Проверяемый текст
Смирнова, Ирина Викторовна; Методическое обеспечение управления в сельском хозяйстве (Диссертация 2006)
[стр. 129]

сформированы таким образом, что искомый комплексный показатель финансового состояния предприятия Kj по построению принимает значения от нуля до единицы.
4.
Оценка значимостей показателей для комплексной оценки.
Каждому iму показателю в отношении каждого к-го уровня состояния предприятия можно сопоставить оценку pi значимости данного показателя для распознавания данного уровня состояния предприятия.
Например, ряд банков, анализируя кредитоспособность заемщика, присваивает большую значимость показателям финансовой устойчивости и ликвидности, и меньшую показателям прибыльности и оборачиваемости.
В то же время, этот критерий не может считаться приемлемым в отношении приватизированных предприятий, ранее находящихся в госсобственности.
Характерным для таких предприятий является то, что значительный вес основных средств в структуре активов (здания, сооружения и т.д.) соседствует с низкой рентабельностью и даже убыточностью.
То есть построение системы весов
р*к должно проводиться по каждому предприятию строго индивидуально.
Систему оценок значимостей {р} целесообразно пронормировать, с
учетом 5 > * = 1 , К = 1 :5.
Если система предпочтений одних показателей другим отсутствует, то показатели являются равнозначными, ир(
= 1/ N.
Построение показателя Kj.
Комплексный показатель К,строится как двумерная свертка по совокупности показателей Xj с весами р* и по совокупности их качественных состояний с весами ( 1 }.
Распознавание текущего состояния предприятия.
Правило для
распознавания состояния предприятия имеет вид таблицы 3.1.
Одновременно, в соответствии с результатом распознавания по таблице
3.1, оценивается степень риска банкротства предприятия.
Таблица 3.1.
Правило распознавания финансового состояния предприятия Наименование показателя Интервал значений Классификация уровня параметра Степень оценочной уверенности (функция принадлежности) Kj .
0-0.15 «предельно неблагополучное» 1 Kj 0.15-0.25 «предельно
неблагополучное» «неблагополучие» m 1= 10(0.25-Kj) 1 mi=m2 Kj 0.25 -.35 «неблагополучие» l Kj 0.35 -0.45 «неблагополучие среднего качества» m2= 10(0.45 -Kj) 1 к, 0.45 -0.55 «среднего качества» 1 129
[стр. 95]

95 дится нечеткая классификация их значений.
Пусть D(Xj) -область определения параметра Хь несчетное множество точек оси действительных чисел.
Определим лингвистическую переменную «Уровень показателя Хр> с введением пяти нечетких подмножеств множества D(Xj): Bj -нечеткое подмножество «очень низкий уровень показателя Хр>; В2-нечеткое подмножество «низкий уровень показателя Хр>; В3-нечеткое подмножество «средний уровень показателя Хр>; В4-нечеткое подмножество «высокий уровень показателя Хр>; В5-нечеткое подмножество «очень высокий уровень показателя Х;»; Задача описания подмножеств {В} это задача формирования соответствующих функций принадлежности 1 l-5(Xi).
3.
Построение функций принадлежности {т} нечетких подмножеств {Л}.
Анализируя опыт различных квалификаций лингвистической переменной «Состояние», мы задаемся набором функций принадлежности { m }.
Эти функции сформированы таким образом, что искомый комплексный показатель финансового состояния предприятия Kj по построению принимает значения от нуля до единицы.
4.
Оценка значимостей показателей для комплексной оценки.
Каждому iму показателю в отношении каждого к-го уровня состояния предприятия можно сопоставить оценку pik значимости данного показателя для распознавания данного уровня состояния предприятия.
Например, ряд банков, анализируя кредитоспособность заемщика, присваивает большую значимость показателям финансовой устойчивости и ликвидности, и меньшую показателям прибыльности и оборачиваемости.
В то же время, этот критерий не может считаться приемлемым в отношении приватизированных предприятий, ранее находящихся в госсобственности.
Характерным для таких предприятий является то, что значительный вес основных средств в структуре активов (здания, сооружения и т.д.) соседствует с низкой рентабельностью и даже убыточностью.
То есть построение системы весов
pik должно проводиться по каждому предприятию строго индивидуально.


[стр.,96]

96 Систему оценок значимостей {р) целесообразно пронормировать следующим образом: £pik=i К=1,:5 Если система предпочтений одних показателей другим отсутствует, то показатели являются равнозначными, и pik=l/N.
Таблица 23 Правило распознавания финансового состояния предприятия Наименование показателя Интервал значений Классификация уровня параметра Степень оценочной уверенности (функция принадлежности) Kj 0-0.15 «предельно неблагополучное» 1 Kj 0.15-0.25 «предел ы ю нсбл а гоп олу иное» «неблагополучие» т,= 10(0.2 5-Kj) 1 ]П]=т2 Kj 0.25 -.35 «неблагополучие» 1 Kj 0.35 -0.45 «неблагополучие среднего качества» т2 = 10(0.45 -Kj) 1 Kj 0.45 -0.55 «среднего качества» 1 Kj 0.55 0.65 «среднего качества» «относительное благополучие» т3 = 10(0.65-Kj) 1 -т з =т4 Kj 0.65 -0.75 «относительное благополучие» 1 Kj 0.75 -0.85 «относительное благополучие» «предельное благополучие» т4 = 10(0.85-Kj) 1-т4 = 1П5 Kj 0.851.0 «предельное благополучие» 1 Построение показателя Kj.
Комплексный показатель К,строится как двумерная свертка по совокупности показателей Xj с весами р^ и по совокупности их качественных состояний с весами {1}.
Распознавание текущего состояния предприятия.
Правило для
расно

[стр.,97]

97 знавания состояния предприятия имеет вид таблицы 23.
Одновременно, в соответствии с результатом распознавания по таблице
23, оценивается степень риска банкротства предприятия.
Метод нейронных сетей Использование 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 [44]: анализ надежности фирмы с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде; 4 анализ величины вероятности банкротства фирмы на основе многокритериальной оценки с построением нелинейной модели с помощью нейронных сетей (пример результата 74% вероятности банкротства).
[106] Одним из примеров преимущества использования нейронных сетей является их способность генерировать нелинейнную модель процесса па основе результатов адаптивного обучения (настройки) сети.
При этом попытка проинтерпретировать процесс работы сети, а не результат, как правило, ( весьма затруднена.
Если на вход сети при обучении подавать информацию о фирме, аналогичную данным для многокритериального дискриминантного анализа, то есть: Xi = работающий капитал, все активы Х2 = сохраняемая прибыль, все активы Хз прибыль до капиталовложений и налога, все активы Х4 рыночная стоимость акций, общий долг Х5 = величина продаж, вес активы, г а в качестве указаний учителя выбрать две группы фирм, одна из кото* рых будет представлять обанкротившиеся фирмы, а другая нет, взять их показатели для формирования обучающего множества, и обучить сеть давать

[Back]