Введение

Опираясь на целевой ориентир исследо-вательской 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

Table 1 – Overview of terms and definitions for the research in the sphere of algorithmic modeling
of the debtor segmentation process in commercial lending sector

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 мето-дических технологий в заданном секторе исследования. В процессе инженерии аналитической конструкции, в границах специфических аналити-ческих векторов, опираясь на фундаментальные свойства алгоритмической модели, задаем и выполняем определенные требования, руко-водствуясь известными принципами [19] (табл. 2). 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 алгоритми-ческой 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 рассматри-вается 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. Иссле-дование 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.

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

Table 2 – Fundamental basics for developing an analytical construction and their connection with the algorithmic model

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.

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

Table 3 – Sectoral “preference matrix” of credit risk valuation multiples (bank loan sector)

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; DZ^k – краткосрочная дебиторская задолженность; KZ^k – 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.

Legend: SOK – company own current assets; RP – reinvested (retained) earnings; BP – balance sheet profit; VP – gross profit; CHP – net profit; PR – profit from sales; ZK – borrowed capital; SK – company own capital; VB – balance sheet total; OK – fixed assets; CHA – net assets; NLA – most liquid assets; VOA – non-current assets; DSO – long-term liabilities; KSO – short-term liabilities; TMC – inventories; DZ – accounts receivable; KZ – accounts payable; DZ^k – short-term accounts receivable; KZ^k – short-term accounts payable; MZ – stock of materials; ChSP^* – net sales value (sales value without VAT). 

Techniques numbering: (1) E. Altman; (2) D. Chesser; (3) M.A. Fedotova; (4) R.S. Sayfulin and G.G. Kadykov; (5) W. Beaver; (6) J.F. Sinkey; (7) V.V. Kovalev;
(8) V.T. Sevruk; (9) I.V. Vishnyakov; (10) V.N. Glazunov; (11).V.I. Kolesnikov; (12) G.F. Grafova; (13) Yu.S. Maslenchenkov; (14) L.V. Chekina; (15) A.V. Brychkin; (16) O.I. Lavrushin; (17) L.T. Gilyarovskaya.

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. 5). 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 креди-торской задолженности как фундаментальных параметров кредитных отношений в производствен-ной 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, 7–9, 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).

В «матрице преференций» в качестве индикаторов риска кредитора были выявлены 10 ключевых показателей с существенным уровнем значимости в аналитической практике (табл. 5). 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 реко-мендуемого уровня параметра его стремление к единице. Это продиктовано первостепенным условием разумного финансирования производ-ственно-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.

ISSN 2074-9414. Техника и технология пищевых производств. 2018. Т. 48. № 2

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

Table 4 – Sectoral “preference matrix” of credit risk valuation multiples (commercial lending sector)