Богданова Татьяна Кирилловна – кандидат экономических наук, доцент кафедры бизнес-аналитики, факультет бизнес-информатики, Национальный исследовательский университет «Высшая школа экономики». Адрес: 101000, Москва, Мясницкая ул., 20. E-mail: tanbog@hse.ru
Шевгунов Тимофей Яковлевич – кандидат технических наук, доцент кафедры теоретической радиотехники, Московский авиационный институт (национальный исследовательский университет). Адрес: 125993, Москва, Волоколамское шоссе, 4. E-mail: shevgunov@gmail.com
Уварова Ольга Михайловна – старший преподаватель кафедры бизнес-аналитики, факультет бизнес-информатики, Национальный исследовательский университет «Высшая школа экономики». Адрес: 101000, Москва, Мясницкая ул., 20. E-mail: ouvarova@hse.ru
Выбор надежных деловых партнеров представляет собой типичную задачу, в которой лицам, принимающим решения, требуется оценить финансовое состояние большого числа потенциальных контрагентов.
В работе представлена методика оценки долгосрочной платежеспособности предприятия на основе обработки системы финансовых показателей с использованием нейронных сетей. Как правило, нейронные сети используются в прикладных задачах оценки финансового состояния для построения моделей «черного ящика», реализуемых посредством предопределенных алгоритмов и выбранного программного обеспечения. Это может быть удобно для типичного бизнес-пользователя, но скрывает от исследователей и аналитиков важные детали изучаемой им предметной области. Настоящая работа призвана восполнить данный пробел и представить предметно-обоснованную базу для создания эффективных моделей прогнозирования.
В настоящей работе приводится краткое описание нейросетевого метода оценки платежеспособности, для которого составлены основные рекомендации по выбору структуры нейронной сети и указаны ее возможные вариации. В результате применения данного подхода были синтезированы модели предсказания неплатежеспособности российских предприятий обрабатывающего сектора. Для тестирования разработанной модели проведен анализ платежеспособности российских предприятий обрабатывающих отраслей на основе финансовых показателей их публичной отчетности. Также приведено объяснение причин повышения точности прогноза нейросетевой модели по сравнению с известными моделями, построенными на основе логистической регрессии.
Хотя задача выбора оптимальной системы финансовых показателей для оценки платежеспособности фирмы в данной работе не решалась, предлагаемый подход может быть применен совместно с любой совокупностью финансовых показателей, обеспечивающей достаточную полноту охвата различных аспектов деятельности анализируемой организации.