Метод нейронных сетей в моделировании финансовых показателей компании


https://doi.org/10.21686/2500-3925-2017-5-33-41

Полный текст:


Аннотация

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. 


Об авторах

И. П. Курочкина
Ярославский государственный университет им. П.Г. Демидова
Россия

д.э.н., доцент, профессор кафедрой бухгалтерского учета, анализа и аудита,

Ярославль



И. И. Калинин
Ярославский государственный университет им. П.Г. Демидова
Россия

аспирант кафедры бухгалтерского учета, анализа и аудита,

Ярославль



Л. А. Маматова
Ярославский государственный университет им. П.Г. Демидова
Россия

к.э.н., доцент кафедры бухгалтерского учета, анализа и аудита,

Ярославль



Е. Б. Шувалова
Российский экономический университет им. Г.В. Плеханова
Россия

д.э.н., профессор, профессор кафедры финансового менеджмента,

Москва



Список литературы

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.


Дополнительные файлы

Для цитирования: Курочкина И.П., Калинин И.И., Маматова Л.А., Шувалова Е.Б. Метод нейронных сетей в моделировании финансовых показателей компании. Статистика и Экономика. 2017;(5):33-41. https://doi.org/10.21686/2500-3925-2017-5-33-41

For citation: Kurochkina I.P., Kalinin I.I., Mamatova L.A., Shuvalova E.B. Neural Networks Method in modeling of the financial company’s performance. Statistics and Economics. 2017;(5):33-41. (In Russ.) https://doi.org/10.21686/2500-3925-2017-5-33-41

Просмотров: 325

Обратные ссылки

  • Обратные ссылки не определены.


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


ISSN 2500-3925 (Print)