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

Подробное описание прецедентов позволяет понять структуру будущего приложения и алгоритм работы с ним. Для выделенных прецедентов были построены UML-диаграммы, такие как диаграммы активности и диаграммы последовательности. Эти диаграммы, как и диаграмма классов, отражены в приложении данного документа (см. приложение Б). Учитывая объем данных, которые необходимо загрузить пользователю в приложение, было введено два дополнительных условия для исходных данных: основные данные для прогноза пользователь будет загружать в виде excelфайла по заранее подготовленному шаблону. Дополнительные данные, в силу своего небольшого объема, пользователь будет вводить вручную.

3.2. Этап разработки и тестирования

Разработка приложения заключается в реализации заявленных функциональных требований. Для каждого из требований описаны классы, методы, свойства и элементы, применяемые при разработке. Полный код программы представлен в приложении данного документа (см. приложение В).

1. Обеспечить возможность ввода в систему пользовательских данных.

Исходя из объема данных, который пользователь должен загрузить в приложение, ввод основных данных реализовано через загрузку excel-файла по заранее подготовленному шаблону. Для этого был использован элемент управления FileUpload, его свойство HasFile и метод PostedFile. Для подключения, считывания и записи данных в DataSet использовались классы и элементы библиотеки System.Data.OleDb. Шаблон для заполнения хранится в папке Content реализуемое решения и для его скачивания используется ссылка с атрибутом download. Вывод данных реализован при помощи GridView.

2. Обеспечить возможность получения прогнозных значений по заданным данным.

Для обеспечения данной возможности необходимо реализовать расчет прогнозных значений по пользовательским данным, а затем вывести полученные результаты для пользователя. Для расчета прогнозных значений используется класс Econometric_model. Расчет прогноза по SURмодели реализован в методе Sur_data, на вход которого поступают два набора данных, исходные данные и данные для прогноза, а на выходе прогнозное значение по модели. В методе в свою очередь используются другие методы класс Econometric_model, такие как Matrix, используемый для пошагового расчет вектора оценок b, inverse_matrix для расчет обратной матрицы, Multipl для перемножения матрица, Kroneker для реализации произведения Кронекера для матриц и Transp для транспонирования матриц. Расчет прогноза по регрессионной модели реализован с помощью метода Regres_data. Для вывода результатов используются элементы веб-формы Label, в которые записываются полученные результаты.

3. Обеспечить возможность выбора дополнительных функций в виде прогноза вероятности банкротства.

Для реализации возможности выбора использован элемент веб-формы Button, при нажатии на который для пользователя становятся доступен выбор MDAмоделей для расчета, при повторном нажатии – ввод дополнительных данных для моделей и при заполнении данных расчет вероятности прогноза по выбранным моделям.

4. Обеспечить возможность выбора MDA-моделей для прогноза.

Для реализации возможности выбора моделей использован элемент веб-форм CheckBoxList. В зависимости от выбранного элемента для пользователя станут доступны те или иные поля для заполнения дополнительных данных.

5. Обеспечить возможность ввода дополнительных данных.

Для ввода дополнительных данных используется элементs веб-форм TextBox, с запретом на ввод букв и специальных символов кроме точки. Данные из TextBox конвертируются во временные переменные, которые служат параметрами для методов расчета вероятности банкротства.

6. Обеспечить возможность получения вероятности банкротства по заданным данным.

Для обеспечения данной возможности необходимо реализовать расчет прогнозных значений по пользовательским данным, а затем вывести полученные результаты для пользователя. В зависимости от выбранной модели, используется методы класса Econometric_model: Lis для вычисления вероятности банкротства по модели Лиса, Sprin для вычисления вероятности банкротства по модели Спрингейта, Dav для вычисления вероятности банкротства по модели Двыдовой-Беликова и Say для вычисления вероятности банкротства по модели Сайфулина-Кадыкова. Для представления данных для пользователя используются элементы веб-формы Label.

Этап разработки помимо создания кода программы включает в себя разработку пользовательского интерфейса. Исходя из выводов, сделанных на этапе анализа, основные данные для прогноза пользователь будет загружать в виде excelфайла. Главное окно приложение будет иметь вид web-формы с возможностью загрузки данных по подготовленному шаблону. Таким образом, пользователь должен иметь возможность скачать шаблон и загрузить заполненный шаблон в приложение. Вид главной формы представлен на рис. 3.2.

Рисунок 3.2. Вид основной формы до загрузки данных

При нажатии на кнопку «Загрузить данные» происходит проверка на выбранный файл и в случае загрузки пользователем шаблона происходит временное сохранение данного файла, из которого впоследствии данные будут выгружены и представлены пользователю в виде таблицы.

Загруженные данные должны быть доступны пользователю на главном экране. Для этого можно использовать элемент формы GridView с привязкой к загруженным данным из файла. По итогу ввода данных вид формы измениться и будет выглядеть, как на рис. 3.3.

Рисунок 3.3. Загруженные данные в приложении

Основной целью приложения является получение прогноза по пользовательским данным. Таким образом, пользователь всегда хочет получить прогнозные значения, если он использует данное приложение, поэтому исключаем дополнительные кнопки для начала прогноза и высчитываем прогнозные значения сразу после загрузки данных по обеим построенным моделям. Итоговый вид формы с прогнозными значениями будет выглядеть, как на рис. 3.4.

Рисунок 3.4. Расчет прогноза по двум основным моделям

После выполнения основной части работы приложения, для пользователя становится доступна кнопка дополнительной функции, а именно прогноза вероятности банкротства предприятия. При нажатии на кнопку пользователю предлагается выбрать одну или несколько моделей, как показано на рис. 3.5.

Рисунок 3.5. Выбор моделей для расчета вероятности банкротства

В зависимости от модели, пользователю может быть предложено ввести дополнительные данные. Логика приложения построена таким образом, что при выборе двух и более моделей, пользователь получит финальный результат по каждой из них только в случае полного ввода дополнительных данных. Выбор моделей и ввод данных представлен на рис. 3.6.

Рисунок 3.6. Ввод дополнительных данных

Результаты прогнозирования вероятности банкротства банка представлены на рис. 3.7. В качестве результата по MDA-моделям представлены как расчетные показатели, так и интерпретация данного показателя. В зависимости от расчетного результата, в переменную inter записывается верная интерпретация, которая передается на форму вместе с расчетным показателем. Данные для расчета взяты из объекта DataSet, содержащим загруженную пользователем базу финансовых показатели при помощи excel-файла. В данном случае берутся только данные прогнозного года.

Рисунок 3.7. Результаты прогнозирования вероятности банкротства

Тестирование приложение было выполнено по стратегии черного ящика. Полный набор тестов представлен в приложении данного документа (см. приложение Г).

Выводы по третьей главе

В данной главе были проведены этапы разработки приложения для прогнозирования финансовой устойчивости предприятия. На этапе анализа были выделены функциональные и нефункциональные требования, что позволило выделить прецеденты и описать их. Для понимания структуры приложения и алгоритма работы с ним на этапе проектирования были построены диаграмма вариантов использования, а также диаграммы активности и последовательности для выделенных прецедентов. Результаты этапов анализа и проектирования были использованы на этапе разработки приложения, в котором реализованы все выделенные функциональные требования и алгоритм работы. Для проверки работы приложения были проведены тесты по стратегии черного ящика.

ЗАКЛЮЧЕНИЕ

В ходе данной работы была построена модель для прогнозирования финансовой устойчивости предприятия компании N, была доказана адекватность построенной модели и достаточная точность ее прогнозов. Для построения данной модели был проведен обширный анализ методов по работе с короткими временными рядами, а также построена сравнительная таблица для выбора наиболее подходящего метода по поставленной задаче. В завершении работы была достигнута ее цель, а именно реализовано приложение для прогнозирования финансовой устойчивости компании N на основе построенной SUR-модели, а также регрессионной модели и моделей дискриминантного анализа. При реализации приложение были проведены все необходимые этапы, а именно анализ для выявления функциональных и нефункциональных требований, проектирования для выделения прецедентов и построения UML-диаграмм, разработка для реализации основных функций приложения и тестирования для проверки его работы. Таким образом, выполнены все поставленные задачи:

1. Проведен анализ метод по работе с короткими временными рядами.

2. Созданы модели для прогнозирования финансовой устойчивости компании N.

3. Разработано приложение для прогнозирования финансовой устойчивости компании N.

В ходе оценки адекватности модели был построен прогноз коэффициента финансовой стабильности компании N на 2017 год, который оказался близок к реальному значению компании на конец данного периода. Таким образом, была доказана адекватность прогнозов по модели. С помощью разработанного приложения и плановых показателей компании N был построен прогноз коэффициента финансовой стабильности данного предприятия на 2018 год. Рассчитанное прогнозное значение и веб-приложение будут переданы предприятию N как результаты проделанной работы. На данный момент состоялась встреча с представителем компании, на которой была проведена демонстрация работы приложения. Итогами встречи стал положительный отзыв заказчика о работе системы, а также подтверждение передачи приложения в эксплуатацию не позднее 30 июня 2018 года.

СПИСОК ЛИТЕРАТУРЫ

1. Евстропов М.В. Оценка возможностей прогнозирования банкротства предприятий в России // Вестник Оренбургского государственного университета. – 2008 – № 85 – С. 25–32.

2. Журов В. А. Процесс разработки моделей для прогнозирования банкротства предприятий (на примере японских публичных компаний) // Финансовый менеджмент. – 2007 – № 1 – С. 53–65..

3. Кошкин Ю.Л., Шатров А.В. К вопросу о моделировании трендов временных рядов // Вестник Пермского университета. – 2015 – № 3(26) – С. 32–41.

4. Распоряжение ФСДН РФ от 08.10.1999 № 33-р «Методические рекомендации по проведению экспертизы о наличии (отсутствии) признаков фиктивного или преднамеренного банкротства»

5. Мандель А.С. Метод аналогов в прогнозировании коротких временных рядов: экспертно-статистический подход // Автоматика и телемеханика. – 2004 – № 4

6. Носко В.П. Эконометрика: учеб. для вузов. – Кн. 2 – М.: Издательский дом «Дело» РАНХиГС, 2011 – С. 576.

7. Носко В.П. Эконометрика для начинающих (Дополнительные главы): учеб. для вузов. – М.: ИЭПП, 2005 – С. 379.

8. Салькова М.В. Методика анализа и прогнозирования деятельности организации в целях выявления и предупреждения несостоятельности (банкротства) [Электронный ресурс]. 2012. URL: http://www.scienceforum.ru/2014/576/1184 (дата обращения: 02.02.2018).

9. Семёнычев В.К., Семёнычев Е.В. Параметрическая идентификация рядов динамики: структуры, модели, эволюция: монография. – М.: Сам НЦ РАН, 2011 – 364 с.

10. Тамбиева Д.А, Попова Е.В., Салпагарова Ш.Х. К проблеме недостаточности информации. Малые выборки или "очень короткие" временные ряды // Научный журнал КубГАУ. – 2015 – № 107(03).

11. Тотьмянина К.М. Оценка вероятности дефолта промышленных компаний на основе финансовых показателей // Финансовый менеджмент. – 2011 – С. 5968.

12. Altman E.I., Rijken H. How Rating Agencies Achieve Rating Stability // Journal of Banking and Finance. – 2005 – № 28(11) – P. 2679–2714.

13. Beaver W. H. Financial ratios as predictors of failure // Journal of accounting research. – 1966 – № 4.

14. Jardin P.D. The Influence of Variable Selection Methods on the Accuracy of Bankruptcy Prediction Models // Bankers, Markets & Investors. – 2012 – № 116 – P. 20-39.

15. Nisak S.C. Seemingly Unrelated Regression Approach for GSTARIMA Model to Forecast Rain Fall Data in Malang Southern Region Districts // CAUCHY journal of pure and applied mathematics. – 2016 – № 4(2) – P. 57–64.

16. Tanuwidjaja E. Multi-factor SUR in event study analysis: evidence from M&A in Singapore’s financial industry // Applied Financial Economics Letters. – 2007 – № 3 – P. 55–62.

Приложение А. Исходные данные

Таблица А.1. Исходные данные компании N для построения модели (тыс.руб)

Год

2009

2010

2011

2012

2013

2014

2015

2016