Возможности алгоритмического моделирования сегментации дебиторов в условиях коммерческого кредита

С. Г. Черниченко,
канд. экон. наук, доцент кафедры бухгалтерского учета,
анализа, аудита и налогообложения,
ФГБОУ ВО «Кемеровский государственный университет»,
650000, Россия, г. Кемерово, ул. Красная, 6, тел.: 8-960-935-8740,
Р. М. Котов
канд. экон. наук, доцент, проректор по учебной работе,
ФГБОУ ВО «Кемеровский государственный университет»,
650000, Россия, г. Кемерово, ул. Красная, 6, тел.: 8-906978-7273,
Техника и технология пищевых производств. 2018. Т. 48, № 2.

Введение

Опираясь на целевой ориентир исследовательской работы - разработку, обоснование и апробацию алгоритма сегментации коммерческих дебиторов в группы кредитного риска, - вводим необходимые понятия и предусматриваем последовательность действий. Во-первых, представим краткий обзор понятийного аппарата в границах заданной темы исследования (табл. 1).

Таблица 1 - Обзор понятийного аппарата научного исследования в области алгоритмического моделирования процесса сегментации дебиторов в секторе коммерческого кредита

Термин	Определение его сущности	Ссылка на авторство
Риск	«субъективная характеристика ситуации неопределенности, основанная на объективных величинах ее количественного измерения относительно вероятностного события»	[35, с. 24]
Рисковая ситуация	«сочетание событий и условий, создающих неопределенную обстановку для принятия решений субъектом с заданными целевыми установками»	[1, с. 39]
Кредитный риск (риск кредитора)	«ситуация неопределенности относительно сроков и фактов погашения кредита, отражающая вероятностный, противоречивый и двойственный характер возможных результатов и предполагающая альтернативность процесса принятия решений»	[35, с. 47]
Коммерческий кредит	«специфическая форма товарно-денежных отношений авансирующего характера, возникающих между кредитором и дебитором по поводу перераспределения ссуженной стоимости»	[35, с. 44]
Коммерческий дебитор	субъект, имеющий дебиторскую задолженность перед кредитором в секторе коммерческого кредитования	Примечания авторов
Идентифицирующий фактор	основной фактор, определяющий (идентифицирующий) уровень риска
Сегментация дебиторов	дифференциация дебиторов в группы кредитного риска
Качество задолженности	«совокупность свойств задолженности, обусловливающих ее способность удовлетворять определенные потребности в соответствии с назначением»	[34, c. 32]
Качество дебиторской задолженности	«вероятность получения задолженности своевременно и в полной сумме»	[27, c. 91]
Качество кредиторской задолженности	«характеризуется долей просроченных долгов, соотношением кредиторской задолженности и объема продаж и квотой кредиторской задолженности в текущих пассивах»	[35, с. 90]
Индикаторы кредитного риска	«набор ключевых финансовых показателей, гипотетически обладающих наиболее высокими прогностическими свойствами»	[35, с. 77]
Выявление индикаторов	«целенаправленный отбор некоторых показателей из совокупности, на основе их соответствия заданному критерию предпочтения»
Группировка индикаторов	«образование групп из индикаторов, качественно однородных, в зависимости... от аналитического направления»
Унификация индикаторов	«процесс взаимоувязки, приведения обособленных параметров к единой системе, единообразию»	[35, с. 79]
Алгоритм	«система правил, определяющая содержание и последовательность операций, переводящих исходные данные в конечный результат»	[16, с. 26]
Модель	«формализованное описание объекта, системы объектов, процесса или явления, выраженное математическими соотношениями, набором чисел и (или) текстов, графиками, таблицами, словесными формулами и т.п.»	[16, с. 17]
Алгоритмическое моделирование	«численный метод исследования систем и процессов с помощью моделирующего алгоритма»	[16, с. 113]

Во-вторых, на основе представленных терминов сконструируем базовое комбинационное понятие: алгоритмическое моделирование сегментации коммерческих дебиторов - численный метод исследования, заключающийся в формализованном описании обоснованной системы правил, определяющей содержание и последовательность операций по дифференциации дебиторов в группы кредитного риска с позиции потенциального варианта кредитного решения. Причем смоделированная ситуация должна быть признана адекватной, в условиях достаточной степени приближения к закономерностям процесса функционирования коммерческого кредита. А модель оригинального объекта должна приобрести определенные качественные характеристики: субъективность, гомоморфность, многовариантность.

В-третьих, предусмотрим особенности методических технологий в заданном секторе исследования. В процессе инженерии аналитической конструкции, в границах специфических аналитических векторов, опираясь на фундаментальные свойства алгоритмической модели, задаем и выполняем определенные требования, руководствуясь известными принципами [19] (табл. 2).

Таблица 2 - Принципиальные основы построения аналитической конструкции и их привязка к алгоритмической модели

Требование, принцип	Содержание	Проявление в алгоритмической модели
1. Свойства аналитической конструкции
Детерминированность	обусловленность элементов алгоритма	рекомендуемые значения элементов алгоритма обусловлены общероссийскими, региональными и отраслевыми тенденциями
Результативность	трансформация исходных данных в результат	целевое назначение модели - перевод исходного материала в результат (отнесение дебитора к определенной группе риска)
Массовость	возможность массового применения	возможность использования алгоритма, независимо от региональной и отраслевой принадлежности дебитора
2. Требования к аналитической конструкции
Охваченность	заданный диапазон всевозможных сегментов кредитного риска, различных аналитических векторов	широта охвата элементов алгоритма отражает пять аналитических векторов в четырех сегментах кредитного риска
Корреляция	существование содержательной, формализованной корреляции между центральным и периферическими показателями	тесная логическая взаимосвязь параметров иерархической системы (R = 0,63-0,79)
Верифицируемость	возможность проверки информационной базы и механизма расчета всех параметров	все элементы алгоритмической модели имеют однозначно трактуемые формулы расчета и прозрачную информационную базу
3. Принципы построения аналитической конструкции
Принцип древовидной структуры	обеспечение дискурсивного разворачивания общих параметров в частные или инволюции частных показателей в общие	модель основана на логическом развертывании обобщающих параметров в частные
Принцип обозримости	присутствие оптимизированного для заданных условий комплекта параметров (дополняющих и уточняющих, но не дублирующих друг друга)	элементы алгоритма представлены оптимальным набором индикаторов кредитного риска в границах коммерческого кредита, обладающих уточняющими и дополняющими свойствами
Принцип разумного сочетания абсолютных и относительных показателей	предпочтение относительных параметров, обусловленное их преимуществами: 1) возможность соизмерения несопоставимых в абсолютном измерении объектов; 2) элиминирование (устранение воздействия отдельных экономических факторов); 3) значительный уровень устойчивости во времени и пространстве; 4) однородность вариационных рядов и пр.	в алгоритмической модели представлены 10 относительных показателей и один абсолютный параметр
Принцип неформальности	конструкция, при максимальном уровне аналитического совершенства, должна быть подходящей для принятия координационных решений; для этого необходимо: а) введение в аналитическую конструкцию не уникальных, а традиционных (стандартных) параметров; б) использование тождественно трактуемых формул их вычисления; в) преимущественное применение данных финансовой отчетности в качестве информационной базы	алгоритмическая модель включает традиционные (стандартные) показатели; формулы расчетов интерпретируются однозначно; информационная база представлена данными финансовой отчетности

Создавая определенное строение (устройство) на основе взаимопроникающих элементов (оценочных параметров), с определенной долей условности, отождествляем такие понятия, как «система аналитических показателей», «аналитическая схема», «аналитическая модель» и «аналитическая конструкция».

В-четвертых, аналитический и финансово-инженерный блок научных исследований предусматривает пять стадий: выявление и тематическую группировку индикаторов кредитного риска (в границах банковского и коммерческого кредита); унификацию специфических индикаторов кредитного риска в форме алгоритма сегментации коммерческих дебиторов; апробацию и оценку адекватности алгоритмической модели; обоснование тесноты причинно-следственных связей между взаимопроникающими экспонентами алгоритмической модели и результативным признаком (уровнем кредитоспособности дебитора как основного фактора риска кредитора); выявление наиболее ценных параметров (идентифицирующих факторов) кредитного анализа в секторе коммерческого кредита. В качестве критических значений показателей алгоритмической модели использованы как нормативные, так и фактические значения (рассчитанные на регионально-отраслевом уровне, в среднем за период 2013-2015 гг.). Базирование расчетов на материалах сельскохозяйственных предприятий обусловлено тем, что данный сектор экономики относится к «чистым дебиторам» (по сальдо взаимного зачета дебиторской и кредиторской задолженности), кредитоспособность которых необходимо оценить.

Объекты и методы исследования

Целью работы является разработка, обоснование и апробация алгоритмической модели сегментации коммерческих дебиторов в группы кредитного риска.

Объектом исследования выступают объективные закономерности формирования системы денежно-кредитных отношений на микроуровне.

В качестве предмета исследования рассматривается кредитный риск, возникающий в процессе коммерческого кредитования, и возможности алгоритмического моделирования его оценки.

Теоретической и методологической основой исследования послужили научные работы российских и зарубежных экономистов, посвященные вопросам кредитного дела, математического моделирования, финансового анализа, финансового менеджмента, финансовой инженерии.

В процессе исследования авторы применяли следующие методы: экономико-статистический, абстрактно-логический, классификационный, коэффициентный, интегральный, методы сравнения и группировки, методы анализа и синтеза, метод построения «дерева решений», метод экономико-математического моделирования, методы корреляционно-регрессионного анализа и др.

Результаты и их обсуждение

Первая стадия аналитической и финансово-инженерной работы, отражающая процессы выявления и тематической группировки индикаторов риска кредитора, предусматривает определенную последовательность операций: исследование комплекса относительных финансовых параметров кредитного анализа; формирование «матриц преференций» (матриц предпочтений); выявление специфических индикаторов риска кредитора на базе «матриц преференций» и их тематическая группировка. «Матрица преференций» имеет следующую структуру: в строках отражены относительные финансовые параметры, а в столбцах - авторские аналитические модели. Критерием предпочтения (преференции) в процессе выявления индикаторов кредитного риска выступила частота применения параметров в аналитической процедуре. Исследование существенных массивов финансовых параметров, измеряющих уровень кредитного риска, реализовано на основе всевозможных методических подходов в двух секторах рынка ссудного капитала: банковский и коммерческий кредит. Параллельный характер исследований объясняется тем, что, во-первых, значительный интерес представляет сопоставление опыта оценочной процедуры в заданных секторах, во-вторых, необходимо иметь сравнительную базу для оценки адекватности создаваемой аналитической конструкции в секторе коммерческого кредита; в-третьих, следует обеспечить расчет рейтинга кредитоспособности дебитора как генерального фактора риска кредитора в качестве результативного признака алгоритмической модели.

В секторе банковского кредита исследован набор параметров, применяемых в наиболее известных российских и зарубежных методиках кредитного анализа: Э. Альтмана, Д. Чессера, Дж. Ф. Синки, Бивера, В. И. Колесникова, Г. Ф. Графовой, Л. Г. Гиляровской, А. В. Брычкина, В. Т. Севрук, И. В. Вишнякова, В. В. Ковалева, В. Н. Глазунова, О. И. Лаврушина, М. А. Федотовой, Р. С. Сайфулина и Г. Г. Кадыкова, Ю. С. Масленченкова, Л. В. Чекиной [3-6, 10-12, 14, 15, 23, 29-31, 39]. При этом, ориентируясь на всестороннее рассмотрение системы показателей, авторы намеренно исследовали разнообразные методические подходы: методики оценки кредитоспособности, модель классификации кредитов, модель надзора за ссудами, модели прогнозирования кредитного риска и риска банкротства. Обзор и сопоставительный анализ исследуемых моделей продемонстрирован в табл. 3. В данном случае матрица включает 58 строк (перечень коэффициентов) и 17 столбцов (совокупность авторских методик), в пересечении которых представлена итоговая информация (факт применения коэффициента в указанной модели), позволяющая предпочесть некоторые параметры из продемонстрированного списка.

Оценивая уровень значимости (процент распространения) параметров в совокупной аналитической процедуре, можно выделить шесть коэффициентов, рассматривая их, с определенной долей условности, в качестве индикаторов кредитного риска (табл. 3).

Таблица 3 - Секторальная «матрица преференций» оценочных показателей кредитного риска (сектор банковского кредита)

Показатель	Методика
	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17
1. Коэффициент текущей ликвидности			+	+	+		+	+	+	+	+	+		+	+	+	+
2. Коэффициент критической ликвидности							+	+	+	+	+	+			+		+
3. Коэффициент абсолютной ликвидности		+				+	+	+	+	+	+	+			+	+	+
4. Коэффициент финансовой независимости							+	+			+	+			+
5. Коэффициент обеспеченности SOK	+			+	+										+	+
6. Рентабельность активов по RP	+			+	+										+
7. Рентабельность активов по VP	+
8. Рентабельность активов по BP	+	+														+
9. Рентабельность активов по CHP									+						+	+
10. Рентабельность продаж по CHP				+					+					+	+
11. Рентабельность продаж по PR															+
12. Рентабельность SK по CHP				+					+						+
13. Общая (полная) рентабельность															+
14. Рыночная стоимость акций к ZK	+
15. Доля совокупных обязательств в VB		+
16. Отношение ОК и CHA		+
17. Оборотный капитал к ChSP*		+
18. Отношение ChSP* и NLA		+
19. Отношение ChSP* и VB									+
20. Коэффициент финансовой зависимости			+		+	+		+	+					+	+	+
21. Отношение ZK и SK								+	+						+
22. Отношение SK и ZK																	+
23. Выручка к авансированному капиталу				+
24. Коэффициент Бивера					+
25. Наличность к сумме продаж						+
26. Рабочий (функционирующий) капитал							+
27. Маневренность SOK								+							+
28. Иммобилизация основных фондов								+
29. Отношение амортизации и VOA								+
30. Отношение SK и DSO к VB								+
31. Продажи к запасам TMC									+
32. Инкассирование DZ									+
33. Процентные выплаты									+						+	+
34. Денежный поток													+		+
35. Прогноз банкротства													+
36. Собственность													+
37. Ликвидационная стоимость													+
38. Рамбурсная стоимость													+
39. Отношение KZ11 и DZ11														+
40. Оборачиваемость DZ														+	+	+
41. Отношение SOK и MZ															+
42. Отношение KSO и совокупных активов															+
43. Отношение KSO и SK															+
44. Отношение VOA и инвестиционного капитала															+
45. Отношение VOA и SK															+
46. Оборачиваемость запасов и затрат															+	+
47. Оборачиваемость KZ															+
48. Оборачиваемость текущих активов															+	+
49. Фондоотдача															+
50. Отношение выручки и SK															+
51. Оборачиваемость совокупных активов															+		+
52. Эксплуатационные затраты															+
53. Отношение оборотных средств и SK																+
54. Отношение DSO и VOA																+
55. Отношение VP и выручки																+
56. Отношение BP и выручки																+	+
57. Сумма дивидендов на 1 простую акцию																+
58. Уровень дивидендов на 1 простую акцию																+
РЕЙТИНГОВАЯ оценка	+	+	+	+							+	+	+	+	+		+

Обозначения: SOK - собственный оборотный капитал; RP - реинвестируемая (нераспределенная) прибыль; BP - балансовая прибыль; VP - валовая прибыль; CHP - чистая прибыль; PR - прибыль от реализации; ZK - заемный капитал; SK - собственный капитал; VB - валюта баланса; OK - основной капитал; CHA -чистые активы; NLA - наиболее ликвидные активы; VOA - внеоборотные активы; DSO - долгосрочные обязательства; KSO - краткосрочные обязательства; TMC -товарно-материальные ценности; DZ - дебиторская задолженность; KZ - кредиторская задолженность; DZk - краткосрочная дебиторская задолженность; KZk -краткосрочная кредиторская задолженность; MZ - материальные запасы; ChSP - чистая сумма продаж (сумма продаж без налога на добавленную стоимость).

Нумерация методик: (1) Э. Альтман; (2) Д. Чессер; (3) М. А. Федотова; (4) Р. С. Сайфулин и Г. Г. Кадыков; (5) У. Бивер; (6) Дж. Ф. Синки; (7) В. В. Ковалев; (8) В. Т. Севрук; (9) И. В. Вишняков; (10) В. Н. Глазунов; (11) В. И. Колесников; (12) Г. Ф. Графова; (13) Ю. С. Масленченков; (14) Л. В. Чекина; (15) А. В. Брычкин; (16) О. И. Лаврушин; (17) Л. Т. Гиляровская.

Тематическая группировка выявленных индикаторов позволяет избранные коэффициенты классифицировать в трех аналитических направлениях: ликвидность баланса (коэффициенты текущей, критической и абсолютной ликвидности), структура капитала (коэффициенты финансовой независимости и финансовой зависимости), уровень обеспеченности (коэффициент обеспеченности собственным оборотным капиталом). Следует отметить, что показатели структуры капитала взаимозависимы и взаимообратны. В связи с тем, что нормативные значения коэффициентов финансовой зависимости в аналитической практике отсутствуют, а рекомендуемые величины обусловлены отношением субъекта к риску, представляется более продуктивным применение в анализе коэффициента финансовой независимости (нормативный уровень: 0,5-0,6). Использование коэффициента обеспечен-ности собственным оборотным капиталом в оценочной процедуре представляется неразумным по причине его отрицательного значения по материалам организаций РФ, Кемеровской области, в том числе и сельскохозяйственных [24-26, 41, 42]. В этой связи для рейтинговой оценки кредитоспособности сельскохозяйственных предприятий Кемеровской области используем систему показателей, рекомендованных Банком России (в редакции профессора В. И. Колесникова [5]), сформированную из коэффициентов ликвидности баланса и финансовой независимости.

В секторе коммерческого кредита проведена аналогичная работа. Объектами исследования выступили методические подходы и рекомендации российских и зарубежных ученых в области оценки кредитного риска в границах коммерческого кредитования и качества дебиторской и кредиторской задолженности как фундаментальных параметров кредитных отношений в производственной сфере. Интерес авторов к рекомендациям зарубежных экономистов обусловлен отсутствием завершенных российских методических технологий, нацеленных на оценку кредитного риска в заданной области. Словом, исследованы модели и рекомендации известных ученых: Ю. Бригхем и Л. Гапенски; Ф. Ли Ченг и Дж. Финнерти; Р. Д. Мехта; Дж. Ван Хорн; Д. С. Эверт; И. Ф. Брик; М. Хамбург; Дж. Фостер; А. И. Гончаров; М. И. Ткачук и Е. Ф. Киреева; Э. Хелферт; О. В. Ефимова и М. В. Мельник; В. В. Ковалев; И. Я. Лукасевич; В. П. Савчук; А. Д. Шеремет, Р. С. Сайфулин и Е. В. Негашев; Т. В. Теплова [2, 79, 13, 17, 18, 20, 21, 28, 32, 33, 36, 38]. Таким образом, матрица содержит 22 строки (комплект коэффициентов) и 17 столбцов (список методик и авторских рекомендаций), в пересечении которых представлена итоговая информация (факт применения коэффициента в указанной модели), что позволяет избрать отдельные показатели из представленного списка (табл. 4).

Таблица 4 - Секторальная «матрица преференций» оценочных коэффициентов кредитного риска (сектор коммерческого кредита)

Рекомендуемый параметр	Формула расчета	Автор
		1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17
1. Продолжительность оборота дебиторской задолженности (DSO)	(удельный вес группы товаров * период оплаты документов)	+
2. Однодневный товарооборот (ADS)	объём реализации в натуральном выражении * цена единицытовара расчетный период в днях	+
3. Коэффициент «лакмусовой бумажки»	денежные средства + краткосрочные финансовые вложения текущие обязательства	+	+									+	+	+		+		+
4. Коэффициент обеспеченности процентов по кредитам (TIE)	прибыль после налогообложения + проценты к уплате прибыль после налогообложения	+
5. Доля заемного капитала в ресурсной базе	заёмный капитал совокупные активы	+
6. Доля просрочки в долгах перед кредиторами	просроченная кредиторская задолженность суммарна якредиторская задолженность	+	+			+	+	+	+								+
7. Процент торговой скидки	стоимостьтовара - стоимостьтовара со скидкой * 100% стоимостьтовара	+
8. Доля объема реализации со скидкой в валовом объеме реализации	объём реализации со скидкой валовой объём реализации	+
9. Коэффициент покрытия	оборотные активы текущиепассивы	+	+	+	+	+	+	+	+			+	+	+		+		+
10. Доля кредиторской задолженности в текущих обязательствах	кредиторская задолженность текущие пассивы		+	+	+		+	+	+		+	+					+
11. Соизмерение кредиторской задолженности и выручки	кредиторская задолженность объём продаж в денежном выражении	+	+			+	+	+	+								+
12. Показатель движения товарных запасов	выручка запасы готовой продукции			+	+	+	+	+	+
13. Долговой показатель D	средства в расчётахи вложениях выручка денежная за месяц									+
14. Долговой показатель K	текущиеобязательства выручкаденежнаязамесяц									+
15. Соотношение обязательств и собственных средств	обязательства собственный капитал										+	+
16. Способность обслуживания долга	балансовая прибыль + полученные проценты сумма к погашению кредита + уплаченные проценты										+
17. Удельный вес долгов в совокупных активах	обязательства активы											+
18.Денежные потоки	денежный приток — денежный отток											+
19. Рабочий (функционирующий) капитал (WC)	оборотные активы — текущие обязательства												+	+	+	+	+	+
20. Квота долгов дебиторов в оборотном капитале	дебиторская задолженность оборотныеактивы									+	+		+			+	+
21. Квота просрочки в долгах дебиторов	просроченная дебиторская задолженность суммарнаядебиторская задолженность									+	+		+			+	+
22. Показатель погашения долгов дебиторов	дебиторскаязадолженность выручка									+	+		+	+	+	+		+

В «матрице преференций» в качестве индикаторов риска кредитора были выявлены 10 ключевых показателей с существенным уровнем значимости в аналитической практике (табл. 5).

Таблица 5 - Тематическая группировка и оценка значимости специфических индикаторов риска кредитора

Аналитический вектор, индикатор	Частота применения	Уровень значимости, %
1. Сектор банковского кредита
1.1. Ликвидность баланса:
коэффициент текущей ликвидности	13	76,5
коэффициент абсолютной ликвидности	10	58,8
коэффициент критической ликвидности	8	47,1
1.2. Структура капитала:
коэффициент финансовой зависимости	8	47,1
коэффициент финансовой независимости	5	29,4
1.3. Уровень обеспеченности:	5	29,4
коэффициент обеспеченности собственным оборотным капиталом
2. Сектор коммерческого кредита
2.1. Ликвидность баланса:
коэффициент покрытия	13	76,5
коэффициент «лакмусовой бумажки»	7	41,2
рабочий капитал	6	35,3
2.2. Качество задолженности дебиторов:
показатель погашения долгов дебиторов	7	41,2
квота долгов дебиторов в оборотном капитале	5	29,4
квота просрочки в долгах дебиторов	5	29,4
2.3. Качество долгов перед кредиторами:
доля кредиторской задолженности в текущих обязательствах	9	52,9
доля просрочки в долгах перед кредиторами	7	41,2
соизмерение кредиторской задолженности и выручки	7	41,2
2.4. Динамика запасов:
показатель движения товарных запасов	6	35,3
2.5. Паритет дебиторской и кредиторской задолженности:	рекомендация авторов
коэффициент сопряженности дебиторской и кредиторской задолженности

Тематическая группировка индикаторов позволяет выявленные коэффициенты типизировать в четырех аналитических векторах: ликвидность баланса (коэффициент «лакмусовой бумажки», рабочий капитал, коэффициент покрытия), качество задолженности дебиторов (квота просрочки в долгах дебиторов, показатель погашения долгов дебиторов, квота долгов дебиторов в оборотном капитале), качество долгов перед кредиторами (соизмерение кредиторской задолженности и выручки, доля кредиторской задолженности в текущих обязательствах, доля просрочки в долгах перед кредиторами), динамика запасов (показатель движения товарных запасов). Итак, аналитическая база в секторе коммерческого кредита в основном характеризуется специфическими параметрами исследования - дебиторская и кредиторская задолженность организаций. Однако в оценочной процедуре целесообразно принимать во внимание не только массивы и качество долгов, но и их сопряженность (соизмеримость, сопоставимость).

В процессе производственно-хозяйственной деятельности любое предприятие одновременно оказывается и в положении дебитора, и в качестве кредитора. По словам К. Маркса, «каждый занимает одной рукой и ссужает другой» [22]. В этой связи в аналитической работе важно использовать ключевые параметры, позволяющие дать оценку уровня кредитоспособности организации, с одной стороны, через вектор интенсивности и эффективности политики сбора долгов дебиторов, а с другой -посредством оценки реальных массивов текущих кредитных обязательств.

С целью оценки соизмеримости незавершенной задолженности дебиторов и долгов перед кредиторами уместно использовать коэффициент сопряженности дебиторской и кредиторской задолженности, допуская в качестве рекомендуемого уровня параметра его стремление к единице. Это продиктовано первостепенным условием разумного финансирования производственно-хозяйственной деятельности: равновеликие суммы дебиторской (отвлеченной) и кредиторской (привлеченной) задолженности. Кроме того, указанный параметр целесообразно применять в оценочной процедуре с позиции политики управления активами и пассивами баланса. Данное аналитическое направление должно предшествовать оценке качества дебиторской и кредиторской задолженности. Итак, систематизируем ключевые параметры кредитного анализа в разрезе секторов.

 Оценка состава параметров, идентифицирующих качество задолженности, привела к выводу о наличии некоторых сегментов кредитного риска в секторе коммерческого кредита: производственного, кредитного, структурного и паритетного (табл. 6).

Таблица 6 - Базовые компоненты качества дебиторской (DZ) и кредиторской (KZ) задолженности

Качество DZ		Качество KZ
Соотношение DZ и выручки	Сегмент 1: производственный		Соотношение KZ и выручки
показатель погашения долгов дебиторов			соизмерение кредиторской задолженности и выручки
«Политика сбора долгов»	Сегмент 2:  кредитный		«Кредитная история»
квота просрочки в долгах дебиторов			доля просрочки в долгах перед кредиторами
Долевое участие в структуре активов баланса	Сегмент 3: структурный		Долевое участие в структуре пассивов баланса
квота долгов дебиторов в оборотном капитале			доля кредиторской задолженности в текущих обязательствах
Сегмент 4: паритетный
коэффициент сопряженности дебиторской и кредиторской задолженности

На второй стадии исследовательской работы унифицируем выявленные индикаторы в алгоритм сегментации коммерческих дебиторов. Перечень и идентификационные характеристики ключевых параметров алгоритмической модели представлены в табл. 7.

Таблица 7 - Идентификация индикаторов кредитного риска алгоритмической модели

Показатель	Формула расчета	Норма	Примечание
(К1) Рабочий капитал	ОА - KSO	> 0	нормативные значения показателей теоретически обоснованы и признаны в международной аналитической практике
(К2) Коэффициент покрытия	ОА / KSO	2,0
(К3) Коэффициент «лакмусовой бумажки»	(DS + KFV) KSO	0,2
(К4) Коэффициент сопряженности дебиторской и кредиторской задолженности	DZ / KZ	→ 1,0	вытекает из правила равновеликих сумм DZ и KZ
(К5) Доля кредиторской задолженности в текущих обязательствах,%	KZ / KSO * 100%	87,14	среднее фактическое значение по сельскохозяйственным предприятиям Кемеровской области
(К6) Доля просрочки в долгах перед кредиторами, %	KZp / KZ * 100 %	25,6
(К7) Соизмерение кредиторской задолженности и выручки	KZ / V	нет	в динамике
(К8) Квота долгов дебиторов в оборотном капитале, %	DZ / АО * 100%	37,52	среднее фактическое значение по сельскохозяйственным предприятиям Кемеровской области
(К9) Квота просрочки в долгах дебиторов, %	ДЗр / ДЗ  *100 %	26,15
(К10) Показатель погашения долгов дебиторов	DZ / V	0,231	расчетная величина (12 недель / 52 недели)
(К11) Показатель движения товарных запасов	V / Z	нет	в динамике

Обозначения: DS - денежные средства, RUB; KFV - краткосрочные финансовые вложения, RUB; DZ - дебиторская задолженность, RUB; KZ - кредиторская задолженность, RUB; KSO - краткосрочные обязательства, RUB; OA - оборотные активы, RUB; V - выручка, RUB; DZp -просроченная дебиторская задолженность, RUB; KZp - просроченная кредиторская задолженность, RUB; Z - запасы готовой продукции, RUB.

Базовые позиции алгоритмической модели опираются на специфику коммерческого кредита: его объектом выступает оборотный капитал, который обладает существенным уровнем мобильности, высокой скоростью оборота и незначительным сроком использования. Хозяйствующие субъекты традиционно расплачиваются по текущим кредитным обязательствам за счет оборотных средств. В связи с этим сопоставление (разница, соотношение) стоимости оборотного капитала и массивов кредитных обязательств предприятия несет особую смысловую нагрузку в заданных условиях. Следовательно, вполне логично, что в качестве центрального звена алгоритмической модели представлен рабочий капитал (К1). При его отрицательном значении расчет последующих параметров модели не имеет смысла (а объект анализа, безусловно, признается носителем высокого уровня кредитного риска). При положительной величине рабочего капитала целесообразно продолжить аналитическую процедуру по вектору коэффициента покрытия (К2), предусмотрев два возможных варианта результатов расчетов: соответствие и несоответствие норме.

Для первого варианта авторы рекомендуют «взвесить» дебиторскую и кредиторскую задолженность предприятия (К4), предполагая, что высокий уровень коэффициента покрытия может быть связан с превышением задолженности дебиторов над кредиторской задолженностью предприятия. Для второго варианта целесообразно углубить оценку уровня ликвидности баланса дебитора по вектору коэффициента «лакмусовой бумажки» (К3): при условии соответствия норме данного параметра следует признать уровень риска незначительным, а в противном случае - рекомендуется оценить динамику показателя движения товарных запасов (К11).

Далее разворачиваем следующую аналитическую цепочку по заданным направлениям. Если выполняется правило равновеликих сумм дебиторской и кредиторской задолженности (К4 = 1), то риск кредитора можно признать низким. Если коэффициент сопряженности дебиторской и кредиторской задолженности (К4) меньше единицы, то анализу должны быть подвержены долги перед кредиторами: рекомендуется оценить их долевое участие в структуре текущих обязательств (К5). Если же указанный параметр (К4) больше единицы, то объектом анализа должна выступить дебиторская задолженность. В первую очередь вызывает интерес ее долевое участие в структуре оборотного капитала предприятия (К8). Дальнейшие оценочные операции по векторам дебиторской и кредиторской задолженности сопоставимы: при попадании соответствующих коэффициентов в зону рекомендуемых значений соизмеряем массивы задолженности с выручкой предприятия (К10 и К7), при нарушении границ обозначенной зоны исследуем уровень просроченных долгов в совокупной задолженности организации (К9 и К6). Для принятия кредитного решения (отрицательного или положительного) предусмотрено два варианта градации рисковых ситуаций: (VR) высокий уровень риска (совершение сделки нецелесообразно) и (NR) низкий уровень риска (при заданных условиях сделка безубыточна). Итак, обобщенная аналитическая схема расчетов представлена на рис. 1.

На третьей стадии аналитической и финансово-инженерной работы проведена апробация и оценка адекватности алгоритмической модели. Оценочная процедура выполнена по данным 2015 г., на материалах 48 сельскохозяйственных предприятий центральной зоны Кемеровской области (процент выборки -46,2 %). В работе отражено проведение индивидуального, бесповторного отбора; способ отбора - типический (ранжирование проведено по уровню коэффициентов рентабельности активов). С позиции деловой этики, названия исследуемых предприятий закодированы присвоенным номером в общем списке. Итак, результаты дифференциации предприятий представлены на рис. 1.

На первом же этапе, при оценке уровня рабочего капитала (К1), 26 предприятий были выбракованы из общего списка и признаны носителями высокого уровня кредитного риска. Оставшиеся 22 организации выступили объектами анализа по заданной схеме, результат которого зафиксирован: 15 организаций, с достаточным уровнем коэффициента покрытия, дифференцированы в две группы (семь носителей низкого уровня риска, восемь носителей высокого кредитного риска); семь предприятий с недостаточным уровнем коэффициента покрытия распределены в аналогичные группы (пять носителей низкого уровня риска, два носителя высокого риска). Таким образом, высокий уровень риска спрогнозирован для 36 кредитных сделок из 48. Сравнивая результаты рейтинговой оценки кредитоспособности сельскохозяйственных предприятий по методике В. И. Колесникова (сектор банковского кредита) и продукт сегментации дебиторов на базе предлагаемой алгоритмической модели (сектор коммерческого кредита), приходим к следующему заключению (табл. 8): все организации 3-го класса кредитоспособности (25) являются носителями высокого уровня кредитного риска, по результатам применения алгоритмической модели; первоклассные предприятия (2) предусматривают потенциальные кредитные операции с низким уровнем риска; производители 2-го класса (21), со «стандартным» уровнем кредитоспособности, в результате детализированного анализа перераспределились по группам: 10 организаций отнесены к дебиторам с низким уровнем риска, а кредитование 11 предприятий сопряжено с высоким уровнем риска. Таким образом, противоречий в результатах кредитного анализа не выявлено, что говорит об адекватности оценки риска кредитора по разработанной алгоритмической модели.

Таблица 8 - Сравнительный анализ результатов оценки кредитного риска

№ предприятия	Класс кредитоспособности - по методике В. И. Колесникова (сектор банковского кредита)	Уровень риска кредитора - по алгоритмической модели (сектор коммерческого кредита)
1	2 класс	высокий
2	1 класс	низкий
3	3 класс	высокий
4	3 класс	высокий
5	2 класс	высокий
6	3 класс	высокий
7	3 класс	высокий
8	3 класс	высокий
9	3 класс	высокий
10	3 класс	высокий
11	3 класс	высокий
12	3 класс	высокий
13	2 класс	низкий
14	2 класс	низкий
15	2 класс	высокий
16	3 класс	высокий
17	3 класс	высокий
18	3 класс	высокий
19	2 класс	низкий
20	2 класс	высокий
21	3 класс	высокий
22	3 класс	высокий
23	2 класс	высокий
24	3 класс	высокий
25	2 класс	высокий
26	2 класс	низкий
27	2 класс	низкий
28	2 класс	низкий
29	2 класс	высокий
30	2 класс	низкий
31	1 класс	низкий
32	2 класс	высокий
33	2 класс	высокий
34	3 класс	высокий
35	3 класс	высокий
36	2 класс	низкий
37	2 класс	высокий
38	2 класс	высокий
39	3 класс	высокий
40	3 класс	высокий
41	3 класс	высокий
42	3 класс	высокий
43	2 класс	низкий
44	2 класс	низкий
45	3 класс	высокий
46	3 класс	высокий
47	3 класс	высокий
48	3 класс	высокий

На четвертой стадии, после признания адекватности алгоритмической модели, с целью обоснования тесноты связей между взаимопроникающими экспонентами алгоритма был проведен корреляционный анализ, результаты которого представлены в табл. 9.

Таблица 9 - Сведения о тесноте связей параметров алгоритмической модели

Экономическое содержание функции	Коэффициент корреляции (R), ед.
Зависимость рейтинговой оценки кредитоспособности от рабочего капитала	0,77
Зависимость рабочего капитала от коэффициента покрытия	0,76
Зависимость коэффициента покрытия от коэффициента «лакмусовой бумажки» и коэффициента сопряженности дебиторской и кредиторской задолженности	0,79
Зависимость коэффициента «лакмусовой бумажки» от показателя движения товарных запасов	0,27
Зависимость коэффициента сопряженности дебиторской и кредиторской задолженности от доли кредиторской задолженности в текущих обязательствах и квоты долгов дебиторов в оборотном капитале	0,71
Зависимость квоты долгов дебиторов в оборотном капитале от показателя погашения долгов дебиторов и квоты просрочки в долгах дебиторов	0,63
Зависимость доли кредиторской задолженности в текущих обязательствах от коэффициента соизмерения кредиторской задолженности и выручки и доли просрочки в долгах перед кредиторами	0,64

Продуктом корреляционного анализа явилось следующее утверждение: большинство сценариев доказывают тесную связь между элементами алгоритма, что свидетельствует об их безусловной логической взаимосвязи (R = 0,63-0,79). То есть иерархия сценариев включает коэффициенты дополняющего и уточняющего свойства и, следовательно, объясняет их причинно-следственные связи. Но стоит отметить один эпизод с незначительным уровнем коэффициента корреляции: зависимость коэффициента «лакмусовой бумажки» от показателя движения товарных запасов составляет всего 27 %. С одной стороны, данный эпизод в некоторой степени нарушает логическую цепь оценочной процедуры, а с другой - полностью отвечает требованиям «дерева решений» (аналитическая конструкция представлена не только тесно связанными, но и разноплановыми параметрами, что всесторонне характеризует деятельность дебитора).

 На пятой стадии относительные параметры алгоритма были раздроблены на абсолютные величины с целью выявления наиболее ценных экспонентов кредитного анализа (идентифицирующих факторов). Дополнительно в общий список переменных были включены основные параметры бухгалтерского баланса предприятий. Для каждого из m наблюдений (предприятий) определялась рейтинговая оценка кредитоспособности дебитора как функция, зависящая от n ресурсов:

y = f (x_1? x_2? .... _i x_n).

Предварительный анализ моделируемого комплекса переменных проводился в режиме многовариантности, исходя из теории и практики исследуемых взаимосвязей параметров, с учетом временного фактора, с разнообразными вариантами группировки признаков с целью выявления сценария с оптимальным комплектом экспонентов. После построения иерархии регрессий, выбраковки «вредной» переменной по результатам конфлюэнтного анализа, устранения эффекта мультиколлинеарности, выбраковки нестабильных факторов были выдвинуты и подтверждены соответствующие гипотезы о зависимости заданных переменных [43]. По результатам корреляционно-регрессионного анализа наиболее эффективными в использовании оказались следующие переменные: оборотный капитал, собственный капитал, выручка и просроченная кредиторская задолженность (тесная связь с результативным признаком: R = 0,78-0,94; значительная степень объяснения уровня результативного признака: R² = 0,61-0,88). Причем связь признана не случайной, а закономерной. Генеральными параметрами модели признаны: собственный капитал и просроченная кредиторская задолженность, что обосновано практически: зависимость уровня чувствительности организации к риску от степени обеспеченности собственными средствами бесспорна; массивы просроченной кредиторской задолженности и ее долевое участие в общей сумме долга перед кредиторами идентифицируют качество «кредитной истории» дебитора.

Выводы

Резюмируя вышеизложенный материал, следует зафиксировать реализацию целевой направленности научной работы: авторами разработана, обоснована и апробирована алгоритмическая модель сегментации коммерческих дебиторов в группы кредитного риска. Главными достоинствами алгоритма являются:

• базирование на комплекте ключевых параметров (индикаторов) кредитного риска в секторе коммерческого кредита;
• использование в алгоритмической модели не уникальных, а стандартных параметров из отечественного и зарубежного опыта кредитного анализа;
• двойственный характер оценочной процедуры (обусловленный сопряженностью процессов сбора долгов и погашения кредитных обязательств в производственной сфере);
• учет регионально-отраслевой специфики функционирования организаций при фиксации рекомендуемых уровней отдельных параметров модели;
• обоснование модели тесной корреляцией взаимосвязей элементов алгоритма;
• экономия затрат времени (расчет и оценка от одного до пяти параметров) при равноценном эффекте кредитного анализа.

Алгоритмическая модель предназначена для финансовых аналитиков предприятий-кредиторов, осуществляющих предварительную оценку кредитного риска в рамках коммерческого кредитования потенциальных дебиторов. Представленная алгоритмическая модель сегментации коммерческих дебиторов предоставляет широкие возможности в оценке кредитного риска, моделировании и оптимизации кредитных процессов в производственной сфере.

 Список литературы

1. Альгин, А.П. Риск и его роль в общественной жизни / А.П. Альгин. - М.: Мысль, 1989. - 188 с.

2. Анализ финансовой отчетности / под ред. О.В. Ефимовой, М.В. Мельник. - М.: Омега-Л, 2004. - 451 с.

3. Банковское дело / под ред. О.И. Лаврушина. - 8-е изд. - М.: КНОРУС, 2009. - 768 с.

4. Банковское дело / под ред. О.И. Лаврушина. - 12-е изд. - М.: КНОРУС, 2016. - 800 с.

5. Банковское дело / под ред. В.И. Колесникова, Л.П. Кроливецкой. - 2-е изд. - М.: Финансы и статистика, 1996. - 480 c.

6. Банковское дело / под ред. В.И. Колесникова, Л.П. Кроливецкой. - 4-е изд. - М.: Финансы и статистика, 2000. - 460 c.

7. Бригхем, Ю. Финансовый менеджмент: полный курс: в 2 т.Т. 1. / Ю. Бригхем, Л. Гапенски; пер. с англ. под ред. В.В. Ковалева. - СПб.: Экономическая школа, 1997. - 669 с.

8. Бригхем, Ю. Финансовый менеджмент: полный курс: в 2 т.Т. 2. / Ю. Бригхем, Л. Гапенски; пер. с англ. под ред.

B. В. Ковалева. - СПб.: Экономическая школа, 1997. - 673 с.

9. Бригхем, Ю. Энциклопедия финансового менеджмента / Ю. Бригхем; пер. с англ. - М.: РАГС-Экономика, 1998. - 815 с.

10. Брычкин, А.В. Оценка кредитоспособности контрагентов и создание резервов под возможные потери по дебиторской задолженности на предприятии / А.В. Брычкин // Финансы и кредит. - 2003. - № 1 (115). - С. 3-19.

11. Вишняков, И.В. Методы и модели оценки кредитоспособности заемщиков / И.В. Вишняков. - СПб.: СПбГИЭА, 1998. - 354 с.

12. Глазунов, В.Н. Обеспечение текущей платежеспособности предприятия / В.Н. Глазунов // Финансы. - 2004. -№ 3. - С. 67-69.

13. Гончаров, А.И. Система индикаторов платежеспособности предприятия / А.И. Гончаров // Финансы. - 2004. -№ 6. - С. 69-70.

14. Графова, Г.Ф. К вопросу об оценке кредитоспособности предприятия-заемщика / Г.Ф. Графова // Аудитор. - 1999.       - № 11. - С. 32-34.

15. Графова, Г.Ф. Об оценке кредитоспособности предприятия-заемщика / Г.Ф. Графова // Финансы. - 1999. - № 12. - С. 27-28.

16. Дубров, А.М. Моделирование рисковых ситуаций в экономике и бизнесе / А.М. Дубров, Б.А. Лагоша, Е.Ю. Хрусталев; под ред. Б.А. Лагоши. - М.: Финансы и статистика, 2000. - 176 с.

17. Ковалев, В.В. Введение в финансовый менеджмент / В.В. Ковалев. - М.: Финансы и статистика, 2007. - 768 с.

18. Ковалев, В.В. Финансы организаций (предприятий) / В.В. Ковалев, Вит. В. Ковалев. - М.: Велби, 2003. - 352 с.

19. Ковалев, В.В. Финансовый анализ: методы и процедуры / В.В. Ковалев. - М.: Финансы и статистика, 2002. - 560 с.

20. Ли, Ч.Ф. Финансы корпораций: теория, методы, практика / Ч.Ф. Ли, И. Дж. Финнерти; пер. с англ. Б.С. Пинскера. - М.: ИНФРА-М, 2000. - 686 с.

21. Лукасевич, И.Я. Стратегические показатели финансового анализа / И.Я. Лукасевич // Финансы. - 2002. - № 9. - C.        22-27.

22. Маркс, К. Капитал. Критика политической экономии. Т.3. Кн. 3. Процесс капиталистического производства, взятый в целом. В 2 ч. / К. Маркс; под ред. Ф. Энгельса. - М.: Политиздат, 1989. - 1078 с.

23. Масленченков, Ю.С. Финансовый менеджмент в коммерческом банке. Кн. 2: Технологический уклад кредитования / Ю.С. Масленченков. - М.: Перспектива, 1996. - 191 с.

24. Просеков, А.Ю. Проблемы продовольственных кризисов России и опыт их решения / А.Ю. Просеков. -Кемерово: КемТИПП, 2018. - 240 c.

25. Федеральная служба государственной статистики [Электронный ресурс]. - Режим доступа: http://www.gks.ru. -Даты доступа: 18.01.2018, 09.04.2018, 11.04.2018, 16.04.2018, 27.04.2018.

26. Государственная статистика Кемеровской области [Электронный ресурс]. - Режим доступа: http://www.gks.ru. -Даты доступа: 18.01.2018, 09.04.2018, 11.04.2018, 16.04.2018, 27.04.2018.

27. Русак, Н.А. Финансовый анализ субъекта хозяйствования / Н.А. Русак, В.А. Русак. - Минск: Высшая школа, 1997. - 309 с.

28. Савчук, В.П. Управление финансами предприятия / В.П. Савчук. - М.: БИНОМ. Лаборатория знаний, 2003. - 480 с.

29. Севрук, В.Т. Анализ кредитоспособности совместных предприятий / В.Т. Севрук // Деньги и кредит. - 2003. -№ 3. - С. 43-47.

30. Севрук, В.Т. Риски финансового сектора Российской Федерации / В.Т. Севрук. - М.: Финстатинформ, 2001. - 176 с.

31. Синки мл., Дж. Ф. Управление финансами в коммерческих банках / Дж. Ф. Синки мл.; пер. с англ. 4-го перераб. изд. под ред. Р.Я. Левиты, Б.С. Пинскера. - М.: Catallaxy, 1994. - 937 с.

32. Теплова, Т.В. Финансовый менеджмент: управление капиталом и инвестициями / Т.В. Теплова. - М.: ГУ ВШЭ, 2000. - 504 с.

33. Ткачук, М.И. Основы финансового менеджмента / М.И. Ткачук, Е.Ф. Киреева. - Минск: Интерпрессервис, 2002. - 416 с.

34. Финансово-кредитный словарь: в 3 т.Т. 3 / Под ред. Н.В. Гаретовского. - М.: Финансы и статистика, 1988. - 511 с.

35. Хамская, С.Г. Оценка кредитного риска в рамках коммерческого кредитования (в форме прямых заимствований между предприятиями): дис.... канд. экон. наук: 08.00.10 / Хамская Светлана Геннадьевна. - Новосибирск, 2006. - 193 с.

36. Ван Хорн, Дж. К. Основы управления финансами / Дж. К. ван Хорн; пер. с англ. под ред. И.И. Елисеевой. - М.: Финансы и статистика, 1997. - 760 с.

37. Котов, Р.М. Дискурсивный алгоритм дифференциации дебиторов по группам кредитного риска в рамках коммерческого кредитования сельскохозяйственных организаций Кемеровской области / Р.М. Котов, С.Г. Черниченко, С.А. Гильмулина // Техника и технология пищевых производств. - 2016. - № 4. - С. 180-187.

38. Шеремет, А.Д. Методика финансового анализа / А.Д. Шеремет, Р.С. Сайфулин, Е.В. Негашев. - 3-е изд. - М.: ИНФРА-М, 2001. - 208 с.

39. Экономический анализ / под ред. Л.Т. Гиляровской. - М.: ЮНИТИ-ДАНА, 2002. - 615 с.

40. Общая теория денег и кредита / под ред. Е.Ф. Жукова. - 2-е изд. - М.: Финансы и статистика, 1998. - 359 с.

41. Comparative analysis of physical and chemical properties of biodegradable edible films of various compositions / L. Dyshlyuk [et al.] // Journal of Food Process Engineering. - 2017. - Vol. 40, iss. 1. - P. 123-131. https://doi.org/10.1111/jfpe.12331.

42. Prosekov, A. Yu. Providing food security in the existing tendencies of population growth and political and economic instability in the world / A. Yu. Prosekov, S.A. Ivanova // Foods and Raw Materials. - 2016. - Vol. 14, no. 2. - P. 201-211. https://doi.org/10.21179/2308-4057-2016-2-201-211.

43. Prosekov, A. Yu. Food security: The challenge of the present / A. Yu. Prosekov, S.A. Ivanova // Geoforum. - Vol. 91. -P. 73-77. https://doi.org/10.1016/j.geoforum.2018.02.030.