Метод погружения задачи сравнения финансового состояния предприятий в экспертную оболочку в классе алгоритмов искусственного интеллекта


https://doi.org/10.20914/2310-1202-2016-2-404-409

Полный текст:


Аннотация

Финансовое состояние предприятия принято оценивать множеством характеристик (платёжеспособность и ликвидность, структура капитала, рентабельность и др.). Часть финансовых коэффициентов оказывается малоинформативной, а другая часть содержит взаимосвязанные величины. Поэтому для устранения неоднозначности перейдём к обобщённым показателям – рейтинговым числам, а в качестве основного средства исследования предлагается использовать теорию экспертных систем. Характерной особенностью современной теории экспертных систем следует считать применение интеллектуальных способов обработки данных data mining, или интеллектуального анализа данных. Предложен метод погружения задачи сравнения финансового состояния экономических объектов в экспертную оболочку в классе систем искусственного интеллекта (алгоритмы метода анализа иерархий, ассоциативного обучения нейронной сети, алгоритма обучения с функцией активации softmax). Введён обобщённый показатель структуры капитала в виде рейтингового числа и сформировано признаковое (факторное) пространство для семи конкретных предприятий. Выделены количественные признаки (финансовые коэффициенты структуры капитала) и осуществлена их нормировка по правилам теории экспертных систем. К полученному множеству обобщённых показателей применён метод анализа иерархий: на основе лингвистической шкалы Т. Саати определены ранги признаков, отражающие относительную значимость различных финансовых коэффициентов, и построена матрица парных сравнений. Рассчитан вектор приоритета признаков на основе решения уравнения для собственных чисел и векторов упомянутой матрицы. В итоге осуществлена визуализация полученных результатов, позволившая устранить трудности интерпретации малых и отрицательных значений обобщённого показателя. Для дальнейшего сглаживания разброса показателей применена нейронная сеть с ассоциативным обучением и функцией активации softmax. Применение этого метода позволяет значительно облегчить проблемы интерпретации результатов сравнения финансового состояния различных предприятий.

Об авторах

С. В. Бухарин
Воронеж. гос. ун-т. инж. техн.
Россия

д. т. н., профессор, кафедра экономической безопасности и финансового мониторинга,

пр-т Революции, 19, г. Воронеж, 394036



О. С. Молочаева
Воронеж. гос. ун-т. инж. техн.
Россия

к. ю. н., доцент, кафедра экономической безопасности и финансового мониторинга,

пр-т Революции, 19, г. Воронеж, 394036



А. И. Хорев
Воронеж. гос. ун-т. инж. техн.
Россия

д. э. н., профессор, заведующий кафедрой, кафедра экономической безопасности и финансового мониторинга,

пр-т Революции, 19, г. Воронеж, 394036



Список литературы

1. Вахрушина М.А. Анализ финансовой отчетности. М.: Инфра-М, 2011. 431 с.

2. Witten I., Frank E., Hall M. Data Mining: Practical Machine Learning Tools and Techniques. N.Y.: Morgan Kaufmann, 2011. 664 p.

3. Graupe D. Principles of Artificial Neural Networks. N.Y.: World Scientific, 2013. 363 p.

4. Бухарин С.В., Навоев В.В. Методы теории нейронных сетей в экспертизе технических и экономических объектов. Воронеж: Научная книга, 2015. 256 с.

5. Бухарин С.В., Мельников А.В., Хорев А.И. Экспертная оценка и прогнозирование обобщенного показателя структуры капитала предприятий // Финансы. Экономика. Стратегия (ФЭС). 2013. № 5. С. 9–12.


Дополнительные файлы

Для цитирования: Бухарин С.В., Молочаева О.С., Хорев А.И. Метод погружения задачи сравнения финансового состояния предприятий в экспертную оболочку в классе алгоритмов искусственного интеллекта. Вестник Воронежского государственного университета инженерных технологий. 2016;(2):404-409. https://doi.org/10.20914/2310-1202-2016-2-404-409

For citation: Bukharin S.V., Molochayeva O.S., Khorev A.I. Method of immersion of a problem of comparison financial conditions of the enterprises in an expert cover in a class algorithms of artificial intelligence. Proceedings of the Voronezh State University of Engineering Technologies. 2016;(2):404-409. (In Russ.) https://doi.org/10.20914/2310-1202-2016-2-404-409

Просмотров: 290

Обратные ссылки

  • »


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2226-910X (Print)
ISSN 2310-1202 (Online)