|
98 ответ «банкрот» или «не банкрот». После этого можно брать любую фирму, предъявлять ее показатели сети и сеть будет оценивать фирму как «банкрот» или «не банкрот». Вероятность правильного ответа может достигать 80% 97%. Следует подчеркнуть следующую 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. Анализ применимости методов по прогнозированию банкротства к российским предприятиям Оценка финансового состояния предприятий и установления неудовлетворительной структуры баланса довольно просты в применение и используют информацию доступную для внешнего пользователя. Методические рекомендации по проведению экспертизы о наличии (отсутствии) признаков фиктивного или преднамеренного банкротства так же просты в применении и используют информацию доступную для внешнего пользователя. Но при этом они не решают основной задачи определения банкрот предприятие или нет. Сопоставление данных, полученных для ряда стран, показывает, что веса в Z-свертке и пороговой интервал [Zj Z2] сильно разнятся не только от страны к стране, но и от года к году в рамках одной страны (можно сопоставить выводы Альтмана о положении предприятий США за 10 лет анализа). Получается что Z методы Альтмана не обладают устойчивостью к вариациям в исходных данных. Статистика, на которую опирается Альтман и его последователи, возможно, и репрезентативна, но она не обладает важным свойством статистической однородности выборки событий. Одно дело, когда статистика применяется к выборке радиодеталей из одной произведенной партии, а другое, когда она применяется к фирмам с различной организационно-технической спецификой, со своими уникальными рыночными нишами, стратегиями и целями, фазами жизненного цикла и т.д. Здесь невозможно говорить о статистической однородности событий, и, следовательно, до |
Ill затруднена. При обучении сети на ее вход подается множества векторов, выражающих количественные характеристики некоторого процесса или объекта и для каждого вектора формируется указание учителя, то есть некоторый идеальный отклик сети. После обучения сеть способна генерировать некоторый отклик, идеальный с ее точки зрения, на основе неизвестных ей ранее входных данных той же природы, что и обучающее множество. При этом природа входных и выходных данных может быть различной, причем в качестве входных данных могут поступать сразу несколько наборов векторов с различной информацией. Например, если на вход сети при обучении подавать информацию о фирме, аналогичную данным для многокритериального дискриминантного анализа, то есть: Xj = 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, все активы, а в качестве указаний учителя выбрать две группы фирм, одна из которых будет представлять обанкротившиеся фирмы, а другая нет, взять их показатели для формирования обучающего множества, и обучить сеть давать ответ «банкрот» или «не банкрот». После этого можно брать любую фирму, предъявлять ее показатели сети и сеть будет оценивать фирму как «банкрот» или «не банкрот». Возможно, фирма еще не обанкротилась, но давать кредиты такой фирме опасно. Вероятность правильного ответа может достигать 80% 97%. Следует подчеркнуть следующую 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 115 близкий к ожидаемом и отличающийся от него лишь на заданную величину погрешности. 3.1.4. Анализ применимости методов по прогнозированию банкротства к российским предприятиям Оценка финансового состояния предприятий и установления неудовлетворительной структуры баланса довольно просты в применение и используют информацию доступную для внешнего пользователя. Но значения коэффициентов текущей ликвидности и обеспеченности собственными оборотными средствами взято из мировой учетно-аналитической практики. Данные значения очень жесткие и вряд ли выполнимы для большинства отечественных предприятий. Так по данным Федерального управления по делам о несостоятельности (банкротстве), значение коэффициента текущей ликвидности в среднем по предприятиям страны в 2000 г. не превосходило 1.4. В экономике развитых стран нормативные значения подобных коэффициентов дифференцированы по отраслям и подотраслям и, что очень важно, используются не для принятия волевых решений, а лишь как средство анализа. Так, по данным Министерства торговли США, коэффициент текущей ликвидности по ряду отраслей и групп предприятий в 2000 г. имел следующие значения: корпорации производственной сферы 1.47; производство продуктов питания 1.25; издательская деятельность 1.67; химическая промышленнность 1.30; нефтяная и угледобывающая промышленность 1.00; машиностроение 1.85; производство электрооборудования и электронной техники 1.47; розничная торговля 1.5. 116 Методические рекомендации по проведению экспертизы о наличии (отсутствии) признаков фиктивного или преднамеренного банкротства так же просты в применении и используют информацию доступную для внешнего пользователя. Но при этом они не решают основной задачи определения банкрот предприятие или нет. Рекомендации Комитета по обобщению практики аудирования (Великобритания), содержащие перечень критических показателей для оценки возможного банкротства предприятия не имеют четких числовых значений. Они очень абстрактны, и не в состояние провести четкой границы между банкротом или не банкротом. Сопоставление данных, полученных для ряда стран, показывает, что веса в Z-свертке и пороговой интервал[ Z j^ ] сильно разнятся не только от страны к стране, но и от года к году в рамках одной страны (можно сопоставить выводы Альтмана о положении предприятий США за 10 лет анализа). Получается что Z методы Альтмана не обладают устойчивостью к вариациям в исходных данных. Статистика, на которую опирается Альтман и его последователи, возможно, и репрезентативна, но она не обладает важным свойством статистической однородности выборки событий. Одно дело, когда статистика применяется к выборке радиодеталей из одной произведенной партии, а другое, когда она применяется к фирмам с различной организационно-технической спецификой, со своими уникальными рыночными нишами, стратегиями и целями, фазами жизненного цикла и т.д. Здесь невозможно говорить о статистической однородности событий, и, следовательно, допустимость применения вероятностных методов, самого термина «вероятность банкротства» ставится под сомнение. Применение нечетких множеств к анализу риска банкротства предприятия стало применяться недавно. Поэтому в настоящее время сложно сказать о достоинствах и недостатках метода. Возможно, проблемы применения |