Открытая персональная интеллектуальная технология разработки и применения адаптивных методик оценки инвестиционной привлекательности и кредитоспособности предприятий

Аннотация

Достоверная оценка финансового состояния предприятия необходима как для самих предприятий, чтобы заблаговременно принять антикризисные меры и не допустить неблагоприятного развития событий, так и для инвесторов и кредиторов, для которых риск банкротства финансируемого предприятия связан с риском невозврата инвестиций и кредитов. Следовательно, существует настоятельная необходимость в разработке инструментария, позволяющего достоверно оценить инвестиционную привлекательность и кредитоспособность предприятия. Однако в ходе исследования выявлены четыре группы проблем, препятствующих доступу предприятий к таким технологиям и методикам: 1) отсутствие методик достоверной оценки рисков кредитования различных предприятий; 2) высокая стоимость услуг по разработке и адаптации методик оценки рисков кредитования; 3) невозможность приобрести данную технологию для самостоятельного использования; 4) высокая сложность и трудоемкость разработки необходимых для этой технологии математических моделей, реализующих их алгоритмов и структур данных, а также программного инструментария, обеспечивающего возможность практического применения этих моделей. Авторами обосновано, что решение указанных проблем возможно путем применения в качестве технологии разработки адаптивных методик оценки риска кредитования предприятий новой инновационной технологии искусственного интеллекта – автоматизированного системно-когнитивного анализа, оснащенного собственным программным инструментарием персонального уровня – интеллектуальной системой «Эйдос» (открытое программное обеспечение). Новизна исследования заключается в разработке открытой персональной интеллектуальной технологии создания адаптивных методик оценки инвестиционной привлекательности и кредитоспособности предприятий на основе применения автоматизированного системно-когнитивного анализа и системы «Эйдос», что позволяет использовать авторский подход для исследования широкого спектра социально-экономических систем и процессов. Полученные результаты, имеющие научно-прикладное значение мирового масштаба, состоят в разработке открытой персональной технологии, позволяющей создавать на ее основе новые методики оценки рисков кредитования предприятий с использованием инструментария автоматизированного системно-когнитивного анализа первичной финансово-экономической информации об их хозяйственной деятельности, в создании среды для применения этих методик на практике в адаптивном режиме. Приводится подробный численный пример применения автоматизированного системно-когнитивного анализа в качестве технологии создания методики оценки рисков кредитования. Перспективы исследования состоят в создании адаптивных методик оценки рисков кредитования, учитывающих специфику хозяйственной деятельности предприятий, их локализацию, особенности и динамику внешней среды.

Ключевые слова

автоматизированный системно-когнитивный анализ, экономико-математические модели, программный продукт, интеллектуальная система «Эйдос», достоверность оценки, финансовое состояние предприятия, риски кредитования, кредитоспособность предприятия, инвестиционная привлекательность предприятия, банкротство

Для цитирования

Луценко Е.В., Коваленко А.В., Печурина Е.К., Уртенов М.А.Х. Открытая персональная интеллектуальная технология разработки и применения адаптивных методик оценки инвестиционной привлекательности и кредитоспособности предприятий // Вестник Пермского университета. Сер. «Экономика». 2019. Том 14. № 1. С. 20–50. DOI 10.17072/1994-9960-2019-1-20-50

Благодарности

Исследование выполнено при финансовой поддержке РФФИ и администрации Краснодарского края в рамках научного проекта № 18-410-230036 р_а.

Список литературы

1. Греченюк А.В., Греченюк О.Н. Сравнительный анализ российских и зарубежных подходов к анализу финансового состояния организации // Аудит и финансовый анализ. 2015. № 1. С. 217–223.
2. Швецова О.В. Сравнительная характеристика российских и зарубежных подходов к формированию информации о финансовых результатах в отчетности // Аудит и финансовый анализ. 2013. № 4. С. 101–104.
3. Манина Н.В., Николаева М.О. Зарубежный опыт учета и анализа финансовых результатов организации // Молодой ученый. 2016. № 6. С. 498–501.
4. Кудашева В.А. Особенности составления финансовой отчетности в странах с континентальной моделью учета. URL: http://www.rusnauka.com/1_NIO_2012/Economics/7_98688.doc.htm (дата обращения: 20.01.2019).
5. Баранов А.В., Жминько А.Е. Сравнительная характеристика формирования показателей отчетности о прибылях и убытках в отечественной зарубежной практике // Все для бухгалтера. 2007. № 8 (200). С. 19–22.
6. Brealey R., Myers S., Allen F. Principles of corporate finance. 10th еd. McGraw-Hill/Irwin, 2010. 968 p.
7. Fabozzi F.J., Markowitz H.M. The theory and practice of investment management: Asset alloca-tion, valuation, portfolio construction, and strategies. Wiley, 2011. 725 p.
8. Benninga S. Financial modelling. 3rd ed. The MIT Press, 2008. 1168 p.
9. Bodie Z., Kane A., Marcus A.J. Investments. McGraw-Hill, 2014. 1080 p.
10. Damodaran A. Investment valuation: Tools and techniques for determining the value of any asset. 3rd еd. John Wiley and Sons, 2012. 974 p.
11. Berk J., DeMarzo P. Corporate finance. 3rd ed. Prentice Hall, 2013. 1141 p.
12. Barth M.E., Clement M.B., Foster Brand G., Kasznik R. Values and capital market valuation. URL: https://ssrn.com/abstract=98748 (дата обращения: 20.01.2019).
13. Foster G., Kasznik R., Sidhu B.K. International equity valuation: The relative importance of country and industry factors versus company‐specific financial reporting information // Accounting and Finance. 2012. Vol. 52, Iss. 3. P. 767–817.
14. Bettman J.L., Sault S.J., Schultz E.L. Fundamental and technical analysis: Substitutes or complements? // Accounting and Finance. 2009. Vol. 49, Iss. 1. Р. 21–36.
15. Altman E., Sabato G. Modelling credit risk for SMEs: Evidence from the US market // Abacus. 2007. Vol. 43, Iss. 3. Р. 332–357.
16. Altman E.I., Sabato G., Wilson N. The value of non-financial information in small and medium-sized enterprise risk management // The Journal of Credit Risk. 2010. Vol. 6, № 2. Р. 1–33.
17. Bhandari S.B., Iyer R. Predicting business failure using cash flow statement based measures // Managerial Finance. 2013. Vol. 39, Iss. 7. Р. 667–676.
18. Oz I.O., Yelkenci T. The generalizability of financial distress prediction models: evidence from Turkey // Journal of Accounting and Management Information Systems. 2015. Vol. 14, № 4. Р. 685–703.
19. Richardson G., Taylor G., Lanis R. The impact of financial distress on corporate tax avoidance spanning the global financial crisis: Evidence from Australia // Economic Modelling. 2015. Vol. 44. Р. 44–53.
20. Charitou A., Dionysiou D., Lambertides N., Trigeorgis L. Alternative bankruptcy prediction models using option pricing theory // Journal of Banking and Finance. 2013. Vol. 37, Iss. 7. Р. 2329–2341.
21. Gupta J., Wilson N., Gregoriou A., Healy J. The value of operating cash flow in modelling credit risk for SMEs //Applied Financial Economics. 2014. Vol. 24, № 9. Р. 649–660.
22. Jardin P. Bankruptcy prediction using terminal failure processes // European Journal of Operational Research. 2015. Vol. 242, № 1. Р. 286–303. doi: 10.1016/j.ejor.2014.09.059.
23. Tinoco M.H., Wilson N. Financial distress and bankruptcy prediction among listed companies using accounting, market and macroeconomic variables // International Review of Financial Analysis. 2013. Vol. 30. Р. 394–419.
24. Oz I.O., Yelkenci T. A theoretical approach to financial distress prediction modeling // Managerial Finance. 2017. Vol. 43, № 2. Р. 212–230. doi: 10.1108/MF-03-2016-0084.
25. Carvalho C., Fisher J. D., Pettenuzzo D. Optimal asset allocation with multivariate bayesian dynamic linear models // Working Paper Series. 2018/123. URL: http://www.brandeis.edu/economics/ RePEc/brd/doc/Brandeis_WP123.pdf (дата обращения: 20.01.2019).
26. Carriero A., Clark T.E., Marcellino M. Large vector autoregressions with stochastic volatility and flexible priors // Federal Reserve Bank of Cleveland Working Paper. 2016. № 16–17.
27. Dangl T., Halling M. Predictive regressions with time-varying coefficients // Journal of Financial Economics . 2012. № 106 (1). Р. 157–181.
28. Gelman A., Hill J. Data analysis using regression and multilevel/hierarchical models. Cambridge: Cambridge University Press, 2006. 648 p.
29. Johannes M., Korteweg A., Polson N. Sequential learning, predictability, and optimal portfolio returns // The Journal of Finance. 2014. № 69 (2). Р. 611–644.
30. Pettenuzzo D., Timmermann A., Valkanov R. Forecasting stock returns under economic con-straints // Journal of Financial Economics. 2014. № 114 (3). Р. 517–553.
31. Zhao Z.Y., Xie M., West M. Dynamic dependence networks: Financial time series forecasting and portfolio decisions // Applied Stochastic Models in Business and Industry. 2016. № 32 (3). Р. 311–332.
32. Kauppi H. Predicting the direction of the Fed's Target Rate // Journal of Forecasting. 2012. № 31 (1). Р. 47–67.
33. Grydaki M., Bezemer D. The role of credit in the Great Moderation: A multivariate GARCH approach // Journal of Banking and Finance. 2013. № 37. Р. 4615–4626.
34. Носкова А.Р., Алексеев А.О. Достоверное прогнозирование вероятности банкротства предприятий строительной отрасли с помощью метода системно-когнитивного анализа // Управление финансовыми рисками. 2018. № 3. С. 218–224.
35. Луценко Е.В. Метризация измерительных шкал различных типов и совместная сопоставимая количественная обработка разнородных факторов в системно-когнитивном анализе и системе «Эйдос» // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ). 2013. № 92 (08). С. 61–71.
36. Луценко Е.В. Открытая масштабируемая интерактивная интеллектуальная on-line среда для обучения и научных исследований на базе АСК-анализа и системы «Эйдос» // Политематический се-тевой электронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ). 2017. № 130 (06), pp. 1–55.
37. Барановская Т.П., Коваленко А.В., Уртенов М.Х., Кармазин В.Н. Современные математические методы анализа финансово-экономического состояния предприятия: монография. Краснодар: КубГАУ, 2009. 224 с.
38. Коваленко А.В. Оценка кредитоспособности заемщика при помощи нейронных сетей и нечетких множеств // Современное состояние и приоритеты развития фундаментальных наук в регионах: труды III Всероссийской научной конференции молодых ученых и студентов, Краснодар, 2–5 октября 2006 г. Краснодар, 2006. С. 190–192.
39. Шевченко И.В., Кармазин В.Н., Коваленко А.В. Комплексная оценка кредитоспособности предприятий малого и среднего бизнеса с помощью нечеткой продукционной системы // Финансовая аналитика: проблемы и решения. 2008. № 2 (2). С. 81–86.
40. Коваленко А.В. Нейронная сеть и нечеткие множества, как инструмент оценки кредитоспо-собности заемщика // Прикладная математика XXI века: материалы VI объединенной науч. конф. студентов и аспирантов факультета прикладной математики. Краснодар: КубГУ, 2006. С. 56–58.
41. Коваленко А.В., Кармазин В.Н. Диагностика состояния предприятия на основе нечетких продукционных систем // Труды Кубанского государственного аграрного университета. 2008. № 11. С. 20–27.
42. Коваленко А.В., Кармазин В.Н. Нечеткое моделирование в среде MatLab кредитоспособно-сти предприятий малого и среднего бизнеса // Проектирование научных и инженерных приложений в среде MatLab: труды всероссийской науч. конф. СПб.: С.-Петерб. ун-т, 2007. С. 1509–1520.
43. Заикина Л.Н., Коваленко А.В., Уртенов М.Х. Кластерный анализ финансово-экономического состояния предприятий строительной отрасли // Политематический сетевой элек-тронный научный журнал Кубанского государственного аграрного университета (Научный журнал КубГАУ). 2010. № 60 (06). С. 189–200.
44. Луценко Е.В. Автоматизированный системно-когнитивный анализ в управлении активны-ми объектами (системная теория информации и ее применение в исследовании экономических, соци-ально-психологических, технологических и организационно-технических систем). Краснодар: КубГАУ, 2002. 605 с.
45. Луценко Е.В. Инвариантное относительно объемов данных нечеткое мультиклассовое обобщение F-меры достоверности моделей Ван Ризбергена в АСК-анализе и системе «Эйдос» // По-литематический сетевой электронный научный журнал Кубанского государственного аграрного уни-верситета (Научный журнал КубГАУ). 2017. № 126 (2). С. 1–32.
46. Луценко Е.В. Системная теория информации и нелокальные интерпретируемые нейронные сети прямого счета // Политематический сетевой электронный научный журнал Кубанского государ-ственного аграрного университета (Научный журнал КубГАУ). 2003. № 1 (001). С. 76–88.
47. Орлов А.И., Луценко Е.В. Системная нечеткая интервальная математика. Краснодар: КубГАУ, 2014. 600 с.

Показать весь текст