Моделирование инвестиционных рисков в агропромышленном комплексе
(Стр. 85-97)

Сельскохозяйственная отрасль традиционно считается высокорискованной среди кредиторов и инвесторов ввиду таких факторов риска, как неблагоприятные погодные условия. Однако недавно проведенные исследования показывают на примере конкретных стран и кредитных организаций, что кредитование сельского хозяйства не отличается от кредитования иных бизнесов с точки зрения риска дефолта. С целью опровержения или подтверждения полученных выводов в контексте агропромышленного комплекса России была разработана модель оценки вероятности дефолта для малых и средних сельскохозяйственных предприятий на основе ежегодной финансовой отчетности за 2015-2019 гг. Основанная на логистической регрессии модель показала результат метрики AUC ROC сопоставимый с ее значениями для моделей, применяемых на практике при оценке кредитного риска. Полученный результат послужил основанием для принятия гипотезы о сопоставимости риска дефолта в агробизнесе по сравнению с иными направлениями бизнеса применительно к России. Также были сформулированы направления дальнейших исследований проблемы оценки кредитного риска сельскохозяйственных предприятий.

Шадрин А.А., Чиркова Е.Д., (2021), МОДЕЛИРОВАНИЕ ИНВЕСТИЦИОННЫХ РИСКОВ В АГРОПРОМЫШЛЕННОМ КОМПЛЕКСЕ. Проблемы экономики и юридической практики, 3 => 85-97.

«Агроэксперт», 2020 [URL: https://www.rshb.ru/download-file/421783/Agroekspert_2020_1.pdf]
«Итоги всероссийской сельскохозяйственной переписи 2006 года», ИИЦ «Статистика России», 2008;
«Итоги всероссийской сельскохозяйственной переписи 2016 года», ИИЦ «Статистика России», 2018
«Обзор рынка сельского хозяйства - 2019», Deloitte, 2019 [URL: https://www2.deloitte.com/ru/ru/pages/consumer-business/articles/snapshot-of-the-russian-agroindustry.html]
«СПАРК-Интерфакс», https://www.spark-interfax.ru/
Федеральная служба государственной статистики «Росстат», Валовой внутренний продукт и произведенный ВВП по разделам ОКВЭД 2, годовые данные за 2011-2020 гг. в приведенных ценах 2016 года [URL: https://rosstat.gov.ru/accounts]
«A Future That Works: Automation, Employment, and Productivity», McKinsey Global Institute, 2017 [https://www.mckinsey.com /~/media/mckinsey/featured%20insights/Digital%20Disruption/Harnessing%20automation%20for%20a%20future%20that%20works/MGI-A-future-that-works-Executive-summary.ashx]
«AEROSPACE-AGRO» [URL 1: https://www.instagram.com/ aerospace.agro/?hl=en] [URL 2: https://aerospace-agro.com]
«Agriculture Drones Market Report», Reports and Data, 2020 [URL: https://www.reportsanddata.com/report-detail/agriculture-drone-market]
«Benchmarking regression algorithms for loss given default modeling», G. Loterman, I. Brown, D. Martens, C. Mues, B. Baesens, 2012
«Can agricultural credit scoring for microfinance institutions be implemented and improved by weather data?», Römer, Ulf; Mußhoff, Oliver, 2017
«Credit Risk Modelling», Bart Baesens, 2015 [URL: https://youtu.be /1vF3dbcr1c8]
«GUSS» - Global Unmanned Spray System [URL: https://gussag.com]
«MARS Crop Yield Forecasting System» [URL: https://marswiki.jrc.ec.europa.eu/agri4castwiki/index.php/Welcome_to_WikiMCYFS]
«Performance of the MARS-crop yield forecasting system for the European Union: Assessing accuracy, in-season, and year-to-year improvements from 1993 to 2015», M. van der Velde, L. Nisini, 2019
«Where Is the Risk? Is Agricultural Banking Really More Difficult than Other Sectors?», Klaus Maurer, 2014

модели рисков, оценка дефолта, кредитный скоринг, сельское хозяйство.