Ключевые слова: нейронные сети, многослойный перцептрон, функция активации, сигмоидальная функция, классификация, кластер.
Деятельность современных предприятий — предопределяет необходимость проведения комплексного экономического анализа, связанного с обработкой большого объема информации.
Комплексный экономический и финансовый анализ, предполагающий построение системы показателей, отражающей все существенные стороны деятельности организации, — является базой для принятия решений, разработки финансовой политики любого экономического субъекта.
Ввиду того, что предприятие само по себе — является сложной социально-экономической системой, функционирующей в условиях неопределенности, получение комплексных оценок деятельности предприятия является сложной задачей не только с экономической, но и с математической точки зрения.
Как следствие, возрастает актуальность разработки экономико-математических моделей, которые могут позволить осуществлять анализ финансового состояния предприятия с достаточной точностью и надежностью.
В связи с этим, одним из актуальных направлений развития информационных технологий в финансовой сфере является автоматизация процессов анализа и прогнозирования оценки состояния деятельности предприятия.
Не смотря на широкий спектр рассматриваемых вопросов по анализу и прогнозированию проблемы анализа и прогнозирования финансового состояния предприятия окончательно не решены. Прежде это касается теоретико-методических вопросов анализа и прогнозирования финансового состояния промышленного предприятия.
Современным предприятиям необходимы пошаговые алгоритмы для принятия решений, направленных на оздоровление финансового состояния. По итогам анализа финансового состояния делается вывод: находится ли предприятие в стадии банкротства или приводятся самые простые, не имеющие конкретную базу прогнозных расчетов, рекомендации, которые рассматриваются, как мероприятия по восстановлению платежеспособности и финансовой привлекательности.
Целью данной работы — является формирование автоматизированной системы анализа финансвого положения предприятия, на основе сформированной системы показателей, наиболее значимо характеризующих аспекты финансового состояния предприятия.
При экспертизе финансового положения — является подбор наиболее значимых признаков.
Так, выбор наиболее значимых признаков объекта экспертизы в многом является эвристическим, а затем уточняется (во-первых, на основе мнения созданной экспертной группы, и, во-вторых, уже по данным предварительной экспертизы). Некоторые из признаков могут быть коррелированным, и тогда размерность признакового пространства уменьшается. Некоторые из признаков присутствуют во всех сравниваемых объектах и исключаются из рассмотрения.
Экономические объекты, в частности, в задачах оценки финансового состояния предприятия, могут иметь большой разброс характеристик.
Так, например, признак собственных оборотных средств (СОС) зачастую принимает отрицательные значения, а другие (показатели рентабельности) не имеют нормальных ограничений.
Поэтому при кластеризации структуры капитала предприятий целесообразно выделить три кластера:
- нормальное,
- промежуточное,
- неустойчивое финансовое состояние.
Автором было предложено воспользоваться идеями, положенными в основу системы показателей Бивера – разделение величин признаков на группы нормального, неустойчивого и кризисного финансового состояния.
Реальная нейронная сеть может содержать один или несколько слоев, и, соответственно, называется однослойной или многослойной. Каждый элемент вектора входа соединен со всеми входами нейронов, и это соединение задается матрицей синапртических весов W. Особенностью нейронных сетей является то, что для обеспечения большей гибкости и универсальности модели к входам каждого нейрона могут добавляться сигналы смещения b1, b2…bs.
В ходе работы — была построена модель нейронной сети прямого распространения (многослойный перцептрон).
Архитектура данной нейронной сети состоит из 25 признаков на входном слое (отобранных методом корреляционного анализа) с двумя скрытыми слоями: 19 нейронов на первом слое (В) и 4 нейрона на втором скрытом слое (С). Число слоев было выбрано таким образом, что на первом этапе используются все входные признаки, а на втором, автоматически извлекаются наиболее важные для классификации. В качестве формы функции активации была рассмотрена сигмоидальная функция, которая является дифференцируемой по всему графику функции.
Расчет классификации методом нейронных сетей, показал, что ошибка классификации сведена к минимуму. Анализ полученных результатов по проверочной выборке показал, что число ложных тревог и пропуска сигнала сократилось до 0 (0 %) и 1 (1,06 %) соответственно. Высокая точность была достигнута в первом 68 (100,0 %), в третьем 32 (100, 0%) и четвертом 23 (100,0 %) классах качества.
Точность классификации всей выборки методом нейронных сетей составила 594 (99,73 %).
Таким образом, организация системы информативных признаков, позволяет классифицировать с высокой точностью финансовое состояние предприятия методом нейросетевого анализа.
Нужна помощь в написании статьи?
Мы - биржа профессиональных авторов (преподавателей и доцентов вузов). Пишем статьи РИНЦ, ВАК, Scopus. Помогаем в публикации. Правки вносим бесплатно.
Список использованных источников
1. Беляева, Г. В. Факторный анализ, как инструмент выявления информативных экономических показателей/Беляева Г. В., Пономарева Н. И., Саввина Е. А.// Экономика. Инновации. Управление качеством, 2014. — № 4 (9). — С. 146.
2. Бухарин, С. В. Методы теории нейронных сетей в экспертизе тезнических и экономических объектов/С. В. Бухарин, В. В. Навоев//Монография. – Воронеж:Научная книга, 2015. – 255 с.
3. Битюков, В. К. Нейронные сети, как инструмент классификации биотехнологических систем (на примере мукомольного производства)/Битюков В. К., Балашова Е. А., Саввина Е. А.//Вестник ВГУИТ, 2015. — № 3(65). – С.93-96