ВведениеОпираясь 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 аппаратав границах заданной темы исследования(табл. 1).   Таблица 1 – Обзор понятийного аппарата научного исследованияв области алгоритмического моделирования процесса сегментации дебиторов в секторе коммерческого кредитаTable 1 – Overview of terms and definitions for the research in the sphere of algorithmic modelingof the debtor segmentation process in commercial lending sector ТерминОпределение его сущностиСсылка на авторствоРиск«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 дебиторсубъект, имеющий дебиторскую задолженность перед кредитором в секторе коммерческого кредитованияПримеча-ния авторовИдентифицирующий факторосновной фактор, определяющий (идентифицирующий) уровень рискаСегментация дебиторовдифференциация дебиторов в группы кредитного рискаКачество 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 задолжен-ности 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 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 исследованияЦелью 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 обсуждениеПервая 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 рискакредитора в качестве результативного признака алгоритмической модели. Таблица 2 – Принципиальные основы построения аналитической конструкции и их привязка к алгоритмической моделиTable 2 – Fundamental basics for developing an analytical construction and their connection with the algorithmic model Требование, принципСодержаниеПроявление в алгоритмической модели1. Свойства аналитической конструкцииДетерминированностьобусловленность элементов алгоритмарекомендуемые значения элементов алгоритма обусловлены общероссийскими, региональными и отраслевыми тенденциямиРезультативностьтрансформация исходных данных в результатцелевое назначение модели – перевод исходного материала в результат (отнесение дебитора к определенной группе риска)Массовостьвозможность массового применениявозможность использования алгоритма, независимо от региональной и отраслевой принадлежности дебитора2. Требования к аналитической конструкцииОхваченностьзаданный диапазон всевозможных сегментов кредитного риска, различных аналитических векторовширота охвата элементов алгоритма отражает пять аналитических векторов в четырех сегментах кредитного рискаКорреляциясуществование содержательной, формализованной корреляции между центральным и периферическими показателямитесная логическая взаимосвязь параметров иерархической системы (R = 0,63–0,79)Верифицируемостьвозможность проверки информационнойбазы и механизма расчета всех параметроввсе элементы алгоритмической модели имеют однозначно трактуемые формулы расчетаи прозрачную информационную базу3. Принципы построения аналитической конструкцииПринцип древовидной структурыобеспечение дискурсивного разворачивания общих параметров в частные или инволюции частных показателей в общиемодель основана на логическом развертывании обобщающих параметров в частныеПринцип обозримостиприсутствие оптимизированного для заданных условий комплекта параметров (дополняющих и уточняющих, но не дублирующих друг друга)элементы алгоритма представлены оптимальным набором индикаторов кредитного рискав границах коммерческого кредита, обладающих уточняющими и дополняющими свойствамиПринцип разумного сочетания абсолютных и относительных показателейпредпочтение относительных параметров, обусловленное их преимуществами:1) возможность соизмерения несопоставимыхв 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 представлены10 относительных показателей и один абсолютный параметрПринцип неформальностиконструкция, при максимальном уровне аналитического совершенства, должна быть подходящей для принятия координационных  решений;для этого необходимо:а) введение в аналитическую конструкциюне уникальных, а традиционных(стандартных) параметров;б) использование тождественно трактуемых формул их вычисления;в) преимущественное применение данных финансовой отчетности в качестве информационной базыалгоритмическая модель включает традиционные (стандартные) показатели; формулы расчетов интерпретируются однозначно; информационная база представлена данными финансовой отчетности  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) ПоказательМетодика12345678910111213141516171. 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 KZк  и   DZк             +   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.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; DZk – short-term accounts receivable; KZk – 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 иЛ. 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.   184 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) Рекомендуемый параметрФормула расчетаАвтор12345678910111213141516171. Продолжительность оборота дебиторской задолженности (DSO) +                2. Однодневный товарооборот (ADS) +                3. Коэффициент «лакмусовой бумажки» ++        +++ + +4. Коэффициент обеспеченности процентов по кредитам (TIE) +                5. Доля заемного капитала в ресурсной базе +                6. Доля просрочки в долгах перед кредиторами ++  ++++       + 7. Процент торговой скидки +                8. Доля объема реализации со скидкой в валовом объеме реализации +                9. Коэффициент покрытия ++++++++  +++ + +10. Доля  кредиторской задолженности в текущих обязательствах  +++ +++ ++    + 11. Соизмерение кредиторской задолженности и выручки ++  ++++       + 12. Показатель движения товарных запасов   ++++++         13. Долговой показатель D         +        14. Долговой показатель K         +        15. Соотношение обязательств и собственных средств          ++      16. Способность обслуживания долга          +       17. Удельный вес долгов в совокупных активах           +      18.Денежные потокиденежный приток – денежный отток          +      19. Рабочий (функционирующий) капитал (WC)оборотные активы – текущие обязательства           ++++++20. Квота долгов дебиторов в оборотном капитале         ++ +  ++ 21. Квота просрочки в долгах дебиторов         ++ +  ++ 22. Показатель погашения долгов дебиторов         ++ ++++  +  Оценка состава параметров, идентифици-рующих качество задолженности, привела к выводу о наличии некоторых сегментов кредитного риска в секторе коммерческого кредита: производствен-ного, кредитного, структурного и паритетного (табл. 6).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. 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.  Таблица 5 – Тематическая группировка и оценка значимости специфических индикаторов риска кредитораTable 5 – Thematic grouping and evaluation of significance of specific creditor’s risk indicators Аналитический вектор, индикаторЧастота примененияУровень значимости, %1. Сектор банковского кредитаЛиквидность баланса:коэффициент текущей ликвидности 1376,5коэффициент абсолютной ликвидности1058,8коэффициент критической ликвидности847,1Структура капитала:коэффициент финансовой зависимости847,1коэффициент финансовой независимости  529,4Уровень обеспеченности:529,4коэффициент обеспеченности собственным оборотным капиталом  2. Сектор коммерческого кредита2.1. Ликвидность баланса:   коэффициент покрытия1376,5коэффициент «лакмусовой бумажки»741,2рабочий капитал635,32.2. Качество задолженности дебиторов:  показатель погашения долгов дебиторов741,2квота долгов дебиторов в оборотном капитале529,4квота просрочки в долгах дебиторов529,42.3. Качество долгов перед кредиторами:  доля кредиторской задолженности в текущих обязательствах952,9доля просрочки в долгах перед кредиторами741,2соизмерение кредиторской задолженности и выручки741,22.4. Динамика  запасов:  показатель движения товарных запасов635,32.5. Паритет дебиторской и кредиторской задолженности:рекомендация авторовкоэффициент сопряженности дебиторской и кредиторской задолженности Таблица 6 – Базовые компоненты качества дебиторской (DZ) и кредиторской (KZ) задолженностиTable 6 – Basic components of the quality of accounts receivable (DZ) and accounts payable (KZ) Качество DZКачество KZСоотношение DZ и выручкиСегмент 1:производственныйСоотношение KZ и выручкипоказатель погашения долгов дебиторовсоизмерение кредиторской задолженности и выручки«Политика сбора долгов»Сегмент 2:кредитный«Кредитная история»квота просрочки в долгах дебиторовдоля просрочки в долгах перед кредиторамиДолевое участие в структуре активов балансаСегмент 3:структурныйДолевое участие в структуре пассивов балансаквота долгов дебиторов в оборотном капиталедоля кредиторской задолженности в текущих обязательствахСегмент 4: паритетныйкоэффициент сопряженности дебиторской и кредиторской задолженности     Таблица 7 – Идентификация индикаторов кредитного риска алгоритмической моделиTable 7 – Identification of credit risk indicators in the algorithmic model ПоказательФормула расчетаНормаПримечание(К1) Рабочий капиталОА – KSO 0нормативные значенияпоказателей теоретически обоснованы и признаны в международной аналитической практике(К2) Коэффициент покрытия 2,0(К3) Коэффициент «лакмусовой бумажки» 0,2(К4) Коэффициент сопряженности дебиторскойи кредиторской задолженности 1,0вытекает из правила равновеликих сумм DZ и KZ(К5) Доля кредиторской задолженности в текущих обязательствах, % 87,14среднее фактическое значение по сельскохозяйственным предприятиям Кемеровской области(К6) Доля просрочки в долгах перед кредиторами, % 25,6(К7) Соизмерение кредиторской задолженности и выручки нетв динамике(К8) Квота долгов дебиторов в оборотном капитале, % 37,52среднее фактическое значение по сельскохозяйственным предприятиям Кемеровской области(К9) Квота просрочки в долгах дебиторов, % 26,15(К10) Показатель погашения долгов дебиторов 0,231расчетная величина (12 недель / 52 недели)(К11) Показатель движения товарных запасов нетв динамикеОбозначения: 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.Legend: DS – monetary assets, RUB; KFV – short-term investments, RUB; DZ – accounts receivable, RUB; KZ – accounts payable, RUB; KSO – short-term liabilities, RUB; OA – current assets, RUB; V – revenue, RUB; DZp – overdue accounts receivable, RUB; KZp  – overdue accounts payable, RUB; Z – finished goods inventory, RUB.  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 задолжен-ности сопоставимы: при попадании соответ-ствующих 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 выполненапо 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 проведенопо 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.   0,231 26,15% 0,2 К1 K2 K3 К5  VR К4 = 1 < 1 > 1 NR К8 К110  ≤  К111   NR да NR нет VR К70  ≥ К71 К6 К10 К9 да нет NR VR NR VR NR VR NR VR 22 26 15 7 6 9 1 6 4 2 4 2 4 2 4 5 4 1 4 48   Рисунок 1 – Алгоритм сегментации коммерческих дебиторовFigure 1 – Commercial debtor segmentation algorithm  На первом же этапе, при оценке уровня рабочего капитала (К1), 26 предприятий были выбракованы из общего списка и признаны носителями высокого уровня кредитногориска. Оставшиеся 22 организации выступилиобъектами 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 сделокиз 48. Сравнивая результаты рейтинговойоценки 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 анализане выявлено, что говорит об адекватностиоценки риска кредитора по разработанной алгоритмической модели. 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 8 – Сравнительный анализ результатов оценки кредитного рискаTable 8 – Comparative analysis of credit risk assessment results № предприятияКласс кредитоспособности – по методике В. И. Колесникова (сектор банковского кредита)Уровень риска кредитора – по алгоритмической модели (сектор коммерческого кредита)12 классвысокий*21 класснизкий33 классвысокий43 классвысокий52 классвысокий*63 классвысокий73 классвысокий83 классвысокий93 классвысокий103 классвысокий113 классвысокий123 классвысокий132 класснизкий142 класснизкий152 классвысокий*163 классвысокий173 классвысокий183 классвысокий192 класснизкий202 классвысокий*213 классвысокий223 классвысокий232 классвысокий*243 классвысокий252 классвысокий*262 класснизкий272 класснизкий282 класснизкий292 классвысокий*302 класснизкий311 класснизкий322 классвысокий*332 классвысокий*343 классвысокий353 классвысокий362 класснизкий372 классвысокий*382 классвысокий*393 классвысокий403 классвысокий413 классвысокий423 классвысокий432 класснизкий442 класснизкий453 классвысокий463 классвысокий473 классвысокий483 классвысокий  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).  Таблица 9 – Сведения о тесноте связей параметров алгоритмической моделиTable 9 – Strength of links between parameters in the algorithmic model Экономическое содержание функцииКоэффициент кор-реляции (R), ед.Зависимость рейтинговой оценки кредитоспособности от рабочего капитала0,77Зависимость рабочего капитала от коэффициента покрытия0,76Зависимость коэффициента покрытия от коэффициента «лакмусовой бумажки» и коэффициента сопряженности дебиторской и кредиторской задолженности0,79Зависимость коэффициента «лакмусовой бумажки» от показателя движения товарных запасов0,27Зависимость коэффициента сопряженности дебиторской и кредиторской задолженности от доли кредиторской задолженности в текущих обязательствах и квоты долгов дебиторов в оборотном капитале0,71Зависимость квоты долгов дебиторов в оборотном капитале от показателя погашения долгов дебиторов и квоты просрочки в долгах дебиторов0,63Зависимость доли кредиторской задолженности в текущих обязательствах от коэффициента соизмерения кредиторской задолженности и выручки и доли просрочки в долгах перед кредиторами0,64  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 (x1, x2,…….,xn). 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. ВыводыРезюмируя 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.