Развитие научно-методических подходов по определению угроз возможной несостоятельности юридических лиц для целей налогового администрирования

Обложка

Цитировать

Полный текст

Аннотация

Данная статья представляет собой исследование возможности совершенствования научно-методических подходов к определению ситуации, не только начавшегося банкротства несостоятельных организаций, но и ситуации ему предшествующей. В работе рассматриваются современные методы прогнозирования банкротства, а также предложена авторская методика по выявлению «предбанкротства» для целей налогового администрирования. Цель представленного исследования заключается в совершенствовании научно-методических подходов к определению ситуации предшествующей наступлению несостоятельности (банкротства) юридических лиц для целей налогового администрирования. Результаты исследования направлены в первую очередь на повышение эффективности налогового администрирования несостоятельных организаций, путем комплекса превентивных мероприятий налоговых органов, направленных на финансовое оздоровление организаций, выявление проблемных налогоплательщиков, имеющих риск возникновения несостоятельности (банкротства), а также предоставление возможности добровольно реструктурировать активы и обязательства организаций. Вместе с тем, перспективы для дальнейших исследований заключаются в адаптации зарубежных нейросетей по прогнозированию банкротств организаций. Основа методологии исследования сформирована на базе общенаучных и специальных методов исследования, включающих методы сравнительного анализа, метода обобщения результатов при формулировании выводов и представлении приоритетных направлений, метод системного анализа и экспертной оценки. Новизна настоящего исследования заключается в разработке алгоритма определения контрольных соотношений, позволяющих выявить возможную несостоятельность юридических лиц для целей налогового администрирования. Международный опыт прогнозирования банкротства организаций показал, что российская практика нуждается в адаптации зарубежных инструментов выявления угроз несостоятельности. В частности, наблюдается тренд по созданию технологий искусственного интеллекта и нейронных сетей по прогнозированию банкротств предприятий. В свою очередь, многие отечественные модели не учитывают специфику учета для малого и среднего бизнеса, а также вовсе не учитывают наличие налоговой составляющей в причинах возникновения банкротства организаций. Кроме того, в настоящее время финансовая (бухгалтерская) отчетность организаций не администрируется на предмет возможной несостоятельности (банкротства). Так, для целей совершенствования налогового администрирования разработана методика определения контрольных соотношений на предмет возможной несостоятельности. Вместе с тем, для качественной оценки финансового состояния организаций и вероятности угроз возникновения банкротства организаций, следует использовать показатели налогового и бухгалтерского учета в совокупности.

Об авторах

Евгений Никитич Кричевский

Финансовый университет При правительстве РФ

Email: evgenyikrichevsky@mail.ru
аспирант; кафедра Налогов и налогового администрирования;

Список литературы

  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.

Дополнительные файлы

Доп. файлы
Действие
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».