EnglishНа русском

Переглянути у форматі pdf

ПРОБЛЕМА ДІАГНОСТИКИ БАНКРУТСТВА ПІДПРИЄМСТВ: АНАЛІЗ ІСНУЮЧИХ ПІДХОДІВ І МЕТОДІВ ОЦІНКИ
І. Г. Бачкір

DOI: 10.32702/2307-2105-2020.7.204

УДК: 65.016.8

І. Г. Бачкір

ПРОБЛЕМА ДІАГНОСТИКИ БАНКРУТСТВА ПІДПРИЄМСТВ: АНАЛІЗ ІСНУЮЧИХ ПІДХОДІВ І МЕТОДІВ ОЦІНКИ

Анотація

У статті розкрита особливість вирішення проблеми діагностики кризового стану підприємств в сучасних економічних умовах. Основні відмінності між різними методами діагностики стану визначаються саме змістом і особливостями різних технологій для виявлення банкрутства залежно від типу їх класифікації: багатовимірний дискримінантний, кластерний та регресійний аналізи.
Проведений порівняльний аналіз відомих існуючих зарубіжних та вітчизняних моделей діагностики підприємств за показниками, які характеризують економічний потенціал за результатами роботи та ступенем точної прогнозної оцінки вірогідності їх банкрутства.
Визначені та узагальнені недоліки досліджених методів оцінки стану підприємств, які істотно унеможливлюють їх пристосованість для обробки реальних статистичних даних в умовах невизначеності, Точність прогнозів суттєво залежить від закону розподілу та репрезентативності вибірки вихідних даних в умовах їх реальної невизначеності, які формують основні групи фінансово-економічних показників діяльності підприємств і мають високу здатність до передбачення банкрутства.
Обґрунтовані висновки та пропозиції можливості використання сучасних технологій ідентифікації фінансового стану підприємств, що використовують експертні системи діагностики в умовах невизначеності.

Ключові слова: неплатоспроможність; діагностика; банкрутство; дискримінантний аналіз; кластерний аналіз; регресійний аналіз.

Література

1. Роберт Н. Холт. Основы финансового менеджмента. Москва : «Дело», 1993. 128 с.
2. Абалкин Л. И., Кредитный процесс коммерческого банка. Москва : ИКК «Дека», 1995. 106 с.
3. Дуда Р., Харт. П. Распознавание образов и анализ сцен: пер. с англ. Вайнштейна Г. Г. и Васьковского А. М. Москва : МИР, 1976. 511 с.
4. Афифи А., Эйзен С. Статистический анализ: пер. с англ. Ежова И. С. и Новикова И. Д. Москва : МИР, 1982. 488 с.
5. Гайдышев И. П. Анализ и обработка данных. Санкт-Петербург : Питер, 2001. 750 с.
6. Altman E., Financial Ratios, Discriminate Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance. 1968. № 4. PP. 589-609.
7. Taffler R., Tishaw H., Going, going, gone – four factors which predict. Accountancy. 1977. March. PP. 50-54.
8. Недосекин А. О. Нечетко-множественный анализ рисков фондовых инвестиций. – Санкт-Петербург : Сезам, 2002. – 181 с.
9. Терещенко О. О. Антикризове фінансове управління на підприємстві. Київ : КНЕУ, 2004. 286 с.
10. Beaver W. Financial Ratios as Predictors of Failure”. Journal of Accounting Research, Empirical Research in Accounting: Selected Studies. 1966. Vol. 4. PP. 71-102.
11. Conan, J., & Holder, M.. Variables explicatives de performances et contrôle de gestion dans les PMI. Thèse de Doctorat en sciences de gestion, Université de Paris IX, Paris. 1979. Vol. 1. PP. 272-279
12. Матвійчук А. Моделювання фінансової стійкості підприємств із застосуванням теорій нечіткої логіки, нейтронних мереж і дискримінантного аналізу. Вісник НАН України, 2010. № 9. С. 24-46.
13. Матвійчук А. В. Дискримінантна модель оцінки ймовірності банкрутства. Моделювання та інформаційні системи в економіці. 2006. Вип. 74. С. 299-314
14. Матвийчук А. В. Диагностика банкротства предприятий в условиях трансформационной экономики. Экономическая наука современной России. 2008. № 3 (43). С. 90-104.
15. Дюран Б., Оделл П. Кластерный анализ. Пер. с англ. Москва : Статистика, 1977. 128 с.
16. Айвазян С. А., Бежаева З. И., Староверов О. В. Классификация многомерных наблюдений. Москва : Статистика, 1974. 24 с.
17. Соломон Г. Зависящие от данных методы кластерного анализа. Классификация и кластер. Москва, 1980. С.130-147
18. Браверман Э. М., Мучник И. Б. Структурные методы обработки эмпирических данных. Москва : Наука, 1983. 464 с.
19. Айвазян С. А., Бухштабер В. М., Енюков И. С., Мешалкин Л. Д. Классификация и снижение размерности. Москва : Финансы и статистика, 1989. 600 с.
20. Бачкир Л. В., Серая О. В. Стохастическая кластеризация в задачаз большой размерности. Восточно-Европейский журнал передових технологий. 2008. № 4(3). С. 39-41.
21. Мандель И. Д. Методы кластер анализа. Москва : Финансы и статистика, 1988. 176 с.
22. Миркин Б. Г. Кластер-анализ на основе линейной модели (Обобщающая статья). Заводская лабораторія, 1990. №10. С.73-78.
23. Заде Л. А. Размытые множества и их применение в распознавании образов и кластер-анализе. Классификация и кластер. Москва : Мир, 1980. С. 208-247.
24. Серая О. В. Каткова Т. И., Головко В. А. Нечеткая задача кластерного анализа. Проблемы современной науки: сборник научных трудов. Вып. 7. Ч. 3. Ставрополь : Логос, 2013. С. 69-76.
25. Тюрин Ю. Н., Василевич А. П. Статистические методы ранжирования. Москва : Наука, 1977. 296 с.
26. Рао С. Р. Линейные статистические методы и их применение: пер. с англ. Москва : Наука, 1968. 548 с.
27. Кендалл М. Ранговые корреляции: пер. с англ. Москва: Статистика, 1975. 216 с.
28. Дрейпер Н., Смит Г. Прикладной регрессионный анализ: пер. с англ. 2-е издание. Москва : Финансы и статистика, 1986. 351 с.
29. Вапник В. Н. Восстановление зависимостей по эмпирическим данным. Москва : Наука, 1979. 448 с.
30. Ljung L. System Identification. Theory for the User 2nd ed. - PTR Prentice Hall, Upper Saddle River, 1999. – 609 p.
31. Мудров В. И., Кушко В. Л. Методы обработки измерений. Москва : Сов. Радио, 1983. 304 с.
32. Себер Дж. Линейный регрессионный анализ: пер. с англ. Носков В. Л. Москва : МИР,1980. 456 с.
33. Раскин Л. Г. Анализ сложных систем и элементы теории оптимального уравнения. Москва : Советское радио, 1976. 344 с.
34. Саати, Т. Принятие решений. Метод анализа иерархий: пер. с англ. Москва : Радио и связь, 1993. 320 с.
35. Андрейчиков А. В., Андрейчикова О. Н. Анализ, синтез, планирование решений в экономике. Москва : Финансы и статистика, 2004. 464 с.
36. Серая О. В., Раскин Л. Г., Карпенко В. В. Иерархическая процедура многофакторного прогнозирования с использованием нейронной сети. Вісник НТУ «ХПІ». Харків : НТУ «ХПІ», 2003. №7. С. 45-48.
37. Серая О. В. Раскин Л. Г. Формирование скалярного критерия предпочтения по результатам попарных сравнений объектов. Вестник НТУ «ХПИ». Харків : НТУ «ХПІ», 2003, №6. С. 63-38.
38. Бачкир И. Г. Оценивание параметров уравнения регрессии методом попарных сравнений в условиях нечетких исходных данных. Науково-практичний журнал «Актуальні проблеми економіки». Київ :Національна академія управління. 2011. №7 (121). С. 301-306.

I. Bachkir

THE PROBLEM OF ENTERPRISE BANKRUPTCY DIAGNOSIS ANALYSIS OF EXISTING APPROACHES AND EVALUATION METHODS

Summary

The article reveals the peculiarity of solving the problem of diagnosing the crisis state of enterprises in modern economic conditions. The possibility of implementing the procedure of redistribution of funds and property from inefficient businesses to effective in a crisis of default arises as the results of the bankruptcy diagnosis. Due to the high level of insolvency of a significant part of Ukrainian economic entities, measures to prevent crises and stabilize the financial condition of the enterprise are of particular importance.
To predict the risk of bankruptcy traditionally is used classical statistical methods. The main differences between various methods of diagnosing a condition are determined precisely by the content and characteristics of various technologies for detecting bankruptcy, depending on the type of their classification: multidimensional discriminant, cluster and regression analyzes. A comparative analysis of known existing foreign and domestic models for assessing the diagnosis of bankruptcy and indicators that characterize the economic potential of the enterprise and the results of its work are produced. These models cannot be directly applied to assess the risk of bankruptcy of domestic enterprises for many reasons: different methods of reflecting inflationary factors; different capital structure; differences in the legal framework; features of the Ukrainian economy. These initiated the emergence of serious research on the problem of assessing the financial stability of enterprises. Deficiencies identified and summarized of the studied methods of assessing the state of enterprises are identified and generalized, which significantly make it impossible for them to adapt to real statistical data in conditions of uncertainty. The accuracy of forecasts significantly depends on the law of distribution and representativeness of the sample of initial data in terms of their real uncertainty, which form the main groups of financial and economic indicators of enterprises and have a high ability to predict bankruptcy. The conclusions and offers of possibility of use of modern technologies of identification of a financial condition of the enterprises using expert systems of diagnostics in the conditions of uncertainty are substantiated.

Keywords: insolvency; diagnostics; bankruptcy; discriminant analysis; cluster analysis; regression analysis.

References

1. Holt, Robert N. (1993), Osnovy finansovogo menedzhmenta [Fundamentals of Financial Management], Delo, Moscow, Russia.
2. Abalkin, L.I. (1995), Kreditnyj process kommercheskogo banka [Credit process of a commercial bank], IKK “Deka”, Moscow, Russia.
3. Duda, R. and Hart, P. (1976), Raspoznavanie obrazov i analiz scen [Pattern Recognition and Scene Analysis]: Transl. from English. Vainshtein G. G. and Vaskovsky A. M., MIR, Moscow, Russia.
4. Afifi, A. and Eisen, S. (1982), Statistical analysis [Statisticheskij analiz]: trans. from English. Ezhova I. S. and Novikova I. D., MIR, Moscow, Russia.
5. Gaidyshev, I. P. (2001), Analiz i obrabotka dannyh [Analysis and data processing], Peter, St. Petersburg, Russia.
6. Altman, E. (1968), “Financial Ratios, Discriminate Analysis and the Prediction of Corporate Bankruptcy”, The Journal of Finance, № 4, pp. 589-609.
7. Taffler, R. and Tishaw, H. (1977), “Going, going, gone – four factors which predict”, Accountancy, March, pp. 50-54.
8. Nedosekin, A. O. (2002), Nechetko-mnozhestvennyj analiz riskov fondovyh investicij [Fuzzy-multiple analysis of the risks of stock investments], Sesame, St. Petersburg, Russia.
9. Tereschenko, O. O. (2004), Antykryzove finansove upravlinnia na pidpryiemstvi, [Anti-crisis financial management at the enterprise], KNEU, Kyiv, Ukraine.
10. Beaver, W. (1966), “Financial Ratios as Predictors of Failure”, Journal of Accounting Research, Empirical Research in Accounting: Selected Studies. Vol. 4, pp. 71-102.
11. Conan, J., & Holder, M. (1979), “Variables explicatives de performances et contrôle de gestion dans les PMI”, Thèse de Doctorat en sciences de gestion, Université de Paris IX, Paris, Vol. 1. pp. 272-279.
12. Matvijchuk, A. (2010), “Modeling of financial stability of enterprises using theories of fuzzy logic, neutron networks and discriminant analysis”, Visnyk NAN Ukrainy, № 9, pp. 24-46.
13. Matvijchuk, A. V. (2006), “Discriminant model for estimating the probability of bankruptcy”, Modeliuvannia ta informatsijni systemy v ekonomitsi, Vol. 74, pp. 299-314.
14. Matvijchuk, A. V. (2008), “Diagnostics of bankruptcy of enterprises in a transformational economy”, Jekonomicheskaja nauka sovremennoj Rossii, № 3 (43), pp. 90-104.
15. Djuran, B. and Odell, P. (1977), Klasternyj analiz [Cluster analysis]: transl. from English, Statistics, Moscow, Russia.
16. Ajvazjan, S. A. Bezhaeva, Z. I. and Staroverov, O. V. (1974), Klassifikacija mnogomernyh nabljudenij [Classification of multidimensional observations], Statistics, Moscow, Russia.
17. Solomon, G. (1980), “Data-Dependent Cluster Analysis Methods”. Klassifikacija i klaster, pp. 130 147.
18. Braverman, E. M. and Muchnik. I. B. (1983), Strukturnye metody obrabotki jempiricheskih dannyh [Structural methods of processing empirical data], Nauka, Moscow, Russia.
19. Aivazyan, S. A. Bukhshtaber, V. M. Enyukov, I. S. and Meshalkin, L. D. (1989), Klassifikacija i snizhenie razmernosti [Classification and dimension reduction], Finansy i statistika, Moscow, Russia.
20. Bachkir, L. V and Seraja, O. V. (2008), “Stochastic clustering in a high-dimensional problem”, Vostochno-Yevropeyskiy zhurnal peredovikh tekhnologiy, № 4(3), pp. 39-41.
21. Mandel, I. D. (1988), Metody klaster analiza [Methods of cluster analysis], Finansy i statistika, Moscow, Russia.
22. Mirkin, B. G. (1990), “Cluster analysis based on a linear model (General article)”, Zavodskaja laboratorіja, №10. pp. 73-78.
23. Zade, L. A. (1980), “Fuzzy sets and their application in pattern recognition and cluster analysis”, Klassifikacija i klaster, pp. 208-247.
24. Seraja, O. V. Katkova ,T. I. and Golovko, V. A. (2013), “Fuzzy problem of cluster analysis”, Problemy sovremennoj nauki: sbornik nauchnyh trudov, Vol. 7, issue 3, pp. 69-76/
25. Tyurin, Yu. N. and Vasilevich A. P. (1977), Statisticheskie metody ranzhirovanija [Statistical methods of ranking], Nauka, Moscow, Russia.
26. Rao, S. R. (1968), Linejnye statisticheskie metody i ih primenenie [Linear statistical methods and their application]: trans. from English, Nauka, Moscow, Russia.
27. Kendall, M. (1975), Rangovye korreljacii [Rank correlations]: trans. from English, Statistics, Moscow, Russia.
28. Draper, N. and Smith, G. (1986), Prikladnoj regressionnyj analiz [Applied regression analysis]: trans. from English, 2nd edition, Finansy i statistika, Moscow, Russia.
29. Vapnik, V. N. (1979), Vosstanovlenie zavisimostej po jempiricheskim dannym [Recovering dependencies based on empirical data], Nauka, Moscow, Russia.
30. Ljung, L. (1999), System Identification. Theory for the User 2nd ed, PTR Prentice Hall, Upper Saddle River.
31. Mudrov, V. I. and Kushko, V. L. (1983), Metody obrabotki izmerenij [Metody obrabotki izmerenij], Sov. Radio, Moscow, Russia.
32. Seber, J. (1980), Linejnyj regressionnyj analiz [Linear regression analysis]: trans. from English. Noskov V. L., MIR, Moscow, Russia.
33. Raskin, L. G. (1976), Analiz slozhnyh sistem i jelementy teorii optimal'nogo uravnenija [Analysis of complex systems and elements of the theory of the optimal equation], Sovetskoe radio, Moscow, Russia.
34. Saati, T. (1993), Prinjatie reshenij. Metod analiza ierarhij [Decision making. Method of analysis of hierarchies]: transl. from English., Radio i svjaz, Moscow, Russia.
35. Andreychikov, A. V.and Andreychikova, O. N. (2004), Analiz, sintez, planirovanie reshenij v jekonomike [Analysis, synthesis, planning decisions in the economy], Finansy i statistika, Moscow, , Russia.
36. Seraya, O.V. Raskin, L. G. and Karpenko, V. V. (2003), “Hierarchical procedure of multivariate forecasting using a neural network”, Vіsnik NTU «HPІ», Vol. 7, pp. 45-48.
37. Seraya, O. V. and Raskin, L. G. (2003), “Formation of a scalar preference criterion based on the results of pairwise comparisons of objects” Vіsnik NTU «HPІ», Vol. 6, pp. 63-38.
38. Bachkir, I. G. (2011), “Estimation of parameters of the regression equation by the method of pairwise comparisons in the conditions of fuzzy initial data”, Actual problems of economy, National Academy of Management, Vol. 7 (121), pp. 301-306.

№ 7 2020

Дата публікації: 2020-07-30

Кількість переглядів: 54

Відомості про авторів

І. Г. Бачкір

асистент кафедри менеджменту, Кременчуцький національний університет імені Михайла Остроградського

I. Bachkir

Assistant of the Management Department, Kremenchuk Mykhailo Ostrohradskyi National University

ORCID:

0000-0001-5411-3770

Як цитувати статтю

Бачкір І. Г. Проблема діагностики банкрутства підприємств: аналіз існуючих підходів і методів оцінки. Ефективна економіка. 2020. № 7. – URL: http://www.economy.nayka.com.ua/?op=1&z=8073 (дата звернення: 15.08.2020). DOI: 10.32702/2307-2105-2020.7.204

Bachkir, I. (2020), “The problem of enterprise bankruptcy diagnosis analysis of existing approaches and evaluation methods”, Efektyvna ekonomika, [Online], vol. 7, available at: http://www.economy.nayka.com.ua/?op=1&z=8073 (Accessed 15 Aug 2020). DOI: 10.32702/2307-2105-2020.7.204

Creative Commons License

Стаття розповсюджується за ліцензією
Creative Commons Attribution 4.0 Міжнародна.