Моделювання фінансової стійкості субєкта господарювання в умовах невизначеності

Ще одна серйозна перевага нейронних мереж полягає в  тому, що експерту не потрібно вибирати математичну модель поведінки часового ряду. Побудова нейромережевої моделі відбувається адаптивно під час навчання, без участі експерта. При цьому нейронній мережі пред’являються приклади з бази даних і вона сама підлаштовується під ці дані.

Недоліком нейронних мереж  є їхня недетермінованість. Мається  на увазі те, що після навчання є "чорний ящик", який якимось чином  працює, але логіка прийняття розв'язків  нейромережею зовсім схована від  експерта. У принципі, існують алгоритми  «витягу знань із нейронної мережі», які формалізують навчену нейронну мережу до списку логічних правил, тим самим створюючи на основі мережі експертну систему. Але жаль набори правил, які генеруються такими алгоритмами досить об'ємні [51].

Крім того нейронні мережі можуть ефективно відтворювати залежності між вхідними та вихідними змінними навіть за повної відсутності значимих кореляційних зв’язків між ними, бо здатні виявити лінійні закономірності розвитку (як це роблять класичні економетричні моделі) і складні нелінійні функціональні залежності[49, с.36]. Така здатність обумовлюється використанням у нейронах нелінійного функціонального перетворювача, який описується деякою функцією активації. Завдяки такій особливості нейронні мережі отримують більшу апроксимуючу здатність для відтворення вихідних функціональних залежностей і прогнозування подальшого розвитку досліджуваних процесів, ніж економетричні аналоги.

Незважаючи на велику розмаїтість  варіантів нейронних мереж усі  вони мають загальні риси. Так усі  вони, також як і мозок людини, складаються з великого числа  однотипних елементів – нейронів, які покликані імітувати  головного  мозку і зв’язаними між собою. На рисунку 2.1. показана схема нейрона

Рис. 2.1. Схема будови штучного нейрона

З даного рисунка видно, що штучний нейрон, так само як і  живий, складається із синапсів, що зв'язують входи нейрона з ядром, ядра нейрона, яке здійснює обробку  вхідних сигналів і аксона, що зв'язує нейрон з нейронами наступного шару. Кожен синапс має вагу, яка визначає наскільки відповідний вхід нейрона  впливає на його стан. Стан нейрона  визначається за формулою:

                                                                    (2.1.)

де n - число входів нейрону;

x_i – значення i-го  входу нейрона;

w_i – вага i-го синапсу.

Після того, як стан нейронна було визначено, визначається значення аксона за формулою:

Y = f(S)                                                               (2.2.)

де f - деяка функція, що називається  активаційною.

Функція активації – це функція, що обчислює вихідний сигнал штучного нейрона. Як аргумент приймає сигнал, одержуваний від суматора. Найчастіше в нейронних мережах зустрічаються активаційні функції у вигляді гіперболічного тангенса або нелінійної функції з насиченням – так званий сигмоїд, що має вигляд:

                                                     (2.3.)

де a – коефіцієнт концентрації – розтягу функції.

При зменшенні параметра a сигмоїд стає більш положистим, вироджуючись у горизонтальну лінію  на рівні 0,5 при a=0. При збільшенні a сигмоїд  все більше наближається до функції  одиничного скачка (рис. 2.2.(а₂ > a₁)).

Рис. 2.2. Сигмоїдна функція  активації штучного нейрона

Основна  перевага цієї функції  в тому, що вона диференційована  на всій осі абсцис і має дуже просту похідну, що спрощує подальше навчання мережі:

 

Після того, як була обрана функція  активації для нейронів будують  саму структуру нейронної мережі. На рисунку 2.3 показана базова структура  нейронної мережі.

Рис. 2.3. Базова структура  нейронної мережі

У даній нейронної мережі кожен нейрон здійснює перетворення вхідних сигналів у вихідний сигнал і пов'язаний з іншими нейронами. Вхідні нейрони формують так званий інтерфейс нейронної мережі. З вхідного шару сигнали розповсюджуються на наступний шар, який носить назву внутрішнього, в даному випадку в нас є два внутрішні шари. Усі шари нейронної мережі обробляють ці сигнали до тих пір, поки вони не досягнуть вихідного шару,  який власне і виводить інформацію.

Завдання нейронної мережі - перетворення інформації потрібним  чином. Для цього мережа попередньо навчається. При навчанні використовуються ідеальні (еталонні) значення пар «входи-виходи», який оцінює поведінку нейронної мережі. Для навчання використовується так званий навчальний алгоритм. Ненастроєного нейронна мережа не здатна відображати бажаної поведінки. Навчальний алгоритм модифікує окремі нейрони мережі і ваги її зв'язків таким чином, щоб поведінка мережі відповідало бажаній. Зауважимо, що цей процес – результат алгоритму функціонування моделі, а не попередньо закладених у неї знань людини, як це часто буває в системах штучного інтелекту [1, с.31]. Процес навчання повторюється за різного роду методиками доти, доки мережа не набуде потрібних властивостей.

Одним з таких методів  навчання є метод випадкового пошуку. За даного методу відбувається динамічне підстроювання вагових коефіцієнтів, коли вибираються здебільшого найслабкіші зв’язки і змінюються на малу величину в той чи інший бік. Після цього обчислюють похибку моделі і зберігають тільки ті зміни, які зумовили зменшення похибки на виході порівняно з попереднім станом. Очевидно, що цей підхід, попри свою уявну простоту, потребує значної кількості ітерацій доки буде досягнуто прийнятних похибок на виході.

Ще одним методом навчання є генетичні алгоритми, які базуються на теоретичних досягненнях синтетичної теорії еволюції, яка враховує мікробіологічні механізми спадкування ознак у природних і штучних популяціях організмів, атакож на накопиченому людському досвіді в селекції тварин і рослин. При цьому механізмами зміни визначених ознак виступають схрещування (гібридизація) та мутації.

Методологічна основа генетичних алгоритмів ґрунтується на гіпотезі селекції, яка в самому загальному вигляді може буди сформульована таким чином: чим вища пристосованість особини, тим вища імовірність того, що в потомстві, отриманому з її участю, ознаки, які визначають пристосованість, будуть виражені ще більше.

Вхідні дані подаються  у вигляді вектора. Координати векторів несуть змістовну «генетичну» інформацію. Подібно до того, як у природі  схрещування організмів здійснюється на генетичному рівні, у процедурі оптимізації координати нових спробних точок отримуються як результат маніпулювання координатами старих.

Відмінною рисою генетичного  алгоритму від інших методів навчання штучних є те, що він дозволяє відшукати глобальний мінімум похибки при налаштуванні ваг, хоча з малою точністю.

Також на практиці доволі поширеним  є метод так званого зворотнього  поширення помилки. Основна ідея цього методу полягає в поширенні сигналів помилки від виходів мережі до її входів, в напрямку, зворотному прямому поширенню сигналів у звичайному режимі роботи.

В нашому випадку, беручи до уваги, що ми будемо моделювати фінансову  стійкість суб’єктів господарювання, то в якості статистичного матеріалу для навчання використовують дані підприємств з різним рівнем фінансової стійкості. Щодо даних суб’єктів господарювання, то для моделювання їхньої фінансової стійкості в якості вхідних даних (факторні змінні) використовують фактори, які раніше були визначенні в даній роботі.

При налаштуванні параметрів моделі оптимізуються всі правила  і параметри функцій належності вхідних змінних. Для вихідної ж змінної параметри незмінними, щоб забезпечити чітку ідентифікацію підприємств за рівнем фінансової стійкості[49, с.32]

Останнім етапом після  того, як була побудована модель та налаштовані  її параметри є власне її використання. На даному етапі проводиться оцінка точності побудованої моделі, та її застосування для оцінки поточного  рівня фінансової стійкості конкретного  підприємства на основі показників вищезазначених факторів. Також на даному етапі формулюються узагальнюючі висновки щодо розробляються заходи, спрямовані на поліпшення фінансової стійкості суб’єкта господарювання.

 

3. Моделювання ризику втрати фінансової стійкості суб’єкта господарювання.

 

Оскільки невизначеність середовища істотно впливає як на роботу суб’єктів господарювання в  цілому, так і зокрема на їхню фінансову стійкість, тому мають  велике значення і є надзвичайно  актуальними питання економічної оцінки ризику та його впливу на діяльність підприємства. Для вирішення даних питань в аспекті дослідження фінансової стійкості суб’єктів господарювання, доцільним є змоделювати ризик втрати фінансової стійкості підприємств, як результат невизначеності середовища їх функціонування

На сьогоднішній день існує  цілий ряд підходів до оцінки ризику діяльності підприємства, які зокрема  можуть використовуватись і для  оцінки ризику втрати фінансової стійкості  суб’єктом господарювання. Всі ці методи мають як переваги так і недоліки. Зокрема, що стосується статистичних методів, то до останніх можна віднести значні витрати часу, трудомісткість застосування й розрахунків; що до методу аналізу доцільності витрат, то він потребує значних витрат часу на складання діаграм та високої трудомісткості розрахунків; метод експертних оцінок може носити суб’єктивний характер одержання кінцевих результатів дослідження; до недоліків аналітичного методу відноситься ігнорування того факту, що будь-яка виробнича діяльність перебуває в постійному розвитку; метод використання аналогій передбачає ймовірність недогляду впливу якої-небудь ланки оцінюваної системи; при застосуванні методу аналізу фінансового стану ігноруються мультискладові ризику через орієнтацію на показники бухгалтерської звітності.

Тому, на нашу думку найбільшим потенціалом в оцінці ризику володіє підхід запропонований В.А.Смоляком, який дозволяє досить швидко, точно й об'єктивно оцінити ризик діяльності значної групи промислових підприємств. Крім того даний інтегральний підхід до оцінки ризику діяльності підприємства дозволяє об'єднати в одному показнику багато різних за економічним змістом та вагомістю одиниць виміру і факторів. Що спрощує процедуру його оцінки, тому оцінку ризику втрати фінансової стійкості суб’єктів господарювання будемо проводити на її основі.

Але перед тим, як безпосередньо  переходити до оцінки ризику втрати фінансової стійкості підприємства спочатку необхідно  визначити набір  фінансово-економічних показників і перелік конкретних коефіцієнтів, на основі яких буде розраховуватися інтегральний показник ризику. Так, як нами оцінюватиметься саме ризик втрати фінансової стійкості підприємством, то для даної мети доцільно використовувати набір показників, що характеризують саме фінансову стійкості суб’єкта господарювання.  Дані показники вже були проаналізовані нами на попередніх етапах даної роботи, й до них було включено наступні коефіцієнти: коефіцієнт автономії,  коефіцієнт фінансового ризику, коефіцієнт маневреності власного капіталу, коефіцієнт структури покриття довгострокових вкладень, коефіцієнт структури довгострокового залучення позикових коштів,  коефіцієнт покриття, коефіцієнт швидкої ліквідності й коефіцієнт абсолютної ліквідності. Варто зазначити, що нами було виключено деякі коефіцієнти, які використовуються для оцінки фінансової стійкості в загальному з оцінки ризику її втрати, так як вони є «парними» з іншими і дублюють ту саму інформацію, що веде до збільшення її питомої ваги (наприклад коефіцієнт фінансової залежності та коефіцієнт автономії є оберненими один до одного, тому ми залишили лише один з них – коефіцієнт автономії). 

Так, як розрахункові значення коефіцієнтів самі по собі практично неінформативні, то певні висновки ми будемо робити на основі просторово-часового аналізу шляхом зіставлення розрахункових величин з нормативними значеннями, які були визначенні нами раніше та є наведеними в таблиці 2.4.

Після того, як нами визначено  набір показників які будуть використовуватися  для оцінки нашого ризику та їх нормативних  значень і напрям позитивних змін, наступним кроком інтегральної оцінки ризику є створення шкали, яка б дозволила перевести номінальні одиниці виміру різних коефіцієнтів до порівняльного вигляду. Присвоєння бала, отриманому номінальному значенню коефіцієнта, нами буде проводитися на основі бальної шкали запропонованої Смоляком В. А.                  (таблиця 2.5.[37, с.98]), згідно з якою дана процедура здійснюється виходячи з відповідності (або невідповідності) отриманого значення коефіцієнта нормативному та його зміни в динаміці.

  Таблиця 2.4.

Нормативні значення коефіцієнтів, що характеризують ризик втрати фінансової стійкості суб’єктами господарювання

№ п/п	Показники	Нормативне  значення
1	К-т автономії	≥ 0,5
2	К-т фінансового  ризику	0,5 – 1
3	К-т маневреності власного капіталу	0,4 - 0,6
4	К-т структури покриття довгострокових вкладень	Зменшення в динаміці
5	К-т структури довгострокового  залучення позикових коштів	<0,4
6	К-т абсолютної ліквідності	0,2-0,35
7	К-т швидкої ліквідності	0,7-0,8
8	К-т покриття	1 - 2