Огляд сучасних методів оцінки фінансового стану вітчизняних інноваційно активних промислових підприємств

Размещено на http://www.allbest.ru/

Размещено на http://www.allbest.ru/

Український державний хіміко-технологічний університет

Огляд сучасних методів оцінки фінансового стану вітчизняних інноваційно активних промислових підприємств

М'ячин В.Г.

Зибайло С.М.

Тиха Л.С.

Анотація

У статті реалізовано концептуальний нейромережевий підхід до класифікації та вибору моделей щодо оцінювання фінансового стану інноваційно активних підприємств та ймовірності настання їх банкрутства, який враховує точність класифікації для підприємств-банкрутів, фінансово стійких підприємств, загальну точність ідентифікації підприємств та інші показники. Аналіз моделей та підходів до оцінювання фінансового стану та ризику настання банкрутства інноваційно активних підприємств свідчить про те, що дискримінанті моделі для оцінювання ризику настання банкрутства підприємств, які виникли понад 50 років тому, удосконалення яких відбувається нині різними дослідниками, не можуть релевантно характеризувати фінансовий стан, тому що їм властиві суттєві недоліки. Методи оцінювання фінансового стану та ймовірності настання банкрутства, в основі яких лежать нечітко-логічний аналіз та штучні нейронні мережі, отримали за останні 10-15 років бурхливий розвиток за кордоном завдяки насамперед їх високій точності. Однак в Україні використання цих моделей поки що не набуло широкого практичного значення з причини насамперед невеликої обізнаності фахівців щодо сучасного економіко-математичного інструментарію.

Ключові слова: методи визначення фінансового стану підприємства, кластеризація, нейронні мережі, карта Кохонена, що самоорганізується, факторний аналіз даних, імовірність настання банкрутства.

Аннотация

нейромережевий фінансовий банкрутство інноваційний

В статье реализован концептуальный нейросетевой подход к классификации и выбору моделей ка¬сательно оценивания финансового состояния инновационно активных предприятий и вероятности наступления их банкротства, который учитывает точность классификации для предприятий-банкротов, финансово устойчивых пред¬приятий, общую точность идентификации предприятий и другие показатели. Анализ моделей и подходов к оценива-нию финансового состояния и риска наступления банкротства инновационно активных предприятий свидетельствует о том, что дискриминантые модели для оценивания риска наступления банкротства предприятий, которые возникли более 50 лет назад, совершенствование которых происходит сейчас различными исследователями, не могут релевантно характеризовать финансовое состояние, потому что им свойственны существенные недостатки. Методы оценивания финансового состояния и вероятности наступления банкротства, в основе которых лежат нечетко-логичный анализ и искусственные нейронные сети, получили за последние 10-15 лет бурное развитие за рубежом благодаря прежде всего их высокой точности. Однако в Украине использование этих моделей пока не получило широкого практического значения по причине прежде всего небольшой осведомленности специалистов с современным экономико-математическим инструментарием.

Ключевые слова: методы определения финансового состояния предприятия, кластеризация, нейронные сети, са¬моорганизующаяся карта Кохонена, факторный анализ данных, вероятность наступления банкротства.

Abstract

The use of the discriminant model is limited by the possibility of market valuation of equity. Such an assessment can be made for large corporations whose shares are listed on stock exchanges. Given the lack of development of the stock market in Ukraine, for the vast majority of Ukrainian enterprises, the definition of the Altman index is not completely incorrect. In addition, the peculiarities of the Ukrainian economy, in particular, the revaluation of fixed assets, the inability to establish the real market price of certain types of fixed assets, do not allow the full use of the Altman model. To identify the advantages and disadvantages of each of the models for diagnosing the financial condition and the onset of bankruptcy, we proposed to perform a cluster analysis of the most well-known models. Based on the results, all known models for determining the probability of bankruptcy were divided into two clusters. These are clusters «0» and «1». In terms of the number of distributed models, the clus¬ter volumes are close to each other. Cluster «0» included 3 models, and the largest cluster «1» included 4 models. A conceptual neural network approach to the classification and selection of models for assessing the financial condition of innovation-active enterprises and the probability of their bankruptcy is implemented, which takes into account the accuracy of classification for bankrupt enterprises, financially stable enterprises, the general accuracy of identification of enterprises, and other indicators. Analysis of models and approaches to assessing the financial condition and risk of bankruptcy of innovative and active enterpris¬es indicates that discriminant models for assessing the risk of bankruptcy of enterprises that arose more than 50 years ago (which are being improved in our time by various researchers) cannot adequately characterize the financial condition, because they are characterized by significant shortcomings. Methods for assessing the financial condition and probability of bankruptcy of en¬terprises, which are based on fuzzy logic analysis and artificial neural networks, have received rapid development abroad over the past 10-15 years, primarily due to their high accuracy. However, in Ukraine, the use of these models has not yet received wide practical significance due, first of all, to a small awareness of specialists with modern economic and mathematical tools.

Key words: methods for determining the financial state of an enterprise, clustering, neural networks, self-organizing Kohonen maps, factor analysis of data, and the probability of bankruptcy.

Основна частина

Вступ та постановка проблеми. Слід зазначити, що в Україні сьогодні значна частина систем моніторингу господарської діяльності підприємств базується виключно на коефіцієнтному аналізі. Ця система показників є загальноприйнятою й містить коефіцієнти відновлення та втрати платоспроможності. Водночас, як показує практика, розглянутий підхід орієнтований перш за все не на інтелектуальний розвиток, а на виявлення банкрутства, отже, не дає змоги керівництву підприємства своєчасно вжити заходів з виходу з кризового стану.

Аналіз останніх досліджень і публікацій. Дослідженню питання оцінювання фінансового стану та діагностики банкрутства підприємств приділяла увагу значна кількість провідних вітчизняних та закордонних економістів, зокрема E. Альтман для США [1], Р. Таффлер і Г Тішоу для Великої Британії [2], К. Беєрман для Німеччини [3], Г. Давидова та А. Бєліков для Росії [4], О. Терещенко [5] та О. Черняк [6] для України.

Метою статті є класифікація та обґрунтування вибору моделей щодо оцінювання фінансового стану інноваційно активних промислових підприємств та ймовірності настання їх банкрутства.

Результати дослідження. Перші зафіксовані в науковій літературі моделі прогнозування банкрутства з'явились у 1932 році. Основні етапи еволюції моделей представлені в табл. 1. Першими з них були статистичні та економіко-фінансові моделі. Перша дискримінантна модель прогнозування банкрутства (модель Z-рахунку Е. Альтмана) з'явилась у 1968 році, а її скориговані версії широко використовуються досі.

Одним з найбільш відомих рейтингових методів оцінювання ризику банкрутства є «правило 5С», яке широко застосовується закордонними й вітчизняними банками для аналізу кредитоспроможності підприємств і включає такі критерії: «character» (характер позичальника); «capacity» (фінансові можливості); «capital» (капітал); «collateral» (забезпечення); «conditions» (загальні економічні умови).

Множинний дискримінантний аналіз є множинною лінійною регресією. Існують декілька причин широкого використання методу множинного дискримінантного аналізу для оцінювання ймовірності банкрутства. По-перше, МДА дає змогу досліджувати розбіжності між компаніями-банкрутами та компаніями, які не є банкрутами, на основі фінансових показників із зазначенням коефіцієнтів, які найбільше сприяють розподілу груп. Методика МДА послідовно ідентифікує лінійну комбінацію атрибутів, відома як канонічні дискримінантні рівняння, що максимально сприяють груповому поділу підприємств.

Таблиця 1. Моделі прогнозування банкрутства та їх автори

По-друге, використання MДA вирішує питання класифікації компаній, дані за якими раніше не використовувались для побудови Z-рахунку Альтмана.

За першою моделлю (Original Model) множинного дискримінантного аналізу Альтмана (1968 рік) Z-рахунок визначається таким чином:

Z = 1,21X1 + 1,41X2 + 3,3X3 + 0,6X4 + 0,999X5. (1)

У 1997 році з'явилась модифікована модель Альтмана, яка отримала назву ZETA:

Z = 0,717X1 + 0,84X2 + 3,107X3 + 0,42 X4 + 0,998X5. (2)

Протягом наступних років параметри та коефіцієнти моделі Z-рахунку Альтмана зазнали коригування в умовах мінливих ринкових умов. Наступна версія Z-рахунку (Z3 Model) була представлена Альтманом та Готчкісом (Altman, Hotchkiss) у 2006 році як для виробничих, так і для невиробничих підприємств розвинених країн:

Z = 6,56Х1 + 3,26Х2 + 6,72Х2 + 1,05 Х3. (3)

Проте застосування означеної моделі обмежується можливістю ринкового оцінювання власного капіталу. Таке оцінювання може бути здійснене для великих корпорацій, акції яких є на фондових біржах. З огляду на недостатню розвиненість фондового ринку в Україні для більшості українських підприємств визначення індексу Е. Альтмана є не зовсім коректним.

Крім того, особливості української економіки, зокрема переоцінка основних фондів, неможливість встановити реальну ринкову ціну окремих видів основних фондів, не дають змогу повністю використовувати модель Е. Альтмана.

Для виявлення переваг та недоліків кожної моделі діагностики фінансового стану та настання банкрутства нами запропоновано виконати кластерний аналіз найбільш відомих моделей [1-6]. Їхню характеристику наведено в табл. 2.

На сучасних промислових підприємствах існують інформаційні системи підтримки прийняття управлінських рішень в інноваційній сфері. До них можна віднести такі системи, як MES, ERP, CRM, SRM, які відображають фінансово-господарську та виробничу діяльність підприємства (On-Line Transaction Processing, OLTP). Під час побудови сховища даних стають доступними більш складні інструменти аналізу даних, зокрема OLAP (On-Line Analytical Processing), тобто оперативно-аналітичний аналіз даних. Наступним етапом у розвитку інструментів аналізу є засоби інтелектуального аналізу даних, а саме це методи Data Mining («видобуток даних») [7; 8].

Як програмне середовище для проведення досліджень використано аналітичну платформу «Deductor Academic»

Таблиця 2. Порівняльна характеристика основних моделей визначення ймовірності настання банкрутства інноваційно активних підприємств версії 5.0 компанії «BaseGroup_Labs»

Параметри навчання карти Кохонена представлено в табл. 3.

Таблиця 3. Параметри навчання карти Кохонена

Сучасна аналітична платформа «Deductor» дає змогу характеризувати цей продукт як такий, що не поступається іншим аналітичним платформам за своєю функціональністю та швидкодією. З огляду на те, що версія програми «Deductor Studio Academic» взагалі є безкоштовною за збереження майже всієї повноти функціональних можливостей, можна вважати аналітичну платформу «Deductor» сьогодні найбільш доступним інструментом інтелектуального аналізу даних під час здійснення аналізу різних аспектів інноваційної діяльності [9; 10].

Розглянемо результати кластеризації відомих моделей визначення фінансового стану та ймовірності настання банкрутства. Кластеризація відбувалася за допомогою нейронної мережі, а саме карт Кохонена. Результати моделювання наведено на рис. 1. Для аналізу результатів кластероутворення використано не тільки карти вхідних векторів, але й матрицю відстаней, матрицю помилок квантування та матрицю густини потрапляння.

Характеристику кластерів за результатами роботи нейронної мережі, тобто кількість підприємств у кластері, показники рівня значущості, довірчого інтервалу, середні значення для кожного кластеру та інші показники розподілу, наведено на рис. 2.

Рис. 1. Карта Кохонена: точність класифікації підприємств-банкрутів (ПБ) (а); фінансово стійких підприємств (ФС) (б); загальна точність (ЗАГ) (в); відсоток підприємств, фінансовий стан яких не було ідентифіковано (ІП) (г); загальна точність класифікації (ЗТК) (д); матриця відстаней (е); матриця помилок квантування (є); матриця густини потрапляння (ж); кластери вхідних значень (з)