CC BY
10
08.00.05 УДК 336
ОЦЕНКА ВЕРОЯТНОСТИ ПРЕКРАЩЕНИЯ ДЕЯТЕЛЬНОСТИ И ПРЕДОСТАВЛЕНИЯ НЕДОСТОВЕРНОЙ ИНФОРМАЦИИ СЕЛЬСКОХОЗЯЙСТВЕННЫМИ ОРГАНИЗАЦИЯМИ
© 2019
Артем Дмитриевич Черемухин, преподаватель кафедры «Физико-математические науки» Нижегородский государственный инженерно-экономический университет, Княгинино (Россия)
Аннотация
Введение: в статье проведено исследование влияния размера сельскохозяйственной организации на применимость данных о ее состоянии для регулирования деятельности сектора АПК.
Материалы и методы: обозначается тезис о том, что с точки зрения современного процесса принятия управленческих решений предоставление недостоверной финансовой отчетности равносильно банкротству организации - и в том, и в другом случае уменьшается состав информационной базы, необходимой для принятия управленческих решений. Обозначается предположение о том, что размер сельскохозяйственной организации влияет на 4 показателя: вероятность отсутствия хотя бы одного экономического ресурса (земля или скот, основные средства, человеческий капитал) на начало следующего отчетного периода, вероятность отсутствия производственной деятельности в организации в следующем отчетном периоде, вероятность отсутствия информации в отчетности по мощности техники и вероятность отсутствия информации о структуре земель по собственности в отчетности по итогам отчетного года.
Результаты: на основании данных по сельскохозяйственным организациям Нижегородской области за 2015-2017 гг. были построены 4 уравнения логит-регрессии с использованием робастных стандартных ошибок для устранения смещенности коэффициентов из-за эффекта гетероскедастичности.
Обсуждение: в результате содержательного анализа построенных уравнений подтверждено исходное предположение о влиянии размера сельскохозяйственной организации на исследуемые вероятности, сделаны выводы. Отмечено, что вероятность прекращения деятельности больше для маленьких по размеру организаций, а вероятность предоставления недостоверной информации больше у крупных сельскохозяйственных организаций Заключение: обобщены результаты исследования, выдвинут тезис о необходимости решения задачи организации обмена достоверной информацией между государственными органами и сельскохозяйственными организациями.
Ключевые слова: банкротство, бухгалтерская отчетность, выручка, дамми-переменные, достоверность информации, информационный обмен, логит-модель, прибыль, ресурс, робастные стандартные ошибки, сельскохозяйственная организация.
Для цитирования: Черемухин А. Д. Оценка вероятности прекращения деятельности и предоставления недостоверной информации сельскохозяйственными организациями // Вестник НГИЭИ. 2019. № 7 (98). С. 78-87.
EVALUATION OF THE PROBABILITY OF THE TERMINATION OF ACTIVITIES AND THE PROVISION OF FAILURE INFORMATION BY AGRICULTURAL ORGANIZATIONS
© 2019
Artem Dmitrievich Cheremuhin, lecturer of the chair «Physics and mathematics»
Nizhny Novgorod state engineering and economics university, Knyaginino (Russia)
Abstract
Introduction: this article research influence of the size of the agricultural organization on applicability of data on its state for regulation of activity of sector of agrarian and industrial complex is conducted.
Materials and Methods: the thesis that from the point of view of modern process of adoption of administrative decisions providing doubtful financial statements is equivalent to bankruptcy of the organization is designated - the structure of the information base necessary for adoption of administrative decisions in either case decreases. The assumption that the size of the agricultural organization influences 4 indicators is designated: probability of absence at least one economic resource (the earth or cattle, fixed assets, the human capital) for the beginning of the next reporting period, probability of lack of a production activity in the organization in the next reporting period, probability of lack of information in the reporting under the power of equipment and probability of lack of information on structure of lands on property in the reporting following the results of financial year.
78
Results: on the basis of data on the agricultural organizations of the Nizhny Novgorod Region for 2015-2017 4 equations a logit regression with use of robastny standard mistakes for elimination of shift of coefficients because of effect of a heteroscedasticity were constructed.
Discussion: as a result of the substantial analysis of the constructed equations the initial assumption of influence of the size of the agricultural organization on the studied probabilities is confirmed, conclusions are drawn. It is noted that the probability of the termination of activity is more for the small organizations by the size, and the probability of granting unreliable information is more at the large agricultural organizations
Conclusion: results of research are generalized, will put forward the thesis about need the solution of a task of the organization of an exchange of reliable information between government bodies and the agricultural organizations. Keywords: bankruptcy, financial statements, revenue, dummy variables, information reliability, information exchange, logit model, profit, resource, robust standard errors, agricultural organization.
For citation: Cheremuhin A. D. Evaluation of the probability of the termination of activities and the provision of failure information by agricultural organizations // Bulletin of NGIEI. 2019. № 7 (98). P. 78-87.
Введение
Несмотря на наступление цифровой эры, повсеместное использование ИТ-технологий, все ускоряющихся процессов трансформации общества и экономики, важность сельскохозяйственного сектора как для экономик различных стран, так и для обеспечения благоприятного уровня жизни людей остается по-прежнему высокой. Подвергается изменению только информационное сопровождение сельскохозяйственной деятельности - применение современных технологий позволяет получить больший объем информации как о биологических процессах, сопровождающих процесс производства сельскохозяйственной продукции, так и о экономических законах ее производства, реализации, что повышает максимально возможную эффективность работы сельскохозяйственных организаций как экономических систем. Однако степень изменчивости внешней экономической среды сегодня снижает возможности применения классических методов прогнозирования для проектирования траектории дальнейших развитий как отдельных сельскохозяйственных организаций, так и всего сектора сельскохозяйственного производства в целом.
Материалы и методы
В этих условиях особую роль начинает играть информационное взаимодействие отдельных организаций и государства. Несмотря на отдельные попытки перевести экономические отношения в отрасли АПК на полностью рыночный механизм, до сих пор ведущая роль в регулировании данных процессов принадлежит государству (и в России, и в ЕС, и в США).
В современных условиях быстро меняющаяся внешняя среда требует от государства гораздо большей эффективности в регулировании экономических процессов в отрасли производства сельскохозяйственной продукции, что невозможно без
применения самых современных математических методов анализа и моделирования деятельности организаций, использование которых, в свою очередь, возможно только при наличии большого объема достоверной информации.
Это актуализирует важность получения государственными органами достоверной информации от сельхозтоваропроизводителей. С этой точки зрения, сельскохозяйственная организация рассматривается как источник информации, и прекращение потока информации от нее (вследствие банкротства или прекращения деятельности) или получение недостоверной информации (вследствие ошибок при подготовке отчетности) ведет к снижению объема информационной базы для выработки государственными органами соответствующих управленческих решений.
Исследованием причин банкротства сельскохозяйственных организаций и построению соответствующих математических моделей посвящено большое количество научных исследований [1; 2; 3; 4; 5], вопросам моделирования информационного взаимодействия государственных органов и частного бизнеса уделяется меньше внимания, хотя неоспоримым является наличие влияния различных аспектов управления информации на результаты работы любой экономической системы [6; 7; 8; 9].
Целью данной работы является изучение и количественное выражение влияния количества ресурсов и финансового результата сельскохозяйственных организаций Нижегородской области на вероятность исключения информации о ее деятельности из числа достоверных источников формирования соответствующей информационной базы (что может выражаться либо в виде банкротства, либо в виде предоставления отчетности с ошибками).
Для проведения данного исследования был принят ряд следующих тезисов:
1. Отчетность организации признавалась недостоверной при наличии одного из двух признаков:
- при наличии активной части основных средств (тракторов и т. д.) в отчетности не указана мощность ОС;
- при наличии земель сельскохозяйственного назначения не указана структура их по видам собственности.
2. Организация считалась прекратившей деятельность, если по данным отчетности у нее равнялся нулю один из следующих показателей: выручка, натуральный объем произведенной продукции, количество ресурсов (работники, стоимость ОС, одновременно равнялся нулю объем земельных ресурсов и скота).
3. На вероятности предоставления недостоверной отчетности / прекращения деятельности влияет размер организации (измерялся с помощью числа работников, их среднемесячной заработной платой, размером сельхозугодий, условного поголовья, количества техники, стоимости основных средств) и финансовое ее положение (затраты на производство, себестоимость, выручка, прибыль) и
год. При этом предполагалось, что на вероятность предоставления недостоверной отчетности влияли данные текущего года, а на вероятность прекращения деятельности / банкротства - данные прошлого года (подобный подход был применен, в частности, в [10; 11]). Автор считает, что вопросы влияния показателей ликвидности и иных финансовых коэффициентов на вероятности банкротства достаточно освещены в научной литературе [12; 13] и считает возможным проверить предположение о влиянии размера организации на упомянутые вероятности.
4. Оценка соответствующих вероятностей была проведена с использованием моделей логит-регрессии (подобный подход применялся в [10; 14; 15; 16; 17; 18; 19; 20; 21; 22; 23; 24]).
Информационную базу исследования составили данные отчетностей сельскохозяйственных организаций Нижегородской области за 2015-2017 гг. (без учета единичных сельскохозяйственных организаций, занимающихся производством рыбы, мяса птицы).
Для определения необходимости проведения дополнительных процедур подготовки данных перед построением логит-моделей рассмотрим таблицу корреляций между независимыми переменными.
Таблица 1. Корреляция между показателями размера и финансового результата среди рассмотренных сельскохозяйственных организаций Нижегородской области в 2016-2017 гг.
Table 1. Correlation between the indicators of size and financial results among the agricultural organizations of the Nizhny Novgorod region in 2016-2017
Показатель
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10
/ Indicator
X1 1/1 0.3/0.29 0.29/0.25 0.23/0.21 0.65/0.62 0.78/0.72 0.91/0.91 0.88/0.87 0.88/0.86 0.76/0.66
X2 0.3/0.29 1/1 0.27/0.21 0.22/0.23 0.33/0.32 0.41/0.43 0.31/0.31 0.3/0.3 0.29/0.3 0.22/0.24
X3 0.29/0.25 0.27/0.21 1/1 0.18/0.13 0.59/0.48 0.3/0.27 0.18/0.18 0.14/0.14 0.13/0.13 0.08/0.08
X4 0.23/0.21 0.22/0.23 0.18/0.13 1/1 0.28/0.24 0.42/0.49 0.35/0.36 0.32/0.35 0.32/0.37 0.25/0.4
X5 0.65/0.62 0.33/0.32 0.59/0.48 0.28/0.24 1/1 0.56/0.5 0.47/0.45 0.42/0.39 0.41/0.38 0.3/0.25
X6 0.78/0.72 0.41/0.43 0.3/0.27 0.42/0.49 0.56/0.5 1/1 0.87/0.83 0.85/0.82 0.85/0.83 0.7/0.71
X7 0.91/0.91 0.31/0.31 0.18/0.18 0.35/0.36 0.47/0.45 0.87/0.83 1/1 0.98/0.97 0.99/0.97 0.87/0.8
X8 0.88/0.87 0.3/0.3 0.14/0.14 0.32/0.35 0.42/0.39 0.85/0.82 0.98/0.97 1/1 0.99/0.99 0.82/0.77
X9 0.88/0.86 0.29/0.3 0.13/0.13 0.32/0.37 0.41/0.38 0.85/0.83 0.99/0.97 0.99/0.99 1/1 0.88/0.84
X10 0.76/0.66 0.22/0.24 0.08/0.08 0.25/0.4 0.3/0.25 0.7/0.71 0.87/0.8 0.82/0.77 0.88/0.84 1/1 Коды показателей: X1 - число работников; X2 - среднемесячная заработная плата; X3 - сельхозугодия; X4 - условное поголовье; X5 - количество техни; X6 - стоимость основных средств; X7 - затраты на производство; X8 - себестоимость продукции; X9 - выручка; X10 - прибыль Источник: составлено автором на основе собственных расчетов
Значительное число сильных и значимых корреляций говорит о возможности возникновения проблемы мультиколлинеарности при построении модели со всеми рассмотренными переменными в качестве независимых. Для устранения этого необ-
ходимо провести факторный анализ для выявления тех нескольких переменных, которые будут в лучшей степени передавать дисперсию всех рассмотренных переменных. Факторный анализ проводился в программе 8ТЛТ18Т1СЛ 10 на стандартизованных
данных (что объясняется разными измерителями переменных) и показал, что в обоих случаях оптимально вместо стандартных 10 переменных использовать две новые, отражающие 74,95 % (для модели, оценивающей вероятность прекращения деятельно-
сти) и 72,25 % (для модели, оценивающей вероятность предоставления недостоверной информации).
Графическое отображение корреляций исходных и факторных переменных представлено на рисунках 1 и 2 для обоих рассмотренных моделей.
Рис. 1. Корреляции исходных и факторных переменных (модель оценки вероятности прекращения деятельности сельскохозяйственных организаций)
Fig. 1. Correlations of source and factor variables (model of an assessment of probability of the termination of activity of the agricultural organization)
Рис. 2. Корреляции исходных и факторных переменных (модель оценки вероятности
поступления недостоверной информации от сельскохозяйственной организации) Fig. 2. Correlations of source and factor variables (model of an assessment of probability of receipt of unreliable information from the agricultural organization)
Таблица 2. Таблица факторных коэффициентов Table 2. Table of factor coefficients
Переменная / Variable Модель 1 / Model 1 Модель 2 / Model 2
F1 F2 F1 F2
X1 -0.155 0.010 -0.153 0.014
X2 -0.070 -0.281 -0.073 0.287
X3 -0.053 -0.532 -0.049 0.568
X4 -0.069 -0.156 -0.080 0.049
X5 -0.102 -0.405 -0.098 0.449
X6 -0.152 -0.034 -0.154 0.034
X7 -0.162 0.130 -0.165 -0.118
X8 -0.158 0.155 -0.162 -0.156
X9 -0.159 0.173 -0.164 -0.174
X10 -0.141 0.218 -0.141 -0.218
Источник: составлено автором на основе собственных расчетов
Таким образом, получается, что для обеих рассмотренных моделей:
- значение фактора F1 сильно коррелировано с факторами Х1, Х6-Х10;
- значение фактора F2 сильно коррелировано с фактором Х3, средне - с фактором Х5.
Факторные коэффициенты (обеспечивающие взаимосвязь стандартизированных исходных и получившихся факторных значений) представлены в таблице 2.
Анализ факторных коэффициентов позволяет констатировать следующее:
- значение фактора F1 обратно пропорционально всем рассмотренным переменным. Следовательно, низкая величина F1 характерна для сельскохозяйственных организаций с большим объемом ресурсов, с большим оборотом средств и с большой положительной величиной финансового результата;
- значение фактора F2 неодинаково пропорционально разным переменным. В случае модели 1 большие положительные значения данной переменной характерны для малых по объему ресурсов сельскохозяйственных организаций с большой величиной денежного оборота и большой положительной величиной финансового результата; для модели 2 большие положительные значения данной переменной характерны для больших по объему ресурсов сельскохозяйственных организаций с низкой величиной вовлеченных в оборот средств и малой величиной финансового результата.
Таким образом, в ходе факторного анализа были получены две новые независимые перемен-
ные, на основе которых были рассчитаны соответствующие логит-модели оценки вероятности прекращения деятельности организации / предоставления недостоверной отчетности.
Результаты Первая оцененная модель - модель оценки вероятности отсутствия хотя бы одного экономического ресурса (земли или скота, основных средств, человеческого капитала) на начало следующего отчетного периода. В качестве зависимых переменных выступали значения факторов XI и X2, а также дамми-переменные, описывающие год исследования, спецификация модели - линейная:
У = 1
ln(
) = aFx + bF2 + dYear2016 + fYear20U + c, (1)
У = 0
где a, Ь, ^ d, f - параметры, Year2016 и Year2017 - дам-ми-переменные (равны 1 в соответствующем году и 0 в остальные периоды)
Оценка статистических параметров на уровне значимости 5 % модели показала следующее:
- использование теста Рамсэя (значение теста равно 0.78, p-значение равно 0.4582) показало, что в модели нет пропущенных переменных;
- показатели показателя вздутия дисперсии меньше 10 для каждой переменной, что говорит об отсутствии мультиколлинеарности;
- использование теста Голдфильда-Квандта показало, что остатки в модели зависят от F1, что говорит о гетероскедастичности и необходимости использования робастных стандартных ошибок.
Использование робастных стандартных ошибок позволило получить следующие оценки коэффициентов в модели 1 по спецификации (1).
Таблица 3. Значения коэффициентов в модели оценки вероятности отсутствия в сельскохозяйственной организации хотя бы одного экономического ресурса
Table 3. Values of coefficients in the model of estimation of probability of absence in the agricultural organization of at least one economic resource
Параметр / Parameter Значение / Value Стандартные ошибки / Standard error p-значение / p-value
c d f a b
8.33168 16.521997 -1.54034 -10.14418 2.84416
1.69448 1.08029 1.23043 3.96076 0.91824
8.79e-07 < 2.2e-16 0.210618 0.010432 0.001952
Источник: составлено автором на основе собственных расчетов
Анализ р-значений позволил констатировать, что на принятом уровне значимости статистически не значим только коэффициент /.
Вторая оцененная модель - модель оценки вероятности отсутствия производственной деятельности в организации в следующем отчетном периоде. Тест Рамсэя показал, что линейная спецификация модели содержит пропущенные переменные, что привело к ее изменению, модель 2 оценивалась по следующей спецификации:
Y = 1
ln(—-) = aF + bF2 ■ F + c .
"У = 2 1 2 1 (2)
Анализ проведенных статистических тестов показал необходимость применения робастных стандартных ошибок (мультиколлинеарности нет, есть гетероскедастичность и автокорреляция).
Использование робастных стандартных ошибок позволило получить следующие оценки коэффициентов в модели 2 по спецификации (2):
Таблица 4. Значения коэффициентов в модели оценки вероятности отсутствия в сельскохозяйственной организации хотя бы одного экономического ресурса
Table 4. Values of coefficients in the model of estimation of probability of absence in the agricultural organization of at least one economic resource
Параметр / Parameter Значение / Value Стандартные ошибки / Standard error p-значение / p-value
c 4.21849 0.48141
a -5.70781 1.68012
b 0.57244 1.02101
Источник: составлено автором на основе собственных расчетов
< 2.2e-16 0.0006806 0.5750288
Анализ значимости коэффициентов модели (2) показал, что на принятом уровне значимости коэффициенты а и с значимы.
Третья оцененная модель - модель оценки вероятности отсутствия информации в отчетности по мощности техники по итогам отчетного года. Оценка статистических параметров на уровне значимости 5 % модели по спецификации (1) показала следующее:
- использование теста Рамсэя (значение теста равно 2.2, р-значение равно 0.1102) показало, что в модели нет пропущенных переменных;
- показатели показателя вздутия дисперсии меньше 10 для каждой переменной, что говорит об отсутствии мультиколлинеарности;
- использование теста Голдфильда-Квандта показало, что остатки в модели зависят от Б1, что говорит о гетероскедастичности и необходимости использования робастных стандартных ошибок.
Использование робастных стандартных ошибок позволило получить следующие оценки коэффициентов в модели 3 по спецификации (1).
Таблица 5. Значения коэффициентов в модели оценки вероятности отсутствия информации в отчетности по мощности техники
Table 5. The values of the coefficients in the model estimating the probability of the lack of information in the financial statements of power technology
Параметр / Parameter Значение / Value Стандартные ошибки / Standard error p-значение / p-value
c d f a b
-3.164982 -0.138348 0.079446 0.526320 -0.565581
0.272136 0.339348 0.344043 0.303876 0.242985
< 2e-16 0.68350 0.81738 0.08327 0.01993
Источник: составлено автором на основе собственных расчетов
83
На принятом уровне значимости статистически значимы коэффициенты c и Ь.
Четвертая оцененная модель - модель оценки вероятности отсутствия информации о структуре земель по собственности в отчетности. Тест Рамсэя показал, что линейная спецификация модели содержит пропущенные переменные, что привело к ее изменению, модель 4 оценивалась по следующей спецификации:
У = 1
1П(У=1) = аЕ1 + ЪР2 • ^ + ^ + С . (3)
Анализ проведенных статистических тестов показал необходимость применения робастных стандартных ошибок (мультиколлинеарности нет, есть гетероскедастичность и автокорреляция).
Использование робастных стандартных ошибок позволило получить следующие оценки коэффициентов в модели 4 по спецификации (3).
Таблица 6. Значения коэффициентов в модели оценки вероятности отсутствия в отчетности сельскохозяйственной организации информации о структуре земель сельскохозяйственного назначения по юридической принадлежности
Table 6. Values of coefficients in the model of estimation of probability of absence in the reporting
of the agricultural organization of information on structure of lands of agricultural purpose on legal accessory
Параметр / Parameter Значение / Value Стандартные ошибки / Standard error p-значение / p-value
c a b d f
-0.128019 0.047394 0.716555 -0.036162 0.086561
0.059085 0.112078 0.098799 0.015391 0.026697
0.030258 0.672395 4.086e-13 0.018795 0.001186
Источник: составлено автором на основе собственных расчетов
Анализ значимости коэффициентов модели (3) показал, что на принятом уровне значимости статистически значимы все коэффициенты, кроме коэффициента а.
Обсуждение
На основании содержательного анализа четырех построенных моделей можно сделать следующие выводы:
- в 2016 году общая вероятность снижения величины какого-либо экономического ресурса до нуля была существенно ниже, чем в 2015 и 2017 гг.;
- при уменьшении размера сельскохозяйственной организации вероятность прекращения экономической деятельности возрастает; в наименьшей степени данному риску подвержены крупные сельскохозяйственные организации с низкой оборачиваемостью денежных средств, в наибольшей степени - малые сельскохозяйственные организации с большим оборотом ресурсов;
- вероятность прекращения производственной деятельности сельскохозяйственной организацией не менялась статистически значимо в течение 2015-2017 гг.;
- общий риск вероятности прекращения производственной деятельности обратно пропорционален размеру организации и ее финансовому результату;
- вероятность отсутствия информации в отчетности по мощности техники за рассматриваемый период не менялась в течение рассматриваемого периода, но прямо пропорциональная размеру организации;
- вероятность отсутствия в отчетности сельскохозяйственной организации информации о структуре земель не менялась в течение рассматриваемого периода;
- вероятность отсутствия в отчетности сельскохозяйственной организации информации о структуре земель выше для крупных сельскохозяйственных организаций и максимальна для больших сельхозтоваропроизводителей с низким финансовым результатом.
Резюмируя результаты исследования, отмечаем, что вероятность прекращения деятельности больше для мелких сельхозтоваропроизводителей, а вероятность предоставления недостоверной информации больше у крупных сельскохозяйственных организаций.
Заключение
Динамика современного общества ставит перед государством как основным экономическим регулятором задачу своевременного реагирования на новые вызовы. К уже существующей задаче выработки механизмов поддержки малых сельскохозяйственных организаций (актуальность которой была вновь доказана в данной работе) добавляется задача организации обмена достоверной информации между государственными органами и сельскохозяйственными организациями, без чего невозможно построение эффективной модели государственного регулирования сельскохозяйственного сектора в современных условиях.
СПИСОК ЛИТЕРАТУРЫ
1. Boratynska K., Grzegorzewska E. Bankruptcy prediction in the agribusiness sector: Lessons from quantitative and qualitative approaches. [Электронный ресурс]. Режим доступа: https://doi.org/10.1016/j .jbusres.2018.01.028.
2. Удалов А. А., Черная А. Е. Применение моделей анализа банкротства для сельскохозяйственных организаций // Вестник Донского государственного аграрного университета. 2018. № 3-2 (29). С. 52-61.
3. Кутырев А. Н., Щаврина Ю. О. Модели оценки банкротства сельскохозяйственных организаций // Научный альманах. 2017. № 4-1 (30). С. 151-155.
4. Герасименко О. А., Гончарова Я. Л. Модели прогнозирования банкротства сельскохозяйственных предприятий // Аллея науки. 2018. Т. 3. № 5 (21). С. 693-702.
5. Зубренкова О. А., Козлов С. Н., Ломаченко О. А. Теоретические и методологические основы анализа несостоятельности организаций // Азимут научных исследований: экономика и управление. 2018. Т. 7. № 2 (23). С. 154-156.
6. Choo C. W. Information culture and organizational effectiveness // International Journal of Information Management. 2013. № 33. P. 775-779.
7. Lunawat R. Reputation effects of information sharing // Journal of Economic Behavior & Organization. 2016. № 131. P. 75-91.
8. Nisar T. M., Prabhakar G. Strakova L. Social media information benefits, knowledge management and smart organizations [Электронный ресурс]. Режим доступа: https://doi.org/10.1016/jjbusres.2018.05.005
9. Zhou M., Dan B., Ma S., Zhang X. Supply chain coordination with information sharing: the informational advantage of GPOs [Электронный ресурс]. Режим доступа: doi: 10.1016/j .ejor.2016.06.045
10. Lin C., Yang T. Validation the role of previous information in predicting TSE corporation bankruptcy // Procedía - Social and Behavioral Sciences. 2012. № 57. Р. 560-565.
11. Volkov A., Benoit D. F., Van den Poel D. Incorporating sequential information in bankruptcy prediction with predictors based on Markov for discrimination. [Электронный ресурс]. Режим доступа: doi: 10.1016/j.dss.2017.04.00
12. Rybárová D., Braunová M., Jantosová L. Analysis of the Construction Industry in the Slovak Republic by bankruptcy model // Procedía - Social and Behavioral Sciences. 2016. № 230. Р. 298-306.
13. Pham Vo Ninh B., Do Thanh T., Vo Hong D. Financial distress and bankruptcy prediction: An appropriate model for listed firms in Vietnam. [Электронный ресурс]. Режим доступа: https://doi.org/10.1016Zj.ecosys.2018.05.002
14. Zavgren C. V. Assessing the vulnerability to failure of American industrial firms: A logistic analysis // Journal of Banking & Finance. № 1 (12). 1985. Р. 19-45.
15. Aziz A., Emanuel D., Lawson G. Bankruptcy prediction - An investigation of cash flow based models // Journal of Management Studies. № 5 (25). 1988. Р. 419-437.
16. Platt H. D., Platt M. B. Development of a class of stable predictive variables: The case of bankruptcy prediction // Journal of Business Finance & Accounting. № 1(17). 1990. Р. 31-51.
17. Beynon M. J., Peel M. J. Variable precision rough set theory and data discretisation: An application to corporate failure prediction // Omega. 2001. № 29, Р. 561-576.
18. Ciampi F. Corporate governance characteristics and default prediction modeling for small enterprises. An empirical analysis of Italian firms // Journal of Business Research. № 68. 2015. Р. 1012-1025.
19. Ohlson J. Financial ratios and the probabilistic prediction of bankruptcy // Journal of Accounting Research. № 18. 1980. P. 109-131.
20. Zmijewski M. E. Methodological issues related to the estimation of financial distress prediction models // Journal of Accounting Research. 1984. № 22 (Suppl.). Р. 59-82.
21. Hillegeist S. A., Elizabeth K., Donald P., Cram, J. G., Lunstedt. Assessing the probability of bankruptcy // Review of Accounting Studies. 2004. № 9. Р. 5-34.
22. Рабданова В. В. Обзор Logit-регрессионных моделей прогнозирования вероятности банкротства // Вестник ВСГУТУ. 2016. № 4 (61). С. 129-134.
23. Begley J., Ming, J., Watts S. Bankruptcy classification errors in the 1980s: An empiricl analysis of Altman's and Ohlson's models // Review of Accounting Studies. 1996. № 1. P. 267-284.
24. Lennox C. Identifying failing companies: a re-evaluation of the logit-, probit- and DA approaches // Journal of Economics and Business. 1999. № 4 (51). Р. 347-364.
Дата поступления статьи в редакцию 11.04.2019, принята к публикации 13.05.2019.
Информация об авторе: Черемухин Артем Дмитриевич, преподаватель кафедры «Физико-математические науки» Адрес: Нижегородский государственный инженерно-экономический университет, 606340, Россия, Княгинино, ул. Октябрьская, 22а E-mail: ngieu.cheremuhin@yandex.ru Spin-код: 3067-9927
Автор прочитал и одобрил окончательный вариант рукописи.
REFERENCES
1. Boratynska K., Grzegorzewska E. Bankruptcy prediction in the agribusiness sector: Lessons from quantitative and qualitative approaches [Elektronnyj resurs]. Available at: https://doi.Org/10.1016/j.jbusres.2018.01.028
2. Udalov A. A., Chernaya A. Е. Primenenie modelej analiza bankrotstva dlya sel'skohozyajstvennyh organizacij [Application of models of bankruptcy analysis for agricultural organizations], Vestnik Donskogo gosudarstvennogo agrarnogo universiteta [Bulletin of the don state agrarian University], 2018. No. 3-2 (29). pp.52-61.
3. Kutyrev A. N., Shavrina Yu. O. Modeli ocenki bankrotstva sel'skohozyajstvennyh organizacij [Models of assessment of bankruptcy of agricultural organizations], Nauchnyj al'manah [Scientific almanac], 2017. No. 4-1 (30). pp.151-155.
4. Gerasimenko O. A., Goncharova Ya. L. Modeli prognozirovaniya bankrotstva sel'skohozyajstvennyh predpriyatij [Models of forecasting bankruptcy of agricultural enterprises], Alleya nauki [Alley of science], 2018. Vol. 3. No. 5 (21). pp. 693-702.
5. Zubrenkova O. A., Kozlov S. N., Lomachenko O. A. Teoreticheskie i metodologicheskie osnovy analiza nesostoyatel'nosti organizacij [Theoretical and methodological bases of the analysis of insolvency of organizations], Azimut nauchnyh issledovanij: ekonomika i upravlenie [Azimuth of research: Economics and management], 2018. Vol. 7. No. 2 (23). pp. 154-156.
6. Choo C. W. Information culture and organizational effectiveness, International Journal of Information Management, 2013. No. 33. pp. 775-779.
7. Lunawat R. Reputation effects of information sharing, Journal of Economic Behavior & Organization. 2016. No. 131. pp. 75-91.
8. Nisar T. M., Prabhakar, G. Strakova, L. Social media information benefits, knowledge management and smart organizations [Elektronnyj resurs]. Available at: https://doi.org/10.1016/jjbusres.2018.05.005
9. Zhou M., Dan B., Ma S., Zhang X. Supply chain coordination with information sharing: the informational advantage of GPOs [Elektronnyj resurs]. Available at: doi: 10.1016/j.ejor.2016.06.045
10. Lin C., Yang, T. Validation the role of previous information in predicting TSE corporation bankruptcy, Procedia - Social and Behavioral Sciences. 2012. No. 57. pр. 560-565.
11. Volkov A., Benoit D. F., Van den Poel D. Incorporating sequential information in bankruptcy prediction with predictors based on Markov for discrimination [Elektronnyj resurs]. Available at: doi:10.1016/j.dss.2017.04.00
12. Rybârovâ D., Braunovâ M., Jantosovâ L. Analysis of the Construction Industry in the Slovak Republic by bankruptcy model, Procedia - Social and Behavioral Sciences. 2016. No. 230. pр. 298-306.
13. Pham Vo Ninh B., Do Thanh T., Vo Hong D., Financial distress and bankruptcy prediction: An appropriate model for listed firms in Vietnam [Elektronnyj resurs]. Available at: https://doi.org/10.1016Zj.ecosys.2018.05.002
14. Zavgren C. V. Assessing the vulnerability to failure of American industrial firms: A logistic analysis, Journal of Banking & Finance. No. 1 (12). 1985. pр. 19-45.
15. Aziz A., Emanuel D., Lawson G. Bankruptcy prediction - An investigation of cash flow based models, Journal of Management Studies. No. 5 (25). 1988. pр. 419-437
16. Platt H. D., Platt M. B. Development of a class of stable predictive variables: The case of bankruptcy prediction, Journal of Business Finance & Accounting. No. 1 (17). 1990. pр. 31-51.
17. Beynon M. J., Peel M. J. Variable precision rough set theory and data discretisation: An application to corporate failure prediction, Omega. 2001. No. 29, pр. 561-576.
18. Ciampi F. Corporate governance characteristics and default prediction modeling for small enterprises. An empirical analysis of Italian firms, Journal of Business Research. No. 68. 2015. pр. 1012-1025.
19. Ohlson J. Financial ratios and the probabilistic prediction of bankruptcy, Journal of Accounting Research. No. 18. 1980. pp. 109-131.
20. Zmijewski M. E. Methodological issues related to the estimation of financial distress prediction models, Journal of Accounting Research. 1984. No. 22 (Suppl.). pp. 59-82.
21. Hillegeist S. A., Elizabeth K., Donald P., Cram J. G., Lunstedt. Assessing the probability of bankruptcy, Review of Accounting Studies. 2004. No. 9. pp. 5-34.
22. Rabdanova V. V. Obzor Logit-regressionnyh modelej prognozirovaniya veroyatnosti bankrotstva [Review of Logit-regression models for predicting the probability of bankruptcy], Vestnik VSGUTU [Bulletin of VSGUTU], 2016. No. 4 (61). pp. 129-134.
23. Begley J., Ming J., Watts S. Bankruptcy classification errors in the 1980s: An empiricl analysis of Altman's and Ohlson's models, Review of Accounting Studies. 1996. No. 1. pp. 267-284.
24. Lennox C. Identifying failing companies: a re-evaluation of the logit-, probit- and DA approaches, Journal of Economics and Business. 1999. No. 4 (51). pp. 347-364.
Submitted 11.04.2019; revised 13.05.2019.
About the author:
Artem D. Cheremuhin, lecturer of the chair «Physics and mathematics»
Address: Nizhny Novgorod state engineering and economics university, 606340, Russia, Knyaginino,
Oktyabrskaya Str., 22a
E-mail: ngieu.cheremuhin@yandex.ru
Spin-code: 3067-9927
The author have read and approved the final manuscript.
