Для компаний строительной отрасли картина действительно совпадающая с гипотезой. Влияние трех показателей высоко на прогнозную силу. Однако стоит обратить внимание на знакопеременную составляющую деловой активности. Для компаний находящихся в области 150-200 млн, данный показатель имеет отрицательное влияние (AT_16, CAT_16), а уже вплоть до перехода в среднюю группу, знак становится положительным (APT_16, IT2_1_16, CLT_16, TLT_16, CAT_16, ET_15). Начиная со средней и заканчивая крупными компаниями знак отрицательный.

Структура капитала и возможность также играют важную роль. Если возможность роста распространяется на компании находящиеся в стадии маленьких компаний и в момент перехода в средний класс. Отрицательное влияние вызвано факторами (TLTA_16, TLTA_15, TLE_15, TDTA_15, TDTL_16, TDTL_15, TDE_16). Показатель долг не превышает 0.1, что говорит об абсолютном отсутствии влияния.

Выводом может следовать опровержение гипотезы. Так как не только прибыльность, ликвидность и деловая активность влияют на банкротство, но и показатель структуры капитала и возможности роста.

Таблица 6. Тепловая карта компонентов группы С-производство, влияющих на банкротство компании

Таблица 7. Тепловая карта компонентов группы С-производство, влияющих на банкротство компании

Заключение

Большое количество статей посвящается теме повышения качества прогнозирования банкротства. Современные методы в данной области заключаются в разработке сложных комплексных гибридных моделей, состоящих не только из нейронных сетей, но и генетической алгоритмизации, которые могут обеспечить наибольшую предсказательную способность, но это вопрос следующего порядка исследования, а предложенный способ имеет возможность для последующего усовершенствования методологии. Высокая предсказательная сила модели позволяет инвесторам, банкам и другим кредиторам с большей точностью предусматривать потенциальные финансовых проблем у компании. Поэтому, в данной работе исследуется качество методологии, применяемой для оценки кредитоспособности российских компаний малого, среднего и крупного бизнеса, с точки зрения способности корректно предсказывать вероятности банкротства. Для этого было предложено использовать алгоритм сепарирования.

Прогнозирование осуществлялось с помощью нейросетевого моделирования. Были использованы 35 показателей, характеризующие прибыльность, ликвидность, деловую активность, структуру капитала, обслуживание долга, возможности роста, размер компании, которые были отобраны на основе обзора литературы и агрегированы с помощью метода главных компонент. Было выявлено, что восстановления утраченных данных методом интерполяции лучше чем нейросетевым восстановлением. Более того, в работе было доказано, что использование метода главных компонент не увеличивает предсказательную способность модели, по сравнению с использованием отдельно отобранных переменных из каждой группы факторов. Построенная на основе многослойного персептрона модель прогнозирования банкротства способна корректно классифицировать 92% наблюдений, что соответствует результатам последних исследований. Было выявлено, что наибольшее влияние на вероятность банкротства малого и среднего размера оказывают показатели прибыльности, ликвидности, а деловой активности только для крупных компаний.

Вывод данного исследования заключается в необходимости повышения точности прогноза моделей, применяемых на практике для оценки кредитоспособности российских компаний малого, среднего и крупного бизнеса. Совершенствование методологии возможно за счет использования передовых методологий, с усложнением моделей, задействованием дополнительных глубинных поведенческих факторов. Использований методов восстановления данных и гибридными сетями.

В качестве дальнейшего исследования в рамках данной темы представляется интересным рассмотрение проблемы точности обработки утраченных или отсутствующих данных с использование генетического алгоритмирования и динамических моделей.

Список использованной литературы

1. «A Comparative Study of Neural Networks in Bankruptcy Prediction» - Expert Systems with Applications (B. Back, G. Oosterom, K. Sere, M. van Wezel, 1996)

2. «Tests of the generalizability of Altman's bankruptcy prediction model» - Expert Systems with Applications (John Stephen Gricea, 2001)

3. «Analyzing the financial distress of Chinese public companies using probabilistic neural networks and multivariate discriminate analysis» - Socio-Economic Planning Sciences (D.S. Wu, L. Liang, Z.J. Yang, 2008)

4. «Ensemble with neural networks for bankruptcy prediction» 2009 - Expert Systems with Applications (Myoung-Jong Kim, Dae-Ki Kang, 2009)

5. «A genetic algorithm-based approach to cost-sensitive bankruptcy prediction» - Expert Systems with Applications (Chen et al., 2011)

6. «Bankruptcy forecasting: a hybrid approach using fuzzy c-means clustering and multivariate adaptive regression splines (MARS)» - Expert Systems with Applications (J. De Andres, 2011)

7. «Predicting corporate bankruptcy using a self-organizing map: An empirical study to improve the forecasting horizon of a financial failure model» - Expert Systems with Applications (P. du Jardin, Eric Severin, 2011)

8. «Kernel local Fisher discriminant analysis based manifold-regularized SVM model for financial distress predictions» - Expert Systems with Applications (S.C. Huang, et al., 2012)

9. «Visualization and dynamic evaluation model of corporate financial structure with self-organizing map and support vector regression» - Applied Soft Computing (M.Y. Chen, 2012)

10. «Application of hybrid case-based reasoning for enhanced performance in bankruptcy prediction» - Information Sciences (C.L. Chuang, 2013)

11. «A parametric or nonparametric approach for creating a new bankruptcy prediction model: the evidence from the czech republic» - International Journal of Mathematical Models and Methods in Applied Sciences (Michal Karas, Maria Reznakova, 2014)

12. «Bankruptcy prediction using terminal failure processes» - Journal of Operational Research (Philippe du Jardin, 2014)

13. «Bankruptcy visualization and prediction using neural networks: a study of U.S. commercial banks» - Expert Systems with Applications (F.J.L. Iturriaga, I.P. Sanz «Predicting bankruptcy under alternative conditions: the effect of a change in industry and time period on the accuracy of the model» - Procedia - Social and Behavioral Sciences (Michal Karas, Maria Reznakova, 2015)

14. «Performance evaluation of bankruptcy prediction models: An orientation-free super-efficiency DEA-based framework» - International Review of Financial Analysis (Mohammad M. Mousavi a, Jamal Ouenniche, Bing Xub, 2015)

15. «A genetic programming model for bankruptcy prediction: Empirical evidence from Iran» - International Review of Financial Analysis (Hossein Etemadi, Ali Asghar Anvary Rostamy *, Hassan Farajzadeh Dehkordi, 2015)

16. «Financial Ratios and Corporate Governance Indicators in Bankruptcy Prediction: A Comprehensive Study» - European Journal of Operational Research (Deron Liang, Chia-Chi Lu, Chih-Fong Tsai, Guan-An Shih, 2016)

17. «Hybrid Discriminant Neural Networks for bankruptcy prediction and risk scoring» - Procedia Computer Science (Fatima Zahra Azayitea, Said Achchab, 2016)

18. Altman, E.I. (1968). Financial ratios, discriminant analysis and the prediction of corporate bankruptcy. The journal of finance, 23 (4), 589-609

19. Geng, R., Bose, I., & Chen, X. (2015). Prediction of financial distress: An empirical study of listed Chinese companies using data mining. European Journal of Operational Research, 241 (1), 236-247

20. Tseng, F.M., & Hu, Y.C. (2010). Comparing four bankruptcy prediction models: Logit, quadratic interval logit, neural and fuzzy neural networks. Expert Systems with Applications, 37 (3), 1846-1853.

21. Bredart, X. (2014). Bankruptcy Prediction Model Using Neural Networks. Accounting and Finance Research, 3 (2), 124-128

22. Hamdi, M., & Mestiri, S. (2014). Bankruptcy prediction for Tunisian firms: An application of semi-parametric logistic regression and neural networks approach. Economics Bulletin, 34 (1), 133-143.

23. Yim, J., & Mitchell, H. (2005). A comparison of corporate distress prediction models in

24. Brazil: hybrid neural networks, logit models and discriminant analysis. Nova Economia Belo Horizonte, 15 (1), 73-93

25. Alifiah, M.N., Salamudin, N., & Ahmad, I. (2013). Prediction of Financial Distress Companies in the Consumer Products Sector in Malaysia. Jurnal Teknologi, 64 (1), 85-91.

26. Макеева, Е.Ю., & Бакурова, А.О. (2012). Прогнозирование банкротства компаний нефтегазового сектора с использованием нейросетей. Корпоративные финансы, (3 (23)), 22 - 30.

27. Lennox, C. (1999). Identifying failing companies: a re-evaluation of the logit, probit and DA approaches. Journal of Economics and Business, 51 (4), 347-364.

28. Kasgari, A.A., Divsalar, M., Javid, M.R., & Ebrahimian, S.J. (2013). Prediction of bankruptcy Iranian corporations through artificial neural network and Probit-based analyses. Neural Computing and Applications, 23 (3-4), 927-936.

29. Chi, L.C., & Tang, T.C. (2006). Bankruptcy prediction: application of logit analysis in export credit risks. Australian Journal of Management, 31 (1), 17-27.

30. Ohlson, J.A. (1980). Financial ratios and the probabilistic prediction of bankruptcy. Journal of accounting research, 18 (1), 109-131.

Serrasqueiro, Z. (2011). Are capital structure decisions of service SMEs different? Empirical evidence from Portugal. Management research review, 34 (1), 34-57

Размещено на Allbest.ru