Метод нейронных сетей в моделировании финансовых показателей компании

Содержание современного управленческого учета формируется во взаимосвязи со стремительным развитием информационных технологий и применением сложных алгоритмов экономического анализа. Они делают возможной практическую реализацию идеи результативного менеджмента – управления по ключевым показателям эффективности, к которым безусловно относятся и показатели финансовых результатов деятельности экономических субъектов.

Важное место в данном процессе отводится построению и расчету факторных систем экономических показателей. Накоплен весомый теоретический и эмпирический опыт решения возникающих при этом проблем. Целью данного исследования является разработка универсальной современной модели факторного анализа финансовых результатов, допускающей многовариантные решения как текущего, так и перспективного характера с мониторингом в режиме реального времени.

Реализация этой цели достижима при использовании в соответствующем моделировании искусственных нейронных сетей (ИНС), которые находят все более широкое использование в экономике как инструмент поддержки принятия управленческих решений. По сравнению с классическими детерминированными и стохастическими моделями ИНС привносят в процесс моделирования интеллектуальную составляющую. Они способны самостоятельно обучаться, функционировать на основании полученного опыта, в результате допуская все меньше и меньше ошибок.

В статье выявлены преимущества такого альтернативного подхода. Изложен поэтапный алгоритм моделирования сложных взаимосвязей причинно-следственного характера, включающий выделение факторов для исследуемого результата, создание архитектуры нейронной сети и ее обучение. Универсальность такого моделирования заключается в том, что оно может быть использовано для любого результирующего показателя.

Авторами предложена и описана математическая модель факторного анализа финансовых показателей. Важно, что в модель включаются факторы как прямого, так и косвенного действия с диапазоном количественных параметров: условноидеальные, реальные, наихудшие. Разработанная модель дополнена авторским алгоритмом отбора факторов. В результате функционирования нейронной сети формируется управленческий отчет по финансовым показателям деятельности компании. При проведении исследования были использованы методы системного подхода в классификации факторов финансовых результатов, факторного анализа и математического моделирования при разработке соответствующей нейронной модели. Исследование опирается на комплекс теоретических и эмпирических разработок отечественных и зарубежных авторов. Привлечены фактические цифровые материалы реального экономического субъекта на этапе верификации результатов исследования.

Достоинством модели является возможность отслеживать изменения входных данных и результативного показателя в режиме онлайн, строить качественные прогнозы для будущих периодов при различной комбинации всего набора факторов. Предлагаемый инструмент факторного анализа апробирован в деятельности реальных компаний. Выявлены факторы, способные обеспечить точки роста финансового результата; повышена визуализация бизнес-процессов, а также вероятность принятия рациональных управленческих решений. 

1. Булыга Р.П., Мельник М.В. Аудит бизнеса. ред. Р.П. Булыги. М.: ЮНИТИ-ДАНА, 2013. 263 с.

2. Казакова К.А. Моделирование банковского резерва на покрытие кредитных потерь: аспект панельных данных // Финансы и кредит. 2015. № 21 (645). С. 44–56.

3. Пласкова Н.С. Стохастическое моделирование и оценка результативности деятельности коммерческой организации // Управленческий учет. 2014. № 7. С. 59–67.

4. Фрэнсис Гальтон. Наследственность таланта: Законы и последствия. М.: Мысль, 1996. 269 с.

5. Steven B. Caudill, Fernando C. Zanella, Franklin G. Mixon. Is Economic Freedom One Dimensional? A Factor Analysis of Some Common Measures of Economic Freedom. Journal of economic development. 2000. No. 1. Volume 25.

6. Адамов В.Е. Факторный индексный анализ (Методика и проблемы). М.: Статистика, 1977. 200 с.

7. Бариленко В.И. Бизнес-анализ как основа управления устойчивым развитием корпораций. Менеджмент и бизнес-администрирование. 2014. № 4. С. 130–135.

8. Фомин В.П. Фомин П.В. Аналитическая составляющая успешного управления финансовыми результатами (концептуальный аспект). Экономический анализ: теория и практика. 2015. № 31. С. 13–25.

9. Фомин В.П. Фомин П.В. Аналитическая составляющая успешного управления финансовыми результатами (практический аспект). Экономический анализ: теория и практика. 2015. № 36. С. 12–26.

10. Шеремет А.Д., Негашев Е.В. Методика финансового анализа деятельности коммерческих организаций. М.: ИНФРА-М, 2008. 208 с.

11. Мак-Каллок У.С., Питтс В. Логическое исчисление идей, относящихся к нервной активности. Автоматы. Под ред. К. Э. Шеннона и Дж. Маккарти. М.: Изд-во иностр. лит., 1956. С. 363–384. (Перевод английской статьи 1943 г.).

12. Никифорова Н.А., Донцов Е.В. Применение нейросетевого моделирования для прогнозирования финансового состояния предприятия // Управленческий учет. 2011. № 4. С. 36–46.

13. Романовский А.В. О применении искусственных нейронных сетей для прогнозирования финансовых показателей предприятия // Аудит и финансовый анализ. 2013. № 2. С. 363–370.

14. Kurochkina I., Shuvalova E., Mamatova L., Kalinin I. Analysis model of the company’s financial performance based on neural network. In: 3rd International multidisciplinary scientific conference on social science & arts SGEM 2016, Conference Proceedings. Bulgaria: STEF 92 Technology Ltd. 2016. Book 2. Volume 111. pp. 49-57, DOI:10.5593/ sgemsocial2016B23

15. Хайкин Саймон. Нейронные сети: полный курс. 2-е издание. Пер. с англ. М.: Издательский дом «Вильямс», 2006. 1104 с.

16. М. Тим Джонс. Программирование искусственного интеллекта в приложениях. Пер. с англ. Осипов А. И. М.: ДМКПресс, 2011. 312 с.

17. Доклад РСПП «О состоянии делового климата в России в 2016 году». URL: http:// media.rspp.ru/document/1/f/9/f9c2ca5f8cd104f8d5 d40f2a7b50fced.pdf

18. Anita Bai, Swati Hira, P. S. Deshpande. An Application of Factor Analysis in the Evaluation of Country Economic Rank. ProcediaComputerScience.2015. No. 54. pp. 311– 317, DOI: 10.1016/j.procs.2015.06.036.

19. Дарда Е.С., Устинов Е.А. Факторы развития фондового рынка Российской Федерации: статистическая оценка // Инновации и инвестиции. 2016. № 10. С. 70–78.

20. Мыльников А.А. Методы исследования структуры статистической информации в АСГС: дис. канд. эк. наук: 08.00.13. М., 1984. 181 с.

21. Фалько С.Г. Контроллинг для руководителей и специалистов // Финансы и статистика. 2008. 272 с.