Corporate crises: cause and effect

Cover Page

Cite item

Full Text

Open Access Open Access
Restricted Access Access granted
Restricted Access Subscription Access

Abstract

The official statistics on the bankruptcy of organizations are analyzed. Conclusions about the trends in the development of the crisis situation in 2023 are drawn. Bankruptcy is a clear and objective manifestation of the crisis at the micro level. To identify crisis states at the earliest possible stages of development, the author proposes to form a categorical-conceptual system of causal connection between such concepts as "cause - symptom - crisis". The definitions of these categories are considered. Such features of the causes of crises as multicausality, mimicry, inertia and synergy are indicated. The typology of the key categories of the causes of crises is carried out. The internal causal connections "cause - symptom - crisis" are considered. For the fundamental resolution of latent contradictions and the conscious transfer of the system to a new level of stability, it is proposed to use a fundamentally new, innovative direction. This is an autogenic, i.e. controlled crisis. The directions of further research in such areas as typology of crises and symptomatology are outlined.

About the authors

Oleg Vladimirovich Devyatkin

Plekhanov Russian University of Economics

Email: devyatkin.ov@rea.ru
доцент кафедры экономики промышленности, кандидат экономических наук, доцент

References

  1. Единый федеральный реестр юридически значимых сведений о фактах деятельности юридических лиц, индивидуальных предпринимателей и иных субъектов экономической деятельности (Федресурс). Статистический бюллетень Федресурса по банкротству, 31.12.2022, с. 28. [Электронный ресурс]. URL: http://www.fedresurs.ru/news (дата обращения: 22.05.2023).
  2. Единый федеральный реестр юридически значимых сведений о фактах деятельности юридических лиц, индивидуальных предпринимателей и иных субъектов экономической деятельности (Федресурс). Банкротства в России: I квартал 2023 года. Статистический релиз Федресурса по банкротству, 31.03.2023, с. 10. [Электронный ресурс]. URL: http://www.fedresurs.ru/news (дата обращения: 31.05.2023).
  3. Большая советская энциклопедия. / в 30-ти т. – 3-е изд.Статья: «Экономические кризисы». - М. : Советская энциклопедия, 1969.
  4. Березинец И. В., Бобылева А.З., Ильина Ю.Б. Вероятность банкротства: достоверны ли модели прогнозирования? // Государственное управление. Электронный вестник. – 2022. – № 94. – c. 68-83. – doi: 10.24412/2070-1381-2022-94-68-83.
  5. Бобылева А. З., Львова О. А. Финансово-экономический инструментарий выявления признаков объективного банкротства // Актуальные проблемы экономики и права. – 2020. – № 1. – c. 22–39. – doi: http://dx.doi.org/10.21202/1993-047X.14.2020.1.22-39.
  6. Давыдова Г. В., Беликов А. Ю. Методика количественной оценки риска банкротства предприятий // Управление риском. – 1999. – № 3. – c. 13–20.
  7. Девяткин О. В. Аутогенный кризис как концептуальная модель системных изменений // Вестник РЭУ имени Г. В. Плеханова. – 2019. – № 2 (104). – c. 182-191. – doi: http://dx.doi.org/10.21686/2413-2829-2019-2.
  8. Девяткин О. В. Стресс-тестирование в системе аутогенного кризиса // Научные исследования и разработки. Экономика фирмы. – 2019. – № 4. – c. 73-83. – doi: 10.12737/2306-627X-2019-71-81.
  9. Зайцева О. П. Антикризисный менеджмент в российской фирме // Сибирская финансовая школа. – 1998. – № 11–12. – c. 66–73.
  10. Игнатова Л. Н., Девяткин О.В., Болкина Г.И. О ресурсном подходе к формированию промышленной политики предприятия // Вопросы региональной экономики. – 2020. – № 3(44). – c. 38-48.
  11. Коссова Т. В., Коссова Е. В. Оценка кредитного риска компаний российского корпоративного сектора на основе прогнозирования вероятности дефолта по обязательствам // Проблемы анализа риска. – 2011. – № 2. – c. 68–78.
  12. Львова О. А., Пеганова О.М. Факторы и причины банкротства компаний в условиях современной экономики // Государственное управление. Электронный вестник. – 2014. – № 44. – c. 64-82.
  13. Федорова Е. А., Гиленко Е. В., Довженко С. Е. Модели прогнозирования банкротства: особенности российских предприятий // Проблемы прогнозирования. – 2013. – № 2 (137). – c. 85–92.
  14. Помазанов М. В., Колоколова О. В. Разработка формулы вероятности банкротства компании на базе показателей бухгалтерской отчетности // Оперативное управление и стратегический менеджмент в коммерческом банке. – 2004. – № 6. – c. 65–84.
  15. Рыкова И. Н., Губанов Р.С. Предпосылки возникновения банкротства в реальном секторе экономики // Имущественные отношения в Российской Федерации. – 2015. – № 11(170). – c. 95-112.
  16. Сальников В.А., Могилат А.Н., Маслов И.Ю. Стресс-тестирование компаний реального сектора для России: первый подход (методологические аспекты) // Журнал новой экономической ассоциации. – 2012. – № 4(16). – c. 46–70.
  17. Федорова Е. А., Довженко С.Е., Федоров Ф.Ю. Модели прогнозирования банкротства российских предприятий: отраслевые особенности // Проблемы прогнозирования. – 2016. – № 3(156). – c. 32-40.
  18. Чепурко Ю. С. Конструирование дефиниции категории // Вестник Омского университета. Серия: Экономика. – 2012. – № 2. – c. 85-94.
  19. Черногорова К.А. Анализ концепта «кризис предприятия» // Международный научно-исследовательский журнал. – 2016. – № 4 (46). – doi: 10.18454/IRJ.2016.46.070.
  20. Шмидт Г. Философский словарь. - Республика, 2003. – 575 c.
  21. Altman Edward I. Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy // Journal of Finance. – 1968. – p. 189—209. – doi: 10.1111/j.1540-6261.1968.tb00843.x.
  22. Altman E. I., Haldeman R. G., Narayanan P. Zeta analysis: a new model to identify bankruptcy risk of corporation // Journal of Banking and Finance. – 1977. – № 1. – p. 29–54.
  23. Barnett Carole K., Pratt Michael G. From threat‐rigidity to flexibility ‐ Toward a learning model of autogenic crisis in organizations // Journal of Organizational Change Management. – 2000. – № 1. – p. 74-88.
  24. Beaver W. Financial Ratios as Predictors of Failure // Journal of Accounting Research. – 1966. – p. 71–111. – doi: 10.2307/2490171.
  25. Dubrovski D. Handling Corporate Crises Based on the Correct Analysis of Its Causes // Journal of Financial Risk Management. – 2016. – № 5. – p. 264-280.
  26. Fedorova E., Ledyaeva S., Drogovoz P., Nevredinov A. Economic Policy Uncertainty and Bankruptcy Filings // International Review of Financial Analysis. – 2022. – p. 102174. – doi: 10.1016/j.irfa.2022.102174.
  27. Garcia J. Bankruptcy Prediction Using Synthetic Sampling // Machine Learning. – 2022. – doi: 10.1016/j.mlwa.2022.100343.
  28. Jardin P. Predicting Bankruptcy Using Neural Networks and Other Classification Methods: The Influence of Variable Selection Techniques on Model Accuracy // Proceedings of the Second European Symposium on Time Series Prediction. Helsinki University of Technology, Porvoo, Finland. 2010. Pp. 271–284
  29. Jardin P. Dynamic Self-Organizing Feature Map-Based Models Applied to Bankruptcy Prediction // Decision Support Systems. – 2021. – doi: 10.1016/j.dss.2021.113576.
  30. Lymbersky C. Why Do Companies Fail? 2014 Survey Results // Tournaround Management Journal. – 2014. – № 2. – p. 41-49.
  31. Ohlson J.A. Financial Ratios and the Probabilistic Prediction of Bankruptcy // Journal of Accounting Research. – 1980. – № 1. – p. 109–131. – doi: 10.2307/2490395.
  32. Platt H.D., Platt M.B. Financial Distress Comparison across Three Global Regions // Journal of Risk. – 2008. – № 1. – p. 129–162. – doi: 10.3390/jrfm1010129.
  33. Taffler R.J. Forecasting Company Failure in the UK Using Discriminant Analysis and Financial Ratio Data // Journal of the Royal Statistical Society: Series A (General). – 1982. – № 3. – p. 342–358. – doi: 10.2307/2981867.
  34. Qu Y., Quan P., Lei M., Shi Y. Review of Bankruptcy Prediction Using Machine Learning and Deep Learning Techniques // Procedia Computer Science. – 2019. – p. 895–899. – doi: 10.1016/j.procs.2019.12.065.
  35. Shen F., Zhao X., Kou G., Alsaadi F.E. A New Deep Learning Ensemble Credit Risk Evaluation Model with an Improved Synthetic Minority Oversampling Technique // Applied Soft Computing. – 2020. – doi: 10.1016/j.asoc.2020.106852.
  36. Shumway T. Forecasting Bankruptcy More Accurately: A Simple Hazard Model // Journal of Business. – 2001. – № 1. – p. 101–124. – doi: 10.1086/209665.
  37. Tian S., Yu Y., Guo H. Variable Selection and Corporate Bankruptcy Forecasts // Journal of Banking and Finance. – 2015. – p. 89–100. – doi: 10.1016/j.jbankfin.2014.12.003.
  38. Zmijewski M. Methodological Issues Related to the Estimation of Financial Distress Prediction Models // Journal of Accounting Research. – 1984. – p. 59–82. – doi: 10.2307/2490859.
  39. The Oxford English Dictionary. [Электронный ресурс]. URL: https://www.oed.com (дата обращения: 20.05.2023).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Copyright (c) 2023 Devyatkin O.V.

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».