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

2. Модель Спрингейта

Выбор пал на данную модель не только по причине ее известности, но потому, что для ее построения Спрингейт выбрал самую маленькую выборку данных – 20 предприятий банкротов и столько же не банкротов [2]. Ниже представлен вид модели:

где = собственные оборотные активы / активы предприятия,

= прибыль до уплаты процентов и налогов / активы предприятия,

= прибыль до налогообложения / текущие обязательства предприятия,

= выручка / активы предприятия.

Тестирование данной модели дало результаты почти в 93% точность [2]. Для интерпретации необходимо проанализировать параметр Z: если его значение меньше 0,862, то такая организация близка к банкротству.

3. Модель Давыдовой-Беликова [13]

Данную модель принято считать адаптацией модели Альтмана [12] для применения к российским компаниям. Данная модель основана на регрессионном уравнении и рассчитывает интегральный показатель R, интерпретация которого впоследствии дает оценку вероятности наступления банкротства в процентах. Вид четырехфакторной модели представлен в формуле:

где = оборотный капитал / активы,

= чистая прибыль / собственный капитал,

= выручка от продаж / средняя стоимость активов,

= чистая прибыль / затраты.

В зависимости от значения показателя R, результаты интерпретируются следующим образом: если R < 0, то вероятность банкротства достигает критического уровня в 90-100%. Если показатель находится в интервале 0 < R < 0,18, то вероятность банкротства составляет около 60-80%. Если показатель находится в другом интервале 0,18 < R < 0,32, то вероятность банкротства ниже среднего и в процентном соотношении составляет 35-50%. Если показать попал в интервале 0,32 < R < 0,42, то вероятность банкротства очень мала – от 10% до 35%. Если же показатель R больше значения 0,42, то вероятность банкротства практические отсутствует и не достигает 10%.

4. Модель Сайфулина-Кадыкова

Авторы данной модели утверждают, что ее можно использовать для компаний совершенно любой отрасли и при этом, точность модели сохранится [16]. Модель имеет следующий вид:

где X1 = собственный капитал / оборотные активы предприятия,

X2 = оборотные активы / текущие обязательства предприятия,

X3 = выручка от продаж / средняя стоимость активов предприятия,

X4 = прибыль от продаж / выручка от продаж,

X5 = чистая прибыль / собственный капитал предприятия.

Если данные показатели соответствует хотя бы минимальному уровню, то расчётный показатель будет равен 1 или выше. В случае если R < 1, результат можно интерпретировать как близость к банкротству. Более точных оценок модель, к сожалению, дать не может.

Четыре описанные модели будут включены в конечное приложение как дополнительная функция. В случае если пользователь захочет помимо финансовой стабильности рассчитать вероятность банкротства своего предприятия, ему будет предложено рассчитать ее по одной или по всем из перечисленных моделей. Данные для расчета моделей будут запрошены у пользователя как дополнительные, при основной загрузке данные для расчета MDA-модели запрошены не будут. Таким образом, если финансовое состояние предприятие стабильно, то пользователь может не использовать MDA-модели и наоборот, если коэффициент финансовой стабильности близок к нулю, пользователь может проверить, близка ли компания к банкротству.

2.5. Прогнозирование финансовой устойчивости предприятия на 2017 год

Используя данные компании N за 2017 год можно рассчитать реальное значение коэффициента финансовой стабильности, а также спрогнозировать данное значение при помощи SUR-модели и регрессии. Это позволит сравнить полученные результаты и проверить созданные модели на практике, а также рассчитать ошибку моделей. Для расчета реального значения коэффициента финансовой стабильности использовались значения баланса предприятия на конец 2017 года:

Для расчета прогнозных значений использовались созданные модели, то есть SUR-модель и регрессионная. Так прогнозное значение по SUR-модели составило 0,8993, а прогнозное значение по регрессионной модели составило 0,9051. В данном случае, ошибка SUR-модели составила 0,0123, или, если выразить значения коэффициента в процентах, 1,23%. Ошибка регрессионной модели составила 0,0065 или 0,65%. Стоит отметить, что в данном случае регрессионная модель дала более точный результат, однако это не говорит о том, что SUR-модель уступает регрессионной. Вполне возможно, что регрессия сработала лучше только в данном конкретном случае. Именно поэтому в приложение будут включены обе модели, чтобы дать пользователю возможность сравнения полученных прогнозов.

Проверим результаты, которые получим с помощью MDA-моделей. Так как коэффициент финансовой стабильности высок, все модели должны указать на отсутствие банкротства. Расчеты по выбранным моделям представлены в табл. 2.14. Все модели указали на отсутствие банкротства.

Таблица 2.14. Расчет показателей MDA-моделей по данным за 2017 год

Модель

Расчетный показатель

Интерпретация

Вывод

Модель Лиса

0,086

Если Z>0,037, то низкая вероятность банкротства.

Предприятие не банкрот

Модель Спрингейта

2,465

Если Z<0,862, то вероятность банкротства высока

Предприятие не банкрот

Модель ДавыдовойБеликовой

3,26

Если R>0,42, то вероятность банкротства минимальна

Предприятие не банкрот

Модель СайфулинаКадыкова

4,626

Если R=1 или выше, то вероятность банкротства минимальна

Предприятие не банкрот

Все выбранные модели показали высокое качество на практике и могут применяться для прогнозирования финансового состояния компании N.

Выводы по второй главе

В данной главе построена модель прогнозирования финансовой устойчивости предприятия N с помощью метода внешне несвязанных регрессий. Также для прогнозирования финансовой устойчивости была построена регрессионная модель. Для обеих моделей были проведены тесты для доказательства их адекватности. На основе данных компании N за 2017 год были рассчитаны прогнозы с помощью двух построенных моделей. При сравнении результатов прогнозирования с реальным значением коэффициента финансовой стабильности компании N на 2017 год ошибка прогноза составила не более 1,5%. Это указывает на точность построенных моделей и возможность их применения для прогнозирования в дальнейшем. Также в главе были выбраны MDA-модели для прогнозирования вероятности банкротства как частный случай финансовой устойчивости. В конечное приложение будут включены модель Лиса, модель Спрингейта, модель Давыдовой-Беликова и модель Сайфулина-Кадыкова.

ГЛАВА 3. РАЗРАБОТКА ВЕБ-ПРИЛОЖЕНИЯ

В данной главе представлены результаты разработки и тестирования создаваемой системы. Разрабатываемое приложение предназначено для автоматизации процесса прогнозирования финансовой устойчивости предприятия. У приложения только один пользователь – сотрудник предприятия, желающий сделать прогноз. От пользователя требуется загрузить данные баланса и отчета о прибылях и убытках в приложение и далее получить конечный результат в виде прогнозного значения по двум моделям. По желанию, пользователь может воспользоваться дополнительными функцией и рассчитать вероятность банкротства предприятия при помощи MDAмоделей. Для них пользователю необходимо внести дополнительные данные. Тестирование приложение выполнено с применением стратегии черного ящика.

3.1. Этапы анализа и проектирования

При работе с приложением пользователь выполняет лишь одну функцию загружает данные в приложение. Он также может сделать это повторно, если ему необходимо спрогнозировать вероятность банкротства. Система выполняет расчет коэффициента финансовой стабильности и расчет вероятности банкротства по запросу пользователя. Так как приложение не является субъектом, то у нас только один актор пользователь приложения, который преследует одну конечную цель - получить прогноз по внесенным данным. Функциональные требования к приложению следующие:

1. Обеспечить возможность ввода в систему пользовательских данных.

2. Обеспечить возможность получения прогнозных значений по заданным данным.

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

4. Обеспечить возможность выбора MDA-моделей для прогноза.

5. Обеспечить возможность ввода дополнительных данных.

6. Обеспечить возможность получения вероятности банкротства по заданным данным.

Для реализации всех функциональных требований, необходимо удовлетворить следующие нефункциональные требования:

1. Создание веб-приложение для доступа пользователя к нему с любого устройства.

2. Создание кода программы при помощи языка C# в среде разработки Visual Studio.

3. Реализация понятного интерфейса для работы пользователя.

В табл. 3.1. представлено таблица прецедентов, выявленных при помощи предъявляемых функциональных требований. Итоговое количество прецедентов ровно 5.

Таблица 3.1. Таблица прецедентов для приложения

№

Требование

Субъект

Прецедент

1

Приложение должно обеспечить возможность ввода данных пользователем

Пользователь

Ввод данных

2

Приложение должно обеспечить возможность просмотра полученных результатов

Пользователь

Просмотр результатов

3

Приложение должно обеспечить возможность выбора дополнительной функции

Пользователь

Выбор дополнительной функции

4

Приложение должно обеспечить возможность выбора необходимых моделей для прогнозирования банкротства

Пользователь

Выбор модели

5

Приложение должно обеспечить возможность ввода дополнительных данных

Пользователь

Ввод дополнительных данных

6

Приложение должно обеспечить возможность просмотра прогноза вероятности банкротства

Пользователь

Просмотр результатов

Составленная таблица позволяет построить модель вариантов использования, представленную на рис. 3.1. Разрабатываемое приложение автоматизирует только одно действие, поэтому диаграмма получилась достаточно простой.

Рисунок 3.1. Диаграмма вариантов использования

Несмотря на это, для детализации действий необходимо проанализировать каждый прецедент и составить его описание. В табл. 3.2 – 3.6 описаны выделенные прецеденты.

Таблица 3.2. Прецедент «Ввод данных»

Краткое описание

Прецедент дает возможность пользователю ввести необходимые данные для построения прогноза

Актеры

Пользователь

Предусловия

Запуск программы

Основной поток

Пользователь вводит данные в систему

Альтернативные потоки

Пользователь закрыл программу без загрузки данных

Постусловия

При успешной загрузке данные загружаются в приложения и отображаются для пользователя в виде таблицы. В противном случае состояние системы остается неизменным.

Таблица 3.3. Прецедент «Просмотр данных»

Краткое описание

Прецедент дает возможность пользователю просматривать результаты, предоставляемые системой

Актеры

Пользователь

Предусловия

Ввод основных или дополнительных данных

Основной поток

Пользователь получает результаты прогнозирования в основном окне приложения

Альтернативные потоки

Пользователь ввел некорректные данные в систему

Постусловия

При загрузке верных входных данных, пользователь получает результаты в виде прогноза. В противном случае система выводит ошибку о некорректности данных

Таблица 3.4. Прецедент «Выбор доп. функции»

Краткое описание

Прецедент дает возможность пользователю запустить дополнительную функцию приложения

Актеры

Пользователь

Предусловия

Прогноз по основным моделям получен

Основной поток

Пользователь нажимает кнопку для выбора дополнительной функции

Альтернативные потоки

Пользователь не нуждается в запуске дополнительной функции

Постусловия

Пользователю предлагается выбор моделей для расчета вероятности банкротства

Включения

Выбор модели

Таблица 3.5. Прецедент «Выбор модели»

Краткое описание

Прецедент дает возможность пользователю выбрать модели для расчета вероятности банкротства

Актеры

Пользователь

Предусловия

Выбор дополнительной функции приложения

Основной поток