - коэффициент финансовой независимости; К2 -коэффициент обеспеченности собственными средствами; К3 - коэффициент текущей ликвидности; К4 - коэффициент срочной ликвидности; К5 - коэффициент рентабельности; К6 - коэффициент абсолютной ликвидности. Они и будут использова-
ны для разработки авторской экспресс-модели.
3-й этап. Подготовка исходной матрицы данных. На третьем этапе необходимо провести выборку исходных данных из форм годовой бухгалтерской отчетности. Для этого с использованием программы Excel создается матрица данных для расчета необходимых финансовых коэффициентов. Количество строк в матрице равно количеству организаций (годовых бухгалтерских отчетов организаций). Количество столбцов, содержащих данные строк бухгалтерской (финансовой) отчетности, зависит от банковской методики и формулы расчета каждого выбранного финансового коэффициента, используемого банком для определения финансового состояния организации.
4-й этап. Расчет коэффициентов, предусмотренных банковской методикой. После подготовки матрицы с исходными данными рассчитывают финансовые коэффициенты, предусмотренные банковской методикой. Для этого необходимо создать соответствующую матрицу данных. По каждой отобранной организации следует просчитать группу финансовых коэффициентов. Полученные данные отражаются в соответствующей таблице (матрице). Количество финансовых коэффициентов, вводимых в матрицу, определяется методикой банка.
5-й этап. Определение границ классов кредитоспособности заемщика, исходя из методики оценки финансового состояния сельскохозяйственных товаропроизводителей и собственных предложений. Предлагаемая группировка классов кредитоспособности:
66-100 - 1 класс кредитоспособности (хорошее финансовое состояние);
36-65 - 2 класс кредитоспособности (среднее финансовое состояние);
14-36 - 3 класс кредитоспособности (плохое финансовое состояние).
Для обоснования корректности распределения групп кредитоспособности с помощью программы STATISTICA проведена проверка, которая показала, что процент правильного определения организаций первой группы - 95,65, второй и третьей группы - соответственно 100 и 60 (рис. 1). А в целом по всей совокупности организаций процент правильности (корректности) определения группы равен 92,85.
6-й этап. Построение регрессионных моделей оценки финансового состояния и кредитоспособности заемщика. Для создания регрессионной модели необходимо
Нива Поволжья № 4 (37) ноябрь 2015 135
Рис. 1. Проверка корректности отнесения группировки классов кредитоспособности организаций
использовать следующие данные: значения финансовых коэффициентов, полученные в соответствии с требованиями банковских методик; сумму баллов, определенную исходя из методики оценки финансового состояния сельскохозяйственных товаропроизводителей и собственных предложений (У) для каждой организации.
На основании приведенных данных составляется таблица, которая является исходной матрицей для построения регрессионных моделей оценки кредитоспособности заемщика. Полученные данные (значения коэффициентов и У) в виде матрицы переносятся в специализированное программное средство - статистическую программу, позволяющую на основе полученной информации провести регрессионный анализ и создать модель.
В современных условиях необходимым инструментом для получения знаний о механизме изучаемых явлений становятся математико-статистические исследования. Для исследования интенсивности, вида и формы причинных влияний широко применяется дискриминантный и регрессионный анализ. Это позволяет воздействовать на выявленные факторы, вмешиваться в финансовый процесс в целях получения нужных результатов.
Так, проведение диагностической оценки финансового состояния коммерческой организации, выявление значимых факторов, влияющих на уровень кредитоспособности, позволяет кредитным организациям правильно определить возможность кредитования организации, а самой организации разработать комплекс стабилизационных мероприятий, направленных на управление этими факторами, т. е. оценку возможности получения кредита [5].
Для моделирования оценки кредитоспособности заемщика применяется совместное использование программных пакетов MS Excel и STA^STICA версия 6.0. Информация, создаваемая программой на основе введенной матрицы данных, позволяет не только определить значение константы уравнения и весовые значения каждого финансового коэффициента, но и величину уровня значимости каждого используемого коэффициента. Кроме того, определяется величина коэффициента детерминации, который позволяет оценить значимость уравнения регрессии в целом, то есть показывает, какая доля общей вариации зависимой переменной объясняется построенной регрессией.
В соответствии с предложенной методикой, моделирование осуществляется применительно к сельскохозяйственным организациям. Для исследования использовались данные годовых отчетов 109 сельскохозяйственных организаций Ульяновской области по состоянию на 01.01.2014 г. Для построения уравнения регрессии сформированы исходные матрицы данных. С помощью программы STATISTICA были выявлены предприятия, показатели которых значительно отличаются от общего массива. Они были исключены из общей матрицы данных.
По результатам исследования приводятся следующие характеристики построенных уравнений регрессии: R - значение выборочного коэффициента корреляции; R 2 - значение коэффициента детерминации (его величина показывает, какая доля общей вариации зависимой переменной объясняется построенной регрессией); Adjusted R2 - значение скорректированного на число степеней свободы коэффициента
Рис. 2. Общие результаты оценки регрессионной модели
детерминации; F - расчетное значение критерия Фишера, используемое для проверки гипотезы о значимости уравнения регрессии; р - величина уровня значимости; Std. Еггог of estimate - стандартная ошибка оценки уравнения регрессии.
Кроме того, в таблицах приводятся следующие значения величин: Intercept -оценка свободного члена уравнения регрессии; Beta - стандартизированный коэффициент при независимой переменной; Std. Error of Beta - стандартные ошибки коэффициента Beta; В - коэффициенты уравнения регрессии, показывающие, на сколько единиц изменяется результативный показатель при изменении фактора на одну единицу (в соответствующих единицах измерения); Sid. Error of В - стандартные ошибки коэффициентов уравнения регрессии; t - значения распределения Стью-дента, используемые для построения доверительных интервалов параметров уравнения регрессии; p-level - уровень значи-
мости принятия гипотез о равенстве нулю соответствующих коэффициентов уравнения (рис. 2).
Для построенных уравнений регрессии в зависимости класса кредитоспособности организации от выбранных факторов указанные характеристики будут иметь такую интерпретацию: коэффициент корреляции составляет 0,89, что, согласно шкале Чед-дока, свидетельствует о высокой тесноте связи между классом кредитоспособности и включенными в модель факторами.
Коэффициент детерминации равен 0,79. Это означает, что результативный показатель на 79 % зависит от факторов, включенных в модель. Остальные приходятся на долю случайных и неучтенных факторов. Расчетная величина критерия Фишера выше теоретических значений для доверительной вероятности Р = (1 - 0,05) = 0,95, а это, в свою очередь, соответствует уровню значимости р менее 0,0000.... Следовательно, полученные уравнения регрессии
Рис. 3. Итоговая регрессионная модель
Нива Поволжья № 4 (37) ноябрь 2015 137
Рис. 4. График нормальных вероятностей
являются значимыми, а не результатом случайного отбора наблюдений.
Несмотря на значимость каждого уравнения в целом, не все факторы являются значимыми. Так, если р-!еуе! превышает заданный уровень значимости (а) 0,05, это характеризует названные факторы как незначимые в уравнении регрессии. Значимыми факторами, оказывающими наибольшее влияние на степень платежеспособности, являются те, которые имеют наибольший уровень значимости (р-!еуе! < 0,05).
Проведя пошаговую корреляцию, т. е. последовательно исключив факторы из моделей по принципу их наименьшей значимости, получили следующие результаты (рис. 3).
Таким образом, получена регрессионная модель, содержащая наиболее значимые факторы, влияющие на степень кредитоспособности.
Для того, чтобы убедиться в правильности построения модели, необходимо проверить нормальность распределения
остатков (рис. 4). Точки на представленном графике достаточно тесно укладываются вдоль теоретически ожидаемой прямой, это свидетельствует о том, что остатки распределены нормально.
Вторым условием в отношении остатков является то, что их дисперсия должна оставаться неизменной во всем диапазоне значений анализируемых переменных (рис. 5).
Так как точки на графике расположены хаотично, не проявляя никакой закономерности, требуемое условие выполняется.
В представленной модели оба условия в отношении остатков выполняются, что еще раз подтверждает адекватность рассчитанной регрессионной модели для описания связи между предлагаемыми коэффициентами и классов кредитоспособности. В соответствии с проведенным анализом, уравнение регрессии имеет следующий вид:
У = 30,12801+ 61,87547К1+ 3,96892К4 --4,19940К6.
Рис. 5. График зависимости значений остатков от предсказуемых значений
зависимой переменной
Ввод значений коэффициентов в уравнение регрессии позволяет определить количество баллов по предприятию, что позволяет достаточно точно и быстро провести анализ кредитоспособности предприятий.
Для более точного определения класса кредитоспособности организации необходимо рассчитать оставшиеся показатели и подставить значения в уравнение регрессионной или дискриминантной модели.
7-й этап. Графический экспресс-анализ кредитоспособности. Создание регрессионных моделей позволяет оценить значимость каждого фактора (коэффициента), используемого при разработке модели. При этом из всех коэффициентов определяются два наиболее значимых (те, у которых показатель вероятности ошибки р-!еуе! < 0,05). Затем, используя матрицу исходных данных, создаем график зависимости оценки кредитоспособности от коэффициента срочной ликвидности и коэффициента финансовой независимости (рис. 6).
Рис. 6. Графический экспресс-анализ кредитоспособности заемщика
Графики удобны для экспресс-анализа хозяйств, они позволяют на основе двух коэффициентов отнести организацию к той или иной группе. На оси Ж отражается значение зависимой переменной (В); на оси X -значение коэффициента финансовой независимости и на оси У - значение коэффициента срочной ликвидности. Графики предназначены для первичной оценки кредитоспособности. Цветовые границы позволяют на основе значений двух показателей
определить, к какому классу кредитоспособности может быть отнесена отдельная организация. Для построения графика при проведении экспресс-анализа выберем два наиболее значимых коэффициента по данным рисунка 6. Ими являются К1 - коэффициент финансовой независимости, К4 - коэффициент срочной ликвидности.
Таким образом, разработанная графическая модель экспресс-анализа позволяет оценить финансовое состояние сельскохозяйственной организации и сделать обоснованный вывод о ее кредитоспособности с учетом требований, предъявляемых ОАО «Россельхозбанк» при оценке потенциальных заемщиков.
Предлагаемые методы оценки финансового состояния и кредитоспособности организаций приемлемы для российских условий, они адаптированы к аграрному сектору. Модель создана на региональном массиве данных, что позволяет более точно определить финансовое состояние и оценить кредитоспособность сельскохозяйственных организаций Ульяновской области.
Оценку финансового состояния и кредитоспособности на основании предложенной методики могут проводить кредитные аналитики банка при принятии решения о предоставлении заемных средств организациям отрасли. Оценивать финансовое состояние и кредитоспособность могут финансовые аналитики, руководители организаций для проверки соответствия полученных результатов требованиям банков и принятия своевременных управленческих решений по исправлению неудовлетворительного финансового состояния.
Созданная в процессе исследования модель экспресс-анализа кредитоспособности позволяет улучшить современный механизм кредитования предприятий АПК. Проведение оценки кредитоспособности по предложенной методике позволяет ускорить процесс принятия решения о кредитовании, так как предварительный результат получается с достаточно высокой точностью и не занимает много времени. Если финансовое состояние предприятия по предложенной методике не соответствует требованиям, то дальнейший анализ его деятельности не принесет результатов. В ином случае необходимо изучение всех сторон деятельности организации.
Литература
1. Нейф, Н. М. Использование информационных технологий в финансовом менеджменте / Н. М. Нейф, Т. В. Трескова // Экономические науки. - 2010. № 69. - С. 172-175.
2. Трескова, Т. В. Финансовое моделирование: учебное пособие/ Т. В. Трескова, М. А. Федотова. - Ульяновск: Ульяновская государственная сельскохозяйственная академия им. П. А. Столыпина, 2014. - 200 с.
Нива Поволжья № 4 (37) ноябрь 2015 139
3. Нейф, Н. М. Прогнозирование прибыли организации на основе факторной модели / Н. М. Нейф, М. Л. Яшина // Дни науки. Технологии управления в инновационной экономике: материалы научно-практической конференции / Уральский гуманитарный институт. - 2012. - С. 90-100.
4. Попова, Е. А. Развитие финансовых отношений между банковским сектором и сельским хозяйством РФ (на примере ОАО «Россельхозбанк») / Е. А. Попова // Сборник научных трудов по материалам международной очно-заочной научно-практической конференции «Проблемы и перспективы развития финансов в условиях глобализации». 2014. С. 99-102.
5. Королев, К. Ю. Совершенствование методики оценки кредитоспособности сельскохозяйственных организаций / К. Ю. Королев // Известия Пензенского государственного педагогического университета им. В. Г. Белинского. - 2012. № 28. - С. 381-386.
6. Губанов, Р. С. Управление рисками ОАО «Россельхозбанк» в российской экономике / Р. С. Губанов // Финансовый менеджмент. - 2015. - № 1. - С. 70-75.
7. Егоров, А. В. Российский банковский сектор в 2014 г.: проверка на прочность / А. В. Егоров, С. М. Селезнев, Е. Н. Чекмарева // Банковское дело. - 2015. - № 1. - С. 18-22.
8. Ковешникова, Е. В. Повышение эффективности сельскохозяйственного кредитования в современных условиях (на примере ОАО «Россельхозбанк») / Е. В. Ковешникова, Е. С. Вавилова // Саяпинские чтения. - 2014. - С. 50-59.
9. Михайлова, Н. С. Проблемы кредитования сельскохозяйственных товаропроизводителей / Н. С. Михайлова // Агропродовольственная политика России. - 2014. - № 8 (20). - С. 48-50.
10. Новичкова, О. В. Особенности банковской поддержки при финансировании сельскохозяйственных предприятий в современных условиях / О. В. Новичкова // Вестник Алтайского государственного аграрного университета. - 2015. - № 2 (124). - С. 165-170.
11. Порфирьев, Д. Н. Кредитование сельскохозяйственных предприятий / Д. Н. Порфирьев // Управление реформированием социально-экономического развития предприятий, отраслей, регионов. - 2015. - № 2(2). - С. 133-135.
12. Рябинина, Е. Е. Управление кредитными рисками при кредитовании аграрного сектора экономики / Е. Е. Рябинина // Прикладные статистические исследования и бизнес-аналитика. -2015. - С. 274-276.
13. Сундикова, И. А. Кредитование сельскохозяйственных предприятий в России: особенности и перспективы развития / И. А. Сундикова // Контентус. - 2014. - № 9 (26). - С. 1-9.
14. Звоноренко, А. С. Банковское кредитование сельхозпроизводителей как инструмент повышения эффективности сельского хозяйства страны / А. С. Звоноренко // Бизнес. Образование. Право. Вестник Волгоградского института бизнеса. - 2014. - № 2 (27). - С. 212-216.
15. Трескова, Т. В. Кредитование АПК: проблемы и перспективы / Т. В. Трескова, М. Л. Яшина // European Social Science Journal. - 2011. - № 2 (5). С. 359-366.
UDK 338.2
ECONOMIC-MATHEMATICAL MODEL OF THE EXPRESS ANALYSIS THE CREDITABILITY
OF AGRICULTURAL ORGANIZATIONS
N. M. Neif, candidate of economic sciences, associate professor
FSBEI HPE «Ulyanovsk SAA in the name of P. А. Stolypin», Ulyanovsk, Russia, tel. 8 (927) 834-20-57. Е-mail: neifnm@mail. ru
М. L. Yashina, doctor of economic sciences, professor
FSBEI HPE «Ulyanovsk SAA in the name of P. А. Stolypin», tel. 8 (903) 338-42-82. Е-mail: may1978.78@mail. ru
The article deals with economic-mathematical model of the express-analysis of the creditability of agricultural organizations. The model is based on two coefficients: financial independence and immediate liquidity. The authors take into account the peculiarities of agricultural production and accelerate the decision-making process about the possibility of getting credit.
Key words: credit, creditability, ratio analysis, modeling, agricultural production.
References:
1. Neif, N. M. The use of information technologies in the financial management / N. M. Neif, T. V. Treskova // Ekonomicheskiye nauki. - 2010. No. 69. - P. 172-175.
2. Treskova, T. V. Financial modeling: textbook / T. V. Treskova, M. A. Fedotova. - Ulyanovsk: Ulyanovsk state agricultural academy in the name of P. A. Stolypin, 2014. - 200 p.
3. Neif, N. M. Forecasting profit of an organization based on factor model / N. M. Neif, M. L. Yashina // Dni nauki. Technologies of management in the innovation economy: materials of scientific-practical conference. Ural Institute for the Humanities. - 2012. - P. 90-100.
4. Popova, Ye. A. The development of financial relations between the bank sector and agriculture of the Russian Federation (on the example of JSC «Rosselkhozbank») / Ye. A. Popova // Collection of scientific works on the materials of the international intramural and extramural scientific-practical conference «Problems and prospects of development of finance in the conditions of globalization». 2014. -P. 99-102.
5. Korolev, K. Yu. Improvement of methodology for assessing creditability of agricultural organizations / K. Yu. Korolev // Izvestiya of Penza state pedagogical university. In the name of V. G. Belinsky. -2012. No. 28. - P. 381-386.
6. Gubanov, R. S. Risk management of JSC «Rosselkhozbank» in the Russian economy / R. S. Gubanov // Financial management. - 2015. No. 1. - P. 70-75.
7. Yegorov, A. V. Russian banking sector in 2014: challenge for vitability / A. V. Yegorov, S. M. Seleznev, Ye. N. Chekmareva // Bankovskoye delo. - 2015. - No. 1. - P. 18-22.
8. Koveshnikova Ye. V. Improving the efficiency of agricultural crediting in present conditions conditions (on the example of «Rosselkhozbank») / Ye. V. Koveshnikova, Ye. S. Vavilova // Sayapinskiye chteniya. - 2014. - P. 50-59.
9. Mikhailova, N. S. Problems of crediting agricultural producers / N. S. Mikhailova // Agri-food policy of Russia. - 2014. - No. 8 (20). - P. 48-50.
10. Novichkova, O. V. Peculiarities of bank support in financing agricultural enterprises in present conditions / O. V. Novichkova // Vestnik of the Altai state agrarian university. - 2015. - No. 2 (124). -P. 165-170.
11. Porfiriev, D. N. Lending agricultural enterprises / D. N. Porfiriev / Management reforming of social-economic development of enterprises, industries and regions. - 2015. - No. 2(2). - P. 133-135.
12. Ryabinina, Ye. Ye. Managing credit risks when lending to the agrarian sector of the economy / Ye. Ye. Ryabinina // Journal of Applied statistical research and business analytics. - 2015. - P. 274-276.
13. Sundikova, I. A. Crediting agricultural enterprises in Russia: specifics and prospects / I. A. Sundikova // Contentus. - 2014. - No. 9 (26). - P. 1-9.
14. Zvonorenko, A. S. Bank lending to farm producers as a tool to improve the efficiency of agriculture of the country / A. S. Zvonorenko // Business. Education. Law. Vestnik of the Volgograd Institute of business. - 2014. - No. 2 (27). P. 212-216.
15. Treskova, T. V. Lending to agriculture: problems and prospects / T. V. Treskova, M. L. Yashina // European Social Science Journal. 2011. No. 2 (5). P. 359-366.
УДК 339.187.62(470.40)
ЛИЗИНГ КАК ИСТОЧНИК ФИНАНСИРОВАНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ОРГАНИЗАЦИЙ ПЕНЗЕНСКОЙ ОБЛАСТИ
О. А. Тагирова, канд. экон. наук, доцент; М. Ю. Федотова, канд. экон. наук, доцент
ФГБОУ ВО Пензенская ГСХА, Россия, т. (8412) 62 85 63, e-mail: [email protected]
Сельскохозяйственные организации Пензенской области не способны за счет собственных средств приобретать новую технику, поэтому им необходимо привлекать финансовые ресурсы из внешних источников. В сложившихся условиях одним из наиболее привлекательных и перспективных инструментов финансового обеспечения обновления сельскохозяйственной техники выступает агролизинг. В статье дается анализ состояния и обеспеченности техникой селькохозяйственных организаций Пензенской области. В качестве направлений совершенствования лизинговых отношений рассматриваются: увеличение срока договора лизинга до нормативного амортизационного срока; изменение периодичности и размеров лизинговых платежей в растениеводстве и животноводстве; предоставление налоговых льгот лизинговым компаниям, осуществляющим свою деятельность в сфере АПК; выделение кредитных ресурсов банками, кредитующими агролизинговые компании, по сниженным ставкам, близким к ставке рефинансирования РФ. Произведены расчеты стоимости финансового лизинга с учетом предложенных направлений.
Ключевые слова: сельское хозяйство, Пензенская область, лизинг, лизинговая компания, объект лизинга, основные средства
На протяжении многих лет сельское хозяйство является одной из главных отраслей экономики Пензенской области. В сло-
жившихся экономических условиях в сельскохозяйственных предприятиях области возникают некоторые трудности, связан-
Нива Поволжья № 4 (37) ноябрь 2015 141
