Методика прогнозирования несостоятельности организаций на основе данных ОАО "Этанол"
Дипломная работа - Экономика
Другие дипломы по предмету Экономика
льше коэффициент финансовой зависимости. И наоборот, предприятие с большей вероятностью станет банкротом при низком коэффициенте покрытия и высоком коэффициенте финансовой зависимости.
Задача состоит в том, чтобы найти эмпирическое уравнение некой дискриминантной границы, которая разделит все возможные сочетания указанных показателей на два класса:
сочетания показателей, при которых предприятие обанкротится;
сочетания показателей, при которых банкротство предприятию не грозит.
Прогнозирование вероятности банкротства конкретного предприятия осуществляется следующим образом. Значения дискриминантной функции представляют собой реализацию случайной величины. Распределение вероятностей указанной величины аппроксимируется нормальным распределением, и далее обычными приемами с помощью таблиц нормального распределения определяются вероятности банкротства для фиксированных значений.
Из рисунка 1 видно, что предприятия, у которых значения показателей Кп и Кф3 располагаются ниже и правее дискриминантной линии, вероятнее всего обанкротятся (вероятность их банкротства превышает 50%). При этом, чем дальше отстоит точка показателей от дискриминантной линии, тем выше вероятность банкротства.
20 40 60 80 100 КФЗ (равен 100%)
Рисунок 1 - Дискриминантная линия на корреляционном поле показателей Кп и КФЗ
Прогнозирование банкротства с помощью двухфакторной модели, включающей коэффициенты покрытия и финансовой зависимости, не обеспечивает высокой точности. Это объясняется тем, что данная модель не учитывает влияния на финансовое положение предприятия других важных показателей, характеризующих, например, эффективность использования ресурсов, отдачу активов, деловую и рыночную активность предприятия. Дискриминантная граница между банкротами и небанкротами в общем случае имеет более сложный вид: представляет собой размытую область, а не прямую линию. Ошибка прогноза с помощью двухфакторной модели оценивается интервалами О 2= 0,65. Чем больше факторов будет учтено в модели, тем, естественно, точнее может быть рассчитан с ее помощью прогноз.
Метод нейронных сетей
Использование метода нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. Одной из основных задач в финансовой области, решаемой с помощью нейрокомпьютеров, является прогнозирование банкротств. Данную задачу можно разбить на два этапа:
) анализ надежности предприятия с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде;
) анализ величины вероятности банкротства предприятия на основе многокритериальной оценки с построением нелинейной модели при помощи нейронных сетей.
Направление вычислительной математики, называемое нейроматематика, находится на стыке теории управления и параллельных вычислительных алгоритмов. Оно наиболее применимо в тех областях, где формализация вычислительного процесса невозможна или чрезвычайно неэффективна. Одним из примеров преимущества использования нейронных сетей является их способность генерировать нелинейную модель процесса на основе результатов адаптивного обучения (настройки) сети. При этом попытка проинтерпретировать процесс работы сети, а не результат, как правило, весьма затруднена.
Следует подчеркнуть такую особенность применения нейросетевых экспертных систем: исходной информацией для них служит система зависимостей между переменными, при этом фиксируется только факт зависимости одних переменных от других, а не ее вид. Это свойство позволяет без особых затруднений адаптировать экспертные системы на базе нейронных сетей к изменяющимся средам, исключая дорогую настройку. В частности, нейронные сети хорошо себя зарекомендовали в качестве основы для разработки экспертных систем в нечетких средах, в которых часто отсутствует явная функциональная зависимость между событиями, свойственная статистическим экспертным системам.
Нейронные сети при обучении генерируют нелинейные модели и имеют два типа выходных сигналов - дискретные и непрерывные.
Дискретные выходные сигналы используются для решения задач распознавания и классификации, причем как имеющихся объектов, так и вновь вводимых, ранее неизвестных. При этом данные для обучения и классы классифицируемых объектов могут быть самой различной природы. Условием построения хорошей модели будет лишь наличие корреляции между ними, причем в самом неявном и неформализуемом виде.
Непрерывные выходные сигналы используются для задач аппроксимации и экстраполяции величин, имеющих абсолютные значения. С их помощью можно строить прогнозы и функциональные зависимости для различной информации, причем сразу по нескольким переменным (критериям оценки). В качестве исходной информации для прогноза может служить экономический временной ряд, и прогноз будет обоснованным, если информация позволит построить нелинейную модель.
Нейронные сети позволяют достичь значительно более хороших результатов, чем статистические методы традиционного регрессионного анализа, поскольку нейронная сеть строит неформальную модель процесса, которая не может быть выражена в виде некоего формального аппарата выделения статистических характеристик, применяемого в регрессионном анализе. Нейронная сеть учится выполнять преобразование на основе ряда предъявля?/p>