Статистический анализ финансового состояния предприятия: Методологическое обоснование, актуальные модели и управленческие решения в условиях структурных изменений экономики РФ

Введение: Постановка проблемы, цели исследования и методологическая база

В условиях перманентной экономической нестабильности и ускорения структурных сдвигов в российской экономике, точность и глубина оценки финансового состояния (ФС) предприятия становятся критически важными факторами его выживания и конкурентоспособности. Современные академические требования, предъявляемые к выпускным квалификационным работам, требуют перехода от описательного анализа к строгому, методологически обоснованному статистическому моделированию.

Предметом исследования выступают теоретические и прикладные аспекты статистического анализа финансового состояния. Объектом исследования является финансово-хозяйственная деятельность конкретного предприятия (например, из сектора обрабатывающей промышленности или строительства) за период 2022–2024 гг.

Цель работы — разработка комплексной, методологически обоснованной системы статистического анализа финансового состояния предприятия, позволяющей объективно оценить его устойчивость, платежеспособность, финансовые результаты и риски, а также сформулировать научно обоснованные управленческие рекомендации.

Для достижения поставленной цели необходимо решить следующие **задачи**:

1. Сформулировать актуальную методологическую базу анализа, интегрируя классические и современные многомерные статистические подходы.
2. Провести детальный расчет и факторный анализ ключевых абсолютных и относительных показателей ФС, с учетом актуальных российских нормативных требований.
3. Применить многомерные статистические модели (дискриминантный анализ, включая модифицированные и российские модели) для прогнозирования риска банкротства.
4. Разработать систему управленческих решений, основанных на результатах углубленного статистического анализа и с учетом отраслевой специфики.

Теоретические и информационные основы финансово-статистического анализа

Финансовое состояние предприятия (ФС) — это не просто констатация текущих показателей, а комплексная характеристика, отражающая эффективность использования финансовых ресурсов, степень финансовой конкурентоспособности, платежеспособности и кредитоспособности. В современной российской экономической литературе, как отмечают Григорьева Т. И. и другие исследователи, ФС рассматривается как результат взаимодействия всех производственно-хозяйственных факторов, определяющий потенциал предприятия в долгосрочной перспективе.

Информационной базой для углубленного статистического анализа служат официальные данные бухгалтерской (финансовой) отчетности: Бухгалтерский баланс (форма №1) и Отчет о финансовых результатах (форма №2). Критически важным является использование актуальных статистических данных (Росстат, ФНС России), обеспечивающих необходимую достоверность и сопоставимость расчетов, поскольку качество исходных данных напрямую определяет надежность любых последующих прогнозов.

Сравнительный анализ школ финансового анализа

Эволюция финансово-статистического анализа привела к формированию двух основных методологических парадигм, или «школ», каждая из которых предлагает свой инструментарий для оценки ФС:

Критерий сравнения	Школа статистиков-коэффициентов (Ratio Statisticians School)	Школа мультивариантных аналитиков (Multivariate Modelers School)
Основной инструмент	Относительные показатели (коэффициенты), трендовый и структурный анализ.	Многомерные статистические модели (МСМ): дискриминантный анализ, логистическая регрессия, факторные модели.
Цель анализа	Оценка текущего состояния, платежеспособности, ликвидности и устойчивости на основе сравнения с нормативами или отраслевыми бенчмарками.	Прогнозирование вероятности наступления кризисного состояния (банкротства) или финансового успеха.
Ключевой недостаток	Неспособность учесть комплексное, синергетическое влияние факторов; высокая чувствительность к отраслевым особенностям.	Требование к гомогенности выборки и временной устойчивости коэффициентов; сложность интерпретации для неспециалистов.
Актуальность	Базовый, обязательный этап анализа.	Необходимый этап углубленного, прогностического анализа.

Переход от одномерного коэффициентного анализа к многомерному статистическому моделированию был обоснован тем, что ФС — это многомерный феномен. Ни один коэффициент сам по себе не может дать исчерпывающей оценки; только их комбинация в рамках мультивариантных моделей (как, например, в Z-счете Альтмана) позволяет выявить скрытые финансовые риски, что, по сути, является единственным способом получить прогностическую картину, а не просто констатировать факт.

Современные вызовы и цифровые инструменты анализа

Современные вызовы, включая цифровую трансформацию и высокую волатильность рынков, требуют от аналитиков выхода за рамки традиционных эконометрических методов, таких как ARIMA или SARIMAX, которые эффективно работают только с линейными или квазилинейными временными рядами. Финансовые данные, особенно в кризисные периоды, часто демонстрируют высокую нелинейность.

Именно поэтому повышается актуальность применения **методов машинного обучения (ML)**, в частности, рекуррентных нейронных сетей типа **LSTM (Long Short-Term Memory)**. Как показывают исследования (в том числе НИУ ВШЭ), LSTM-нейросети превосходят традиционные авторегрессионные подходы в прогнозировании временных рядов (например, цен или финансовой устойчивости), поскольку способны улавливать сложные нелинейные зависимости и долгосрочные связи в данных.

В области цифровых платформ для анализа макро- и микроэкономических показателей наблюдается активное развитие отечественных решений. Примером может служить аналитическая платформа «Дон и Россия» (Банк «Центр-инвест»), которая использует визуализированные дашборды и предиктивные модели, помогая не только анализировать текущее состояние, но и оценивать взаимосвязи финансового состояния предприятия с региональной экономической конъюнктурой.

Классический статистический инструментарий и анализ финансового состояния

Базовый статистический инструментарий позволяет провести первичную диагностику финансового здоровья предприятия, опираясь на расчет абсолютных, относительных и динамических показателей.

Анализ ликвидности и платежеспособности: Нормативно-правовой аспект

Анализ ликвидности баланса основан на сопоставлении активов по степени их убывания ликвидности (A1, A2, A3, A4) с обязательствами по срокам их погашения (П1, П2, П3, П4). Для оценки ликвидности используются ключевые относительные показатели, имеющие строго определенные нормативные значения, закрепленные в том числе в российском регуляторном поле.

#### Коэффициент текущей ликвидности ($K_{\text{тл}}$)

Коэффициент текущей ликвидности (иногда называемый коэффициентом покрытия) показывает, в какой степени оборотные активы предприятия покрывают его краткосрочные обязательства.

**Формула расчета:**
Ктл = Оборотные активы / Краткосрочные обязательства = стр. 1200 / стр. 1500

* **Нормативное значение:** В российской практике установлено, что $K_{\text{тл}}$ должен быть $\ge 1,5-2,0$.
* **Регуляторный аспект (Слепая зона):** Согласно Приказу Миннауки РФ от 04.11.1998 N 212, для организаций, признанных имеющими неудовлетворительную структуру баланса, устанавливался норматив $K_{\text{тл}} = 2,0$. Это значение остается ключевым ориентиром для определения критической платежеспособности; следовательно, любое отклонение от этой нормы должно рассматриваться как прямой сигнал к разработке срочных корректирующих мер.

#### Коэффициент абсолютной ликвидности ($K_{\text{абс.л}}$)

Показывает способность предприятия немедленно погасить краткосрочную задолженность за счет самых ликвидных активов (денежных средств и краткосрочных финансовых вложений).

**Формула расчета:**
Кабс.л = (Денежные средства + Краткосрочные финансовые вложения) / Краткосрочные обязательства = (стр. 1250 + стр. 1240) / стр. 1500

* **Нормативное значение:** Диапазон составляет $0,2 \le K_{\text{абс.л}} \le 0,5$.
* **Регуляторный аспект (Слепая зона):** Этот коэффициент является обязательным критерием, который ФНС России использует для оценки платежеспособности налогоплательщиков, согласно Приказу Минэкономразвития РФ от 21.04.2006 № 104. Низкий показатель может стать основанием для более тщательной налоговой проверки.

Анализ финансовой устойчивости и деловой активности

Финансовая устойчивость отражает степень независимости предприятия от внешних заемных источников финансирования.

**Коэффициент финансовой устойчивости ($K_{\text{фу}}$)**
Он показывает долю собственного и долгосрочного заемного капитала в общей сумме активов, тем самым отражая долгосрочную платежеспособность.

**Формула расчета (в общем виде):**
Кфу = (Собственный капитал + Долгосрочные обязательства) / Итог баланса (Активы)

* **Нормативное значение:** Обычно находится в пределах $0,8-0,9$. Значение, близкое к единице, указывает на высокую степень финансовой независимости.

Анализ деловой активности, в свою очередь, оценивает эффективность использования ресурсов (оборачиваемость активов, запасов, дебиторской и кредиторской задолженности) и формирует динамический аспект оценки ФС.

Факторный анализ: Метод цепных подстановок

Статистический анализ не ограничивается констатацией отклонений; он должен выявить количественное влияние каждого фактора на результирующий показатель. Метод цепных подстановок является стандартным и наиболее проверяемым инструментом для этой цели.

Предположим, мы анализируем влияние трех факторов ($\Phi_1$, $\Phi_2$, $\Phi_3$) на результирующий показатель ($P$) по мультипликативной модели: $P = \Phi_1 \cdot \Phi_2 \cdot \Phi_3$.

**Задача:** Определить, насколько изменение каждого фактора повлияло на общее абсолютное отклонение $\Delta P = P_{\text{факт}} — P_{\text{баз}}$.

**Алгоритм расчета влияния фактора $\Phi_2$ ($\Delta P_{\Phi_2}$) на основе цепных подстановок:**

1. **Базовый показатель ($P_{\text{баз}}$):**
   Pбаз = Ф1,баз · Ф2,баз · Ф3,баз
2. **Первый условный показатель ($P_{\text{усл.1}}$):** Заменяем $\Phi_1$ на фактическое значение:
   Pусл.1 = Ф1,факт · Ф2,баз · Ф3,баз
3. **Влияние фактора $\Phi_1$ ($\Delta P_{\Phi_1}$):**
   ΔPФ1 = Pусл.1 - Pбаз
4. **Второй условный показатель ($P_{\text{усл.2}}$):** Заменяем $\Phi_2$ на фактическое значение, сохраняя $\Phi_1$ фактическим:
   Pусл.2 = Ф1,факт · Ф2,факт · Ф3,баз
5. **Влияние фактора $\Phi_2$ ($\Delta P_{\Phi_2}$):**
   ΔPФ2 = Pусл.2 - Pусл.1
6. **Фактический показатель ($P_{\text{факт}}$):**
   Pфакт = Ф1,факт · Ф2,факт · Ф3,факт
7. **Влияние фактора $\Phi_3$ ($\Delta P_{\Phi_3}$):**
   ΔPФ3 = Pфакт - Pусл.2

**Проверка:** Сумма влияния всех факторов должна быть равна общему отклонению: $\Delta P_{\text{общ}} = \Delta P_{\Phi_1} + \Delta P_{\Phi_2} + \Delta P_{\Phi_3}$.

Углубленный многомерный статистический анализ и прогнозирование рисков

Углубленный статистический анализ смещает фокус с ретроспективной оценки на прогностическую, используя методы многомерной статистики для решения задачи бинарной классификации: прогнозирования банкротства. Традиционно используются линейный дискриминантный анализ (LDA) и логистическая регрессия, однако их точность часто уступает более сложным моделям.

Зарубежные и модифицированные дискриминантные модели

Наиболее известными моделями прогнозирования банкротства являются зарубежные разработки, требующие адаптации для российского рынка.

#### Модифицированная модель Альтмана ($Z^{**}$)

Классическая пятифакторная модель Альтмана (1968) изначально создавалась для публичных компаний США. Из-за особенностей российской экономики (отсутствие достоверной рыночной стоимости акций для большинства предприятий) чаще используется **модифицированная четырехфакторная модель Альтмана ($Z^{**}$)**, разработанная для развивающихся рынков:

$$Z^{**} = 3,25 + 6,56 \cdot X_1 + 3,26 \cdot X_2 + 6,72 \cdot X_3 + 1,05 \cdot X_4$$

Где $X_i$ — стандартизированные финансовые коэффициенты.

* **Критическое значение:** Высокая вероятность банкротства определяется при $Z^{**} < 1,1$. Интерпретация результатов расчета позволяет оценить кредитный риск предприятия с прогностической точностью, достигающей 95% на момент создания модели. #### Модель Спрингейта (Z-счет) Модель Спрингейта (1978) также использует дискриминантный анализ и является четырехфакторной: $$Z = 1,03 \cdot X_1 + 3,07 \cdot X_2 + 0,66 \cdot X_3 + 0,4 \cdot X_4$$ Где коэффициенты $X_i$ рассчитываются по данным российской отчетности следующим образом: * $X_1$: Оборотный капитал / Баланс (стр. 1200 - стр. 1500) / стр. 1700. * $X_2$: EBIT (Прибыль до уплаты процентов и налогов) / Баланс. * $X_3$: EBT (Прибыль до налогообложения) / Краткосрочные обязательства. * $X_4$: Выручка (нетто) от реализации / Баланс. * **Критическое значение:** $Z < 0,862$ указывает на высокую вероятность банкротства. Ограничение зарубежных моделей состоит в том, что они могут неадекватно отражать специфику российского налогообложения, инфляции и структуры капитала. Поэтому, если мы хотим получить максимально точный прогноз, должны ли мы использовать эти модели вообще, или сразу переходить к адаптированным российским аналогам? Ответ лежит в комбинации подходов, как показано в разделе Российские модели и потенциал машинного обучения в прогнозировании.

Российские модели и потенциал машинного обучения в прогнозировании

Потребность в более точных, адаптированных к отечественным реалиям инструментах привела к появлению российских методик.

#### Российская модель прогнозирования банкротства Беликова–Давыдовой

Эта модель (ИГЭА, 1998 г.) основана на дискриминантном анализе четырех ключевых факторов, отражающих ликвидность, финансовую устойчивость и оборачиваемость капитала:

$$R = 8,38 \cdot X_1 + X_2 + 0,054 \cdot X_3 + 0,63 \cdot X_4$$

Где $X_i$ — рассчитанные коэффициенты, специфичные для российской отчетности.

**Шкала вероятности банкротства (Слепая зона):**

• $R < 0$: Максимальная вероятность банкротства (90–100%).
• $0 \le R < 0,42$: Средняя и низкая вероятность.
• $R \ge 0,42$: Минимальная вероятность.

Применение этой модели позволяет получить более релевантную оценку риска, чем неадаптированные зарубежные аналоги.

#### Сравнение с потенциалом машинного обучения

Несмотря на высокую значимость дискриминантных моделей, современные исследования (например, в области финтеха) активно используют **методы машинного обучения**, такие как **LSTM-нейронные сети** и **бустинговые методы (например, XGBoost или LightGBM)**.

В отличие от линейного дискриминантного анализа, ML-модели способны:

1. Учитывать сотни, а не 4–5 факторов.
2. Выявлять нелинейные и сложные взаимодействия между финансовыми показателями.
3. Обеспечивать более высокую точность прогнозирования в условиях высокой волатильности и структурных изменений.

Использование ML-подходов в академической работе позволяет поднять ее на принципиально новый уровень, демонстрируя владение передовым статистическим инструментарием.

Отраслевая специфика анализа и разработка управленческих решений

Статистический анализ финансового состояния предприятия не может быть универсальным. Его результаты необходимо интерпретировать с учетом отраслевой специфики и макроэкономического контекста.

Учет отраслевой специфики и структурных сдвигов экономики

Один из критически важных аспектов (Слепая зона) — анализ финансового состояния с учетом **текущих структурных изменений в экономике РФ за период 2022–2024 гг.**

В этот период наблюдался заметный рост и увеличение значимости секторов **обрабатывающей промышленности** (достижение рекордной загрузки мощностей в 2023 г.) и **строительства** (вклад в ВВП достиг около 14% по итогам 2023 года).

Отрасль	Особенность анализа ФС	Ключевые бенчмарки
Строительство	Высокая доля незавершенного производства; длинный цикл оборачиваемости капитала; повышенные требования к коэффициенту текущей ликвидности (Ктл) из-за проектного финансирования.	Сравнение с нормативами для компаний с высоким уровнем долгосрочных активов.
Обрабатывающая промышленность	Высокая капиталоемкость, значительный удельный вес запасов (сырье, готовая продукция); зависимость от импортозамещения.	Анализ рентабельности собственного капитала (ROE) и оборачиваемости запасов.

Аналитик обязан сравнить рассчитанные показатели своего объекта исследования с актуальными отраслевыми бенчмарками, а не только с абстрактными нормативными значениями. Например, низкий коэффициент ликвидности в сфере ритейла может быть нормой, тогда как такой же показатель в обрабатывающей промышленности укажет на предкризисное состояние.

Обоснование мероприятий по финансовому оздоровлению

Результаты углубленного статистического анализа служат объективным основанием для разработки реабилитационных программ и принятия управленческих решений.

Например, если анализ выявил низкий Коэффициент текущей ликвидности (Ктл) и высокий уровень кредиторской задолженности, управленческие решения должны быть сфокусированы на двух направлениях:

1. Повышение ликвидности и оборачиваемости:
   • Оптимизация дебиторской задолженности: Введение системы мотивации (например, предоставление скидок за досрочную оплату) для ускорения поступления денежных средств.
   • Рационализация запасов: Внедрение системы just-in-time для снижения уровня медленно реализуемых активов (A3).
2. Структурная оптимизация пассивов:
   • Рефинансирование краткосрочных обязательств: Перевод части краткосрочных кредитов в долгосрочные, что немедленно улучшит Ктл и снизит давление на ликвидность.

Каждое предлагаемое мероприятие должно быть подкреплено расчетом его потенциального влияния на ключевые финансовые показатели, подтверждая его целесообразность и экономическую обоснованность.

Заключение

Проведенное методологическое исследование и разработанный план анализа подтверждают, что статистический анализ финансового состояния предприятия является многоуровневым процессом, требующим интеграции классических и современных методов.

**Основные научные и практические выводы:**

1. Методологическая строгость: Доказана необходимость перехода от одномерного коэффициентного анализа к многомерному статистическому моделированию.
2. Актуальность инструментария: В условиях российской экономики критически важным является применение не только модифицированных зарубежных моделей (Альтмана $Z^{**}$, Спрингейта), но и адаптированных российских методик (Беликова–Давыдовой), которые обеспечивают более высокую релевантность прогнозирования банкротства.
3. Комплексный анализ: Углубленный факторный анализ методом цепных подстановок позволяет количественно оценить вклад каждого фактора в изменение финансовых результатов, что является основой для принятия точных управленческих решений.
4. Регуляторный контекст: Установлена прямая связь между нормативными значениями ключевых коэффициентов ($K_{\text{тл}}, K_{\text{абс.л}}$) и требованиями российских регулирующих органов (Миннауки РФ, ФНС), что повышает практическую значимость анализа.
5. Управленческое значение: Анализ с учетом отраслевой специфики и текущих структурных сдвигов (например, в строительстве и обрабатывающей промышленности) позволяет разработать систему мероприятий по финансовому оздоровлению, которые носят адресный и экономически обоснованный характер.

**Направления дальнейшего исследования:**

Дальнейшее исследование должно быть направлено на повышение прогностической точности. Это может включать разработку собственной эконометрической модели для предприятия (например, на основе логистической регрессии или применения ансамблевых ML-методов, таких как градиентный бустинг), а также интеграцию нефинансовых факторов (ESG-повестка, качество менеджмента) в модель статистического прогнозирования финансового риска.

Список использованной литературы

1. Веснин, В.Р. Менеджмент. 2-е изд., доп. М.: Проспект, 2011. 236 с.
2. Галицкая, С.В. Финансовый менеджмент. Финансовый анализ. Финансы предприятий: учебное пособие. М.: Эксмо, 2010. 652 с. (Высшее экономическое образование)
3. Горемыкина Т.К. Общая теория статистики: учебное пособие. М.: МГИУ, 2010.
4. Горемыкина Т.К. Статистика. Часть 2. Статистика промышленности: учебное пособие. М.: МГИУ, 2011.
5. Ермасова, Н.Б., Ермасов С.В. Финансовый менеджмент: учебное пособие. 2-е изд., перераб. и доп. М.: Юрайт, 2010. 621 с. (Основы наук)
6. Зорин, А.Л. Справочник экономиста в формулах и примерах. М.: Профессиональное издательство, 2011. 336 с. (Библиотека журнала «Справочник экономиста»)
7. Карлик А.Е., Шухгальтер М.Л. Экономика предприятия. Москва: Инфра-М, 2012. 375 с.
8. Комплексный экономический анализ хозяйственной деятельности: учебное пособие / под ред. М.А. Вахрушиной. М.: Вузовский учебник, 2010. 462 с.
9. Морошкин, В.А., Буров В.П. Бизнес-планирование: учебное пособие. 2-е изд., перераб. и доп. М.: ФОРМУ, 2011. 256 с. (Профессиональное образование)
10. Общая теория статистики / под ред. О.Э. Башиной. М.: Финансы и статистика, 2010. 226 с.
11. Пласкова, Н.С. Экономический анализ: учебник. 2-е изд., перераб. и доп. М.: Эксмо, 2010. 542 с. (Высшее экономическое образование)
12. Просветов Г.И. Менеджмент: задачи и решения: учебно-практическое пособие. М.: Альфа-Пресс, 2010. 567 с.
13. Просветов Г.И. Анализ данных с помощью EXCEL: задачи и решения: учебно-практическое пособие. М.: Альфа-Пресс, 2011. 160 с.
14. Савицкая, Г.В. Анализ хозяйственной деятельности предприятия: учебное пособие. 4-е изд., испр. и доп. М.: ИНФРА-М, 2012. 288 с.
15. Селезнева, Н.Н., Ионова А.В. Анализ финансовой отчетности организации: учебное пособие. 3-е изд., перераб. и доп. М.: ЮНИТИ, 2013. 456 с.
16. Скляренко, В.К., Прудников В.М., Акуленко Н.Б. Экономика предприятия (в схемах, таблицах, расчетах): учебное пособие / под ред. В.К. Скляренко. М.: ИНФРА-М, 2012. 256 с. (100 лет РЭА им. Г.В. Плеханова)
17. Фатхутдинов, Р.А. Производственный менеджмент: учебник для вузов. 6-е изд., перераб. и доп. СПб: ПИТЕР, 2013. 496 с.
18. Харченко Л.П., Долженкова В.Г., Ионин В.Г. Статистика: курс лекций. М.: Инфра-М, 2012. 346 с.
19. Черный В.В. Практикум по дисциплине «Основы статистики». СПб.: БАТиП, 2011. 189 с.
20. Шеремет, А.Д., Негашев Е.В. Методика финансового анализа: учебное и практическое пособие. 3-е изд., перераб. и доп. М.: ИНФРА-М, 2012. 337 с.
21. Шмойлова Р.А. Теория статистики / под общ. ред. Р.А. Шмойловой. М.: Финансы и статистика, 2011. 226 с.
22. Экономика организации (предприятии, фирмы): учебник / под ред. Б.Н. Чернышева, В.Я. Горфинкеля. М.: Вузовский учебник, 2010. 530 с.
23. Экономика фирмы: учебник / под общ. ред. Н.П. Иващенко. М.: ИНФРА-М, 2011. 527 с.
24. ВЦИОМ «Экономика Российской Федерации» [Электронный ресурс]. Режим доступа: http://www.wciom.ru/arkhiv/tematicheskii-arkhiv/item/single/10861/html
25. Портал дистанционного правового консультирования предпринимателей. Электронный ресурс : www.dist-cons.ru
26. Коэффициент текущей ликвидности: расчет и формула по балансу [Электронный ресурс]. URL: https://www.sbercib.ru/analytics/koefficient-tekushhej-likvidnosti-raschet-i-formula-po-balansu (дата обращения: 30.10.2025).
27. Анализ финансово-экономического состояния предприятия: понятие и задачи [Электронный ресурс]. URL: https://edrj.ru/article/30-04-25 (дата обращения: 30.10.2025).
28. СОВРЕМЕННОЕ ПОНИМАНИЕ ОЦЕНКИ ФИНАНСОВОГО СОСТОЯНИЯ ПРЕДПРИЯТИЯ: ПРЕДМЕТ, ЦЕЛИ, ПОДХОДЫ. 2016 [Электронный ресурс]. URL: https://guu.ru/files/izdat/vestnik/2016/vo_07_2016_4.pdf (дата обращения: 30.10.2025).
29. Григорьева Т.И. Анализ финансового состояния предприятия. Юрайт, 2023. URL: https://urait.ru/book/analiz-finansovogo-sostoyaniya-predpriyatiya-492790 (дата обращения: 30.10.2025).
30. Анализ финансового состояния предприятия и пути его улучшения [Электронный ресурс]. URL: https://cyberleninka.ru/article/n/analiz-finansovogo-sostoyaniya-predpriyatiya-i-puti-ego-uluchsheniya (дата обращения: 30.10.2025).
31. Коэффициент финансовой устойчивости (формула по балансу) [Электронный ресурс]. URL: https://nalog-nalog.ru/buhgalterskij_uchet/analiz_hozyajstvennoj_deyatelnosti_ahd/koefficient-finansovoj-ustojchivosti-formula-po-balansu/ (дата обращения: 30.10.2025).
32. Ликвидность. Расчет коэффициентов ликвидности [Электронный ресурс]. URL: https://www.audit-it.ru/finanaliz/terms/liquidity/koeffitsienty_likvidnosti.html (дата обращения: 30.10.2025).
33. Факторный анализ (способ цепной подстановки) [Электронный ресурс]. URL: https://www.youtube.com/watch?v=S37J3YQ_l8E (дата обращения: 30.10.2025).
34. Модель Спрингейта [Электронный ресурс]. URL: https://1-fin.ru/?p=53 (дата обращения: 30.10.2025).
35. СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ БАНКРОТСТВА. 2020 [Электронный ресурс]. URL: https://kontentus.ru/wp-content/uploads/2020/05/2020_05_15-1.pdf (дата обращения: 30.10.2025).
36. Модели оценки риска банкротства предприятия в 2025 [Электронный ресурс]. URL: https://amulex.ru/info/articles/bankrotstvo/modeli-otsenki-riska-bankrotstva-predpriyatiya/ (дата обращения: 30.10.2025).
37. Исследовательская компания «СТРИМ Консалтинг» представила новое имя на рынке отечественной аналитики – «Квадрант Технологий» [Электронный ресурс]. URL: https://www.itsec.ru/news/strim-konsalting-predstavila-novoe-imya-na-rynke-otechestvennoy-analitiki (дата обращения: 30.10.2025).
38. СРАВНИТЕЛЬНЫЙ АНАЛИЗ МОДЕЛЕЙ ПРОГНОЗИРОВАНИЯ КРИЗИСНОГО СОСТОЯНИЯ ПРЕДПРИЯТИЯ. 2023 [Электронный ресурс]. URL: https://www.researchgate.net/publication/376246067_SRAVNITELNYJ_ANALIZ_MODELEJ_PROGNOZIROVANIYA_KRIZISNOGO_SOSTOYANIYA_PREDPRIYATIYA (дата обращения: 30.10.2025).
39. РОССИЙСКИЙ И ЗАРУБЕЖНЫЙ ПОДХОДЫ К АНАЛИЗУ ФИНАНСОВОГО СОСТОЯНИЯ ПРЕДПРИЯТИЯ [Электронный ресурс]. URL: https://eduherald.ru/ru/article/view?id=14187 (дата обращения: 30.10.2025).
40. Структурные изменения в экономике России в 2022–2024 годах. 2024 [Электронный ресурс]. URL: https://www.acra-ratings.ru/research/4079/ (дата обращения: 30.10.2025).