Translate this page:
Please select your language to translate the article


You can just close the window to don't translate
Library
Your profile

Back to contents

Finance and Management
Reference:

Accounts receivable from the chemical enterprises: factor analysis

Otrubiannikova Polina

Master's Degree, Higher School of Engineering and Economics, Peter the Great St. Petersburg Polytechnic University

195251, Russia, G. sankt-Peterburg oblast', g. Saint Petersburg, ul. Politekhnicheskaya, 29, kv. 218

otrubyann_pv@spbstu.ru
Van D'yankai

Postgraduate student, Higher School of Engineering and Economics, Peter the Great St. Petersburg Polytechnic University

195251, Russia, G. sankt-Peterburg oblast', g. Saint Petersburg, ul. Politekhnicheskaya, 29

van6.d@edu.spbstu.ru
Il'ina Anna Vladimirovna

Accountant, "Transoil" LLC

197046, Russia, G. sankt-Peterburg oblast', g. Saint Petersburg, nab. Petrogradskaya, 18, of. A

ilina.av@transoil.com
Viktorova Natalya Gennadevna

Doctor of Economics

Professor, Higher School of Engineering and Economics, Peter the Great St. Petersburg Polytechnic University

195251, Russia, G. sankt-Peterburg oblast', g. Saint Petersburg, ul. Politekhnicheskaya, 29, of. 218

viktorova_ng@spbstu.ru

DOI:

10.25136/2409-7802.2021.3.34967

Received:

02-02-2021


Published:

03-10-2021


Abstract: This research analyzes the impact of certain factors upon the accounts receivable from chemical enterprises. The subject of this article is the accounts receivable, while the object is the Russian chemical enterprises. The goal lies in building a regression model of the dependence of accounts receivable from chemical enterprises on the explanatory factors selected in the course of analysis. The internal factors include sales revenue, net profit, accounts payable, management expenses, return on total assets, etc. The external factors include gross domestic product, monetary supply, and Networked Readiness Index. The author creates an econometric model based on the financial report data for 44 enterprises, and statistical information for the period from 2015 to 2019. The result of modeling reveals a considerable impact of such indicators as monetary resources, accounts payable, and management expenses upon the size of accounts receivable. The conclusion is made on the expansion of digital components of management expenses in the context of the goal of research. The novelty of this article is substantiated from the perspective of application of the acquired results for forecasting the level of accounts receivable and more effective management of the payables policy of the enterprise. It is noted that the internal financial and economic indicators have most impact upon the size of accounts receivable from chemical enterprises.


Keywords:

chemical industry, accounts receivable, financial and economic activities, gross domestic product, money supply, network readiness index, modeling, financial reporting, linear regression, stata


Введение

В современных условиях системно-технологических вызовов внешней среды важным фактором развития любой компании является грамотное выстраивание стратегии ее устойчивого развития [8]. В частности, первостепенное место в управлении организацией занимает качество построения взаимоотношений с контрагентами и применение правильной и эффективной кредитной политики [10]. От этого во многом зависит ее результат финансово-хозяйственной деятельности. Процесс взаимодействия с контрагентами неизбежно сопряжен с рисками оплаты не в срок или отсутствием оплаты как таковой, что приводит к образованию дебиторской и кредиторской задолженности [7,3]. Важно не допускать подобных явлений, тщательно их отслеживать. В сущности, качество построения системы взаимодействия с контрагентами сводится к анализу и управлению дебиторской и кредиторской задолженностями. При этом дебиторской задолженности следует уделять более важное значение, нежели кредиторской задолженности, поскольку возникновение дебиторской задолженности сопряжено с отвлечением денежных средств из оборота компании. Это негативно сказывается на ликвидности предприятия, ухудшает его финансовое положение. Для мониторинга ситуации важным является аналитический инструментарий [13,16].

Известно, что анализ экономических процессов изучаемого объекта позволяют объективно оценить, как текущее состояние объекта, так и спрогнозировать его будущее развитие [2]. Проблематика анализа дебиторской задолженности рассматривалась многими авторами [1, 6, 9, 11]. Так в работах [5,12] оценена взаимосвязь дебиторской задолженности и прибыльности организации. В отдельных исследованиях доказано, что использование электронного документооборота оказывает влияние на величину дебиторской задолженности [17]. Обосновано, что более современное программное обеспечение позволяет принимать управленческие решения быстрее, чем при бумажном обмене информацией. Помимо управленческого аспекта, автоматизация бизнес-процессов служит фактором повышения качества управления и анализа за деятельностью компании.

В результате обзора литературы выявлена область, требующая новых разработок и исследований в части анализа и управления дебиторской задолженностью. Так, следует понять, какие факторы в настоящее время оказывают существенное влияние на дебиторскую задолженность. Эта проблематика определила цель нашего исследования.

Методика исследования

На текущий момент на мировом рынке химическая промышленность не занимает приоритетных позиций. Россия находится на 11 месте по объему производства химической продукции, производя 2,1% ее мирового объема. Химическими лидерами являются Соединенные Штаты Америки и Китай, которые производят 18,6% и 15% мировой продукции соответственно. Важное значение также имеют страны ЕС, суммарная доля которых в мировом производстве составляет порядка 15% [14].

При этом внутри РФ наблюдается развитие отрасли, о чем свидетельствует опережающий средний рост химического производства за последние несколько лет относительно среднего роста по промышленности. Наблюдается повышательная тенденция химического производства за весь анализируемый период (рисунок 1).

Рисунок 1. Индекс химического производства и промышленного производства в РФ, 2015–2019 гг., % к предыдущему периоду, накопленным итогом [4]

В качестве базы исследования выступили 44 организации химической промышленности.Сюда, в частности, попали: ПАО «Сибур Холдинг», ПАО "Казаньоргсинтез", ПАО «Химпром» и др. Источником сбора данных послужила бухгалтерская финансовая отчетность компаний, доступная в открытых источниках информации – на официально сайте раскрытия информации «Интерфакс». Была изучена бухгалтерская финансовая отчетность, составленная в соответствии с российскими стандартами бухгалтерского учета, в период с 2015 по 2019 годы. В выборку попали предприятия, имеющие организационно-правовую форму публичного акционерного общества (ПАО) или акционерного общества (АО), для которых раскрытие данных бухгалтерской отчетности является обязательным в соответствии с законодательством РФ. При этом в отрасли присутствует значительное количество организаций, как крупных, так и средних, имеющих отличные организационно-правовые формы, как общество с ограниченной ответственностью или закрытое акционерное общество. По ним отсутствуют открытые данные о финансово-хозяйственной деятельности. Несмотря на это, отобранная выборка является репрезентативной, выбор предприятий произведен случайным образом. Итоговое количество наблюдений составило 225.

В рамках исследования была построена модель линейной многофакторной регрессии. Построение коэффициентов при переменных произведено методом наименьших квадратов (МНК) с дальнейшим проведением оценки значимости коэффициентов, тестированием их на наличие или отсутствие мультиколлинеарности и гетероскедастичности. Результирующим показателем в модели является величина дебиторской задолженности. Отобранные данные являются панельными, исследуются с помощью программного продукта Stata. Методика расчета объясняющих показателей, а также их условные обозначения представлены в таблице 1.

Таблица 1 - Условные обозначения и порядок расчета показателей, включенных в модель

Наименование переменной, единица меры

Условное обозначение

Источник/ Методика расчета показателя

Дебиторская задолженность, тыс. рублей

AR

Баланс

Выручка, тыс. рублей

R

Отчет о финансовых результатах

Чистая прибыль, тыс. рублей

NP

Отчет о финансовых результатах

Кредиторская задолженность, тыс. рублей

AP

Баланс

Денежные средства, тыс. рублей

С

Баланс

Затраты на НИОКР, тыс. рублей

RC

Баланс

Административные расходы, тыс. рублей

AE

Отчет о финансовых результатах

Доля чистого оборотного капитала в общей сумме активов (коэффициент)

dNWC

Стоимость оборотных активов минус кредиторская задолженность и полученная величина поделена на стоимость активов

Рентабельность продаж (коэффициент)

ROS

Валовая прибыль поделена на выручку

Рентабельность активов (коэффициент)

ROA

Чистая прибыль поделена на стоимость активов

Соотношение сроков погашения дебиторской и кредиторской задолженности (коэффициент)

AR_AP

Бинарная переменная:

1 - Дебиторская задолженность больше кредиторской

0- Обратная ситуация

Валовый внутренний продукт, млрд. рублей

GDP

Росстат

Денежная масса, млрд. рублей

M0

Центральный Банк РФ

Индекс сетевой готовности (коэффициент)

NRI

United nations e-government survey

Важным фактором для исследования является применение к дебиторам определенной кредитной политики организации, однако данная информация является внутренней, доступ к ней является закрытым. Увеличение выручки (R) зачастую вызвано жесткой политикой предприятия в отношении управления оборотным капиталом. Исходя из этого, было выдвинуто предположение, о наличии прямой связи между дебиторской задолженностью и выручкой организации, а также чистой прибылью (NP).

Полагаем также, что существует зависимость между дебиторской и кредиторской задолженностями. Кредиторская задолженность (AP) выступает дополнительным видом заемных средств, соответственно при её увеличении предприятия готовы выступать аналогичным кредитором для своих контрагентов с целью увеличения объемов реализации и каналов сбыта. Поэтому она отобрана в качестве одного из факторов модели.

Гипотеза в отношении денежных средств согласуется с мнением авторов, исследующих данный вопрос, о том, что дебиторская задолженность и денежные средства по своей природе являются взаимозаменяющими категориями при управлении оборотным капиталом.

Исследованиям затрат на НИОКР уделялось незначительное внимание [15], однако считаем, что химическая промышленность является одной из наукоемких отраслей. Ведение разработок и исследований на предприятии способны повысить его имидж, обеспечить конкурентное преимущество, а как следствие предприятие будет производить более уникальные товары, работы и услуги, к которым применяется более агрессивная политика в отношении расчетов.

Переменная AE включена в модель, так как связана с осуществлением управленческих функций предприятием. В неё могут быть включены такие расходы как почтовые расходы, например, по доставке и получению первичных документов от контрагентов, расходы на почтовое обслуживание и интернет, расходы на обслуживание различного программного обеспечения. К ним же можно отнести расходы на обучение персонала, который повышая свою квалификацию, способствует более грамотному управлению всеми активами и обязательствами, в том числе в части расчетов с дебиторами.

Включение в модель таких переменных как доля чистого оборотного капитала в общей сумме активов, рентабельности продаж и активов, соотношение сроков погашения дебиторской и кредиторской задолженности необходимо, так как они являются значимыми при управлении оборотным капиталом в целом, и дебиторской задолженностью в частности.

Также в модель включены макроэкономические показатели: динамики ВВП, как фактора производства, и денежной массы, как результата покупательной способности в стране. При анализе управления дебиторской задолженностью в условиях цифровизации приобретают большое значение программные продукты, использование облачных решений, электронного документооборота. В открытых источниках данная информация отсутствует, что затрудняет исследование.

Предполагается, что влияние на объемы дебиторской задолженности возможно оценить с помощью агрегированного показателя – индекса сетевой готовности. Чем выше данный показатель, тем более развита информационная среда, соответственно взаимодействие с дебиторами и кредиторами налажено более качественно, и суммы дебиторской задолженности снижаются.

Результаты моделирования дебиторской задолженности

В общем виде модель зависимости дебиторской задолженности от объясняющих показателей можно выразить следующим образом (рисунок 2):

Рисунок 2. Модель зависимости дебиторской задолженности

На рисунке 2 β0 до β12 - это соответствующие коэффициенты при переменных, e – величина случайной ошибки, расшифровка коэффициентов. Описательная статистика переменных показала, что в части доли чистого оборотного капитала, рентабельности активов и рентабельности продаж, соотношении сроков погашения дебиторской и кредиторской задолженности сильного размаха данных не наблюдается, они все приближены к среднему значению.

Также индекс сетевой готовности не имеет сильного разброса данных. Оценки данного показателя находятся на низком уровне относительно других стран. Это свидетельствует о слабом развитии сетевой готовности страны. По остальным показателям выборки наблюдается в различной степени разброс данных. Поэтому в дальнейшем необходимо протестировать данные на выбросы, исключить значения, наиболее выпадающие из итоговой выборки для построения значимой модели. Несмотря на наличие разброса данных по некоторым коэффициентам выборка репрезентативна и можно перейти к непосредственному построению модели, которое будет произведено с помощью методов наименьших квадратов. Результаты представлены на рисунке 3.

Рисунок 3. Коэффициенты регрессии методом наименьших квадратов

Коэффициенты в модели в целом значимы, так как . Дебиторская задолженность на 91% объясняется факторами, которые включены в модель. При этом в модели не значимы следующие показатели:

  • затраты на НИОКР,
  • ВВП,
  • объем денежной массы,
  • индекс сетевой готовности.

Все остальные показатели показали значимость на уровне 5%. Далее модель протестирована на мултиколлиниарность, то есть на предмет линейной зависимости внутри отобранных факторов. Результаты теста следующие. Наблюдается сильная зависимость между показателями выручки, чистой прибыли. Данные показатели исключены из модели. При дальнейшем регрессионном анализе в ходе исключения показателей выручки и чистой прибыли коэффициенты рентабельности активов и рентабельности продаж потеряли свою значимость. Результаты регрессии представлены на рисунке 4.

Рисунок 4. Коэффициенты регрессии методом наименьших квадратов после проведенных тестов на мультиколлиниарность

Таким образом, значимыми показателями на 5-% уровне являются: величина кредиторской задолженности, денежных средств и административных расходов.

Далее проведен тест на выбросы, чтобы устранить разброс данных. По результатам теста из модели были исключены два предприятия ТОАЗ и Сибур Холдинг, чья дебиторская задолженность имеет максимальные значения и искажает модель для построения зависимости. Стоит отметить, что данные предприятия являются лидерами химической промышленности как по величине выручки, так и по производительности. После этого повторно проведен тест на мультиколлениарность. Его результаты подтвердили полученный результат. В графическом виде зависимость дебиторской задолженности от показателей кредиторской задолженности, денежных средств и административных расходов представлена на рисунке 5.

Рисунок 5. Анализ наблюдений

Рассмотрим силу связей между результирующим показателем и объясняющими. Они представлены на рисунке 6.

Рисунок 6. Матрица корреляций коэффициентов модели

Таким образом, самое сильное влияние на дебиторскую задолженность оказывают административные расходы, затем денежные средства и кредиторская задолженность.

Все отобранные коэффициенты являются значимыми и объясняют изменение дебиторской задолженности на 88,42%. Дополнительно протестируем модель на наличие гетероскедастичности с помощью теста Вайта. Статистика p = 0,15987, что свидетельствует об отсутствии гетероскедастичности. Проверим также распределение остатков в соответствии с нормальным распределением. Результаты представлены на рисунке 7.

Рисунок 7. Проверка остатков на нормальность распределения

Исходя из рисунка 7 можно сделать вывод о том, что распределение остатков похоже на нормальное. Таким образом, на основании отбора значимых коэффициентов в модели, проведение тестов на мультиколлиниарность, гетероскедастичность и нормальность распределения итоговая модель дебиторской задолженности в организациях химической промышленности имеет вид (рисунок 8):

Рисунок 8. Итоговая модель

Можно сделать вывод о том, что большое количество факторов, исключенных из модели, на практике могут играть значимую роль в управлении дебиторской задолженностью. Как было отмечено ранее в статье, в химической промышленности наблюдается большое количество предприятий, которые имеют организационно правовую форму ООО и ЗАО, данные о которых отсутствуют в открытом доступе. При этом включение их в анализируемую область могло бы дать более качественную информацию об объектах химической промышленности. Химическая отрасль имеет сложную структуру, одни предприятия являются потребителями продукции других химических предприятий. При этом исходя из подразделения на группы по структуре потребления и производства можно было бы избежать сильного разброса данных, провести более качественный анализ по однородным данным. Но информация о структуре потребления и производства является внутренней, что невозможно осуществить в рамках исследования.

Выводы

Таким образом, на дебиторскую задолженность предприятий химической отрасли большое влияние оказывают внутренние факторы. Отобранные для исследования внешние факторы не имеют тесной связи с дебиторской задолженностью. Среди внутренних факторов, существенно влияющих на дебиторскую задолженность и косвенно отражающих цифровой характер деятельности экономического субъекта, является показатель административных расходов.

Однако с точки зрения финансового анализа степень влияния административных расходов на формирование суммы дебиторской задолженности является спорным вопросом. Безусловно, административные расходы не могут принимать прямого участия в формировании суммы дебиторской задолженности согласно принятым правилам ведения бухгалтерского учета. Однако стоит принять во внимание тот факт, что полученная модель несет математический характер и результаты подобного моделирования могут нести непредсказуемые последствия, а, следовательно, иметь новую, отличную от сложившейся в научной среде, интерпретацию. В связи с этим, было выдвинуто предположение, что фактор AE может оказывать не прямое, а косвенное влияние на показатель дебиторской задолженности. В частности, административные расходы включают в себя расходы на системное программное обеспечение, техническое обслуживание и техническую поддержку. Применение прогрессивных технологических решений и программных продуктов, усиление роли автоматизации бизнес-процессов на практике создают конкурентные преимущества экономического субъекта в рыночной среде. Безусловно успешность в цифровизации бизнеса влияет на его показатели прибыльности и финансовой устойчивости, что подразумевает и более эффективное управление дебиторской задолженностью.

Однако, несмотря на представленную интерпретацию полученных результатов моделирования, вопрос степени важности влияния фактора административных расходов на дебиторскую задолженность и отражение в нем цифровых воздействий на бизнес-процессы требует дальнейших исследований и обоснования. В частности, дальнейший научный интерес может представлять исследование, включающее анализ влияния на дебиторскую задолженность конкретных элементов административных расходов, особенно направленных на развитие кадров и технологий. Такое исследование, возможно, покажет, кто или что наиболее важно в управлении дебиторской задолженностью: квалифицированный специалист или прогрессивная технология. Тем самым анализ дебиторской задолженности приведет к оценке влияния на нее факторов нефинансового характера.

References
1. Anikina E. S. Teoreticheskie aspekty debitorskoi zadolzhennosti, ee sushchnost' i klassifikatsiya [Tekst] / E. S. Anikina // Molodoi uchenyi. – 2019. – № – S. 193-196.
2. Bocharov V. V. Upravlenie denezhnym oborotom predpriyatii i korporatsii [Tekst] / V. V. Bocharov. // Finansy i statistika. ¬¬¬¬– 2018. – № 17. – S. 141-159.
3. Zheltukhina M.A. Normativnoe regulirovanie ucheta raschetov s postavshchikami i podryadchikami // Molodoi uchenyi. – 2015. – № 11. – S.837-843.
4. Informatsiya o sotsial'no-ekonomicheskom polozhenii Rossii//Federal'naya sluzhba gosudarstvennoi statistiki – Rezhim dostupa: http://gks.ru/bgd/free/B20_00/Main.htm
5. Kozhina E.A. Faktory, vliyayushchie na oborachivaemost' debitorskoi zadolzhennosti // Finansy i kredit. – 2017. – № 21 (741). URL: https://cyberleninka.ru/article/n/faktory-vliyayuschie-na-oborachivaemost-debitorskoy-zadolzhennosti DOI: https://doi.org/10.24891/.23.21.1258
6. Kotovich A.P. Upravlenie debitorskoi zadolzhennost'yu malogo predpriyatiya // [Elektronnyi resurs] – Mezhdunarodnyi nauchno-issledovatel'skii zhurnal – 2013. – № 4(11). – S. 38-14 – Rezhim dostupa: https://research-journal.org/economical/upravlenie-debitorskoj-zadolzhennostyu-malogo-predpriyatiya/
7. Klychkova G.S. Debitorskaya zadolzhennost': sushchnost' i opredelenie [Tekst] / G.S Klychkova, Z.Z. Khammidulin // Bukhgalterskii uchet v byudzhetnykh i nekommercheskikh organizatsiyakh – 2016. – №16. – S. 56-67.
8. Otrubyannikova P.V., Viktorova N.G. Organizatsiya protsessa byudzhetirovaniya na krupnopromyshlennykh predpriyatiyakh posredstvom tsifrovykh tekhnologii. Sbornik trudov «Ustoichivoe razvitie tsifrovoi ekonomiki, promyshlennosti i innovatsionnykh sistem» nauchno-prakticheskoi konferentsii s zarubezhnym uchastiem. Pod red. D. G. Rodionova, A. V. Babkina. – 2020. – S. 393-395.
9. Podguzova K.V., Korzovatykh Zh.M. Debitorskaya zadolzhennost' predpriyatiya // [Elektronnyi resurs] – Vestnik GUU – 2014. – № 1. Rezhim dostupa: URL: https://cyberleninka.ru/article/n/debitorskaya-zadolzhennost-predpriyatiya
10. Pyatov M. L. Upravlenie obyazatel'stvami organizatsii / M.L. Pyatov. M.: Finansy i statistika – 2014. – 256 s.
11. Rumyantseva A. Yu. Upravlenie debitorskoi zadolzhennost'yu na predpriyatii: dissertatsiya kandidata ekonomicheskikh nauk: 08.00.10 / Sankt-Peterburg. gos. inzhener.-ekonom. un-t. – Sankt-Peterburg, 2014. – 180 s.
12. Salimova V.R. Analiz debitorskoi zadolzhennosti// [Elektronnyi resurs] – Upravlenie ekonomicheskimi sistemami – 2016. – № 6 (88). Rezhim dostupa: http://uecs.ru/ekonomicheskiy-analiz/item/3991-2016-06-25-08-40-15
13. Auyb Mehar. Simultaneous Determination of Inventories and Accounts Receivable/ Managerial and Decision Economics – 2015. – № 4. – Pp. 259-269. DOI: https://doi.org/10.1002/mde.1221
14. Extra-EU trade of chemicals and related products// Eurostat Data Browser – Rezhim dostupa: https://ec.europa.eu/eurostat/databrowser/view/ext_lt_mainchem/default/table?lang=en
15. Merrill S. Brenner, Brian M. Rushton. Sales Growth and R&D in the Chemical Industry/ Research-Technology Management – 2016. – T. 32. – № 2. DOI: https://doi.org/10.1080/08956308.1989.11670580
16. Raveesh Krishnankutty, Nemiraja Jadiyappa. Ownership structure and receivables management// Journal of Public Affairs – 2020. – T.2. – № 2. DOI: https://doi.org/10.1002/pa.2041
17. Šebej V. The Role of Account Receivables Controlling// [Elektronnyi resurs] – Appconf: Ofitsial'nyi sait – Rezhim dostupa: https://appsconf.files.wordpress.com/2016/01/2012.pdf