Управление рисками дебиторской задолженности в 2024–2025 гг.: Интеграция МСФО (IFRS) 9, ML-скоринга и ESG-факторов

метки: Кредитный, Факторинг, Задолженность, Модель, Оценка, Ликвидность, Россия, Взыскание

Рынок факторинга в России в 2024 году достиг рекордного оборота в 10,5 трлн рублей, что на 36% превышает показатели предыдущего года. Эта впечатляющая цифра — не просто свидетельство роста финансового сектора, но и мощный индикатор: в условиях жесткой денежно-кредитной политики и высокой ключевой ставки, риск неплатежей и потребность бизнеса в ускорении оборачиваемости капитала достигли критического уровня. Дебиторская задолженность (ДЗ) перестает быть пассивным элементом баланса и становится одним из ключевых операционных и стратегических рисков, требующих немедленной и научно обоснованной минимизации.

Настоящее исследование ставит своей целью деконструкцию теоретических основ и практических методов управления рисками ДЗ, критическую оценку актуальности существующих стратегий и разработку современных мероприятий, интегрирующих требования международных стандартов, передовые технологии анализа данных (ML) и нефинансовые факторы (ESG), для обеспечения финансовой устойчивости предприятий в 2024–2025 гг.

Теоретические основы и нормативное регулирование кредитного риска дебиторской задолженности

Управление дебиторской задолженностью — это балансирование между стимулированием продаж через предоставление коммерческого кредита и минимизацией потерь от неплатежей. Однако для корректного управления рисками необходима четкая методологическая база, которая определяется как национальными, так и международными стандартами финансовой отчетности, следовательно, компании должны уделять первостепенное внимание их строгому соблюдению, чтобы избежать регуляторных рисков.

Актуальная классификация ДЗ в свете МСФО и российского законодательства

Ключ к эффективному управлению риском лежит в правильной классификации актива. Согласно МСФО (IAS) 1 «Представление финансовой отчетности», дебиторская задолженность, как и любой другой актив, должна быть четко разделена по срокам погашения на:

1. Краткосрочную: Задолженность, погашение которой ожидается в течение 12 месяцев с отчетной даты или в пределах нормального операционного цикла компании.
2. Долгосрочную: Задолженность со сроком погашения, превышающим один год или операционный цикл.

Более глубокая классификация требуется МСФО (IFRS) 9, который различает:

• Финансовые активы: К ним относится торговая дебиторская задолженность, возникающая в результате обычных операций по продаже товаров и услуг. Именно эти активы подвержены кредитному риску и требуют расчета резервов по модели ожидаемых кредитных убытков (ECL).
• Нефинансовые активы: Например, авансы, выданные поставщикам, которые, по сути, являются правом на получение не денежных средств, а товаров или услуг, и не подпадают под требования IFRS 9 в части кредитного риска.

Особое внимание уделяется задолженности, по которой невозможно установить конкретную дату погашения. В российском учете, в соответствии с Письмом Минфина РФ от февраля 2024 года, дебиторская задолженность с условной датой исполнения, такой как «31.12.2999» (характерной для оспариваемых или нерегламентированных требований), должна быть классифицирована в качестве краткосрочного финансового актива. Это подчеркивает стремление регулятора к скорейшему учету и урегулированию таких долгов.

Учет дебиторской задолженности в условиях МСФО 9: Методологический ...

... хозяйственных операций. Согласно МСФО (IFRS) 9 «Финансовые инструменты», большинство видов дебиторской задолженности квалифицируются как финансовые активы. С экономической точки зрения, дебиторская задолженность является, по сути, ... ликвидность и долгосрочную устойчивость? МСФО 1 «Представление финансовой отчетности» требует четкой классификации ДЗ по срокам погашения: Категория ДЗ Критерий ...

Концептуальные основы резервирования: Модель Ожидаемых Кредитных Убытков (ECL) IFRS 9

Внедрение МСФО (IFRS) 9 «Финансовые инструменты» в корне изменило методологию оценки кредитного риска и формирования резервов под обесценение финансовых активов. До 2018 года действовала ретроспективная модель понесенных убытков (IAS 39), которая позволяла создавать резерв только после того, как произошло событие, подтверждающее обесценение (например, просрочка платежа).

Модель Ожидаемых Кредитных Убытков (ECL), предписанная IFRS 9, заменила этот подход на перспективный:

Резерв под обесценение должен рассчитываться как средневзвешенное по вероятностям значение кредитных убытков и основываться на прогнозах, которые включают историческую информацию, текущие условия и, что критически важно, перспективную (будущую) макроэкономическую информацию.

Это означает, что менеджмент обязан активно прогнозировать, как изменение ключевой ставки, инфляция, динамика ВВП или геополитические факторы повлияют на платежеспособность дебиторов в будущем. И что из этого следует? Применение ECL фактически превращает финансовый отдел из статиста в проактивного прогнозиста, чьи оценки напрямую влияют на финансовый результат компании.

Основные этапы расчета ECL:

1. Оценка вероятности дефолта (PD): Использование статистических моделей (например, скоринга) для оценки вероятности неисполнения обязательств контрагентом в течение срока жизни актива.
2. Оценка потерь в случае дефолта (LGD): Ожидаемая доля задолженности, которую компания потеряет в случае дефолта (обычно выражается в процентах).
3. Оценка подверженности риску дефолта (EAD): Сумма, которую компания ожидает получить от контрагента в случае дефолта.

Формула расчета ожидаемых кредитных убытков (ECL) в простейшем виде:

ECL = PD × LGD × EAD

Применение модели ECL требует от компании значительного повышения качества финансового моделирования и сбора прогнозных данных, что является ключевой задачей риск-менеджмента в 2024–2025 гг.

Количественная оценка Risk Capacity как базовый элемент риск-менеджмента

Управление риском дебиторской задолженности невозможно без определения пределов допустимых потерь. Для этого вводится понятие Risk Capacity (Емкость риска).

Емкость риска (Risk Capacity) — это максимальный уровень финансовых потерь, которые организация может поглотить без угрозы ее жизнеспособности, нарушения установленных законодательством или кредиторами нормативов (например, ковенантов) и без существенного снижения ее ликвидности и финансовой устойчивости.

Risk Capacity является количественной оценкой и, как правило, ограничивается следующими критическими финансовыми порогами:

1. Требуемый уровень ликвидности: Потери от ДЗ не должны опускать коэффициент текущей ликвидности ниже критического уровня (например, 1,0–1,5).
2. Собственный капитал: Максимально допустимые убытки, которые могут быть покрыты за счет резервов и неснижаемой части собственного капитала.
3. Долговые ковенанты: Установленные кредиторами лимиты по соотношению долга к EBITDA или другим показателям, нарушение которых может привести к требованию досрочного погашения кредитов.

Связь Risk Capacity с управлением ДЗ:
Определение Емкости риска позволяет установить лимиты кредитного риска для отдельных контрагентов или групп задолженности. Если ожидаемые кредитные убытки по портфелю ДЗ (рассчитанные по IFRS 9) приближаются к Risk Capacity, это служит сигналом к немедленному ужесточению кредитной политики, отказу от высокорисковых сделок или обязательному применению инструментов минимизации (страхование, факторинг).

Какой важный нюанс здесь упускается? Если компания не определила свою Risk Capacity, она фактически управляет рисками вслепую, что делает невозможным обоснованное принятие решений о предоставлении товарного кредита.

Динамика просроченной ДЗ и макроэкономические тенденции в высокорисковых отраслях (2023–2025 гг.)

Экономический ландшафт 2023–2025 гг. характеризуется высоким уровнем неопределенности, геополитическими ограничениями и, в первую очередь, жесткой денежно-кредитной политикой, направленной на сдерживание инфляции. Высокая ключевая ставка, сохраняющаяся на двузначном уровне, удорожает заемные средства для бизнеса, что неизбежно приводит к ухудшению платежной дисциплины и росту просроченной дебиторской задолженности.

Анализ структуры и динамики просроченной ДЗ по данным Росстата и Банка России

Общие статистические данные подтверждают растущую проблему. По оперативным данным Росстата, доля просроченной дебиторской задолженности в общем объеме ДЗ имеет устойчивую тенденцию к росту.

Показатель	Конец октября 2023 г.	Конец октября 2024 г.	Динамика, п.п.
Доля просроченной ДЗ в общем объеме ДЗ, %	2,4%	3,2%	+0,8
Объем просроченной ДЗ в отрасли «Строительство» (по межбюджетным трансфертам, условно)	2,6 млрд руб.	2,8 млрд руб.	+7,7%

Таблица 1. Динамика доли просроченной дебиторской задолженности (усредненные данные).

Отрасль строительства традиционно является высокорисковой зоной из-за длинных циклов окупаемости, зависимости от государственного финансирования и жестких условий контрактов. В 2024 году, на фоне более осторожного финансирования и завершения крупных национальных проектов, темпы роста объема выполненных строительных работ замедлились. Одновременно с этим, как показывают данные Счетной палаты, просроченная дебиторская задолженность только по межбюджетным трансфертам в Минстрое выросла почти на 8%. Это свидетельствует о структурных проблемах в цепочке финансирования, которые быстро транслируются в неплатежи по коммерческим контрактам.

Банк России регулярно включает анализ объема просроченной ДЗ в разрезе отраслей в свои «Обзоры финансовой стабильности», рассматривая этот показатель как ключевой индикатор уязвимости финансового сектора.

Тенденции на рынке факторинга и страхования как индикаторы торговых рисков

Масштаб проблемы управления торговыми рисками наглядно демонстрируют показатели финансового рынка:

• Рынок факторинга: Общий оборот российского рынка факторинга достиг 10,5 трлн рублей по итогам 2024 года, а портфель факторинговых компаний — 2,96 трлн рублей. Этот взрывной рост (более 30% в год) объясняется тем, что компании, лишенные дешевых банковских кредитов, вынуждены использовать факторинг для мгновенного высвобождения оборотного капитала, запертого в дебиторской задолженности.
• Кредитное страхование: Рынок страхования дебиторской задолженности (торговых кредитов) также показал значительный рост сборов премий на 27% в 2024 году, достигнув рекордных 8,8 млрд рублей.

Рост обоих рынков — это прямой ответ бизнеса на возрастающий кредитный риск. Факторинг решает проблему ликвидности и оборачиваемости, тогда как страхование ДЗ решает проблему защиты от катастрофических рисков (банкротства ключевого дебитора).

Современные методики оценки кредитного риска: от классики к нейросетевым моделям

Эффективная система управления ДЗ требует точного и оперативного прогнозирования вероятности дефолта контрагентов. В настоящее время происходит активная трансформация аналитических подходов: традиционные статистические модели дополняются и замещаются методами, основанными на Big Data и машинном обучении (ML).

Но разве можно сегодня обойтись традиционными методами, если модель ECL требует перспективного анализа?

Оценка вероятности банкротства с помощью многофакторных моделей (Z-score)

Модель Альтмана (Z-score) остается одним из наиболее распространенных статистических инструментов экспресс-анализа вероятности банкротства компании на горизонте до двух лет. Несмотря на свою относительную простоту, она позволяет быстро провести скрининг контрагентов на основе публичных финансовых данных.

Классическая пятифакторная модель Альтмана (для публичных промышленных компаний) имеет следующий вид:

Z = 1,2 · X₁ + 1,4 · X₂ + 3,3 · X₃ + 0,6 · X₄ + 1,0 · X₅

Где:

• X₁ = Оборотный капитал / Активы (Показатель ликвидности)
• X₂ = Нераспределенная прибыль / Активы (Показатель накопленной прибыльности)
• X₃ = Прибыль до налогообложения / Активы (Показатель операционной эффективности)
• X₄ = Рыночная стоимость собственного капитала / Обязательства (Показатель финансовой структуры)
• X₅ = Объем продаж / Активы (Показатель оборачиваемости активов)

Критические зоны Z-score:

Значение Z	Зона риска	Интерпретация
Z ≥ 3,0	«Зеленая зона»	Низкая вероятность банкротства, финансовая устойчивость.
1,8 < Z < 3,0	«Желтая зона»	Зона неопределенности, требуется дополнительный анализ.
Z ≤ 1,8	«Красная зона»	Высокая вероятность банкротства в ближайшие два года.

Несмотря на эффективность, модели типа Z-score страдают от ограничений: они требуют точных данных (часто доступны только раз в квартал или год) и не учитывают нефинансовые, поведенческие или макроэкономические факторы в реальном времени.

Внедрение Big Data и Machine Learning в корпоративный скоринг

В современных условиях традиционные модели становятся недостаточными. Крупные компании, стремящиеся к точному прогнозированию ECL (согласно IFRS 9), переходят к технологиям Big Data и Machine Learning (ML).

Преимущество ML-моделей в скоринге заключается в следующем:

1. Анализ неструктурированных данных: Способность анализировать не только финансовые отчеты, но и поведенческие данные (транзакции, частота платежей, активность в социальных сетях, новостной фон, судебные иски, изменения в структуре собственности), что повышает прогностическую силу.
2. Адаптивность: ML-модели, в частности нейросети, способны автоматически перестраиваться при изменении макроэкономических условий, что делает процесс оценки более динамичным.
3. Построение единой нейросетевой модели: Передовая практика предполагает построение комплексной модели, которая интегрирует все источники последовательных данных (например, исторические кредитные линии, транзакции), учитывая их взаимное влияние для более точной оценки вероятности дефолта.

Ключевая метрика качества:

Для оценки качества ML-моделей в скоринге используется коэффициент Джини (Gini coefficient), который тесно связан с метрикой AUC-ROC (Area Under the Receiver Operating Characteristic).

Коэффициент Джини измеряет ранжирующую способность модели — насколько хорошо модель способна отделить «хороших» заемщиков (платежеспособных) от «плохих» (потенциальных дефолтеров).

Модель, обладающая высоким коэффициентом Джини (близким к 1,0), позволяет эффективно распределять кредитные лимиты и точно рассчитывать вероятности дефолта (PD), являющиеся основой для расчета резервов по МСФО (IFRS) 9.

Комплексное управление рисками и интеграция нефинансовых факторов

Комплексное управление рисками дебиторской задолженности включает не только диагностику и прогнозирование, но и активное использование инструментов минимизации риска и учет новых, нефинансовых факторов, влияющих на долгосрочную платежеспособность контрагента.

Сравнительный анализ эффективности факторинга и кредитного страхования в 2024–2025 гг.

В условиях финансовой нестабильности компании часто выбирают между двумя основными инструментами управления торговым риском: факторингом и кредитным страхованием.

Критерий сравнения	Факторинг без права регресса	Кредитное страхование
Основная цель	Получение финансирования, улучшение ликвидности, ускорение оборачиваемости.	Покрытие чрезвычайных кредитных рисков (банкротство, длительная невыплата).
Передача риска	Фактор принимает на себя кредитный риск ДЗ.	Страховщик компенсирует убытки в рамках лимита.
Воздействие на баланс	ДЗ списывается с баланса, улучшая ликвидность.	ДЗ остается на балансе; страховка — это защита от убытка.
Текущая стоимость (2024–2025)	Высокая. Удорожание из-за высокой ключевой ставки и стоимости заемных средств для фактора.	Относительно ниже. Рост спроса как на более доступную альтернативу дорогому банковскому кредиту.
Применение	Регулярное финансирование цепочек поставок (SCF).	Защита крупных, стратегически важных контрактов от банкротства дебитора.

Таблица 2. Сравнительный анализ факторинга и кредитного страхования.

В 2024 году, на фоне высокой ключевой ставки, стоимость факторинга и банковских гарантий возросла. Это сделало кредитное страхование более привлекательной и востребованной альтернативой для управления именно торговыми рисками (о чем свидетельствует рост сборов премий на 27%).

Таким образом, факторинг остается инструментом управления ликвидностью и оборачиваемостью, тогда как страхование ДЗ — это инструмент прямой минимизации потерь, особенно для покрытия рисков, п��евышающих установленную Risk Capacity.

Учет ESG-рисков при формировании кредитной политики

Современный анализ кредитного риска не может ограничиваться только финансовыми коэффициентами. Все более важную роль играют ESG-риски — нефинансовые факторы (экологические, социальные и управленческие), которые могут трансформироваться в прямые кредитные риски.

Механизм трансформации ESG-риска в кредитный риск:

1. Экологический риск (E): Несоблюдение экологических норм может привести к крупным штрафам, остановке деятельности или отзыву лицензий.
2. Социальный риск (S): Нарушение трудовых прав, норм безопасности или этических стандартов может вызвать бойкот продукции, судебные иски со стороны сотрудников или общественный резонанс, что немедленно ухудшит репутацию и, как следствие, денежные потоки компании.
3. Управленческий риск (G): Слабое корпоративное управление, высокая концентрация власти или конфликты интересов повышают вероятность мошенничества и неэффективного расходования средств.

Пример: Реализация социального риска (S) в виде крупного скандала, связанного с нарушениями на производстве, приводит к падению спроса, наложению штрафов и, в конечном итоге, к снижению денежных потоков дебитора. Это напрямую ухудшает его способность своевременно погашать задолженность, трансформируя социальный риск в кредитный риск.

Поэтому при формировании кредитной политики и установлении лимитов необходимо проводить ESG-скрининг контрагентов, используя долгосрочный горизонт анализа и учитывая эти факторы в ценообразовании кредитных операций.

Актуализация правовых и организационных мероприятий по взысканию ДЗ

Эффективность управления ДЗ в значительной степени зависит от регламентированности внутренних процедур и актуальной нормативно-правовой базы, регулирующей процесс взыскания. В 2025 году в российском законодательстве и регулировании ожидаются важные изменения.

Новые стандарты управления ДЗ для федеральных получателей бюджетных средств (Приказ Минфина 2025)

В январе 2025 года Приказом Минфина России был утвержден новый регламент по управлению дебиторской задолженностью для федеральных получателей бюджетных средств. Хотя этот документ напрямую касается бюджетной сферы, его методология устанавливает новый, более высокий стандарт для всех государственных и квазигосударственных компаний.

Ключевые положения регламента:

• Стандартизация мер: Четкая регламентация процедур досудебного и судебного урегулирования ДЗ, включая сроки направления претензий, проведения сверок и подачи исков.
• Оценка эффективности: Внедрение метрик (KPI) для оценки эффективности работы сотрудников, ответственных за контроль и взыскание ДЗ.
• Автоматизация мониторинга: Требование по внедрению автоматизированных систем мониторинга, позволяющих оперативно выявлять просрочку и запускать процедуры взыскания.

Этот приказ отражает общую тенденцию к повышению прозрачности и эффективности в управлении государственными долгами, что должно служить ориентиром для коммерческого сектора.

Законодательные тенденции к ускорению взыскания (внесудебный порядок)

Важной тенденцией последних лет является стремление законодателя к упрощению и ускорению процедур взыскания задолженности. Наиболее яркий пример — это введение с 1 ноября 2025 года внесудебного порядка взыскания налоговой задолженности с физических лиц и самозанятых.

Хотя это касается налоговых органов, тенденция имеет более широкий смысл: государство инициирует шаги по сокращению судебной волокиты для очевидных долгов. Для коммерческих предприятий это означает, что в ближайшие годы можно ожидать дальнейшего развития законодательства, позволяющего упрощать взыскание коммерческой задолженности, например, через расширение возможностей исполнительной надписи нотариуса или дальнейшую цифровизацию судебных процессов.

Это подталкивает компании к более тщательному ведению первичного учета и сбора доказательной базы, поскольку в условиях ускоренного взыскания решающее значение имеет скорость предоставления неоспоримых документов, а также их юридическая чистота.

Заключение и практические рекомендации для повышения ликвидности компании

Управление рисками дебиторской задолженности в 2024–2025 гг. требует не простого контроля, а интеграции передовых методологий и проактивного прогнозирования. Общая тенденция к росту просроченной ДЗ, вызванная жесткой монетарной политикой, требует от финансового менеджмента немедленных действий.

Ключевые выводы исследования:

1. Перспективное резервирование: Требование МСФО (IFRS) 9 о переходе к модели Ожидаемых Кредитных Убытков (ECL) обязывает компании использовать перспективный анализ, основанный на прогнозах макроэкономических условий, что делает устаревшие ретроспективные методы неактуальными.
2. Технологический скачок: Для точной оценки кредитного риска необходимо внедрение систем на базе Machine Learning, способных анализировать Big Data и нефинансовые факторы, используя метрики качества (например, коэффициент Джини).
3. Нефинансовый риск: ESG-риски являются реальной угрозой, способной трансформироваться в кредитный риск, и должны быть включены в скрининг контрагентов.
4. Оптимизация инструментов: Из-за удорожания факторинга (высокая ключевая ставка) кредитное страхование становится все более важным инструментом покрытия чрезвычайных рисков.

Практические рекомендации для повышения ликвидности и устойчивости компании:

1. Переход к модели ECL и учет Risk capacity:
   • Сформировать методологию расчета резерва под сомнительные долги строго по модели ECL, используя триггеры, основанные на макроэкономических прогнозах (например, прогнозируемое изменение ВВП или ключевой ставки).
   • Четко определить Risk Capacity компании на основе ликвидных активов и неснижаемого капитала, чтобы установить жесткие кредитные лимиты, которые нельзя превышать без применения внешних инструментов минимизации риска (страхование/факторинг).
2. Внедрение автоматизированного ML-скоринга:
   • Инвестировать в разработку или приобретение модулей ML-скоринга, которые позволяют проводить ежедневный, а не ежеквартальный мониторинг контрагентов.
   • Включить в скоринговую модель нефинансовые факторы, включая ESG-показатели (репутация, судебные иски по трудовым спорам, экологические штрафы).
3. Формирование многоуровневой кредитной политики:
   • Для низкорисковых, но крупных дебиторов, требующих высокой оборачиваемости, использовать факторинг без права регресса.
   • Для высокорисковых контрагентов или сделок, превышающих 50% Risk Capacity, сделать обязательным страхование дебиторской задолженности для покрытия рисков банкротства.
4. Актуализация внутренних регламентов:
   • Привести внутренний регламент управления ДЗ в соответствие с требованиями Приказа Минфина 2025 года (в части стандартизации сроков и процедур).
   • Обеспечить полную цифровизацию и сбора доказательной базы для ускоренного реагирования на просрочку, учитывая тенденции к упрощению внесудебного взыскания.

Интегрируя эти современные подходы, компания не только минимизирует риски неплатежей, но и существенно повышает свою финансовую устойчивость и ликвидность в сложной и динамично меняющейся экономической среде 2024–2025 гг.

Список использованной литературы

1. Анализ и управление ликвидностью и платежеспособностью организации // КиберЛенинка. URL: https://cyberleninka.ru/article/n/analiz-i-upravlenie-likvidnostyu-i-platezhesposobnostyu-organizatsii (дата обращения: 09.10.2025).
2. Аудит-ИТ. Дебиторская задолженность (Receivables) – МСФО. URL: https://www.audit-it.ru/finref/accounting/post/receivables.html (дата обращения: 09.10.2025).
3. Банк России. Обзор финансовой стабильности. URL: https://cbr.ru/Content/Document/File/164787/OFS_2024-Q3_2024-Q4_2025.pdf (дата обращения: 09.10.2025).
4. Бухгалтерская отчетность предприятия за 2012-2013 гг.
5. Единая нейросетевая модель кредитного скоринга // Хабр. URL: https://habr.com/ru/companies/x5_tech/articles/690500/ (дата обращения: 09.10.2025).
6. Инфулл Брокер. Страхование дебиторской задолженности: Remind ждёт 10,3 млрд р. в 2025 г. URL: https://infullbroker.ru/strahovanie-debitorskoy-zadolzhennosti-remind-zhdyot-103-mlrd-r-v-2025-g/ (дата обращения: 09.10.2025).
7. Как быстро определить потенциального банкрота? // БКС Экспресс. URL: https://bcs-express.ru/novosti-i-analitika/kak-bystro-opredelit-potentsial-nogo-bankrota (дата обращения: 09.10.2025).
8. Методы управления ESG-рисками в кредитовании малого и среднего бизнеса // КиберЛенинка. URL: https://cyberleninka.ru/article/n/metody-upravleniya-esg-riskami-v-kreditovanii-malogo-i-srednego-biznesa (дата обращения: 09.10.2025).
9. Минфин России. Приказ Минфина России от 14.01.2025 № 2н. URL: https://minfin.gov.ru/ru/document/ (дата обращения: 09.10.2025).
10. Минфин утвердил новые правила управления дебиторской задолженностью с 2025 года // Бюджетник.ру. URL: https://budgetnik.ru/art/435166-minfin-utverdil-novye-pravila-upravleniya-debitorskoy-zadoljennostyu-s-2025-goda (дата обращения: 09.10.2025).
11. Налог.ру. О введении с 01.11.2025 внесудебного порядка взыскания с физических лиц налоговой задолженности. URL: https://www.nalog.gov.ru/rn77/news/activities_fts/16127117/ (дата обращения: 09.10.2025).
12. Налог.ру. С 1 ноября 2025 года меняется порядок взыскания налоговой задолженности с физических лиц. URL: https://www.nalog.gov.ru/rn77/news/activities_fts/16127117/ (дата обращения: 09.10.2025).
13. Отражение дебиторской задолженности в отчете о финансовом положении // Финотчет. URL: https://finotchet.ru/articles/otrazhenie-debitorskoy-zadolzhennosti-v-otchete-o-finansovom-polozhenii/ (дата обращения: 09.10.2025).
14. Письмо Минфина России от 26 февраля 2024 г. N 02-06-08/16384 О классификации дебиторской задолженности с датой исполнения «31.12.2999» // Гарант. URL: https://www.garant.ru/products/ipo/prime/doc/408226998/ (дата обращения: 09.10.2025).
15. Роль ликвидности в анализе деятельности предприятия // Журнал «Профессионал». URL: https://journalpro.ru/articles/rol-likvidnosti-v-analize-deyatelnosti-predpriyatiya/ (дата обращения: 09.10.2025).
16. Сведения о просроченной кредиторской и дебиторской задолженности организаций (на примере Маристат) // Росстат. URL: https://rosstat.gov.ru/storage/mediabank/info-2023-01-20.pdf (дата обращения: 09.10.2025).
17. События, триггеры и инструменты ESG – рисков // Ассоциация специалистов по риск-менеджменту. URL: https://asros.ru/analytics/stati-i-intervyu/sobytiya-triggery-i-instrumenty-esg-riskov/ (дата обращения: 09.10.2025).
18. Современные информационные технологии кредитного скоринга // БГУ. URL: https://elib.bsu.by/bitstream/123456789/228795/1/kudryavtseva_kiselev_2017_modern_information_technologies_of_credit_scoring.pdf (дата обращения: 09.10.2025).
19. Современный скоринг: использование Big Data и Machine Learning // NBJ.ru. URL: https://nbj.ru/publy/sovremennyy-skoring-ispolzovanie-big-data-i-machine-learning/ (дата обращения: 09.10.2025).
20. Строительство в российских регионах: итоги 2024 года // Sherpa Group. URL: https://sherpagroup.ru/analytics/stroitelstvo-v-rossiyskikh-regionakh-itogi-2024-goda (дата обращения: 09.10.2025).
21. Факторинг и страхование: что это такое и как работает в России // SA Progress. URL: https://sa-progress.ru/articles/faktoring-i-strahovanie-chto-eto-takoe-i-kak-rabotaet-v-rossii/ (дата обращения: 09.10.2025).
22. Факторинг как инструмент управления финансовыми ресурсами // КиберЛенинка. URL: https://cyberleninka.ru/article/n/faktoring-kak-instrument-upravleniya-finansovymi-resursami (дата обращения: 09.10.2025).
23. Чем кредитное страхование отличается от факторинга и банковских гарантий? // ICBA.ru. URL: https://icba.ru/blog/chem-kreditnoe-strahovanie-otlichaetsya-ot-faktoringa-i-bankovskih-garantiy/ (дата обращения: 09.10.2025).
24. Гид по корпоративным ESG-рискам от Сбера // Sber.pro. URL: https://sber.pro/publication/korporativnye-esg-riski (дата обращения: 09.10.2025).
25. Машинное обучение в оценке кредитных рисков: как ML меняет правила игры? // Хабр. URL: https://habr.com/ru/companies/selectel/articles/690500/ (дата обращения: 09.10.2025).
26. Глоссарий CISO: Необходимый минимум руководителя информационной безопасности // Хабр. URL: https://habr.com/ru/companies/selectel/articles/766624/ (дата обращения: 09.10.2025).