г. Ростов-на-Дону ул. Пушкинская, 43, оф. 10
e-mail: info@hjournal.ru 
тел. +7(863) 269-88-14

scienceRU

Прогнозирование банкротства организации на основе метрических методов интеллектуального анализа данных

Прогнозирование банкротства организации на основе метрических методов интеллектуального анализа данных

Journal of Economic Regulation (Вопросы регулирования экономики), , Том 9 (номер 1),

В статье предлагается подход к оценке риска банкротства организаций различных сфер деятельности и отраслевой принадлежности, в том числе предприятий водохозяйственных комплексов, на основе индуктивных метрических методов интеллектуального анализа данных. Одна из задач такого анализа данных ‒ проблема классификации, возникающая в различных сферах и отраслях бизнеса. В настоящей работе рассматриваются бинарная классификация, когда каждый объект относится к одному из двух классов: «банкрот» или «не банкрот». Отличительной особенностью статьи является использование качественных признаков – оценок экспертов по шести признакам данного риска: отраслевой риск, риск управления, финансовая гибкость, кредитоспособность, конкурентоспособность и операционный риск. При этом каждый признак оценивается экспертами по трем уровням: «положительный», «средний» и «отрицательный». В статье проводится сравнительный анализ по пяти группам методов с различными видами функций расстояния, включая евклидову метрику и расстояние Чебышева, а также четырех типов ядер для метода потенциальных функций. Для настройки параметров алгоритмов осуществляется кросс-проверка их качества по обучающей и тестовой выборках. Результаты моделирования показали, что для некоторых из метрик в пространстве объектов рассматриваемые методы обучения хорошо согласуются с исходными данными и демонстрируют незначительную ошибку на тестовых данных. Обучение и оптимизация алгоритмов осуществлялись в среде разработки Visual Studio 2017 на языке программирования C#. Учитывая простоту реализации метрических методов, их надежность, способность алгоритмов анализировать значительные объемы информации, предполагается, что рекомендованный подход к прогнозированию банкротства будет полезен представителям малого и среднего бизнеса и позволит получить объективную и точную картину о финансовом положении предприятия, текущих угрозах и риске банкротства.


Ключевые слова: банкротство; риск; метрические методы; машинное обучение

Список литературы:
  • Aivazyan, S. A., Bukhshtaber, V. M., Enyukov, I. S. and Meshalkin, L. D. (1989). Prikladnaya statistika. Klassifikatsiya i snizhenie razmernosti. M.: Finansy i statistika, 607 p.
  • Altman, E. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy // Journal of Finance, 23(3), 589–609.
  • Altman, E. I., Marc, G. and Varet, F. (1994). Corporate distress diagnosis: comparisons using linear discriminant analysis and neural networks // Journal of Banking and Finance, 18, 505–529.
  • Brachman, R. J., Khabaza, T., Kloesgen, W., Piatesky-Shpiro, G. and Simoudis, E. (1996). Mining business databases // Communication of the ACM, 39(11), 42–48.
  • Bredart, X. (2014). Bankruptcy Prediction Model Using Neural Networks // Accounting and Finance Research, 3(2), 124–128.
  • Caouette, J. B. Altman, E. I. and Narayanan, P. (1998). Managing credit risk: The next great financial challenge. New York: Wiley & Sons Inc.
  • Chesser, D. (1974). Predicting loan noncompliance // The Journal of Commercial Bank Lending, 28–38.
  • Fletcher, D. and Goss, E. (1993). Forecasting with neural networks: an application using bankruptcy data // Information and Management, 24(3), 159–167.
  • Jarrow, R. A. and Turnbull, S. (1995). Pricing derivatives on financial securities subject to credit risk // Journal of Finance, 50, 53–85.
  • Martin, A., Miranda Lakshmi, T. and Prasanna Venkatesan, P. (2014). An Analysis on Qualitative Bankruptcy Prediction Rules using Ant-Miner // I.J. Intelligent Systems and Applications, 1, 36–44.
  • Messier, W. F. and Hansen, J. (1988). Inducing rules for expert system development: an example using default and bankruptcy data // Management Science, 34(12), 1403–1415.
  • Merton, R. C. (1974). On the pricing of corporate debt: the risk structure of interest rates // Journal of Finance, 29(2), 449–470.
  • Myoung-Jong Kim and Ingoo Han (2003). The discovery of experts’ decision rules from qualitative bankruptcy data using genetic algorithms // Expert Systems with Applications, 25, 637–646.
  • Ohlson, J. (1980). Financial ratios and the probabilistic prediction of bankruptcy // Journal of Accounting Research, 18(1), 109–131.
  • Odom, M. and Sharda, R. (1990). A neural networks model for bankruptcy prediction // Proceedings of the IEEE International Conference on Neural Network, 163–168.
  • Tam, K. and Kiang, M. (1992). Managerial applications of neural networks: The case of bank failure prediction // Management Science, 38(7), 926–947.
  • Shaw, M. and Gentry, J. (1990). Inductive learning for risk classification // IEEE Expert, 47–53.
  • Shin, K. S. and Lee, Y. J. (2002). A genetic algorithm application in bankruptcy prediction modeling // Expert Systems with Applications, 23(3), 321–328.
  • Vorontsov, K. V. Matematicheskie metody obucheniya mashin po pretsendentam (teoriya obucheniya mashin) (http://www.machinelearning.ru/wiki/images/6/6d/Voron-ML-1.pdf)
  • Zmijewski, M. E. (1984). Methodological issues related to the estimation of financial distress prediction models // Journal of Accounting Research, 22(1), 59–82.
Издатель: ООО "Гуманитарные Перспективы"
Учредитель: ООО "Гуманитарные Перспективы"
Online ISSN: 2412-6047
ISSN: 2078-5429