Нейронные модели в диагностике финансового результата предприятий жилищно-коммунального хозяйства

Цель исследования. Целью исследования  является  использование искусственной нейронной сети как инструмента не только прогнозирования, но и оперативной диагностики  финансового состояния  через объединение в одной модели  факторов  детерминированного и стохастического характера. Данное  обстоятельство расширяет возможности  эффективного воздействия на формирование приемлемого уровня финансового состояния предприятий в различных  видах  деятельности. Предложенная универсальная модель представлена в статье применительно к особенностям  предприятий жилищно-коммунального сектора. В статье предлагается современная методика диагностики уровня финансового состояния предприятий, основанная на использовании факторной нейронной модели финансовых результатов их деятельности.

Материалы  и методы.  Методология нейросетевого  моделирования позволяет  создавать  модели,  обладающие  рядом преимуществ: обучаемостью (адаптируются к различным изменениям); универсальностью (способны решать широкий круг задач анализа и обработки  данных);  быстродействием (обрабатывают различные данные в параллельном  режиме); простотой применения (просты в эксплуатации после обучения); отказоустойчивостью (устойчивы к локальным  повреждениям  структуры  нейронной сети и внешним  шумам).

Одной из главных задач, которую нейронные сети успешно решают,  является  задача  классификации - отнесение  принадлежности образца к одному или нескольким предварительно определенным классам.  Чаще всего входной образец определяется входным вектором данных. Компоненты этого вектора представляют собой различные  характеристики образца.  Классификатор  в виде  нейронной  сети  относит  объект  к одному из классов в соответствии с разбиением  N-мерного пространства входов.  Размерность  этого  пространства определяется  количеством  компонент  вектора.

В контексте данной  статьи  входной  образец – это финансовое состояние организации в определенный  момент времени. Входной  вектор,  который  характеризует образец,  включает набор прямых  и косвенных  факторов  финансовых  результатов предприятия жилищно-коммунального хозяйства. Нейроны выходного  слоя представляют собой набор различных  классов. В процессе работы нейронная  сеть каждому  входному  вектору ставит  в соответствие нейрон  в выходном  слое. Значимость входных  данных  можно  регулировать, используя  связи  между нейронами  и изменяя  архитектуру нейронной сети. Нейронные сети могут иметь сложную архитектуру, когда разные части нейронной  сети  включают разное  количество  связей  и разные нейроны.

Результаты. Данная  статья  развивает идеи,  заложенные  ее авторами   в  работах  [7,8],  где  уже  использована   нейронная сеть прямого  распространения и способ обучения  с учителем. В описанную ранее модель внесены изменения, связанные со стремлением  авторов к ее усовершенствованию, а также продиктованные спецификой деятельности предприятий жилищно-коммунального хозяйства:  разработан перечень основных показателей, оказывающих влияние  не финансовый  результат, а, следовательно, и финансовое  состояние  предприятий этого сектора российской экономики; увеличено число входных факторов, характеризующих входной образец, каждый прямой фактор или группа  прямых  факторов  дополнена  косвенным  фактором; прямые и косвенные  факторы,  объясняющие одни и те же процессы,  объединены  в  кластеры, которые  оказывают влияние на соответствующий нейрон; расширено  количество  нейронов выходного  слоя,  увеличено  количество  классов, классификация данных по средствам нейронной сети проходит более детально; в процессе работы программы обеспечена возможность  выбора периода,  к которому  относятся  входные данные (месяц,  квартал,  полугодие,  год).

Заключение. Внесенные  дополнения  положительно  сказались на работе нейронной  сети.  Увеличилась  точность  отнесения входного образца к определенному кластеру и чувствительность нейронной  сети.  Количество  кластеров выросло до 50. Нововведения усилили  удобство работы с программой.  Новый интерфейс позволил проводить анализ данных ежемесячно. Программный способ интерпретации данных изменился  в связи с тем,  что не все входные данные изменяются в зависимости от периода.

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

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

3. Владимирова Л.П. Прогнозирование и планирование в условиях рынка. М.: Дашков и К, 2012. 308 с.

4. Жилищное хозяйство в России. 2016: Стат. сб. Росстат. М., 2016. 63 с.

5. Каллан Р. Основные концепции нейронных сетей: пер. с англ. М.: Издательский дом «Вильямс», 2001. 287 с.

6. Костина Л.Н., Гареева Г.А. Нейронные сети в задачах прогнозирования временных рядов // Инновационная наука. 2015. № 6. С. 70–73.

7. Kurochkina I., Shuvalova E., Mamatova L., Kalinin I. Analysis model of the company’s financial performance based on neural network // 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

8. Kurochkina I., Shuvalova E., Mamatova L., Kalinin I. About diagnostics of an enterprise financial condition of the housing and public utilities // 5rd International multidisciplinary scientific conference on social science & arts SGEM 2018, Conference Proceedings. Bulgaria: STEF 92 Technology Ltd., 2018. Volume 5. Issue 1.3. P. 3–10. DOI:10.5593/sgemsocial2018/1.3

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

10. М. Тим Джонс. Программирование искусственного интеллекта в приложениях. Пер. с англ. Осипов А.И. М.: ДМК Пресс, 2011. 312 с.

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

12. Осовский С. Нейронные сети для обработки информации. Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2004. 344 с.

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

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

15. Тадеусевич Р., Боровик Б., Гончаж Т., Леппер Б. Элементарное введение в технологию нейронных сетей с примерами программ. Пер. с польского И.Д. Рудинского. М.: Горячая линия Телеком, 2011. 408 с.

16. Федоров Е.Е. Искусственные нейронные сети. Красноармейск: ДВНЗ «ДонНТУ», 2016. 388 с.

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

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

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

20. Якупов Д.Т., Рожко О.Н. Перспективы применения искусственных нейронных сетей для прогнозирования объемов грузоперевозок в транспортных системах // Статистика и экономика. 2017. Том 14. № 5. С. 49–60.