Development of scientific and methodological approaches to identify threats of possible insolvency of legal entities for tax administration purposes

封面

如何引用文章

全文:

详细

This article is a study of the possibility of improving scientific and methodological approaches to determining the bankruptcy of insolvent organizations. The paper discusses modern methods of bankruptcy forecasting, as well as the author's methodology for identifying "pre-bankruptcy" for tax administration purposes. The purpose of the presented research is to improve scientific and methodological approaches to determining the situation preceding the onset of insolvency (bankruptcy) of legal entities for the purposes of tax administration. The novelty of the present study lies in the development of an algorithm for determining control ratios that make it possible to identify the possible insolvency of legal entities for tax administration purposes. The object of the study is the economic relations formed during the bankruptcy procedure of insolvent organizations.The basis of the research methodology is formed on the basis of general scientific and special research methods, including methods of comparative analysis, a method of summarizing results when formulating conclusions and presenting priority areas, a method of system analysis and expert assessment. The research results are primarily aimed at improving the efficiency of tax administration of insolvent organizations through a set of preventive measures by tax authorities aimed at financial recovery of organizations, identifying problematic taxpayers at risk of insolvency (bankruptcy), as well as providing an opportunity to voluntarily restructure the assets and liabilities of organizations. At the same time, the prospects for further research lie in adapting foreign neural networks to predict corporate bankruptcies and create domestic ones.

参考

  1. Апатова Н.В., Попов В.Б. Прогнозирование банкротства предприятий с использованием искусственного интеллекта // Научный вестник: Финансы, банки, инвестиции. 2020. № 2. С. 119.
  2. Беляева Е.А., Манойленко Я.А. Прогнозирование возможного банкротства предприятий // E-Scio. 2022. № 9 (72). С. 4.
  3. Бехтина О.Е. Современные проблемы прогнозирования банкротства предприятий // Вестник ВУиТ. 2017. № 1. С. 2. EDN: YGRURP.
  4. Иванова Е.В., Ефремкова Т.И. Методологические предпосылки развития модели прогнозирования банкротства // Вестник Алтайской академии экономики и права. 2020. № 4-3. С. 336-343. doi: 10.17513/vaael.1092. EDN: OERCSN.
  5. Зайцева О.П. Антикризисный менеджмент в российской фирме // Сибирская финансовая школа. 1998. № 11-12. С. 1-35. EDN: SHTMTJ.
  6. Ковалева О.В., Обухов О.В. Подходы к прогнозированию банкротства предприятий малого и среднего бизнеса // Российские регионы в фокусе перемен: сборник докладов. Екатеринбург: УрФУ, 2022. Т. 2. С. 78-82. EDN: RAJEJN.
  7. Лаптева С.В. MDA-модели в комплексной оценке риска банкротства российских предприятий // Вестник ВУиТ. 2018. № 1. С. 54-62. EDN: YLHJBB.
  8. Наймович Е.П., Кузнецова В.А. Риск банкротства в условиях рыночной нестабильности // Актуальные проблемы авиации и космонавтики. 2022. № 3. С. 220-222.
  9. Савицкая Г.В. Анализ хозяйственной деятельности предприятия: учебное пособие. 7-е изд., испр. - Минск: Новое знание, 2002. С. 135-153. EDN: NHYMMG.
  10. Федорова Е.А., Довженко С.Е., Тимофеев Я.В. Какая модель лучше прогнозирует банкротство российских предприятий? // Экономический анализ: теория и практика. 2014. № 41 (392). С. 28-35. EDN: SXMPMT.
  11. Хахалева М.С. Сравнительный анализ методов диагностики банкротства и финансовой несостоятельности // E-Scio. 2021. № 3 (54). С. 480-491.
  12. Altman, E.I. Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // Journal of Finance. 1968. Vol. 23. No. 4. P. 589-609.
  13. Beaver, W.H. Financial ratios as predictors of failure // Journal of Accounting Research. 1966. Vol. 4. P. 71-111.
  14. Chakrabarti, B., Jain, A., Nagpal, P., & others. A spatiotemporal context aware hierarchical model for corporate bankruptcy prediction // Multimedia Tools and Applications. 2024. Vol. 83. P. 28281-28303.
  15. Fulmer, J.G., Moon, J.E., Gavin, T.A., & Erwin, M.J. A bankruptcy classification model for small firms // Journal of Commercial Bank Lending. 1984. Vol. 66. No. 11. P. 25-37.
  16. Kasgari, A., Divsalar, M., Javid, M., & Ebrahimian, S. Prediction of bankruptcy Iranian corporations through artificial neural network and Probit-based analyses // Neural Computing and Applications. 2013. Vol. 23. No. 3-4. P. 927-936.
  17. Kim, M., & Kang, D. Ensemble with neural networks for bankruptcy prediction // Expert Systems with Applications. 2010. Vol. 37. No. 4. P. 3373-3379.
  18. Tanthanongsakkun, S., Pitt, D., & Treepongkaruna, S. A comparison of corporate bankruptcy models in Australia: The Merton vs. accounting-based models // Asia-Pacific Journal of Risk and Insurance. 2009. Vol. 3. No. 2. Article 4.
  19. Taffler, R.J. The assessment of company solvency and performance using a statistical model // Accounting and Business Research. 1983. Vol. 15. No. 52. P. 295-308.
  20. Tsai, C., & Wu, J. Using neural network ensembles for bankruptcy prediction and credit scoring // Expert Systems with Applications. 2008. Vol. 34. No. 4. P. 2639-2649.
  21. Wang, M. Improving transformer for enterprise bankruptcy prediction based on swarm intelligence optimization algorithm // Advances in Economics, Management and Political Sciences. 2025. Vol. 173. P. 142-149.
  22. Yang, Z., You, W., & Ji, G. Using partial least squares and support vector machines for bankruptcy prediction // Expert Systems with Applications. 2011. Vol. 38. No. 7. P. 8336-8342.

补充文件

附件文件
动作
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».