Комплекс економіко-математичних моделей системи попередження банкрутства підприємства

У своїй п'ятифакторній моделі Е. Альтман пропонує чотири класи кризи в залежності від імовірності настання банкрутства: дуже висока, висока, імовірна, дуже низька. Також чотири класи кризи виділяє А. М. Поддєрьогін, як зазначено в роботі Ю. М. Лелюк [56]: фінансово стійкі підприємства; підприємства з порушеною фінансовою рівновагою, але без загрози банкрутства за умови переходу на активне управління; підприємства, яким загрожує банкрутство, якщо вони не здійснять санаційні заходи; підприємства-напівбанкрути. Його точку зору поділяє О. В. Посилкіна [71], також розглядаючи чотири класи кризи: підприємство з гарним фінансовим станом; підприємство з середнім фінансовим станом; підприємство з поганим фінансовим станом; підприємство-банкрут. Виділення чотирьох класів кризи вже дозволяє оцінити ступінь кризи більш детально на відміну від двох і трьох класів кризи. Однак і в цьому випадку також досить складно оцінити реальний фінансовий стан підприємства, оскільки за такою шкалою класів кризи відсутній середній фінансовий стан підприємства.

Нікіфорова Н. О. [62] пропонує за допомогою бальної оцінки розбивати підприємства на п'ять класів:

-- 1-й клас - підприємства з абсолютною фінансовою стійкістю і абсолютною платоспроможністю;

-- 2-й клас - підприємства з нормальним фінансовим станом, але з окремих коефіцієнтів допущено деяке відставання;

-- 3-й клас - підприємства, фінансовий стан яких можна оцінити як середній: платоспроможність знаходиться на межі мінімально допустимого рівня, а фінансова стійкість нормальна; або спостерігається нестійкий фінансовий стан, обумовлений переважанням позикових джерел, але при цьому поточна платоспроможність збережена;

-- 4-й клас - підприємства з нестійким фінансовим станом - структура капіталу незадовільна, платоспроможність знаходиться на нижній межі допустимих значень;

-- 5-й клас - підприємства з кризовим фінансовим станом, оскільки вони є неплатоспроможними і абсолютно нестійкими.

Також ідентифікувати фінансовий стан підприємства за допомогою п'яти класів пропонує О. А. Островська [65]:

-- абсолютно фінансово стійкий;

-- з нормальним рівнем стійкості;

-- стійкий з позицій поточного періоду;

-- незадовільний з позицій поточного періоду;

-- незадовільний з позицій поточного періоду та на перспективу (абсолютно незадовільний).

Забродський В. А., Кизим М. О. теж розглядають п'ять зон якісної оцінки фінансового стану виробничих економічних систем:

-- 1 зона - стабільний фінансовий стан;

-- 2 зона - задовільний;

-- 3 зона - незадовільний;

-- 4 зона - кризовий;

-- 5 зона - катастрофічний.

Донцова А. В. та Нікіфорова Н. О. [40, 62] пропонують шість класів підприємств:

-- 1-й клас - підприємства з добрим запасом фінансової стійкості, що дозволяє бути впевненим у поверненні позикових засобів;

-- 2-й клас - підприємства, що демонструють деякий ступінь ризику за заборгованістю, але ще не розглядаються як ризикові;

-- 3-й клас - проблемні підприємства;

-- 4-й клас - підприємства з високим ризиком банкрутства навіть після проведення заходів з фінансового оздоровлення;

-- 5-й клас - підприємства дуже високого ризику, практично неплатоспроможні;

-- 6-й клас - підприємства найвищого ризику.

Проаналізувавши дані джерела, було прийнято рішення про класифікацію криз за трьома групами. Класифікація за трьома класами кризи в цьому випадку найбільш зручна, оскільки вона дозволяє точно розподілити вибірку підприємств по цим класам. Також вибору сприяв невеликий обсяг вихідних даних, які було б важко розподілити між більшою кількістю класів. На нашу думку, доцільно буде використовувати поділ на класи, запропоноване Пілецькою С. Т., Корітько Т. Ю. [66]:

-- 1-й клас - підприємства з гарним запасом фінансової стійкості;

-- 2-й клас - підприємства, які демонструють деяку ступінь ризику банкрутства;

-- 3-й клас - підприємства з високим ризиком банкрутства.

Важливим етапом побудови моделі є визначення незалежних і залежних показників, які будуть використовуватися при її побудові. В якості залежної змінної будуть використані класи кризи, визначені на підставі фінансового стану підприємства. У процесі будуть використані категоріальні змінні, що вказують на ступінь кризи:

-- змінна 1 - показує, що підприємство має гарний запасом фінансової стійкості;

-- змінна 2 - підприємство демонструє певний рівень ризику банкрутства;

-- змінна 3 - підприємства з високим рівнем ризику банкрутства.



РОЗДІЛ 3. РОЗРОБКА КОМПЛЕКСУ МОДЕЛЕЙ ПРОГНОЗУВАННЯ ЗАГРОЗИ БАНКРУТСТВА

3.1 Побудова моделі нечіткої нейронної мережі оцінки ризику банкрутства підприємства

Після вибору показників, які будуть служити в якості вихідних даних, і класів кризи, на які поділяється вся сукупність даних, потрібно побудувати нечітку нейронну мережу, визначальну приналежність підприємства до певного класу кризи, виходячи з початкових даних.

Для побудови нечіткої нейронної мережі була обрана програма MatLab, а саме її пакет Fuzzy Logic Toolbox, який призначений для проектування і дослідження систем на нечіткій логіці.

Навчальна вибірка складається з 36 підприємств легкої промисловості, які мають різне фінансове становище з метою віднесення їх до різних класами кризи. Вихідні класи кризи були визначені на основі Методики Міністерства Фінансів України. Були розраховані основні фінансові показники, проведений вертикальний і горизонтальний аналіз та інші процедури, описані в методиці. В результаті цього аналізу були виділені групи підприємств, які відносяться до трьох класів кризи. У першу групу входять підприємства з високим запасом фінансової стійкості, здатні виконувати свої зобов'язання і без загрози банкрутства. У другу групу входять підприємства, які відчувають деякі фінансові проблеми і мають невеликий ризик банкрутства. До третього класу кризи відносяться підприємства, фінансове становище яких перебуває у кризовому стані, їм загрожує банкрутство, вони не здатні розплачується за своїми короткостроковими і довгостроковими зобов'язаннями. Вихідні дані представлені в додатку А.

У групу з хорошим фінансовим становищем входить 14 підприємств, в групу з невеликою загрозою банкрутства - 10 підприємств, і в групу з високим ризиком банкрутства - 12 підприємств.

Початкові вибірка даних була перевірена на робастної, щоб виявити помилки в даних, так звані «викиди». В якості методу робастного оцінювання був обраний Т-критерій Грабса, як уже говорилося в пункті 2.1.

Тест для виявлення помилок, заснований на розрахунку Т-критерію Грабса, розраховується за допомогою наступної формули:

, (3.1)

де: j = 1, 2, …, m;

- середнє арифметичне j-го ознаки;

Sj - стандартне відхилення j-го ознаки.

Розрахункове значення Т-критерію порівнюють з табличним значення за критерієм Смирнова-Грабса. Досліджуваний об'єкт є помилкою, якщо Тр>Ткр (Ткр = Тб, n). Розрахункове значення Т-критерію для вибірки в 36 показників при рівні значущості 0,05 дорівнює 2,99.

Всі отримані розрахункові значення за допомогою критерію Грабса не перевищують граничне значення в 2,99, тому можна зробити висновок, що у вихідних даних не було виявлено помилок або «викидів». Таким чином, вихідні дані можна використовувати для побудови моделі нечіткої нейронної мережі для оцінки ризику і запобігання банкрутству підприємства. Таблиця в якій представлені всі отримані значення для знаходиться в додатку Б.

Крім того, додатково було сформовано перевірочна вибірка з чотирьох підприємств, створена для поліпшення показників нейронної мережі та перевірки якості моделі. Додаткова вибірка представлена ??в табл. 3.1.

Після формування вибірок відбувається безпосередня побудова нечіткої нейронної мережі. Розглянемо більш детально, що із себе представляє нечітка нейронна мережа. Модель нечіткої нейронної мережі - нейронна мережа прямого поширення сигналу особливого типу. Архітектура нейро-нечіткої мережі ізоморфна нечіткої базі знань.

Таблиця 3.1

Додаткова перевірочна вибірка

К-т швидкої ліквідності	Частка оборотних виробничих фондів в обігових коштах	К-т трансформації	Рентабельність капіталу за чистим прибутком	К-т фінансової незалежності	Клас кризи
0,6018	0,22922	9,5942	0,0024	0,0258	1
0,5237	0,11848	0,9272	0,0038	0,3736	2
0,6138	0,00822	0,275	0	0,0706	3
0,0704	0,14846	0,0498	-0,168	-0,301	3

У нейро-нечітких мережах використовуються диференційованих реалізації трикутних форм (множення і розподіл усіх АБО), а також гладкі функції приналежності. Це дозволяє застосовувати швидкі алгоритми навчання мережі для їх налаштування, засновані на методі зворотного поширення помилки [30, 88, 93].

Нечіткі нейронні мережі в пакеті MatLab (ANFIS) реалізовані за допомогою системи нечіткого виводу Сугено у вигляді п'ятишарової нейронної мережі прямого розповсюдження сигналу. При це призначення кожного шару є наступним:

-- перший шар - терми вхідних змінних;

-- другий шар - антецеденти (посилки) нечітких правил;

-- третій шар - нормалізації ступенів виконання правил;

-- четвертий шар - укладення правил;

-- п'ятий шар - агрегування результату, отриманого за різними правилами.

Дані завантажуються в MatLab і на їх основі будується первісна мережу. Нечітка нейронна мережа будується на основі методу Sub. Clustering, який попередньо розбиває вхідні змінні на кластери близьких значень. На основі субтрактивного алгоритму обчислюються центри кластерів даних. Об'єкти розглядаються як потенційні центри кластерів. Для кожного об'єкта розраховується значення так званого потенціалу, що характеризує щільність розташування інших об'єктів в його околиці. Чим густіше сусідні об'єкти розташовані до даного об'єкта, тим більше значення його потенціалу. Центром першого кластера призначають об'єкт з найбільшим потенціалом. Потім центр кластера а також близько розташовані до нього об'єкти виключають із подальшого розгляду. Значення потенціалів залишилися об'єктів перераховують, і знову в якості центру кластера вибирають об'єкт з максимальним значенням потенціалу. Ітераційна процедура вибору центрів кластерів продовжується до тих пір, поки не будуть виключені всі об'єкти.

Вихідні параметри побудови мережі представлені на рис. 3.1.

Рис. 3.1. Початкові параметри мережі

Розглянемо початкові параметри. Range of influence - рівні впливу вхідних змінних при кластеризації. Squash factor - коефіцієнт подавлення. Значення опції використовується для визначення сусідніх до центру кластера об'єктів. Ці об'єкти вважаються належними даним кластеру і виключаються з подальшого розгляду в кластерному аналізі. Чим більше значення коефіцієнта придушення, тим більше сусідніх об'єктів будуть належати кластеру. Значення коефіцієнта подавлення дорівнює 1,25.

Accept ratio - коефіцієнт прийняття. Використовується як критерій призначення об'єкта центром кластера. Якщо відношення значень максимального потенціалу поточного центру кластера до потенціалу центру першого кластера більше коефіцієнта прийняття, тоді поточний об'єкт розглядається як центр нового кластера та кластерний аналіз продовжується. Значення коефіцієнта прийняття дорівнює 0,5.

Reject ratio - коефіцієнт відторгнення. Використовується як критерій виключення об'єкта зі списку потенційних центрів кластерів. Якщо відношення значень максимального потенціалу поточного центру кластера до потенціалу центру першого кластера менше коефіцієнта прийняття, тоді поточний об'єкт перевіряється за коефіцієнтом відторгнення. У разі, коли це відношення більше коефіцієнта відторгнення і розглянутий об'єкт розташований далеко від уже знайдених центрів кластерів, тоді він розглядається як центр нового кластера. В іншому випадку, зазначений об'єкт виключається з подальшого розгляду як потенційний центр кластера. Значення коефіцієнта відторгнення повинно бути менше значення коефіцієнта прийняття. Значення коефіцієнта відторгнення дорівнює 0,15.

Побудована нечітка нейронна мережа має структуру, представлену на рис. 3.2.



Рис. 3.2. Структура нечіткої нейронної мережі

Після цього проводилося навчання мережі з метою підвищення якості побудованої моделі. На рис. 3.3 зображені параметри навчання мережі. В якості методу навчання був обраний гібридний метод, який являє собою комбінації методу найменших квадратів і методу убування зворотного градієнта. Рівень помилки навчання дорівнює 0. Також було визначено кількість циклів навчання рівне 40.



Рис. 3.3. Параметри навчання мережі

У ході навчання мережі програма ілюструє хід процесу навчання у вікні візуалізації за допомогою графіка, який зображений на рис. 3.4.

Рис. 3.4. Графік помилки навчання мережі

На графіку відбивається залежність помилки навчання від кількості циклів. Як можна помітити, помилка дуже мала і прямує до нуля.

Щоб оцінити якість побудованої нечіткої мережі, потрібно також порівняти розрахункові значення з вихідними даними. Дане порівняння проілюстровано на рис. 3.5.

Рис. 3.5. Результат роботи нечіткої нейронної мережі

На графіку кола - це вихідні значення змінних, а зірки - це розрахункові значення, пораховані на основі побудованої мережі. Вони збігаються, що ще раз ілюструє якість побудованої мережі. Тобто побудована мережа правильно класифікує підприємства за трьома класами кризи, помилка класифікації мінімальна.

Щоб перевірити якість роботи побудованої нечіткої нейронної мережі, потрібно використовувати тестову вибірку, представлену в табл. 3.2. Завантаживши її в програму MatLab, можна побачити, як мережа обробляє нові дані і чи велика помилка. Тестова вибірка дозволяє оцінити роботу побудованої нечіткої нейронної мережі, надати їй додатковий набір даних, який дозволяє провести додаткове навчання, що підвищує її точність. На рис. 3.6 представлені результати обробки тестової вибірки.

Побудована нечітка нейронна мережа досить точно опрацювала тестову вибірку, помилка становить приблизно 7%, що є допустимою похибкою. На графіку точки - це вихідні дані, а зірки - це розрахункові значення.



Рис. 3.6. Результати обробки тестової вибірки

На додаток до цього можна зробити візуальний аналіз правил побудованої мережі. Всього мережею було створено 13 правил для визначення приналежності, геометрична інтерпретація яких відображена на рис. 3.7.

Рис. 3.7. Геометрична інтерпретація правил мережі

На рис. 3.7 представлено графічне зображення функцій належності для кожного показника фінансового стану, де вертикальною лінією відзначено фактичне значення фінансового показника. В останньому стовпці можна побачити значення вихідної функції, яке в даному випадку дорівнює 1. Тобто підприємство знаходиться в доброму фінансовому стані.

Таким чином, можна сказати, що побудована нечітка нейронна мережа показала досить високу точність і хороші результати, і тепер може бути використана для діагностики загрози банкрутства підприємств легкої промисловості.

3.2 Моделі прогнозування фінансового стану підприємства

Оцінка ймовірності банкрутства підприємства показала, що йому не загрожує банкрутство, і воно має запас фінансової стійкості. Однак для повної картини потрібно зробити оцінку ризику неплатоспроможності в наступних періодах. Для цього слід спрогнозувати показники підприємства, які будуть використовуватися у нейронної мережі при оцінці банкрутства.

До цих показників відносяться коефіцієнт швидкої ліквідності, частка виробничих фондів в обігових коштах, коефіцієнт трансформації, рентабельність капіталу та коефіцієнт фінансової незалежності. Вихідні дані представлені в табл. 3.2.

Таблиця 3.2

Вихідні дані для прогнозування

Рік/квартал	К-т швидкої ліквідності	Частка виробн фондів в обігових коштах	К-т трансформації	Рентабельність капіталу	К-т фінансової незалежності
1	2	3	4	5	6
2009 1 кв	8,6521	0,6421	3,6984	0,3284	0,8765
2009 2 кв	9,0325	0,6398	3,7591	0,3314	0,8917
2009 3 кв	9,5214	0,6573	3,8547	0,3376	0,9192
2009 4 кв	9,8139	0,6776	3,8940	0,3393	0,9286
2010 1 кв	9,7452	0,6082	3,6882	0,3391	0,9299
2010 2 кв	9,9541	0,6432	3,6957	0,3408	0,9315
2010 3 кв	10,0125	0,6519	3,7158	0,3418	0,9337
2010 4 кв	10,6071	0,6647	3,7307	0,3434	0,9345
2011 1 кв	12,5621	0,6341	3,7314	0,3434	0,9331
2011 2 кв	12,7421	0,6034	3,7964	0,3456	0,9446
2011 3 кв	12,7854	0,6157	3,8278	0,3456	0,9452
2011 4 кв	12,8335	0,6011	3,8413	0,3458	0,9455

Прогнозування здійснювалося на основі експоненціального згладжування часових рядів за допомогою моделей Брауна, Хольта, експоненціального і демпфірованного тренда.

Для показника швидкої ліквідності найкращою моделлю прогнозування виявилася модель Хольта (лінійний тренд) за критерієм мінімальної середньої відсоткової помилки серед усіх побудованих моделей. На рис. 3.8 представлений звіт про помилки моделі.

Рис. 3.8. Помилки моделі

Як видно, середня абсолютна відносна помилка складає 4,23%, що менше 10% і є показником високої якості прогнозування. Графік вихідних і розрахункових значень, а також значінь помилок побудованої моделі з лінійнім трендом представлений на рис. 3.9.



Рис. 3.9. Графік вихідних даних, згладжених оцінок і залишків

Виходячи з графіку, можна сказати, що прогнозні значення добре відображають динаміку показників, а помилки не мають ніякої залежності.

На рис. 3.10 представлені вихідні дані, згладжений прогнозний ряд, а також залишки моделі.

Рис. 3.10. Розрахункові значення моделі та залишки

На даному малюнку можна побачити прогнозні значення коефіцієнта швидкої ліквідності на два періоди вперед. Використовуючи їх, буде оцінена загроза банкрутства досліджуваного підприємства в прогнозному періоді.

Для показника частки виробничих фондів в обігових коштах було побудовано також чотири моделі експоненціального згладжування - без тренда, з лінійним трендом, експоненціальним трендом та демпфірованим трендом. Найкращою з усіх моделей також виявилася модель з експоненціальним трендом. Серед усіх побудованих моделей вона має найнижче значення m.a.p.e. (середня абсолютна відсоткова помилка). Цей критерій слугує ознакою якості моделі та її переваг над іншими побудованими моделями, які мали більш високий показник m.a.p.e.

На рис. 3.11 представлені помилки моделі. Як можна побачити на ньому, середня абсолютна відсоткова помилка моделі складає 2,92%, що говорить про високу точність побудованої моделі. Це говорить про те, що її можна використовувати для прогнозування показнику на два періоди вперед, адже максимум можна прогнозувати не більше одної п'ятої частини від вихідної вибірки.

Рис. 3.11. Помилки моделі

На рис. 3.12 представлений графік вихідних значень, згладжених розрахункових значень і залишків.



Рис. 3.12. Графік вихідних даних, згладжених оцінок і залишків

У даному випадку також, прогнозні значення добре повторюють динаміку початкових даних, а помилки не розподіляються за якоюсь залежністю. Це також є ознакою якісної моделі, що може бути використана для прогнозування.

Рис. 3.13 ілюструє вихідні дані моделі, згладжені прогнозні значення та залишки моделі.

Рис. 3.13. Розрахункові значення моделі та залишки

Для побудови моделі експоненціального згладжування коефіцієнта трансформації підприємства використовувалися 4 моделі - без тренда, з лінійним трендом, з експоненціальним трендом і демпфірованим трендом. Найкращою виявилася модель Брауна (без тренда) за критерієм середньої абсолютної процентної помилки (рис. 3.14).

Рис. 3.14. Помилки моделі

Середня абсолютна відсоткова помилка моделі склала 1,66%. Дана величина вказує на високу точність моделі. На рис. 3.15 представлений графік вихідних даних, згладжених значень і залишків моделі.

Рис. 3.15. Графік вихідних даних, згладжених оцінок і залишків

Даний графік підтверджує якість побудованої моделі, адже прогнозний ряд схожий на начальний, а помилки не мають ніякої залежності в своєму розподілі.

Рис. 3.16 ілюструє вихідні дані, згладжені розрахункові значення показника, залишки моделі, а також прогнозні значення на два періоди вперед.

Рис. 3.16. Розрахункові значення моделі та залишки

При побудові моделі експоненціального згладжування для показника рентабельності капіталу було застосовано чотири моделі - без тренда, з лінійним трендом, з експоненціальним трендом та демпфірованим трендом. Найкращою з них виявилася модель з лінійним трендом (модель Хольта) за критерієм найменшої середньої абсолютної процентної помилки (рис. 3.17).

Рис. 3.17. Помилки моделі



Виходячи з даного малюнка, випливає, що помилка склала 0,61%, і це говорить про високу точність моделі. На рис. 3.18 представлений графік вихідних даних, згладжених значень і залишків моделі.

Рис. 3.18. Графік вихідних даних, згладжених оцінок і залишків

Як видно з графіку, модель добре відображає динаміку процесу. На рис. 3.19 представлені вихідні дані, згладжені розрахункові значення показника, залишки моделі, а також прогнозні значення на два періоди вперед.



Рис. 3.19. Розрахункові значення моделі та залишки

Для побудови моделі експоненціального згладжування для останнього показника використовувалися також 4 моделі - без тренда, з лінійним трендом, з експоненціальним трендом і демпфірованим трендом. Найкращою виявилася модель Хольта (з лінійним трендом) за критерієм середньої абсолютної процентної помилки (рис. 3.20).

Рис. 3.20. Помилки моделі

Середня абсолютна відсоткова помилка моделі склала 1,26%. Дана величина вказує на високу точність моделі. На рис. 3.21 представлений графік вихідних даних, згладжених значень і залишків моделі.



Рис. 3.21. Графік вихідних даних, згладжених оцінок і залишків

Даний графік підтверджує якість побудованої моделі, адже прогнозний ряд схожий на начальний, а помилки не мають ніякої залежності в своєму розподілі.

Рис. 3.22 ілюструє вихідні дані, згладжені розрахункові значення показника, залишки моделі, а також прогнозні значення на два періоди вперед.

Рис. 3.22. Розрахункові значення моделі та залишки

Отже, були побудовані моделі експоненціального згладжування для прогнозування показників, які будуть використані при оцінці загрози банкрутства досліджуваного підприємства в прогнозному періоді. Результати представлені в табл. 3.3.

Таблиця 3.3

Результати прогнозування показників

	К-т швидкої ліквідності	Частка виробн фондів в обігових коштах	К-т трансформації	Рентабельність капіталу	К-т фінансової незалежності
2012 1 кв	13,16889	0,621365	3,773856	0,350495	0,966795
2012 2 кв	13,54068	0,619361	3,773856	0,352180	0,973556

В результаті прогнозування, нами були отримані прогнозні показники, які можна використовувати для оцінки загрози банкрутства в прогнозному періоді.

Використовуючи вже побудовану нечітку нейронну мережу, оцінимо загрозу банкрутства підприємства. Результати прогнозу на перший квартал 2012 року представлені на рис. 3.23.

Рис. 3.23. Результати оцінки загрози банкрутства

Виходячи з даного малюнка, можна побачити, що клас банкрутства був визначений як 1,01, тобто можна зробити висновок про те, що підприємство відноситься до 1 класу кризи та йому не загрожує банкрутство в прогнозному періоді, і воно має достатній рівень запасу фінансової стійкості.

Результати прогнозу на другий квартал 2012 року представлені на рис. 3.24.

Рис. 3.24. Результати оцінки загрози банкрутства

Виходячи з даного малюнка, можна зробити висновок про те, що підприємству у другому кварталі 2012 року не загрожує банкрутство в прогнозному періоді, і воно має достатній рівень запасу фінансової стійкості. Це підтверджується фактичним станом підприємства за 2012 рік.

Однак стійкий фінансовий стан підприємство не говорить про те, що йому не потрібно антикризове управління. Адже воно спрямоване на запобігання кризових ситуацій, навіть якщо вони не спостерігаються на підприємстві.



3.3 Розробка системи заходів санаційного управління підприємством

Незалежно від належності підприємства до певного класу кризи, потрібно розробити санаційні заходи, спрямовані на усунення поточних недоліків в функціонуванні об'єкта господарювання і збереження стійкого фінансового положення на протязі майбутніх операційних періодів.

Антикризове управління і санація спрямовані не тільки на усунення кризових ситуацій, але й на запобігання їх. Тому вкрай важливо розробити таку схему управління, яка враховує клас кризи і допомагає ефективно управляти його процесом. На рис. 3.25 представлена ??схема санаційних заходів, що враховує всі ці побажання.



Рис. 3.25. Схема санаційного управління підприємством

Передумовою для її використання є визначення класу кризи на основі побудованої моделі нечіткої нейронної мережі і моделей прогнозування фінансових коефіцієнтів, за допомогою яких визначається фінансовий стан підприємства в майбутньому періоді.

Розглянемо більш детально кожен блок цієї схеми. Почнемо з класу кризи номер 3, який характеризує фінансовий стан підприємство як дуже нестабільне з високим ризиком банкрутства. На першому етапі проводиться усунення неплатоспроможності (або часткової неплатоспроможності). Цей етап є самою невідкладним завданням фінансової стабілізації, так як вона проводиться з метою попередження виникнення банкрутства підприємства.

Даний етап підрозділяється на 2 пункти: зменшення розміру короткострокових фінансових зобов'язань і збільшення обсягу грошових коштів на підприємстві. Основні заходи по скороченню розміру зобов'язань забезпечують зниження обсягу негативного грошового потоку і включають наступне:

-- пролонгація короткострокових фінансових кредитів;

-- реструктуризація портфеля короткострокових фінансових кредитів з переведенням окремих з них в довгострокові;

-- збільшення періоду наданого постачальниками товарного кредиту;

-- скорочення витрат на придбання матеріалів, інвентарю та обладнання;

-- скорочення витрат на відрядження, рекламу;

-- реструктуризація кредиторської заборгованості;

-- скорочення готової продукції на складі.

У такому разі дуже важливо реалізувати такі умови виробничого процесу, щоб підвищити якість продукції, при цьому хоча б трохи зменшивши його собівартість. На другому етапі проводиться відновлення фінансової стійкості підприємства. Метою цього етапу є фінансова стабілізація, яка вважається досягнутою, якщо підприємство вийшло на рубіж фінансової рівноваги, тобто коли потреба і наявність грошових коштів збалансовані. При цьому виробляються заходи по скороченню споживання фінансів і збільшення потоку власних фінансових ресурсів. Скорочення споживання фінансових ресурсів включає в себе:

-- скорочення обсягу виробничої діяльності за рахунок припинення випуску нерентабельної продукції;

-- зниження обсягу інвестицій в діяльність організації;

-- скорочення підрозділів апарату управління;

-- скорочення частини допоміжних і підсобних підрозділів;

-- забезпечення відновлення операційних необоротних активів переважно за рахунок їх оренди (лізингу);

-- здійснення дивідендної політики, адекватної кризового фінансового розвитку підприємства, з метою збільшення чистого прибутку, що спрямовується на виробничий розвиток;

-- скорочення обсягу програми участі найманих працівників, що фінансуються з прибутку;

-- відмова від зовнішніх соціальних та інших програм підприємства, що фінансуються за рахунок його прибутку, та ін.

Заходи по збільшенню припливу власних фінансових ресурсів включають в себе наступне:

-- збільшення обсягу випуску рентабельної продукції;

-- зниження собівартості продукції шляхом зниження (скорочення) різного роду втрат і браку;

-- оптимізація цінової політики організації;

-- збільшення частки передоплати за продукцію, що відвантажується;

-- здійснення раціональної податкової політики, що забезпечує мінімізацію податкових платежів у межах законодавства;

-- проведення прискореної амортизації обладнання з метою швидкого списання амортизаційних відрахувань;

-- здійснення емісійної політики з випуску додаткових пакетів цінних паперів (акцій, облігацій) та ін.

Наступний етап є загальним для всіх трьох класів кризи, тому спочатку розглянемо реалізацію санаційних заходів для класу кризи номер 2. На першому етапі відбувається виявлення слабких місць, які сприяють погіршенню фінансового стану і в перспективі можуть призвести до банкрутства. Це можуть бути помилки менеджменту, кадрової політики, виробничого процесу, фінансової стратегії і т.д. Для виявлення слабких місць можуть бути використані експертні оцінки роботи підприємства, аналіз фінансового стану з усіх можливих позицій з метою визначення проблемних областей і причин їх появи. Наступним етапом йде усунення слабких місць і нормалізація роботи підприємства з метою поліпшення фінансового стану.

Після того, як фінансовий стан стабілізовано, потрібно забезпечити фінансову рівновагу в майбутніх періодах. Даний пункт є загальним для всіх трьох класів кризи. Так як у першого класу фінансове становище в хорошому стані, то потрібно забезпечити пролонгацію даного стану. Для двох інших класів кризи даний пункт здійснюється вже після стабілізації фінансового стану підприємств.

Забезпечення фінансової рівноваги - це створення умов для свого самофінансування, розвитку виробництва, усунення старих і виникаючих нових загроз поліпшення фінансових результатів діяльності організації.

Забезпечення фінансової стійкості організації в тривалому періоді за рахунок збільшення прибутку створює гарні умови для самофінансування економічного зростання організації та скорочення залучення кредитних ресурсів. Воно включає в себе ефективне використання всіх ресурсів підприємство і розділяється на 4 пункти: маркетингова стратегія, виробнича стратегія, кадрова стратегія та фінансова стратегія.

Стратегія маркетингу служить основою для інших складових стратегічного плану управління підприємством. Ця стратегія повинна бути націлена на підтримку і розвиток продажів, вдосконалення виробництва відповідно до запитів покупців, розвиток інтелектуального потенціалу співробітників фірми, що проявляється в розширенні асортименту та якості вироблених товарів. Освоєння нових ринків, збільшення збуту повинні носити довгостроковий характер, узгоджується з життєвим циклом товарів і самого підприємства. Стратегією досліджуваного підприємства має бути розвиток ринку. При цій стратегії підприємство розширює збут своїх товарів і послуг в результаті пошуку і створення нових ринків збуту. Для реалізації цієї стратегії необхідно встановлення нових контактів із споживачами продукції, активізація створення на нових ринках дилерської мережі, впровадження інструментів аналізу конкуренції (оцінка показників, збір інформації, оцінка продукції і т.д.), планування та проведення рекламних кампаній. Дана стратегія виправдана тоді, коли підприємство прагне розширити свій ринок проникненням на нові географічні ринки за рахунок скорочення витрат і підвищення якості, тобто зростання конкурентоспроможності продукції. Виробнича стратегію підприємства повинна включати наступні області: припинення операцій, які не вносять вклад в покриття постійних витрат підприємства, припинення випуску нерентабельної продукції або перетворення її в рентабельну зниженням витрат, аналіз орендних договорів. При цьому підприємству потрібно слідувати виробничої стратегії поліпшення якості продукції. Для підвищення конкурентоспроможності підприємства потрібно підтримання високих стандартів якості продукції. Антикризова кадрова політика підприємства повинна ґрунтуватися на посиленні кадрового потенціалу його працівників, а також впровадження нових методів управління. Підвищення кваліфікації персоналу, усунення дублювання, налагодження взаємодії між підрозділами - головні ланки кадрової політики будь-якого підприємства. Перегляд ставлення до ролі стратегічного планування, контролінгу та моніторингу відіграє важливу роль. Можливо вдосконалення інформаційної бази управління за рахунок придбання готових баз даних і програмних продуктів, що використовуються в різних аспектах діяльності (маркетинг, фінанси, виробництво, управління). Якщо програмні продукти будуть сумісні один з одним, то з'явиться можливість трансформації даних з різних форматів документів і підрозділів. Фінансова стратегія підприємства націлена на ефективну роботу системи управління фінансами, з допомогою якої можна забезпечити вирішення таких стратегічних завдань, як оптимізація прибутку, зростання вартості чистих активів, оптимізація структури капіталу. Слід приділити увагу таким стратегіям, як стратегія підвищення ліквідності активів, стратегія оптимізації структури капіталу і стратегія обліку та контролю витрат.



ВИСНОВКИ

В ході виконання дипломної роботи були проаналізовані основні поняття банкрутства підприємств, визначено юридичне та економічне значення цього поняття, причини та види банкрутства, а також розглянуті основні зарубіжні та вітчизняні методи и моделі оцінки загрози банкрутства, їх недоліки та переваги.

Був проведений всебічний аналіз його фінансового стану, а також були протестовані методи та моделі діагностики банкрутства. Аналіз виявив недосконалість існуючих методів, тому було прийнято рішення побудувати комплекс моделей, які будуть ефективно оцінювати загрозу банкрутства.

Побудований комплекс моделей прогнозування загрози банкрутства підприємства включає в себе:

нечітку нейромережеву модель, яка дозволяє класифікувати підприємство по трьом класам кризи за допомогою показників його фінансової діяльності.

прогнозні експоненціальні моделі дозволили спрогнозувати показники фінансового стану підприємства та оцінити загрозу банкрутства у прогнозному періоді.

На основі побудованих моделей були зроблені висновки щодо стану підприємства в прогнозному періоді. Крім того була запропонована система санаційного управління, яка на відміну від існуючих систем бере до уваги поточний стан кризи підприємства та дає рекомендації щодо його функціонування.

Результати роботи можуть бути впровадженні на досліджуваному підприємстві з метою попередження банкрутства та діагностики фінансового стану.



СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1. Абдул Г.А. Формування стратегії запобігання банкрутства промисловості (на прикладі машинобудування): Авторофер. дис канд. екон. наук / НАН України; Інститут проблем ринку та економіко-екологічних досліджень. - О., 2002. - 19с.

2. Авдошина З.А. Антикризисное управление: сущность, диагностика, методики / З.А. Авдошина. - 2004. - с. 56-78

3. Андрущак Є.М. Удосконалення інституту банкрутства / Андрущак Є.М. //Фінанси України. - 2001. - №9. - с. 29-36

4. Артеменко В.Г., Беллендир М.В. Финансовый анализ. М.: «ДИС», 1997. 197с.

5. Афанасьев Р.Г. Проблемі правового регулювання банкрутства за законодавством України: Автореферат. дис канд. юрид. наук / НАН України; Інститут економіко-правових досліджень. - Донецьк, 2001. - 20с.

6. Балдин К. В. Банкротство предприятия. Анализ, учет, прогнозирование / К.В. Балдин, В.В. Белугина. - М.: Дашков и Ко, 2007. - 376 с.

7. Балдин К.В. Антикризисное управление: макро- и микроуровень. - М.: Издательско-торговая корпорация «Дашков и Ко», 2005. - 316 с.

8. Баринов В.А. Антикризисное управление. - М., ФБК-ПРЕСС. - 2005. - 488 с.

9. Белых Л.П., Беляев С.Г., Борисова Г.Г., Весенева Н.А. Антикризисное управление: от банкротства - к финансовому оздоровлению. - М.: Закон и право, ЮНИТИ, 2001. - 320 c.

10. Беркинблит М. Б. Нейронные сети. -- М.: МИРОС и ВЗМШ РАО, 1993. -- 96 с.

11. Бланк И.А. Финансовый менеджмент: Учебный курс. - К.: Ника-Центр, 1999. - 528 с.

12. Бланк И.А. Финансовый менеджмент: Учебный курс. - 2-е изд., перераб. и доп. / И.А. Бланк. - К.: Эльга, Ника-Центр, 2004. - 656 с.

13. Болотин В.В. Антикризисное управление предприятиями: Учебное пособие / В.В. Болотин, В.И. Соломатов. - М., Изд. МИИГАиК, 2006. - 140 с.

14. Бухгалтерско-аудиторскоий портфель / Отв. ред. Ю.Б. Рубин, В.И. Солдаткин - М.: «Соминтэк», 1994. 752с.

15. Буренок О. В. Диагностика состояния предприятия при принятии решения о банкротстве: дис. ... канд. экон. наук : 08.00.05 / Буренок Ольга Владимировна. - СПб., 2002. - 182 c.

16. Бреславцева Н. А. Банкротство организаций. Основные положения, бухгалтерский учет / Н. А. Бреславцева, О. Ф. Сверчкова - Ростов-на-Дону: Феникс, 2007. - 160 с.

17. Буров С. В. Проблема управляемых банкротств: тенденции и механизмы регулирования [Электронный ресурс] / С. В. Буров. - 2002.

18. Быков А.В. Антикризисный менеджмент: Учебное пособие / А.В. Быков, Т.А. Беляцкая. - М.: Изд. центр БГУ, 2003. - 253 с.

19. Варгіч С. Механізм банкрутства: підсумки його дії в Україні / Варгіч С. // Цінні папери України. - 2000. - №8. - с. 4-5.

20. Василенко В. О. Антикризове управління підприємством. -- К.: ЦУЛ, 2003. -- 503с.

21. Васильева Н. Э. Несостоятельность (банкротство) предприятия и пути его финансового оздоровления / Н. Э. Васильева, Л. И. Козлова - М.: АО Бизнес-школа "Интел-Синтез", 1996. - 220 с.

22. Возіянова Н.Ю. Удосконалення оргазінаційно-економічного механізму управління банкрутством: Авторофер. дис канд. екон. наук / Донецький держ. ун-т економіки і торгівлі гм. М. Туган-Барановського. - Донецьк, 2001. - 18с.

23. Воронина В. М. Прогнозирование банкротства промышленных предприятий с помощью количественных и качественных методов анализа: проблемы теории и практики / В.М. Воронина // Экономический анализ: теория и практика. - 2007. - № 18. - c. 98-109

24. Воронина В. М. Прогнозирование банкротства промышленных предприятий // Экономический анализ: теория и практика. - 2007. - № 18.

25. Вороновский Г. К., К. В. Махотило, С. Н. Петрашев, С. А. Сергеев Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. -- заказное. -- Х.: ОСНОВА, 1997. -- С. 112.

26. Гаген А. Антикризисное управление предприятием. Основные моменты [Электронный ресурс] / А. Гаген. - 2007.

27. Галушкин А.И. Нейронные сети: история развития теории. Под общей ред. А.И. Галушкина, Я.З.Цыпкина. М., ИПРЖР, 2001. - 187 с.

28. Гиляровская Л.Т. Анализ и оценка финансовой устойчивости коммерческого предприятия / Л. Т. Гиляровская, А. А. Вехорева - СПб.: Питер, 2003. - 256 с.

29. Глущенко О.О. Вдосконалення методичних підходів до виявлення ознак технічного, фіктивного і умисного банкрутства // Науковий вісник Волинського Державного університету. - 2001. - №3. - с. 253 - 259.

30. Головко В.А. Нейронные сети: обучение, организация и применение. М., ИПРЖР, 2001. - 256 с.

31. Голощапов Н.А. Словарь-справочник аудитора. / Под ред. В.И. Осипова - М.: «Экзамен», 1999. - 384с.

32. Горелик А.Л. Методі распознавания. - М.: Высшая школа, 2989, - 232 с.

33. Горячева К. Фінансова безпека підприємства. Сутність та місце в системі економічної безпеки // Економіст. - 2003. - № 8. - с. 65-67.

34. Градов, А.П.; Кузин, Б.И. Стратегия и тактика антикризисного управления фирмой. - М., Изд. МИИГАиК, 2005. - 248 с.

35. Грачов В. І., Косарева І. П., Прохорова В. В., Кузенко Т. Б. Управління фінансовою санацією. -- Х.: ВД "ІНЖЕК", 2004. -- 208с.

36. Гришко Н.Є. Методичні аспекти оцінки фінансової складової економічної безпеки підприємства // Регіональні перспективи. - 2002. - № 1. - с 112-115.

37. Грязнова А.Г. Антикризисный менеджмент: Учебник / А.Г. Грязнова. - М.: ЭКМОС, 1999. - 368 с.

38. Давыдова Г. В., Беликов А. Ю. Методика количественной оценки риска банкротства предприятий / Г. В. Давыдова, А. Ю. Беликов // Управление риском - 1999. - № 3.

39. Демчук Т.А. Антикризисное управление: учеб. пособие. - М.: Флинта, 2009. - 256 с.

40. Донцова Л.В, Никифорова Н.А. Анализ финансовой отчётности. 2-е изд.- М.: Дело и сервис, 2004. -- 336 с.

41. Еремин Д.М., Гарцеев И.Б. Искусственные нейронные сети в интеллектуальных системах управления. -- М.: МИРЭА, 2004. -- 75 с.

42. Зайцева О. П. Антикризисный менеджмент в российской фирме // Аваль. (Сибирская финансовая школа). - 1998. - N 11-12. - c.18-21.

43. Зайченко Ю. А. Сравнительный анализ методов оценки риска банкротства предприятий Украины / Ю. А. Зайченко, С. М. Рогоза, В. И. Столбунов. - 2008. - с. 14-27

44. Закон Украины «О восстановлении платежеспособности должника или признании его банкротом» від 14 травня 1992 року №2343-XII // Відомості Верховної Ради України (ВВР) - 1992 - № 31 - с. 440

45. Захаров В.Я. Антикризисное управление. Теория и практика. - М.: Юнити-Дана, 2006. - 287 с.

46. Иванов Г.П. Антикризисное управление: от банкротства - к финансовому оздоровлению / Г. П. Иванов - М.: Закон и право, ЮНИТИ, 1995. - 283 с.

47. Качалов И. Три ключевых параметра развития кризисов компаний / И. Качалов. - 2007. - с. 31-42

48. Кизим Н.А. Оценка и прогнозирование неплатежеспособности предприятий: (Монография) / Н.А. Кизим, И.С. Благун, Ю.С. Копчак. - Х.: Издательский дом „ИНЖЭК”, 2004. - 144 с. - Библиогр.: с. 131-140.

49. Кукукина И. Г. Учет и анализ банкротств / И. Г. Кукукина, И. А. Астраханцева - М.: Финансы и статистика, 2004. - 368 с.

50. Кован С.Е. Теория антикризисного управления предприятием. - М.: КНОРУС, 2009. - 160 с.

51. Коротков Э.М. Антикризисное управление: Учебник - М.: ИНФРА-М, 2003. - 432 с.

52. Костецкий Б., Янковский Н. Антикризисное управление - основа оздоровления предприятия // Экономист. - 2002. - №10. - с. 10-15

53. Кравцова Т.М. Науково-практичні основи діагностики банкрутства у підприємницькій діяльності: Авторофер. дис канд. екон. наук / Сумський держ. Аграрний ун-т. - Суми, 1998. - 15с.

54. Круглов Владимир Васильевич, Борисов Вадим Владимирович Искусственные нейронные сети. Теория и практика. -- 1-е. -- М.: Горячая линия - Телеком, 2001. -- С. 382.

55. Кузин Б.И. Стратегия и тактика антикризисного управления фирмой. - СПб.: Специальная литература, 1996. - 510с.

56. Лелюк Ю.М. Проблеми використання загальновідомих моделей при прогнозуванні банкрутства вітчизняних підприємств / Ю.М. Лелюк, Т.О. Загорулько // Економіка: проблеми теорії та практики: Зб. наук. пр. - Дніпропетровськ, 2001. - Вип. 116. - c. 9-13.

57. Малига В.А. Правове забезпечення санації та мінімізація негативних наслідків банкрутства: Автореферат. дис канд. юрид. наук / НАН України; Інститут економіко-правових досліджень. - Донецьк, 1999. - 21с.

58. Малишенко В.А. Удосконалення бухгалтерського обліку, контролю та економічного аналізу при здійсненні процедури банкрутства і санації: Авторофер. дис канд. екон. наук / Східноукраїнський національний ун-т. - Луганськ, 2001. - 19с.

59. Мартиненко В.П. Запобігання банкрутства підприємств громадського харчування: Авторофер. дис канд. екон. наук / Харківська держ. академія технології та організації харчування. - Х., 1999. - 19с.

60. Методичні рекомендації щодо виявлення ознак неплатоспроможності підприємства та ознак дій з приховування банкрутства, фіктивного банкрутства чи доведення до банкрутства - Наказ Міністерстваекономіки України від 19.01.2006 № 14.

61. Миркес Е. М., Нейрокомпьютер. Проект стандарта. -- Новосибирск: Наука, 1999. -- 337 с.

62. Никифорова Н.А. Анализ в антикризисном управлении // Финансовый менеджмент. - 2004. - № 6. - c. 5-12.

63. Наконечний С.І., Терещенко Т.О., Романюк Т.П. Економетрія: Підручник. - Вид. 3-тє, доп. та перероб. - К.: КНЕУ, 2005. - 520 с.

64. Орлов А.И. Менеджмент. М.: Изумруд, 2003. - 298 с.

65. Островська О.А. Модель ідентифікації стійкості фінансового стану підприємства // Экономика Крыма. - 2003. - № 8. - c. 55-59.

66. Пилецька С.Т., Коритько Т.Ю. Про проблему банкрутства підприємств // Економіка України. - 2002. - №2. - C.46.

67. Полозенко Д. Банкрутство і шляхи його подолання / Полозенко Д. // Вісник НБУ. - 1999. - №10. - с. 59-63.

68. Поляков Б.М. Принципы института банкротства / Б. М. Поляков // Хозяйственное право. - 2002. - № 1. - с. 5-13

69. Помазанов М. В. Оценка вероятности банкротства предприятия по финансовым показателям / М. В. Помазанов, О. В. Колоколова - 2004. - с. 76-89

70. Попов Р.А. Антикризисное управление: Учебник / Р.А. Попов. - М.: Высш. шк., 2005. - 429 с.

71. Посылкина О. Проблемы банкротства предприятий // Бизнес информ. - 1998. - № 6. - c. 28-30.

72. Проблемы формирования антикризисной политики и механизм банкротства предприятий: Сб. науч. тр. - Донецк: Институт экономики промышленности, 1998. - 388 с.

73. Рубин Ю.Б. Бухгалтерско-аудиторскоий портфель / Отв. ред. Ю.Б. Рубин, В.И. Солдаткин - М.: «Соминтэк», 1994. 752с.

74. Саймон Хайкин Нейронные сети: полный курс = Neural Networks: A Comprehensive Foundation. -- 2-е. -- М.: «Вильямс», 2006. -- С. 1104.

75. Сайфулин Р.С. Методика финансового анализа. - М.: ИНФРА-М, 2000. - 208 с.

76. Смольский А.П. Общие и особенные причины банкротства белорусских предприятий // Стратегия и тактика развития производственно-хозяйственных систем: Материалы Международной научно-практической конференции. Гомель, 27-28.11.2003г. - Гомель: ГГТУ им.П.О.Сухого, 2003. - с. 3-8

77. Соколенко В. А. Санационный аудит и финансовая несостоятельность субъектов предпринимательской деятельности -- Х.: Основа, 2001. -- 249с.

78. Суслова Т. М. Несостоятельность и банкротство: экономические и юридические аспекты / Т М. Суслова // Журнал российского права. - 2004. - №2. - с. 10-17

79. Терещенко О.О. Фінансова санація та банкрутство підприємств / Терещенко О.О. - К.: 2000. - 340 с.

80. Терехов В.А., Д. В. Ефимов, И. Ю. Тюкин Нейросетевые системы управления. -- 1-е. -- Высшая школа, 2002. -- С. 184.

81. Федорова Г. В. Финансовый анализ предприятий при угрозе банкротства / Г. В. Федорова - М.: Омега-Л, 2003. - 272 с.

82. Фомин Я.А. Диагностика кризисного состояния предприятия / Я.А.Фомин. - М.: ЮНИТИ - ДАНА, 2003. - 349 с.

83. Цивільний Кодекс України / Відомості Верховної Ради України, 2003, № 40-44, ст.356

84. Чеботарь Ю.М. Антикризисная программа предприятия / Ю.М.Чеботарь. - М.: ФиС, 2000. - 340 с.

85. Чернявский А.Д. Антикризисное управление: Учеб. пособие / А.Д. Чернявский. - К.: МАУП, 2000. - 208 с.

86. Шеремет А.Д., Сайфулин Р.С. Финансы предприятий. - М., ИНФРА-М, 1998. - 343с.

87. Юн Г.Б. Методология антикризисного управления: Учеб.-практ. пособие / Г.Б. Юн. - М.: Дело, 2004. - 432 с.

88. Ясницкий Л.Н. Введение в искусственный интеллект. -- 1-е. -- Издательский центр "Академия", 2005. -- С. 176.

89. Altman E. I. Corporate Financial Distress / E. I. Altman // New York, John Wiley - 1983. - p. 225-250

90. Beaver W.H. Financial Rations and Predictions of Failure // Empirical Research in Accounting Selected Studies, Supplement to Journal of Accounting Research, 1966 - p. 13-35

91. Dimitras, AI, Slowinski, R, Susmaga, R & Zopounidis, C. "Business Failure Prediction Using Rough Sets", European Journal of Operational Research, 1999, vol.114, no. 2. - p. 44-57

92. Fulmer, J. G. et al. (1984): A Bankruptcy Classification Model For Small Firms. Journal of Commercial Bank Lending, July 1984, 25-37 pp.

93. Haykin S. Neural Networks: A Comprehensive Foundation. MacMillan College Publishing Co., New York, 1994. - p. 11-45

94. Hertz A., Krogh R.G., Palmer L. Introduction to the Theory of Neural Computation. Addison-Wesley Reading, Mass., 1991. - p. 39-54

95. Keasey K., Watson R., Financial distress models: a review of their usefulness. British journal of Management, 1991, Vol. 2, nr. 2. - p. 109-131

96. Lisa R., Krishnagopal Menon, Kenneth B. Schwartz (1990) “Predicting Bankruptcy for Firms in Financial Distress,” Journal of Business Finance & Accounting, spring, pp 161 - 171.

97. Minussi J, Soopramanien DGR and Worthington DJ, 2007, 'Statistical modelling to predict corporate default for Brazilian companies in the context of Basel II using a new set of financial ratios', Lancaster University Management School Working Paper, 2003., 232 p.

98. Ohlson, JA. "Financial Ratios and the Probabilistic Prediction of Bankruptcy", Journal of Accounting Research, 1980, vol. 18, no. 1. - p. 55-68

99. Springate, Gordon L.V., “Predicting the Possibility of Failure in a Canadian Firm”. Unpublished M.B.A. Research Project, Simon Fraser University, January 1978. - p. 136-149

100. Taffler R.J., Empirical models for the monitoring of UK corporations. Journal of Banking and Finance, 1984, Vol. 8. - p. 34-47



ДОДАТКИ

Додаток А

Вихідні дані

Таблиця А.1

№	К-т швидкої ліквідності	Частка виробничих фондів в обігових коштах	К-т трансфор-мації	Рентабель-ність капіталу	К-т фінансової незалежності	Клас кризи
1	9,28	0,73	3,86	0,36	0,92	1
2	9,81	0,68	3,89	0,34	0,93	1
3	10,61	0,66	3,73	0,34	0,93	1
4	12,83	0,60	3,84	0,35	0,95	1
5	0,97	0,35	0,86	0,12	0,67	1
6	1,43	0,39	1,11	0,14	0,77	1
7	0,53	0,24	10,70	0,00	0,03	1
8	0,54	0,27	11,60	0,07	0,10	1
9	0,74	0,34	2,15	0,44	0,47	1
10	0,83	0,40	2,27	0,48	0,52	1
11	0,46	0,73	1,03	0,04	0,51	1
12	0,38	0,74	0,99	0,09	0,51	1
13	0,87	0,50	2,61	0,05	0,82	1
14	0,79	0,54	2,66	0,04	0,60	1
15	0,79	0,64	1,39	0,00	0,06	2
16	1,32	0,63	0,70	0,00	0,21	2
17	0,46	0,12	0,90	0,00	0,37	2
18	0,61	0,16	10,87	0,01	0,36	2
19	0,12	0,52	0,00	0,00	0,77	2
20	0,12	0,53	0,00	0,00	0,75	2
21	0,08	0,71	0,20	-0,04	-0,21	2
22	0,05	0,72	0,25	-0,10	-0,33	2
23	1,15	0,59	0,01	0,00	0,96	2
24	0,21	0,60	0,17	0,00	0,90	2
25	0,62	0,78	0,00	0,00	-0,27	3
26	0,18	0,76	0,00	0,00	-2,09	3
27	0,54	0,01	0,29	0,00	0,07	3
28	0,80	0,07	0,92	0,00	0,07	3
29	0,06	0,15	0,05	-0,17	-0,30	3
30	0,02	0,18	0,03	-0,31	-0,99	3
31	0,24	0,31	0,01	-0,13	0,67	3
32	0,04	0,32	0,01	-0,06	0,64	3
33	0,52	0,68	0,72	-0,17	0,28	3
34	0,41	0,70	0,54	-0,11	0,17	3
35	0,11	0,39	0,72	0,01	0,09	3
36	0,12	0,44	0,71	0,00	-0,42	3



Додаток Б

Результати розрахунків за критерієм Грабса

Таблиця Б.1

№	К-т швидкої ліквідності	Частка виробничих фондів в обігових коштах	К-т трансфор-мації	Рентабель-ність капіталу	К-т фінансової незалежності
1	2,33	1,12	0,63	1,79	1,02
2	2,49	0,89	0,64	1,66	1,02
3	2,74	0,83	0,59	1,68	1,03
4	2,98	0,55	0,62	1,69	1,05
5	-0,20	-0,56	-0,35	0,42	0,61
6	-0,06	-0,39	-0,27	0,49	0,78
7	-0,34	-1,07	2,88	-0,27	-0,43
8	-0,33	-0,90	2,98	0,12	-0,31
9	-0,27	-0,60	0,07	2,23	0,29
10	-0,24	-0,34	0,11	2,48	0,37
11	-0,36	1,11	-0,30	-0,07	0,35
12	-0,38	1,15	-0,31	0,23	0,35
13	-0,23	0,11	0,22	0,02	0,84
14	-0,25	0,28	0,23	-0,04	0,49
15	-0,26	0,74	-0,18	-0,29	-0,37
16	-0,09	0,67	-0,41	-0,29	-0,13
17	-0,36	-1,58	-0,34	-0,27	0,13
18	-0,31	-1,42	2,93	-0,26	0,12
19	-0,46	0,17	-0,64	-0,29	0,76
20	-0,46	0,23	-0,64	-0,29	0,74
21	-0,47	1,04	-0,57	-0,50	-0,81
22	-0,48	1,08	-0,56	-0,86	-0,99
23	-0,15	0,48	-0,63	-0,29	1,07
24	-0,43	0,56	-0,58	-0,29	0,98
25	-0,31	1,35	-0,64	-0,29	-0,91
26	-0,44	1,27	-0,64	-0,29	-3,83
27	-0,33	-2,09	-0,54	-0,29	-0,36
28	-0,25	-1,83	-0,33	-0,28	-0,35
29	-0,48	-1,44	-0,62	-1,25	-0,95
30	-0,49	-1,32	-0,63	-2,04	-2,05
31	-0,42	-0,73	-0,63	-1,04	0,60
32	-0,48	-0,71	-0,63	-0,65	0,57
33	-0,34	0,91	-0,40	-1,25	-0,01
34	-0,37	1,00	-0,46	-0,92	-0,20
35	-0,46	-0,40	-0,40	-0,21	-0,32
36	-0,46	-0,15	-0,40	-0,29	-1,14

Размещено на Allbest.ru