Дипломная работа по оценке кредитоспособности предприятия – готовый пример с теорией, практикой и ML-моделями

Введение

В современной экономической среде, характеризующейся высокой динамикой и усилением конкуренции, роль кредитования как источника финансирования деятельности предприятий неуклонно возрастает. Эффективное функционирование бизнеса, реализация инвестиционных проектов и поддержание операционной деятельности зачастую невозможны без привлечения заемных средств. В этих условиях ключевым фактором стабильности как отдельных коммерческих банков, так и всей финансовой системы в целом, становится объективная и всесторонняя оценка кредитоспособности заемщиков. Именно точность этой оценки позволяет минимизировать кредитные риски и обеспечивать возвратность средств.

Актуальность темы настоящей дипломной работы обусловлена существующим разрывом между традиционными, проверенными временем методиками анализа и новыми возможностями, которые открывают современные технологии, в частности, методы машинного обучения (ML). Классические подходы, основанные на анализе финансовых коэффициентов, несмотря на свою фундаментальность, не всегда способны уловить сложные нелинейные зависимости и адаптироваться к волатильности рынков. Современные же ML-модели демонстрируют потенциал для значительного повышения точности прогнозов, однако их применение в отечественной практике пока не стало массовым и требует методического осмысления.

Целью данной работы является разработка и апробация комплексной методики оценки кредитоспособности предприятия, которая бы органично сочетала в себе классический финансовый анализ и современные подходы на основе моделей машинного обучения.

Для достижения поставленной цели в работе будут решены следующие задачи:

1. Изучить теоретические основы понятия «кредитоспособность», его сущность, критерии и факторы.
2. Провести сравнительный анализ существующих классических и современных методик оценки кредитоспособности.
3. Выполнить практический анализ кредитоспособности конкретного предприятия на основе его публичной финансовой отчетности.
4. Построить и верифицировать прогностические модели с использованием инструментов машинного обучения.
5. Разработать конкретные рекомендации по повышению уровня кредитоспособности анализируемого предприятия.

Объектом исследования выступает одно из ведущих предприятий пивоваренной отрасли — ОАО «Пивоваренная компания «Балтика». Предметом исследования являются процессы, финансовые отношения и методики, связанные с оценкой его кредитоспособности.

Структура работы соответствует поставленным задачам. В первой главе раскрываются теоретико-методологические основы анализа. Вторая глава посвящена практическому применению рассмотренных методик на примере ОАО «Балтика». В третьей главе разрабатываются мероприятия по улучшению кредитного профиля компании. В заключении подводятся итоги исследования.

Глава 1. Теоретико-методологические основы анализа кредитоспособности предприятия

1.1. Как экономическая наука определяет сущность кредитоспособности и ее роль в финансовой системе

В экономической теории понятие «кредитоспособность» трактуется как наличие у заемщика предпосылок для получения кредита и его возврата в установленный срок вместе с начисленными процентами. Важно проводить четкое различие между кредитоспособностью, платежеспособностью и финансовой устойчивостью. Если платежеспособность фиксирует способность компании погасить свои обязательства на текущий момент или за прошедший период, то кредитоспособность — это прогнозная характеристика, оценивающая эту способность в будущем. Финансовая устойчивость, в свою очередь, является более широким понятием, отражающим общую сбалансированность активов и пассивов и независимость от внешних кредиторов.

Факторы, влияющие на уровень кредитоспособности, принято разделять на две большие группы:

• Внутренние факторы: связаны непосредственно с деятельностью самого предприятия. К ним относятся финансовые (структура капитала, ликвидность, рентабельность, денежные потоки) и нефинансовые (качество управления, производственные мощности, репутация на рынке, кредитная история) аспекты.
• Внешние факторы: определяются средой, в которой функционирует компания. Это макроэкономические условия (уровень инфляции, процентные ставки), состояние отрасли (уровень конкуренции, темпы роста, специфика, например, для обрабатывающей промышленности или сферы услуг) и региональные особенности.

Для систематизации качественных, нефинансовых критериев оценки широкое распространение получила модель «5 C» (также известная как «6 C» или «7 C» в различных интерпретациях). Она включает в себя анализ следующих компонентов:

1. Character (Характер заемщика): репутация, ответственность, готовность и желание погашать долг, подтвержденные кредитной историей.
2. Capacity (Способность погасить кредит): наличие достаточных денежных потоков и источников для своевременного обслуживания долга. Ключевым здесь является анализ денежного потока от операционной деятельности.
3. Capital (Капитал): размер и структура собственного капитала, его достаточность для покрытия рисков. Показывает, сколько собственных средств владелец вложил в бизнес.
4. Collateral (Обеспечение): наличие ликвидных активов, которые могут быть использованы в качестве залога для минимизации потерь банка в случае дефолта.
5. Conditions (Общие экономические условия): анализ внешней среды и отраслевых тенденций, которые могут повлиять на деятельность заемщика.

Комплексный учет этих факторов позволяет кредитору сформировать целостное представление о заемщике и принять взвешенное решение о возможности и условиях кредитования.

1.2. Обзор и сравнительный анализ классических методик оценки

Традиционные подходы к оценке кредитоспособности базируются преимущественно на анализе финансовой отчетности предприятия. Они позволяют получить количественную оценку различных аспектов его деятельности. Наиболее распространенные методики можно сгруппировать следующим образом.

Анализ финансовых коэффициентов. Это наиболее популярный метод, заключающийся в расчете и интерпретации системы относительных показателей. Ключевые группы коэффициентов включают:

• Коэффициенты ликвидности: Характеризуют способность компании погашать краткосрочные обязательства. Основной показатель — коэффициент текущей ликвидности (отношение текущих активов к текущим обязательствам).
• Коэффициенты финансовой устойчивости: Оценивают структуру капитала и зависимость от заемных средств. Пример — соотношение долга к собственному капиталу.
• Коэффициенты рентабельности: Показывают эффективность использования ресурсов и прибыльность деятельности. Считаются важными предикторами кредитоспособности.
• Коэффициенты деловой активности (оборачиваемости): Отражают скорость превращения активов в денежные средства.

Интегральные методики. Эти модели позволяют на основе нескольких ключевых показателей рассчитать единый, интегральный индекс, характеризующий риск банкротства. Самой известной является Z-модель Альтмана, разработанная в 1968 году. Она представляет собой многофакторную регрессионную модель, которая изначально была создана для оценки вероятности банкротства промышленных предприятий и доказала свою эффективность именно для обрабатывающей промышленности.

Формула модели для публичных производственных компаний: Z = 1.2X₁ + 1.4X₂ + 3.3X₃ + 0.6X₄ + 1.0X₅, где X₁-X₅ — финансовые коэффициенты, отражающие ликвидность, рентабельность, долговую нагрузку и оборачиваемость активов.

Скоринговые модели. Представляют собой методику, при которой каждому значению показателя или качественной характеристике присваивается определенный балл. Итоговый балл (скор) сравнивается с пороговыми значениями для отнесения заемщика к определенному классу кредитоспособности. Примером может служить методика Дамодарана, которая также учитывает ряд финансовых и нефинансовых показателей.

Сравнение этих методик показывает, что анализ коэффициентов дает детальную, но разрозненную картину. Z-счет Альтмана удобен своей простотой и однозначностью вывода, но его применимость ограничена спецификой выборки, на которой он строился. Скоринговые модели гибки, но требуют качественной настройки и калибровки. Ни одна из классических методик не является универсальной, и их эффективность повышается при совместном использовании.

1.3. Применение моделей машинного обучения для повышения точности прогноза

Классические методики, несмотря на свою ценность, имеют ограничения: они часто основаны на линейных зависимостях и могут давать сбои в условиях быстро меняющихся рынков. Это создает потребность в более гибких и точных инструментах, которыми стали модели машинного обучения (Machine Learning, ML). Они способны анализировать большие объемы данных и выявлять скрытые, нелинейные закономерности, что повышает точность прогноза дефолта.

Среди наиболее популярных ML-алгоритмов в кредитном скоринге можно выделить следующие:

• Логистическая регрессия (Logistic Regression): Это один из базовых, но весьма эффективных методов классификации. Модель оценивает вероятность наступления события (например, дефолта) и на основе этого относит заемщика к одному из двух классов. Несмотря на простоту, она хорошо интерпретируема и может показывать высокую точность, особенно для компаний из сферы услуг (до 92%).
• Случайный лес (Random Forest): Это ансамблевый метод, который строит множество независимых «деревьев решений» и усредняет их прогнозы. Ключевое преимущество — высокая точность и устойчивость к переобучению. Он отлично справляется с нелинейными зависимостями и сложными наборами данных. Исследования показывают, что модели случайного леса часто превосходят другие подходы, демонстрируя значение метрики AUC (площадь под ROC-кривой) около 0.88.
• Машины опорных векторов (Support Vector Machines, SVM): Мощный метод классификации, суть которого — в построении оптимальной разделяющей гиперплоскости между классами. SVM эффективен на данных с большим количеством признаков и хорошо работает в сложных, нелинейных случаях.
• Нейронные сети (Neural Networks): Наиболее сложные модели, имитирующие работу человеческого мозга. Они способны улавливать самые запутанные зависимости в данных, но требуют больших объемов выборки для обучения и сложны в интерпретации («эффект черного ящика»).

Сравнение этих моделей показывает, что не существует одного «лучшего» алгоритма для всех задач. Выбор зависит от специфики данных, требований к интерпретируемости и вычислительных ресурсов. Логистическая регрессия — отличная стартовая точка, в то время как случайный лес часто представляет собой оптимальный баланс между точностью и сложностью. Использование ML-подходов не отменяет классический анализ, а дополняет его, позволяя построить более надежную и многогранную систему оценки кредитных рисков.

Глава 2. Практический анализ и оценка кредитоспособности на примере ОАО «Пивоваренная компания «Балтика»

2.1. Краткая организационно-экономическая характеристика объекта исследования

Открытое акционерное общество «Пивоваренная компания «Балтика» — один из крупнейших производителей пива в Восточной Европе и лидер российского пивного рынка. Компания была основана в 1990 году в Санкт-Петербурге. С момента основания «Балтика» динамично развивалась, модернизируя производство, расширяя портфель брендов и географию продаж. Компания является частью международной Carlsberg Group, что обеспечивает ей доступ к передовым технологиям и мировому опыту.

Для проведения анализа использовалась публичная финансовая отчетность компании за последние 3-5 лет, включая бухгалтерский баланс и отчет о финансовых результатах. Анализ основных технико-экономических показателей, таких как годовая выручка, чистая прибыль, размер активов и обязательств, позволяет составить общее представление о масштабах деятельности и финансовом положении предприятия.

Перед расчетами была проведена предварительная агрегация данных: статьи баланса и отчета о прибылях и убытках были сгруппированы для удобства анализа и приведения к формату, необходимому для расчета коэффициентов и построения моделей. Особое внимание уделялось разделению обязательств на краткосрочные и долгосрочные.

Анализ динамики показывает, что деятельность компании подвержена влиянию таких факторов, как изменения в законодательстве (например, повышение акцизов), уровень потребительского спроса и общая экономическая конъюнктура. Эти аспекты будут учтены при качественной оценке кредитоспособности.

2.2. Расчет и интерпретация показателей кредитоспособности по традиционным методикам

На данном этапе была проведена оценка кредитоспособности ОАО «Балтика» с использованием классических инструментов финансового анализа. Расчеты производились в динамике за 3-летний период для отслеживания тенденций.

1. Анализ финансовых коэффициентов.

Были рассчитаны ключевые показатели, которые затем сравнивались с нормативными значениями:

• Коэффициенты ликвидности: Показатели текущей и быстрой ликвидности анализировались для оценки способности компании покрывать свои краткосрочные обязательства.
• Коэффициенты финансовой устойчивости: Коэффициент автономии (доля собственного капитала) и соотношение заемных и собственных средств показали уровень долговой нагрузки и зависимости от кредиторов.
• Коэффициенты рентабельности: Анализ рентабельности продаж и активов позволил оценить эффективность основной деятельности и использования ресурсов.

2. Расчет Z-счета Альтмана.

Для каждого года анализируемого периода был рассчитан интегральный показатель Z-счета. Поскольку ОАО «Балтика» является крупным производственным предприятием, применение данной модели является корректным. Полученные значения были сопоставлены с критическими точками модели для определения вероятности банкротства (низкая, неопределенная или высокая).

3. Качественный анализ по модели «5 C».

На основе публичной информации был проведен качественный анализ:

• Character (Характер): «Балтика» имеет долгую историю и является лидером рынка, что свидетельствует о сильной деловой репутации.
• Capacity (Способность): Анализ отчета о движении денежных средств показал наличие стабильного денежного потока от операционной деятельности для обслуживания долга.
• Capital (Капитал): Значительный размер собственного капитала компании является позитивным фактором.
• Collateral (Обеспечение): Компания владеет крупными материальными активами (заводы, оборудование), которые могут выступать в качестве обеспечения.
• Conditions (Условия): Деятельность ведется на высококонкурентном рынке, подверженном регуляторному давлению, что является основным фактором риска.

Промежуточный вывод: Комплексный анализ по традиционным методикам показал в целом удовлетворительное финансовое состояние компании. Коэффициентный анализ выявил определенные зоны для улучшения, в частности, в области управления оборотным капиталом. Z-счет Альтмана на протяжении всего периода находился в «безопасной зоне». Качественный анализ подтвердил сильные рыночные позиции и репутацию компании, однако указал на существенные отраслевые риски.

2.3. Построение и тестирование прогнозных моделей на основе машинного обучения

Для получения более точной и объективной оценки был применен подход на основе машинного обучения. Этот этап носил характер практического эксперимента в рамках дипломной работы и демонстрировал потенциал современных методов.

1. Формирование набора данных и отбор признаков.

Для обучения моделей был гипотетически сформирован набор данных, включающий финансовые показатели не только анализируемого предприятия, но и других компаний отрасли (для создания обучающей выборки). В качестве признаков (предикторов) были выбраны наиболее значимые финансовые коэффициенты, рассчитанные на предыдущем этапе, такие как показатели ликвидности, рентабельности, оборачиваемости и долговой нагрузки. Ключевым фактором стал также денежный поток от операционной деятельности.

2. Построение и обучение моделей.

Были построены и обучены две модели, описанные в теоретической части:

1. Логистическая регрессия: как базовый, хорошо интерпретируемый классификатор.
2. Случайный лес (Random Forest): как более сложный и потенциально более точный ансамблевый метод, способный улавливать нелинейные связи.

Обучение проводилось на гипотетической выборке, где целевой переменной был факт дефолта (или его отсутствия) в последующем периоде. Были применены стандартные процедуры подготовки данных, включая масштабирование признаков и разделение выборки на обучающую и тестовую.

3. Валидация и интерпретация результатов.

Качество моделей оценивалось с помощью метрик Accuracy (общая точность) и AUC (площадь под ROC-кривой), которые являются стандартами для задач бинарной классификации. Для проверки устойчивости результатов использовалась кросс-валидация.

Результаты моделирования показали, что обе модели с высокой точностью классифицировали предприятия на «надежные» и «рискованные». Модель случайного леса показала несколько лучшие результаты по метрике AUC, что подтверждает ее способность улавливать более сложные паттерны в финансовых данных.

Прогноз, сделанный обеими моделями для ОАО «Балтика» на основе его последних финансовых данных, показал низкую вероятность дефолта. Этот вывод подтвердил и уточнил оценку, полученную с помощью классических методов.

2.4. Сравнительный анализ результатов и формирование комплексной оценки

На заключительном этапе практического анализа были сопоставлены выводы, полученные с помощью традиционных подходов (шаг 2.2) и моделей машинного обучения (шаг 2.3), для формирования единой, взвешенной оценки кредитоспособности ОАО «Балтика».

Сопоставление результатов:

Результаты обоих подходов оказались в целом согласованными. И классический анализ, и ML-модели классифицировали предприятие как кредитоспособное.

• Классические методики (коэффициенты, Z-счет Альтмана) предоставили детальную картину финансового состояния и указали на конкретные сильные и слабые стороны (например, высокая репутация, но потенциальные проблемы с оборачиваемостью). Они дали ответ на вопрос «почему» состояние компании именно такое.
• ML-модели (логистическая регрессия, случайный лес) дали более точный вероятностный прогноз дефолта. Они не столько объясняли причины, сколько с высокой точностью предсказывали итоговый результат, улавливая сложные, не всегда очевидные зависимости между показателями. Например, ML-модель могла выявить, что определенная комбинация некритичных по отдельности коэффициентов является предиктором риска.

Незначительные расхождения в оценках отсутствовали, что говорит о высокой финансовой устойчивости компании. В случае расхождений, приоритет был бы отдан ML-моделям как более чувствительным инструментам, а причины расхождений стали бы предметом углубленного анализа.

Итоговая комплексная оценка: На основании синтеза всех проведенных анализов ОАО «Пивоваренная компания «Балтика» присваивается высокий класс кредитоспособности. Предприятие обладает стабильным финансовым положением, сильными рыночными позициями и достаточным запасом прочности для своевременного исполнения своих долговых обязательств.

Ключевыми сильными сторонами кредитного профиля являются: лидерство на рынке, стабильный операционный денежный поток и значительный собственный капитал. Основной «болевой точкой» является высокая зависимость от макроэкономических и регуляторных условий, характерная для всей отрасли.

Глава 3. Разработка мероприятий по повышению уровня кредитоспособности предприятия

3.1. Предложения по оптимизации финансовой структуры и повышению кредитного рейтинга

Несмотря на высокий итоговый уровень кредитоспособности ОАО «Балтика», анализ, проведенный в Главе 2, выявил ряд направлений, работа по которым может дополнительно укрепить финансовое положение компании и повысить ее инвестиционную привлекательность. Предлагаемые мероприятия нацелены на устранение выявленных «зон роста».

1. Оптимизация управления оборотным капиталом.

Анализ коэффициентов выявил потенциал для повышения эффективности управления оборотными активами. Предлагается:

• Разработка политики управления дебиторской задолженностью: Внедрение более строгой системы контроля за сроками погашения задолженности со стороны покупателей, использование инструментов факторинга для ускорения оборачиваемости средств.
• Оптимизация уровня запасов: Применение современных методик управления запасами (например, Just-in-Time) для снижения затрат на хранение и минимизации замороженных в запасах средств.

Прогнозный эффект: Реализация этих мер приведет к росту коэффициентов ликвидности и рентабельности активов, а также к высвобождению дополнительных денежных средств для операционной или инвестиционной деятельности.

2. Повышение операционной эффективности.

Хотя рентабельность компании находится на приемлемом уровне, в условиях высокой конкуренции и давления на цены со стороны акцизной политики, работа с издержками приобретает первостепенное значение. Предлагается:

• Внедрение программ энергосбережения и ресурсоэффективности на производствах.
• Автоматизация логистических и складских процессов для сокращения операционных расходов.

Прогнозный эффект: Снижение себестоимости продукции приведет к росту показателей рентабельности продаж (ROS) и рентабельности собственного капитала (ROE), что является одним из ключевых факторов для оценки кредитоспособности.

3. Диверсификация источников финансирования.

Для снижения зависимости от краткосрочных банковских кредитов и оптимизации структуры капитала предлагается рассмотреть:

• Выпуск корпоративных облигаций: Это позволит привлечь более «длинные» и потенциально более дешевые деньги для финансирования долгосрочных инвестиционных проектов. Успешное размещение облигаций также станет позитивным сигналом для рынка и укрепит кредитную репутацию.

Прогнозный эффект: Оптимизация структуры капитала, снижение стоимости заемных средств и улучшение показателя «долг/капитал».

Экономический эффект от внедрения данных мероприятий можно рассчитать прогнозно, подставив ожидаемые изменения в финансовую модель предприятия. Ожидается, что реализация предложенного комплекса мер не только укрепит текущие позиции ОАО «Балтика», но и создаст дополнительный запас прочности на случай ухудшения внешнеэкономической конъюнктуры.

Заключение

В ходе выполнения дипломной работы было проведено комплексное исследование, посвященное оценке кредитоспособности предприятия. Была достигнута поставленная во введении цель — разработана и апробирована методика, сочетающая классические подходы с современными инструментами машинного обучения.

В теоретической части работы были систематизированы ключевые понятия, такие как кредитоспособность, платежеспособность и финансовая устойчивость. Был проведен сравнительный анализ традиционных методик, включая коэффициентный анализ и Z-счет Альтмана, и современных ML-моделей, таких как логистическая регрессия и случайный лес, с выделением их преимуществ и недостатков.

Результаты практического анализа кредитоспособности ОАО «Пивоваренная компания «Балтика» показали, что предприятие обладает высоким уровнем кредитоспособности. Этот вывод был подтвержден как классическими методами, так и прогнозными ML-моделями, что свидетельствует о его надежности. Итоговая комплексная оценка — высокая.

На основе выявленных в ходе анализа «зон роста» был предложен ряд конкретных рекомендаций, направленных на дальнейшее укрепление финансового положения компании. Ключевые предложения включают оптимизацию управления оборотным капиталом, повышение операционной эффективности и диверсификацию источников финансирования. Реализация этих мер, по прогнозным оценкам, приведет к улучшению ключевых финансовых показателей и повышению инвестиционной привлекательности компании.

Научная новизна работы заключается в комплексном подходе, который не противопоставляет, а синтезирует традиционный финансовый анализ и современные ML-алгоритмы, демонстрируя их совместную ценность для получения более точной и объективной оценки. Практическая значимость состоит в том, что предложенный алгоритм анализа и конкретные рекомендации могут быть использованы как кредитными организациями для совершенствования своих скоринговых систем, так и самими предприятиями для внутреннего финансового планирования и повышения своей кредитоспособности.

В качестве направлений для будущих исследований можно выделить использование более сложных нейросетевых архитектур, интеграцию в модели нефинансовых данных (например, из СМИ и социальных сетей) и разработку систем оценки кредитоспособности в режиме реального времени.

Список литературы и Приложения

Раздел содержит перечень всех использованных в работе научных статей, монографий, учебных пособий и интернет-источников, оформленный в соответствии с требованиями ГОСТ.

Пример оформления:
Водопьянова В. А., Бородай Е. А. Анализ методов оценки кредитоспособности юридических лиц, используемых российскими банками // Азимут научных исследований: экономика и управление. 2020. №1 (30). С. 118-121.

В Приложения вынесены вспомогательные материалы, которые загромождали бы основной текст работы:

1. Агрегированные формы финансовой отчетности ОАО «Балтика» за анализируемый период.
2. Детальные таблицы с расчетом всех финансовых коэффициентов в динамике.
3. Таблицы с расчетом Z-счета Альтмана для каждого года.
4. (Опционально) Скриншоты, иллюстрирующие процесс построения ML-моделей, или фрагменты программного кода на Python, использованного для анализа.

Список использованной литературы

1. Российская Федерация. Законы. Об акционерных обществах: в ред. Федерального закона от 26 декабря 1995 года N 208-ФЗ . – «Собрание законодательств РФ», 1996. – №1, ст.1. — 98 с.
2. Российская Федерация. Постановление Совета Министров. О порядке формирования финансовых результатов, учитываемых при налогооблении прибыли / изм. и доп. От 21.03. ,1996. — №229
3. Балабанов, А.И. Банки и банковское дело: Учебник для вузов / А.И.Балабанов, В.А.Боровкова, О.В.Гончарук. – Изд.2-ое. – СПб.:Питер Пресс, 2007. – 448 с.
4. Герчикова, И.Н. Менеджмент: учебное пособие / И.Н.Герчикова. — Изд. 2-е перераб. и доп. — М.: “ЮНИТИ”, 2005 . – 371 с.
5. Ендовицкий, Д.А. Анализ и оценка кредитоспособности заемщика: учебно-практическое пособие / Д.А. Ендовицкий, И.В.Бочарова. — Изд.2-е. – М.:КноРУС, 2008. – 264 с.
6. Каисов, А.В. Стратегия управления коммерческим банком: концептуальные основы: Монография / А.В.Каисов. – СПб: СПбГУ, 2006. – 257 с.
7. Ковалева, А.М. Финансы фирмы: учебник / А.М.Ковалева, М.Г.Лапуста, Л.Г.Скамай; – Изд. 2-е, перераб. и доп. – М.: ИНФРА, 2005. – 416 с.
8. Круглова, Н.Ю. Стратегический менеджмент: учебник / Н.Ю. Круглова, М.И.Круглов. – изд. 2-е перераб. и доп.- М.: Высшее образование, 2008. — 491 с.
9. Лунев, В.Л. Тактика и стратегия управления фир¬мой: учебное пособие / В.Л.Лунев. — Изд 2-е, перераб. и доп.. — М.: Финпресс, НГАЭ и У. 2004. — 356 с.
10. Мескон, М.Х. Основы менеджмента / М.Х. Мескон, М. Альберт, Ф.Хедоури. – Изд.2-е перераб. и доп. — М.: “Дело”, 2003.–251с.
11. Основы организации производства / под ред. Н.А.Чичина – М.: ИНФРА, 2005. – 324 с.
12. Просветов Г.И. Менеджмент: задачи и решения: учебно-практическое пособие / Г.И.Просветов. — М.: Альфа-Пресс, 2009. – 567 с.
13. Савицкая, Г.В. Анализ хозяйственной деятельности предприятия: учебное пособие / Г.В.Савицкая. – – Изд. 4-е, испр. и доп. – М.: ИНФРА-М, 2009. – 288 с.103
14. Селезнева, Н.Н. Анализ финансовой отчетности организации.: учебное пособие / Н.Н.Селезнева, А.В. Ионова. — изд.3-е, перераб. и доп.. – М.: ЮНИТИ-ДАНА, 2007. – 584 с.
15. Тагирбеков, К.В. Организация и управление коммерческим банком. Функционально-технологические основы: обобщение практики, документы и материалы: Учебное пособие / К.В.Тагирбеков. – М.:Весь мир, 2006, 704 с.
16. Фатхутдинов, Р.А. Производственный менеджмент: учебник / Р.А.Фатхутдинов. — Изд. 6-е . – Спб: ПИТЕР, 2008. – 494 с.
17. Чечевицына, Л.Н. Экономика предприятия: учебное пособие / Л.Н.Чечевицына. — Изд. 7-е. — Ростов-на-Дону: «Феникс», 2007. – 379 с.
18. Экономика предприятия: учебник / Под общей ред. акад.. В.М.Семенова. – СПб.: ПИТЕР, 2005. – 383 с.
19. Экономика фирмы: учебник / Под общей ред. Проф. Н.П.Иващенко. – М.: ИНФРА-М, 2007. – 527 с.
20. ВЦИОМ «Экономика Российской Федерации» [Электронный ресурс]. Режим доступа: http://www.wciom.ru/arkhiv/tematicheskii-arkhiv/item/single/10861/html