Анализ финансового состояния

Рис.2.2. Відтворення інтервалу часу до банкрутства підприємства після налаштування параметрів моделі на реальних даних

Як видно  з рис. 2.2, модель точно відтворює тенденції, що свідчить про вдалий підхід до побудови її структури та формування набору правил. Якщо перейти до діапазону лінгвістичних термів  {H, C, B} (де інтервал до 24 місяців інтерпретується термом B, після 50 – термом Н, а проміжок між 24 та 50 місяцями позначається термом С ), можна зробити висновок: модель правильно класифікувала всі фінансово стійкі компанії Н і компанії з високою ймовірністю банкрутства В. Для компаній, що попали в середній діапазон С, одне підприємство буде помилково віднесено до банкрутів,  а одне – до стабільних компаній.

У результаті перевірки на незалежній групі підприємств  ефективності моделі, побудованої на основі набору незалежних змінних, було отримано такі результати. Точність передбачення банкрутств серед фінансово неспроможних компаній – 87,9%, точність класифікації фінансово стійких підприємств – 94,7%, що за всією групою аналізованих підприємств у середньому становило 91,2%.

Застосування  для прогнозування банкрутств підприємств  моделі, побудованої на основі набору найінформативніших показників виявило  такі результати: точність передбачення банкрутств серед фінансово неспроможних компаній – 100%, точність класифікації фінансово стійких підприємств – 85,7%, що за всією групою аналізованих підприємств у середньому становило 92,7%.

Якщо  порівняти ефективність цих двох моделей, то модель, побудована на основі найінформативніших показників, дала більш точний прогноз за всією групою аналізованих підприємств, ніж модель побудована на незалежних змінних. Значно знизилась альфа-помилка класифікації (частка фінансово неспроможних підприємств, які класифіковано як стійкі), а якщо точніше – взагалі зникла, хоча трохи збільшилась бета-помилка (класифікація стабільної компанії як банкрута).

При проведенні модельних експериментів було оптимізовано параметри системи й уточнено базу вирішальних правил, а також  підтверджено можливість побудови нечіткої моделі на основі показників, які в  числовому вигляді мають мультиколінеарний зв’язок.

ВИСНОВКИ

В результаті виконання курсової роботи було розглянуто методи нечіткої математики, їх сутність та призначення, структуру і загальну характеристику, архітектуру та базові компоненти. Визначено нечітко-множинний підхід, за допомогою якого можливо проаналізувати фінансовий стан підприємства.

Нечітко-множинний підхід, дозволяє менеджеру щонайкраще формалізувати свої нечіткі уявлення, трансформувавши мову слів  в мову кількісних оцінок. Якщо менеджер добре знає підприємство з середини, то в нього не виникає ніяких труднощів виділити саме ті фактори, що найбільше впливають на процеси втрати платоспроможності (включаючи помилки менеджменту), зіставити цим факторам кількісні показники і про нормувати їх. При цьому якщо менеджер затрудняється з класифікацією, він може в ході нормування успішно застосовувати нечіткі описи.

Таким чином, апарат нечітких множин дозволяє здійснити  діагностику фінансового благополуччя підприємства, побудувати його фінансову  карту і зробити висновок про  його фінансовий стан. Крім цього проведені  дослідження дозволяють стверджувати, що він є також найбільш прийнятим  для проведення антикризового моніторингу, оскільки дозволяє, крім зазначеного  вище, ще і відстежити вплив зміни  показників на фінансове благополуччя підприємства.

СПИСОК ВИКОРИСТАНИХ ДЖЕРЕЛ

1.  Лігоненко  Л.О. Антикризове управління підприємством:  теоретико-методологічні засади  та практичний інструментарій. –  К.: Київський  національний  торгово-економічний   університет, 2001. –  579 с. 

2. Матвійчук  А.В. Моделювання економічних  процесів із застосуванням методів  нечіткої логіки. — К.: КНЕУ, 2007.–264 с.

3. Недосекин  А.О. Применение теории нечетких  множеств з задачам управления  финансами. //Аудит и финансовый  анализ. –  2002. –  № 2. 

4. Терещенко О.О. Антикризове фінансове управління на підприємстві. — К.: КНЕУ, 2004. — 268 с.

5. Волков  И.М., Грачева М.В. Проектный анализ. – М.: Банки и биржи: ЮНИТИ, 1998.

6. Комазов  П.В. Нечеткое прогнозирование  в системе управления экономическим  обьектом / П.В. Комазов // Вісник  Східноукраїнського національного  університету імені Володимира  Даля. - №8(150). Частина 1.- Луганськ, 2010. – С. 118-121.

7. Комазов  П.В. Моделювання вартості підприємства  в ринкових умовах / П.В. Комазов  // Управління розвитком: збірник  наукових статей /  Матеріали Міжнародної  науково-практичної конференції  [«Сучасні засоби та технології  розроблення інформаційних систем»]. – Х.: ХНЕУ, 2008. - № 14. – С. 107-108.

8. Матвійчук  А.В. Дискримінантна модель оцінки  ймовірності   банкрутства  //  Моделювання  та інформаційні  системи в  економіці.  —   2006.  — Вип. 74. — С. 299–314.

9. Давыдова  Г.В. , Беликов А.Ю. Методика количественной   оценки   риска   банкротства   предприятий // Управление риском.  —  1999. —  №3.   — С. 13–20.

10. Ротштейн  А.П. Интеллектуальные технологи  идентификации:        нечеткие    множества, генетические  алгоритмы, нейронне сети. — Вінниця:  Універсум-Вінниця, 1999. — 320 с.