Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2

Изложены различные модели и методы анализа риска банкротства предприятий с использованием нечетких нейронных сетей (ННС) с алгоритмами вывода Мамдани и Цукамото. Проведены экспериментальные исследования рассмотренных четкого метода Альтмана, нечетко-множественного метода Недосекина и ННС в задачах а...

Ausführliche Beschreibung

Gespeichert in:

Bibliographische Detailangaben
Datum:	2012
Hauptverfasser:	Згуровский, М.З., Зайченко, Ю.П.
Format:	Artikel
Sprache:	Russian
Veröffentlicht:	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України 2012
Schriftenreihe:	Системні дослідження та інформаційні технології
Schlagworte:	Методи аналізу та управління системами в умовах ризику і невизначеності
Online Zugang:	http://dspace.nbuv.gov.ua/handle/123456789/50169
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Zitieren:	Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2 / М.З. Згуровский, Ю.П. Зайченко // Систем. дослідж. та інформ. технології. — 2012. — № 2. — С. 111-124. — Бібліогр.: 7 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	irk-123456789-50169
record_format	dspace
spelling	irk-123456789-501692013-10-07T03:05:07Z Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2 Згуровский, М.З. Зайченко, Ю.П. Методи аналізу та управління системами в умовах ризику і невизначеності Изложены различные модели и методы анализа риска банкротства предприятий с использованием нечетких нейронных сетей (ННС) с алгоритмами вывода Мамдани и Цукамото. Проведены экспериментальные исследования рассмотренных четкого метода Альтмана, нечетко-множественного метода Недосекина и ННС в задачах анализа риска банкротства на примере предприятий Украины. Оценена их эффективность и определен наиболее адекватный метод. Запропоновано різні моделі та методи аналізу ризику банкрутства підприємств із використанням нечітких нейронних мереж (ННМ) з алгоритмами виводу Мамдані та Цукамото. Проведено експериментальні дослідження чіткого методу Альтмана, нечітко-множинного методу Недосекіна і ННМ у задачах аналізу ризику банкротства, які розглянуто на прикладі підприємств України. Оцінено їхню ефективність та визначено найадекватніший метод. Different methods of enterprise bankruptcy risk analysis with application of fuzzy neural networks with the algorithms of finding Mamdani and Zukamoto are proposed. Experimental research of a clear method of Altman, fuzzy multi-method of Nedosekin and FNN in problems of analysis of risk of bankruptcy, which are considered on the example of the enterprises of Ukraine, are carried out, their efficiency is estimated and the most adequate method for Ukrainian economy was determined. 2012 Article Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2 / М.З. Згуровский, Ю.П. Зайченко // Систем. дослідж. та інформ. технології. — 2012. — № 2. — С. 111-124. — Бібліогр.: 7 назв. — рос. 1681–6048 http://dspace.nbuv.gov.ua/handle/123456789/50169 519.8 ru Системні дослідження та інформаційні технології Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
language	Russian
topic	Методи аналізу та управління системами в умовах ризику і невизначеності Методи аналізу та управління системами в умовах ризику і невизначеності
spellingShingle	Методи аналізу та управління системами в умовах ризику і невизначеності Методи аналізу та управління системами в умовах ризику і невизначеності Згуровский, М.З. Зайченко, Ю.П. Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2 Системні дослідження та інформаційні технології
description	Изложены различные модели и методы анализа риска банкротства предприятий с использованием нечетких нейронных сетей (ННС) с алгоритмами вывода Мамдани и Цукамото. Проведены экспериментальные исследования рассмотренных четкого метода Альтмана, нечетко-множественного метода Недосекина и ННС в задачах анализа риска банкротства на примере предприятий Украины. Оценена их эффективность и определен наиболее адекватный метод.
format	Article
author	Згуровский, М.З. Зайченко, Ю.П.
author_facet	Згуровский, М.З. Зайченко, Ю.П.
author_sort	Згуровский, М.З.
title	Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2
title_short	Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2
title_full	Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2
title_fullStr	Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2
title_full_unstemmed	Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2
title_sort	комплексный анализ риска банкротства корпораций в условиях неопределенности. часть 2
publisher	Навчально-науковий комплекс "Інститут прикладного системного аналізу" НТУУ "КПІ" МОН та НАН України
publishDate	2012
topic_facet	Методи аналізу та управління системами в умовах ризику і невизначеності
url	http://dspace.nbuv.gov.ua/handle/123456789/50169
citation_txt	Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2 / М.З. Згуровский, Ю.П. Зайченко // Систем. дослідж. та інформ. технології. — 2012. — № 2. — С. 111-124. — Бібліогр.: 7 назв. — рос.
series	Системні дослідження та інформаційні технології
work_keys_str_mv	AT zgurovskijmz kompleksnyjanalizriskabankrotstvakorporacijvusloviâhneopredelennostičastʹ2 AT zajčenkoûp kompleksnyjanalizriskabankrotstvakorporacijvusloviâhneopredelennostičastʹ2
first_indexed	2025-07-04T11:43:42Z
last_indexed	2025-07-04T11:43:42Z
_version_	1836716573977477120
fulltext	© М.З. Згуровский, Ю.П. Зайченко, 2012 Системні дослідження та інформаційні технології, 2012, № 2 111 TIДC МЕТОДИ АНАЛІЗУ ТА УПРАВЛІННЯ СИСТЕМАМИ В УМОВАХ РИЗИКУ І НЕВИЗНАЧЕНОСТІ УДК 518.9 КОМПЛЕКСНЫЙ АНАЛИЗ РИСКА БАНКРОТСТВА КОРПОРАЦИЙ В УСЛОВИЯХ НЕОПРЕДЕЛЕННОСТИ. ЧАСТЬ 2 М.З. ЗГУРОВСКИЙ, Ю.П. ЗАЙЧЕНКО Изложены различные модели и методы анализа риска банкротства предприятий с использованием нечетких нейронных сетей (ННС) с алгоритмами вывода Мамдани и Цукамото. Проведены экспериментальные исследования рассмот- ренных четкого метода Альтмана, нечетко-множественного метода Недосекина и ННС в задачах анализа риска банкротства на примере предприятий Украи- ны. Оценена их эффективность и определен наиболее адекватный метод. ВВЕДЕНИЕ В первой части статьи были изложены и проанализированы классический метод дискриминантного анализа Альтмана и нечетко-множественный ме- тод О. Недосекина в задаче анализа риска банкротства корпораций [1–4], а также приведены результаты экспериментальных исследований этих мето- дов применительно к предприятиям Украины. Цель работы — рассмотрение и анализ систем нечеткого логического вывода с алгоритмами Мамдани и Цукамото в данной задаче и сравни- тельный анализ с ранее изложенными методами. ХАРАКТЕРИСТИКА СИСТЕМ НЕЧЕТКОГО ЛОГИЧЕСКОГО ВЫВОДА Рассмотрим кратко принципы работы и алгоритмы нечеткого логического вывода [1, 2]. Используемый в разных экспертных системах механизм нечеткого вы- вода в своей основе имеет базу знаний, формируемую специалистами пред- метной области в виде совокупности нечетких предикатных правил вида [5, 6]: 1Π : если 1x есть 11A , 2x есть 12A , …, nx есть nA1 , то y есть 1B ; 2Π : если 1x есть 21A , 2x есть 22A ,…, nx есть nA2 , то y есть 2B ; … KΠ : если 1x есть 1KA , 2x есть 2kA , …, nx есть KnA , то y есть KB , М.З. Згуровский, Ю.П. Зайченко ISSN 1681–6048 System Research & Information Technologies, 2012, № 2 112 где ix , Xxi ∈ — входные переменные; y , Yy∈ — переменная вывода (имя для значения данных, которое будет вычислено); ijA и iB — функции при- надлежности, заданные соответственно на множествах X и .Y Знание эксперта BA→ отражает нечеткое причинное отношение предпосылки и заключения, поэтому его можно назвать нечетким отноше- нием и обозначить через R : BAR →: , где «→» называют нечеткой импликацией. Как операцию композиции, так и операцию импликации в алгебре не- четких множеств можно реализовывать по-разному (при этом будет отли- чаться и получаемый результат), но в любом случае общий логический вы- вод осуществляется за следующие четыре этапа [1, 2]. 1. Введение нечеткости (фаззификация, fuzzification). Функции при- надлежности, определенные на входных переменных, применяются к их фактическим значениям для определения степени истинности каждой пред- посылки каждого правила. 2. Логический вывод. Вычисленное значение истинности для предпо- сылок каждого правила применяется к заключениям каждого правила. Это приводит к одному нечеткому подмножеству, которое будет назначено каж- дой переменной вывода для каждого правила. В качестве правил логическо- го вывода обычно используются только операции min или prod (умноже- ние). 3. Композиция. Все нечеткие подмножества, назначенные к каждой пе- ременной вывода (во всех правилах), объединяются вместе, чтобы сформи- ровать одно нечеткое подмножество для всех переменных вывода. При по- добном объединении обычно используются операции mах или sum (сумма). При композиции в форме mах комбинированный вывод нечеткого подмно- жества конструируется как поточечный максимум по всем нечетким под- множествам (нечеткая логика ИЛИ). При композиции в форме sum комби- нированный вывод нечеткого подмножества формируется как поточечная сумма по всем нечетким подмножествам, назначенным переменной вывода правилами логического вывода. 4. Приведение к четкости (дефаззификация, defuzzification). Использу- ется, если нужно преобразовать нечеткий набор выводов в четкое число. Существует значительное количество методов приведения к четкости, неко- торые из которых рассмотрены ниже. В настоящее время существует несколько алгоритмов нечеткого логи- ческого вывода, наиболее известными и используемыми из которых являют- ся алгоритмы Мамдани, Цукамото, Сугено и Ларсена. АЛГОРИТМ НЕЧЕТКОГО ВЫВОДА МАМДАНИ Рассмотрим реализацию алгоритма нечеткого вывода Мамдани, считая, для простоты, что базу знаний организуют два нечетких правила вида: 1Π : если 1x есть 1A и 2x есть 1B , то y есть 1C , 2Π : если 1x есть 2A и 2x есть 2B , то y есть 2C , Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2 Системні дослідження та інформаційні технології, 2012, № 2 113 где 1x и 2x — имена входных переменных, y — имя переменной вывода, 222111 ,,,,, CBACBA — некоторые заданные функции принадлежности. При этом четкое значение 0y необходимо определить на основе приведенной информации и четких значений 10x и 20x . Нечеткий логический вывод включает следующие этапы: 1) Введение нечеткости. Находятся степени истинности для предпосы- лок каждого правила: )(),(),(),( 202201102101 xBxBxAxA . 2) Логический вывод. Находятся уровни «отсечения» для предпосылок каждого из правил (с использованием операции min): ),()( 2011011 xBxA ∧=α ),()( 2021022 xBxA ∧=α где через «∧» обозначена операция логического и min. Затем находятся «усеченные» функции принадлежности: )),(( 111 yCC ∧=′ α )).(( 222 yCC ∧=′ α 3) Композиция. Производится объединение найденных усеченных функций с использованием операции mах (обозначенная далее как «∨ »), что приводит к получению итогового нечеткого подмножества для перемен- ной выхода с функцией принадлежности: ))(())(()()()()( 221121 yCαyCαyCyCyCyµΣ ∧∨∧=′∨′== Σ . (1) 4) Приведение к четкости. Проводится для нахождения четкого значе- ния 0y , например, центроидным методом. НЕЧЕТКИЙ АЛГОРИТМ ЦУКАМОТО Исходные посылки — как у предыдущего алгоритма, но в данном случае предполагается, что функции )(, 21 yCyC являются монотонными (рис. 1) [1, 2]: 1) Введение нечеткости (как в алгоритме Мамдани). 2) Нечеткий вывод. Сначала находятся уровни «отсечения» 1α и 2α (как в алгоритме Мамдани), а затем решаются уравнения: )( 111 yC=α и )( 222 yC=α и определяются четкие значения 1y и 2y для каждого исход- ного правила. 3) Определяется четкое значение переменной вывода (как взвешенное среднее 1y и 2y ): 21 2211 0 αα yαyα y + + = . (2) В общем случае четкое значение выхода находится с помощью дис- кретного варианта центроидного метода: М.З. Згуровский, Ю.П. Зайченко ISSN 1681–6048 System Research & Information Technologies, 2012, № 2 114 ∑ ∑ = == n i i n i ii α yα y 1 1 0 . (3) Отметим основные достоинства систем с нечеткой логикой. Они позво- ляют: • работать с нечеткой неполной и качественной информацией, задан- ной в виде лингвистических переменных; • использовать экспертную информацию в виде нечетких правил вы- вода. В целом, системы с нечеткой логикой целесообразно применять в сле- дующих случаях [1]: • для сложных процессов, когда нет простой математической модели; • если экспертные знания об объекте или о процессе можно сформу- лировать только в лингвистической форме. Отметим основные недостатки систем с нечеткой логикой: • исходный набор нечетких правил формулируется экспертом- человеком и может оказаться неполным или противоречивым; • вид и параметры функций принадлежности, которые описывают входные и исходные переменные системы, выбираются субъективно и могут оказаться такими, что не полностью отражают реальность. Для устранения указанных недостатков необходимо использовать обу- чение систем нечеткой логики, т.е. сделать их адаптивными. С этой целью систему нечеткого логического вывода представляют в виде нечеткой ней- ронной сети, в которой нечеткими оказываются веса связей между нейрона- ми. Это позволяет использовать для ее обучения накопленный широкий ар- сенал методов обычных нейронных сетей. АНАЛИЗ СОСТОЯНИЯ ДЕЙСТВУЮЩЕГО ПРЕДПРИЯТИЯ НА ОСНОВЕ ПОДХОДА МАМДАНИ Определим уровень банкротства энергоснабжающей компании, которая реально существует и функционирует в Украине, с помощью нечеткого вы- вода Мамдани. Этап 1. Лингвистические переменные и нечеткие подмножества. Аналогично нечетко-множественному подходу определяем множества E, G, B. Этап 2. Показатели. Строим набор отдельных показателей }{ iXX = общим количеством N, которые по усмотрению эксперта-аналитика влияют на оценку риска банкротства предприятий и оценивают различные по природе аспекты дело- вого и финансового жизни предприятия. Выберем систему из шести показа- телей тех самых, что и для нечетко-множественного подхода. Этап 3. Формирование базы правил системы нечеткого вывода. Базу правил формирует специалист по предметной области в виде со- вокупности нечетких предикатных правил вида: Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2 Системні дослідження та інформаційні технології, 2012, № 2 115 1Π : если 1x есть 1A и 2x есть 1B , то y есть 1C , iΠ : если 1x есть iA и 2x есть iB , то y есть iC , ki ,1= , где ix — входные переменные, y — выходная переменная, iii CBA ,, — значения лингвистических переменных (термы). Введем следующие лингвистические переменные для реализации алго- ритмов нечеткого вывода Мамдани и Цукамото. 1X : («очень низкий», «низкий», «средний», «высокий», «очень высокий»); 2X : («очень низкий», «низкий», «средний», «высокий», «очень высокий»); 3X : («очень низкий», «низкий», «средний», «высокий», «очень высокий»); 4X : («очень низкий», «низкий», «средний», «высокий», «очень высокий»); 5X : («очень низкий», «низкий», «средний», «высокий», «очень высокий»); 6X : («очень низкий», «низкий», «средний», «высокий», «очень высокий»). Определим уровни банкротства: «очень низкий», «низкий», «сред- ний», «высокий», «очень высокий». Для упрощения записи введем следующие сокращения: «очень низ- кий» — ОН, «низкий» — Н, «средний» — Ср, «высокий» — В, «очень вы- сокий» — ОВ. Тогда мы можем записать следующие правила, с учетом всех возмож- ных комбинаций: • если 1X ОН и 2X ОН и 3X ОН и 4X ОН и 5X ОН и 6X ОН, то риск банкротства ОВ; • если 1X Н и 2X ОН и 3X ОН и 4X ОН и 5X ОН и 6X ОН, то риск банкротства ОВ; • если 1X Ср и 2X Н и 3X ОН и 4X ОН и 5X ОН и 6X ОН, то риск банкротства ОВ; • если 1X Ср и 2X Ср и 3X Н и 4X ОН и 5X ОН и 6X ОН, то риск банкрутства ОВ; • если 1X Ср и 2X Ср и 3X Ср и 4X «Н» и 5X ОН и 6X ОН, то риск банкрутства В; • если 1X В и 2X Ср и 3X Н и 4X ОН и 5X Н и 6X ОН, то риск банкротства Н; … • если 1X В и 2X В и 3X В и 4X Ср и 5X Ср и 6X В, то риск банкротства Ср; • если 1X ОВ и 2X ОВ и 3X В и 4X ОВ и 5X В и 6X ОВ, то риск банкротства Н; • если 1X ОВ и 2X ОВ и 3X ОВ и 4X ОВ и 5X ОВ и 6X ОВ, то риск банкротства ОН. Общее число правил очень велико, если учитывать все возможные ва- рианты перестановок значений. Для облегчения восприятия и сокращения записи правил введем баллы для лингвистических значений: ОН 5= ; Н 4= ; Ср 3= ; В 2= ; ОВ .1= М.З. Згуровский, Ю.П. Зайченко ISSN 1681–6048 System Research & Information Technologies, 2012, № 2 116 Вычислим предельные показатели уровня банкротства, воспользовав- шись следующими граничными правилами: • если 1X ОН и 2X ОН и 3X ОН и 4X ОН и 5X ОН и 6X ОН, то БАЛЛ ;30= • если 1X Н и 2X Н и 3X Н и 4X Н и 5X Н и Х6 Н, то БАЛЛ=24; • если 1X Ср и 2X Ср и 3X Ср и 4X Ср и 5X Ср и 6X Ср, то БАЛЛ ;18= • если 1X В и 2X В и 3X В и 4X В и 5X В и 6X В, то БАЛЛ 12= ; • если 1X ОВ и 2X ОВ и 3X ОВ и 4X ОВ и 5X ОВ и 6X ОВ, то БАЛ .6= Тогда новые правила для оценки риска банкротства запишутся таким образом: • если БАЛЛ > 24, то уровень банкротства ОВ; • если БАЛЛ ≤ 24 и БАЛЛ > 18, то уровень банкротства В; • если БАЛЛ ≤ 18 и БАЛЛ > 12, то уровень банкротства Ср; • если БАЛЛ ≤ 12 и БАЛЛ > 6, то уровень банкротства Н; • если БАЛЛ 6= , то уровень банкротства ОН. Такой подход позволяет охватить все множество правил. Этап 4. Фаззификация входных параметров. Проводим фаззификацию входных параметров, или описание каждого из терм-множеств (лингвистических переменных) с помощью функций при- надлежности. И находим степени истинности для каждого значения в пра- вилах: )(),(),(),( 202201102101 xBxBxAxA . В качестве функций принадлежности будем использовать треугольные функции. Для большей наглядности функций принадлежности представим их графически (рис. 1–7) и укажем на них соответствующие фактические значения показателей. ОН ОВН ВСр Рис. 1. Функция принадлежности 1µ параметра 1X ОН ОВН ВСр 1,5 0,5 0 Рис. 2. Функция принадлежности 2µ параметра 2X Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2 Системні дослідження та інформаційні технології, 2012, № 2 117 Этап 5. Логический вывод. Находим уровни «отсечения» для пред- посылок каждого из правил с использованием операции min: ),()()()()([)( 6061505140413031202110111 xAxAxAxAxAxA ∧∧∧∧∧=α ОН ОВН ВСр Рис. 5. Функция принадлежности 5µ параметра 5X ОН ОВН ВСр Рис. 4. Функция принадлежности 4µ параметра 4X ОН ОВН ВСр Рис. 3. Функция принадлежности 3µ параметра 3X ОН ОВН ВСр Рис. 6. Функция принадлежности 6µ параметра 6X М.З. Згуровский, Ю.П. Зайченко ISSN 1681–6048 System Research & Information Technologies, 2012, № 2 118 .)()()()()([)( 606505404303202101 xAxAxAxAxAxA iiiiiii ∧∧∧∧∧=α А также находим «усеченные» функции принадлежности: ));(( 111 yCC ∧=′ α )).(( yCC iii ∧=′ α Для большей наглядности покажем это на рис. 8–10. Согласно нашим правилам мы проводим ранжирование для каждого входного значения таким образом: iX : 27525555 =+++++ — ОВ. Второе правило (рис. 9) выглядит так: 26525455 =+++++ — ОВ. Остальные 6 правил строим аналогичным образом. Восьмое правило (рис. 10) выглядит так: 24514455 =+++++ — В. Этап 6. Композиция. Проводится объединение найденных усеченных функций с использованием операции max, что приводит к получению ко- ОВ ОНВ НСр Рис .7. Функция принадлежности уровней банкротства Рис. 8. Первое правило Рис. 10. Восьмое правило Рис. 9. Второе правило Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2 Системні дослідження та інформаційні технології, 2012, № 2 119 нечного нечеткого подмножества для выходной переменной с функцией принадлежности )(zµ . Для наглядности покажем это на рис. 11. Этап 7. Приведение к чет- кости (дефаззификация). Приведение к четкости осуществляется центроидным методом [1, 2]: ∫ ∫ Ω Σ Ω Σ = dyy dyyy y )( )( 0 µ µ . Для энергоснабнажающей компании, которая реально существует и функционирует в Украине, значения 0Z за 2009 г. равно 347,0)2009(0 =Z , что соответствует «очень высоко- му» или «высокому» уровню банкротства. Определим уровень банкрот- ства для энергоснабнажающей компании, которая реально суще- ствует и функционирует в Украине за 2010 г. Выполняя аналогичные этапы, мы получим следующий итоговый выход правил после ком- позиции приведенной на рис. 12. Итак, мы получили ,4,0)2010(0 =Z что отвечает «высокому» уровню банкротства. Далее осуществляем анализ риска банкротства предприятий, используя алгоритм нечеткого вывода Цукамото. Алгоритм во многом похож на метод Мамдани, отличия заключаются лишь на этапе определения выходов правил: здесь выход каждого правила определяется путем решения уравнения [2]: )( iii yC=α . Также определяем четкие значения )( iy для каждого исходного пра- вила. Композицию выходов правил осуществляем центроидным методом со- гласно формулы (3). Для предприятия энергоснабнажающей компании, которая реально су- ществует и функционирует в Украине, значения 0Z за 2009 г. равен: ,374,0)2009(0 =Z что соответствует «очень высокому» или «высокому» уровню банкротства. Определим уровень банкротства для рассматриваемой компании за 2010 г. Выполнив все этапы нечеткого логического вывода по алгоритму Рис. 12. Вывод правил за 2010 г. Рис. 11. Вывод правил за 2009 г. ОВ В М.З. Згуровский, Ю.П. Зайченко ISSN 1681–6048 System Research & Information Technologies, 2012, № 2 120 Цукамото, получим 2896,0)2010(0 ≈Z , что соответствует «очень высокому» или «высокому» уровню банкротства. Итак, с помощью подходов Мамдани и Цукамото было определено, что предприятие находится на грани неопределенности между «очень высоким» и «высоким» уровнями риска банкротства. С помощью подхода Мамдани также можно анализировать изменения в состоянии предприятия. СРАВНЕНИЕ ПОЛУЧЕННЫХ РЕЗУЛЬТАТОВ ПРИ АНАЛИЗЕ ФИНАНСОВОГО СОСТОЯНИЯ ДЕЙСТВУЮЩИХ ПРЕДПРИЯТИЙ НА ОСНОВЕ ПОДХОДОВ АЛЬТМАНА, НЕДОСЕКИНА, МАМДАНИ, ЦУКАМОТО Проведем оцеку и анализ состояния предприятий на основе финансовых по- казателей за два года и за год до банкротства с помощью подходов Мамдани и Цукамото. Анализ предприятия будем проводить с помощью разработан- ной программы, которая реализует все четыре метода диагностики состоя- ний предприятий. Всего было исследовано те же 52 предприятия, что и в предыдущих экспериментах с использованием классического метода Альтмана и нечетко- множественного метода Недосекина, результаты которых изложены в части 1 данной работы [7]. Среди этих предприятий 26 были признаны банкрота- ми официально и обращение их акций было аннулировано на рынке ценных бумаг. Остальные 26 предприятий официально считаются работоспособны- ми на сегодняшний день. Проведем анализ финансового состояния этих же двух групп пред- приятий [7] помощью подхода Мамдани. В результате анализа предприятий- банкротов за два года до дефолта среди 26 исследуемых предприятий было выявлено 22 предприятия с «очень высоким», «высоким» или «средним» уровнями риска банкротства, 4 предприятия имеют статус предприятий с «низким» и «очень низким» уровнем риска банкротства. За год до дефолта было определено 25 предприятий с «очень высоким», «высоким» или «сред- ним» уровнями риска банкротства и одно предприятие с «низким» или «очень низким» уровень риска банкротства (табл. 1). Т а б л и ц а 1. Результаты прогноза по модели Мамдани предприятий- банкротов Прогноз, % Группа Количество компаний Банкроты Не банкроты За два года до банкротства 26 85 (22) 15 (4) За год до банкротства 26 96 (25) 4 (1) Среднее значение за два года 26 90 10 Для второй группы предприятий — «работоспособные», были получе- ны следующие результаты, проанализированные с помощью метода Мамда- ни. За 2009 отчетный год, 23 предприятия признаны как предприятия Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2 Системні дослідження та інформаційні технології, 2012, № 2 121 с «очень низким», «низким» или «средним» уровнями риска банкротства, 3 предприятия получили статус «высокий» или «очень высокий» уровень риска банкротства. За 2010 г. состояние некоторых предприятий ухудши- лось, они перешли на ступень ниже, но общая картина осталась той же: 23 предприятия — «очень низкий», «низкий» или «средний» уровень риска банкротства, 3 предприятия — «высокий» или «очень высокий» уровень риска банкротства (табл. 2). Т а б л и ц а 2 . Результаты прогноза по модели Мамдани предприятий- небанкротов Прогноз, % Группа Количество компаний Банкроты Не банкроты За два года до банкротства 26 12 (3) 88 (23) За год до банкротства 26 12 (3) 88 (23) Среднее значение за два года 26 12 88 Проведя анализ финансового состоянии тех же предприятий методом Цукамото, были получены следующие результаты (табл. 3–5). Т а б л и ц а 3 . Результаты прогноза по модели Цукамото предприятий- банкротов Прогноз, % Группа Количество компаний Банкроты Не банкроты За два года до банкротства 26 22 (85) 4 (15) За год до банкротства 26 24 (92) 2 (8) Среднее значение за два годы 26 88 12 Т а б л и ц а 4 . Результаты прогноза по модели Цукамото предприятий- небанкротов Прогноз, % Группа Количество компаний Банкроты Не банкроты За два года до банкротства 26 12 (3) 88 (23) За год до банкротства 26 15 (4) 85 (22) Среднее значение за два года 26 13 87 Т а б л и ц а 5 . Усредненные показатели точности прогноза о состоянии предприятий по модели Цукамото Прогноз,% Группа Количество компаний Верно Ошибка За два года до банкротства 52 87 13 За один год до банкротства 52 88 12 Среднее значение за два года 52 87 13 М.З. Згуровский, Ю.П. Зайченко ISSN 1681–6048 System Research & Information Technologies, 2012, № 2 122 Как видно из приведеннях выше таблиц, подход Цукамото также дает возможность проанализировать состояние предприятия на любой стадии и с достаточно высоким процентом вероятности выявить критическое со- стояние предприятия на начальной стадии. Обобщим полученные результаты для предприятий-банкротов, с по- мощью подходов Альтмана, Недосекина, Мамдани, Цукамото (табл. 6 и рис. 13). Т а б л и ц а 6 . Результаты прогнозов по Альтману, Недосекину, Мамдани, Цукамото о состоянии предприятий-банкротов Прогноз, % Подход Количество компаний Правильный Не правильный Альтмана 69,2 30,8 Недосекина 80,8 19,2 Мамдани 90,4 9,6 Цукамото 26 88,5 11,5 Обобщим полученные результаты для всех исследуемых предприятий, с помощью подходов Альтмана, Недосекина, Мамдани, Цукамото (табл. 7 и рис. 14). Т а б л и ц а 7 . Результаты прогнозов по Альтману, Недосекину, Мамдани, Цукамото о состоянии исследуемых предприятий Прогноз, % Подход Количество компаний Правильный Не правильный Альтмана 73 27 Недосекина 80 20 Мамдани 89,4 10,6 Цукамото 52 88 13 Рис. 13. Результаты прогнозирования риска банкротства предприятий-банкротов различными методами 1 — верно 2 — ошибка Альтмана Недосекина Мамдани Цукамото 1 1 1 1 2 2 2 2 Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2 Системні дослідження та інформаційні технології, 2012, № 2 123 Как видим, в нашем исследовании метод Альтмана правильно спрогно- зировал состояние предприятий в среднем на 69 %, метод Недосекина этот прогноз совершил верно в среднем на 81 %, подходы Мамдани и Цукамото дали примерно одинаковые результаты — прогноз был осуществлен на 90 % правильно. Ошибки в прогнозировании состояния предприятий были связа- ны с тем, что прогноз основан на рассматриваемых подходах и не всегда соответствует официальным данным в силу нескольких причин. Во-первых, мы не учитываем еще определенные социальные заинтересованности обще- ства или определенных лиц в ликвидации трудоспособного предприятия (ложное банкротство). Во-вторых, не учитываем заинтересованность в под- держании существования обанкротившихся предприятий. Но можно уве- ренно сказать, что нечетко-множественный метод Недосекина, а также не- четкие нейронные сети Мамдани и Цукамото позволяют изучить тенденции развития предприятий, и выявить угрозу банкротства предприятия уже на ранней стадии. ВЫВОДЫ В работе были изложены методы анализа и прогнозирования риска банкрот- ства: классический метод Альтмана, нечетко-множественный метод Недосе- кина и разработанные авторами методы на основе применения ННС с выво- дом Мамдани и Цукамото. Сравнительный анализ различных методов оценки риска банкротства был проведен с помощью разработанного программного продукта, на языке программирования С++. Используя разработанный программный комплекс, было проведено прогнозирование банкротства для 52 предприятий Украи- ны. Среди них 26 предприятий были потенциальными банкротами, а 26 предприятий — платежеспособными, т.е. уровень банкротства является «низким», «очень низким», «средним». Среди 26 предприятий потенциаль- ных банкротов 24 предприятия на 1 февраля 2011 г. были признаны банкро- тами по решению суда или согласно решению о прекращении эмитента пу- тем ликвидации по решению высшего органа. Среди 26 платежеспособных Рис. 14. Анализ прогнозирования состояния предприятий различными методами 1 — верно 2 — ошибка Альтмана Недосекина Мамдани Цукамото Прогноз состояния предприятий 1 1 1 1 2 2 2 2 М.З. Згуровский, Ю.П. Зайченко ISSN 1681–6048 System Research & Information Technologies, 2012, № 2 124 предприятий со «средним» уровнем риска банкротства было признано банкротами четыре, а шесть предприятий были реорганизованы в общества с дополнительной ответственностью или общества с ограниченной ответст- венностью. Заметим, что по результатам сравнительного анализа наиболее высо- кую точность прогноза банкротства предприятий показали ННС с выводом Мамдани (90 %) и Цукамото (88 %), далее следует нечетко-множественный метод Недосекина (80 %) и наконец, наихудшие показатели точности прогно- за имеет классический метод дикриминантного анализа Альтмана (73 %). ЛИТЕРАТУРА 1. Altman E.I. Corporate Financial Distress. — NY: John Wiley, 1983. — 205 р. 2. Altman E.I. Financial Ratios, Discriminant Analysis and the prediction of Corporate Bankruptcy // Journal of Finance, September. — 1968. — Р. 589–609. 3. Давыдова Г.В., Беликов А.Ю. Методика количественной оценки риска банкрот- ства предприятий // Управление риском. — 1999. — № 3. — С. 13–20. 4. Недосекин А.О. Максимов О.Б., Павлов Г.С. Анализ риска банкротства пред- приятия. Метод. указания по курсу «Антикризисное управление». — http://sedok.narod. ru/sc_ group.htm. 5. Згуровский М.З., Зайченко Ю.П. Модели и методы принятия решений в нечет- ких условиях. — К.: Наук. думка, 2011. — 275 с. 6. Зайченко Ю.П. Нечеткие модели и методы в интеллектуальных системах. — К.: Издат. дом «Слово», 2008. — 344 с. 7. Згуровский М.З., Зайченко Ю.П. Комплексный анализ риска банкротства кор- пораций в условиях неопределенности. Часть 1 // Системні дослідження та інформаційні технології. — 2012. — № 1. — С. 113–128. Поступила 29.06.2011

Комплексный анализ риска банкротства корпораций в условиях неопределенности. Часть 2

Institution

Ähnliche Einträge