Файл: Анализ и оценка средств реализации структурных методов и проектирования экономической информационной системы.pdf

ВВЕДЕНИЕ

Абсолютно все компании и предприятия из любой отрасли зависят от своего финансового состояния. Оно, прежде всего, определяет, насколько рентабельна фирма на данный период, сможет ли фирма выполнить обязательства, которые на нее наложены, является ли компания надежным клиентом банка, способным выполнить кредит. Финансовое состояние также является одним из ключевых факторов для конкурентов и партнеров, позволяющим им оценить компанию. Вопросы анализа и прогнозирования финансовой стабильности предприятия недостаточно изучены даже в 21 веке. Отсутствуют также и нормативные документы, которые регламентировали бы процесс анализа, поэтому и ответственность за достоверность результатов не определена. На данный момент, поиск и разработка методов для оценки устойчивости предприятия в финансовом плане, относят к наиболее актуальным темам современной практики ведения бизнеса и экономической теории. Статистика на также подтверждает, что оценка финансового состояния необходима. По данным центра макроэкономического анализа и краткосрочного прогнозирования, на первый квартал 2017 года число обанкротившихся предприятий увеличилось на 1,6% по сравнению с предыдущем годом. Несмотря на то, что это свою очередь меньше, чем в кризисном 2015 году, обратная тенденция к росту банкротств не радует специалистов. Обобщая результаты в цифрах, можно указать от 1000 до 1050 предприятий, теряющих финансовую стабильность, в месяц.

На данный момент уже опробованы многие способы для решения этого вопроса: это и различные эконометрические модели (в основном модели MDA для российского бизнеса и logit-модели в западной практике), модели на основе искусственного интеллекта и дерево-решений, которые активно используют менеджеры, модели нейросети, обретающие все большую популярность, и даже гибридные модели, сочетающие в себе два или три способа. Несомненно, все эти методы имеют свои преимущества и недостатки, но большинство из них применимы только в случае большого набора данных, огромного числа показателей в различные периоды времени для получения точных и несмещенных оценок. При наличие такой выборки, данные методы позволят владельцам бизнеса вполне точно оценить свое финансовое состояние.

В реальной жизни не все компании обладают столь большим набором данным. Это касается, прежде всего, малого и среднего бизнеса, и фирм, только начинающих свой путь. Такие фирмы прежде всего нуждаются в оценке своего финансового состояния. По данным глобального мониторинга предпринимательства, описанного Высшей школой менеджмента СанктПетербургского государственного университета, на 2017 год около 3,5% представителям малого бизнеса в России удается оставаться на рынке в течение 3-х последующих лет. Возможно, оценка финансового состояния помогла бы владельцам вовремя принять соответствующие меры: пересмотреть бизнеспроцессы компании, урезать затраты, найти спонсоров и, как следствие, избежать банкротства, но у таких компаний нет достаточных данных для такой оценки с помощью имеющих методов. Это определяет актуальность поиска методов, которые давали бы верные прогнозные значения даже на коротких временных рядах.

Еще одним вопрос актуальности является автоматизация полученного метода. Само применение, например, эконометрической модели, может быть сложно и непонятно для владельцев бизнеса. Таким образом, для оценки риска дефолта компаниям придется привлекать специалистов со стороны. Это может оказаться непосильными затратами для малого бизнеса. К тому же, анализ финансового состояния не всегда требуется только на конец периода (например, года или полугода), оценка может понадобиться и перед слиянием с другой компанией, расширением, принятием решения по взятию кредита и т.п. В таком случае, привлечение специалиста на аутсорсинге будет довольно дорого, наличие такого специалиста в штате может оказаться не рентабельным, а применение методов самостоятельно может вести к ошибкам и большим временным затрат. Эту проблему можно решить, предоставляя конечному пользователю, например, приложение с дружелюбным интерфейсом, которое позволит формировать для них конечный результат, основываясь только на входных данных. Так владельцы бизнеса могут обращаться к оценке риска банкротства Таким образом, для малого и среднего бизнеса очень актуально получить автоматизированный метод для оценки финансового состояния, причем с использованием коротких временных рядов.

Обобщая все вышеописанное, мы можем выделить проблему, которая на данный момент не решена в рамках имеющихся подходов: отсутствует способ прогнозирования финансового состояния предприятия на основе данных краткосрочного периода. Малый и средний бизнес, в большинстве своем, не может воспользоваться имеющимися методами и нуждается в разработке новых. В рамках данной работы будет спрогнозировано финансовое состояние одной компании на основе их годовых данных в период с 2009 года. Исходя из этого, объектом нашего исследования выступает компания N. Предметом исследования выступают ее финансовые показатели, взятые за короткий промежуток времени.

Цель работы: разработать приложение для оценки финансовой устойчивости компании N на основе данных краткосрочного периода.

Для достижения поставленной цели, были определены задачи, которые необходимо выполнить в ходе работы:

1. Провести сравнительный анализ методов работы с короткими временными рядами: в задачу включается изучение методов работы с короткими временными рядами, провести их сравнение и выбрать метод для прогнозирования финансовой устойчивости предприятия N.

2. Построить модели для прогнозирования финансовой устойчивости компании N: в задачу входит построение модели при помощи выбранного метода, а также оценка адекватности данной модели. Для прогнозирования финансовой устойчивости компании N также будет построена регрессионная модель, которая не является методом работы с короткими временными рядами, однако может применяться для прогнозирования в случае доказательства адекватности ее прогнозов. В задачу также входит выбор моделей дискриминантного анализа для прогноза вероятности банкротства предприятия как частный случай финансовой устойчивости.

3. Разработать веб-приложение для прогнозирования финансовой устойчивости предприятия N на основе разработанных моделей: в задачу входят этапы анализа, проектирования, разработки и тестирования приложения.

Данная работа имеет два фактических результата: эта модель, позволяющая оценить финансовое состояние компании именно на краткосрочном периоде, и приложение, которое позволит конечному пользователю применять разработанную модель самостоятельно. Модель определяет теоретическую значимость работы, так как она дополняет теорию анализа и прогнозирования финансовой устойчивости предприятия в структуре нехватки данных. Приложение определяет практическую значимость работы, так как это позволит конечным пользователем частично автоматизировать процесс оценки финансового состояния и применять сложные методы анализа и прогнозирования самостоятельно.

Для создания модели прогнозирования финансовой устойчивости предприятия использован метод, выбранный в ходе анализа в первой главе. Исходными данными для построения модели являются финансовые показатели компании N в период с 2009 по 2017 год. Для проверки адекватности модели были проведены эконометрические тесты на автокорреляцию, гетероскедастиность, избыточные и пропущенные переменные в модели и др. [6]. Для построения регрессионной модели был использован пакет математического и эконометрического моделирования Gretl, для разработки приложения – язык графического описания для объектного моделирования UML (Unfified Modeling Languge), среда разработки Microsoft Visual Studio 2013 и объектно-ориентированный язык программирования C#.

Работа состоит из введения, основной части из трех глав, заключения, библиографического списка и приложений.

ГЛАВА 1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ АНАЛИЗА И ОЦЕНЩИКИ СРЕДСТВ РЕАЛИЗАЦИИ СТРУКТУРНЫХ МЕТОДОВ АНАЛИЗА И ПРОЕКТИРОВАНИЯ ЭКОНОМИЧЕСКИХ ИНФОРМАЦИОННЫХ СИСТЕМ

1.1. Метод взвешенных тангенсов и метод фазовых трендов

Для реализации поставленной цели необходимо рассмотреть методы работы с короткими временными рядами и сравнить в рамках обозреваемой предметной области. Прежде чем перейти к методам работы с временными рядами, отметим, что для прогнозирования так же могут применяться MDA-модели статические модели, построенные с помощью данных финансовой отчетности предприятия за предыдущий год. Чаще всего они применяются не для прогнозирования финансовой устойчивости, а для предупреждения банкротства предприятия. Среди разработанных моделей зарубежных и российских авторов известны методики, которые предложили Э. Альтман, Р. Лис, Эдвардс-Белла-Ольсон, Р. Таффлер, Гордон Л. В. Спрингейт, Д. Фулмер, У. Бивер, Р.С. Сайфуллин, Г.Г. Кадыков, О.П. Зайцева и многие другие [8]. Многие модели активно применяются и сейчас, причем используются как для небольших, так и крупных компаний, поэтому в разрабатываемом приложении будут запрограммированы наиболее популярные из них и их можно будет применить для прогнозирования банкротства предприятия, как частный случай его финансовой устойчивости. Однако данные модели не используют временные ряды, то есть исторические данные за несколько лет, что может привести к проблемам: например, только начинающие компании первый год могут работать себе в убыток, что приведет к негативной прогнозной оценке, хотя в целом компания вполне может существовать и дальше. Также при инвестировании в какой-либо проект финансовые показатели компании в один год значительно упадут, но это не означает ее банкротство в скором времени. MDA-модели будут включены в реализуемое приложение, однако этого недостаточно для обеспечения прогнозирования финансовой устойчивости, поэтому в задачах данной работы стоит нахождение метода работы с короткими временными рядами.

Для обзора были выбраны несколько методов работы с короткими выборками, а именно метод взвешенных тангенсов и метод фазовых трендов, освещенных в работе доктора физико-математических наук А.В. Шатрова и кандидата технических наук Ю.Л. Кошкина [3], анализ временных рядов на базе графов и матриц подобия, с применением визуализации, предложенный профессором «Кубанского государственного аграрного университета» Е.В. Поповой [15], метод кажущихся несвязанных регрессий (SUR-метод или SURE-метод) широко применяемый для анализа данных при относительно небольшой выборке [15] и метод аналогов, сочетающий в себе использования объективных и субъективных данных для прогнозирования [5]. Для сравнения вышеперечисленных методов будет составлена сравнительная таблица.

В основе метода взвешенных тангенсов лежит другой похожий метод, называемый методом средних тангенсов. Идея второго метода, МСТ, состоит в следующем: каждая линия, соединяющая пары точек поля корреляции (xi, yi) и (xj, yj), является линией регрессии, а коэффициентом регрессии для такой линии является тангенс угла α ее наклона с осью абсцисс. В следующем шаге в качестве делителя выступает сумму тангенсов по всем линиям, а делимым - число, равное при заданном объеме выборки n. Результатом такого частного станет средний коэффициент регрессии, а при расчете свободного члена этого достаточно для составления уравнение регрессии для данной выборки.

Метод взвешенных тангенсов несколько отличается, так как для каждой линии регрессии и её тангенса (то есть ее коэффициента) вычисляется определённый вес, который пропорционален разности абсцисс точек, образующих линию. Как показала практика, применение такого метода для временных рядов эквивалентно методу наименьших квадратов, но при небольшой выборке именно такой подход позволит создать лучшую модель, так как менее чувствителен к исходному объему данных.

Для более наглядного представления метода взвешенных тангенсов рассмотрим пример, представленный в работе А.В. Шатрова и Ю.Л. Кошкина [3]. Для этого возьмем небольшую выборку данных, состоящую из 4 наблюдений и представленную в табл. 1.1. Для данной выборки изначально был применен метод наименьших квадратов, дающий следующее уравнение регрессии:

Данная модель необходима нам для дальнейшего сравнения с уравнением, полученным в результате применения метода взвешенных тангенсов.

Таблица 1.1. Исходные данные выборки для примера

i – номер наблюдения

x – входной параметр

y – выходной параметр

1

1

1

2

2

2

3

3

4

4

4

5

Для данной совокупности прежде всего применим уже рассмотрении нами метод средних тангенсов. Для этого произведем ряд вычислений, а именно, найдем количество линий и тангенсы каждой из получаемых линий регрессии. Расчеты данных показателей представлены ниже:

Аналогично вычисляем оставшиеся тангенсы, которые будут равны соответственно Используя полученные показатели, мы можем вычислить оценку коэффициента b для модели, используя формулу ниже. Все значения для данной формулу уже были вычислены нами ранее – это количество линий и тангенсы, с помощью которых мы легко находим оценку:

Свободный член также вычисляет по формуле через уже найденный коэффициент b, и в конечном итоге получаем уравнение регрессии, как показано в формуле (1). Если сравнить полученную формулу с уже известной нам моделью МНК, то можно заметить, что уравнения очень близки, но результат все же различен: