Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного аналізу та нейронних мереж
The models of discriminant analysis and artificial neural networks for forecasting and calculating the probability of bankruptcy of companies are investigated. The definition and essence of the term "bankruptcy", the main causes of the financial crisis of Ukrainian companies and st...
Gespeichert in:
| Datum: | 2018 |
|---|---|
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Ukrainisch |
| Veröffentlicht: |
The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
2018
|
| Schlagworte: | |
| Online Zugang: | https://journal.iasa.kpi.ua/article/view/139707 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | System research and information technologies |
| Завантажити файл: |  |
Institution
System research and information technologies| _version_ | 1866302234076119040 |
|---|---|
| author | Tymoshchuk, Oksana L. Dorundiak, Kseniia M. |
| author_facet | Tymoshchuk, Oksana L. Dorundiak, Kseniia M. |
| author_sort | Tymoshchuk, Oksana L. |
| baseUrl_str | http://journal.iasa.kpi.ua/oai |
| collection | OJS |
| datestamp_date | 2019-01-17T13:29:35Z |
| description | The models of discriminant analysis and artificial neural networks for forecasting and calculating the probability of bankruptcy of companies are investigated. The definition and essence of the term "bankruptcy", the main causes of the financial crisis of Ukrainian companies and statistical data reflecting the dynamics of bankruptcies of Ukrainian companies in recent years are analyzed. A model of an artificial neural network of the perceptron type was developed and a comparative analysis with models of Ukrainian economists was made using examples of financial analysis of several well-known Ukrainian companies. The advantages and problems of application of the considered models, as well as their practical importance in the current economic conditions, are analyzed. |
| doi_str_mv | 10.20535/SRIT.2308-8893.2018.2.03 |
| first_indexed | 2025-07-17T10:24:01Z |
| format | Article |
| fulltext |
О.Л. Тимощук, К.М. Дорундяк, 2018
22 ISSN 1681–6048 System Research & Information Technologies, 2018, № 2
УДК 347.736
DOI: 10.20535/SRIT.2308-8893.2018.2.03
ОЦІНЮВАННЯ ЙМОВІРНОСТІ БАНКРУТСТВА
ПІДПРИЄМСТВ ЗА ДОПОМОГОЮ ДИСКРИМІНАНТНОГО
АНАЛІЗУ ТА НЕЙРОННИХ МЕРЕЖ
О.Л. ТИМОЩУК, К.М. ДОРУНДЯК
Анотація. Досліджено моделі дискримінантного аналізу та штучних нейрон-
них мереж для прогнозування й обчислення ймовірності банкрутства підпри-
ємств. Проаналізовано визначення та сутність терміна «банкрутство», основні
причини кризового фінансового стану підприємств України та статистичні да-
ні, які відображають динаміку банкрутств українських підприємств протягом
1999–2017 рр. Розроблено модель штучної нейронної мережі типу перцептрон
та проведено компаративний аналіз з моделями вітчизняних економістів на
прикладі аналізу фінансового стану декількох відомих українських підпри-
ємств. Оцінено переваги та проблеми застосування розглянутих моделей, а та-
кож їх практичну значущість у сучасних умовах господарювання.
Ключові слова: підприємство, прогнозування, ймовірність банкрутства, дис-
кримінантний аналіз, нейронна мережа.
ВСТУП
Зростаючий рівень банкрутств українських підприємств підвищує вимоги до
точності методів прогнозування ймовірності банкрутства. Наявність досто-
вірних методик оцінювання фінансового стану українських підприємств
важлива з погляду інвестиційної привабливості України, оскільки велика
кількість непрогнозованих банкрутств підвищує фінансові ризики для зару-
біжних інвесторів.
Бажання попереджати банкрутство заздалегідь, на етапах його заро-
дження, спричинило появу великої кількості методик та моделей, за допо-
могою яких можна оцінити фінансовий стан організацій та підприємств
[1–3]. Проте залежно від конкретної моделі прогнозування банкрутства є
недоліки моделей як зарубіжних, так і вітчизняних авторів. По-перше, у де-
яких моделях не відображається значна частина коефіцієнтів фінансового
стану підприємств, по-друге, в Україні немає великої кількості підприємств
на фондовому ринку, що ускладнює або виключає варіанти розрахунків за
багатьма моделями.
Мета роботи — аналіз основних методів обчислення ймовірності бан-
крутства та оцінювання перспектив їх застосування в українській практиці,
визначення переваг, недоліків та практичної значущості розглянутих моде-
лей у сучасних умовах господарювання; розроблення моделі нейронної ме-
режі та проведення порівняльного аналізу за моделями вітчизняних еконо-
містів.
Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного …
Системні дослідження та інформаційні технології, 2018, № 2 23
СУТНІСТЬ БАНКРУТСТВА
У сучасному визначенні банкрутства [4] наявні деякі особливості, напри-
клад, установлення винятково через господарський суд самого факту банк-
рутства. Тобто фінансова збитковість підприємства та його нездатність за-
довольняти вимоги кредиторів не дорівнють банкрутству доти, доки факт
банкрутства не буде вирішений через господарський суд. Важливо відзначи-
ти, що з цього визначення банкрутством вважається нездатність відновлення
платоспроможності. Але сам термін «платоспроможність» у законодавстві
не визначений, проте він може бути трактований як протилежність до «не-
платоспроможності».
Виділяють шість основних показників, які можуть призвести до кризо-
вого фінансового стану підприємства [5]:
1) призупинення поточних платежів і невиплати поставлених вимог;
2) падіння обсягів діяльності, низька заробітна плата або її невиплата,
скорочений робочий день, конфлікти з керівництвом;
3) негативні зміни у фінансовій звітності, порушення їх характерної
пропорційності;
4) наявність простроченої дебіторської та кредиторської заборгованості;
5) відсутність прибутку, зменшення попиту та збитковість;
6) наявність недоплат до бюджету і прострочена заборгованість подат-
ковим та фінансовим органам.
Проте найважливішим показником банкрутства вважається призупи-
нення поточних платежів боржника і невиплати відповідно до поставлених
вимог, оскільки саме невчасне погашення або взагалі несплата платежів дає
право кредиторам відкрити арбітражне провадження у справі про порушен-
ня банкрутства.
Відсутність науково-доведеної класифікації причин кризового стану
підприємства є вагомим недоліком оцінювання ймовірності настання банк-
рутства, адже саме за допомогою факторів, які впливають на підприємство,
можна визначити підхід до управління компанією надалі, розраховувати на-
прям подальшого розвитку й одразу виявляти згаяння та помилки у здійс-
ненні управління.
Питання банкрутств підприємств в Україні є актуальним через кризо-
вий стан економіки країни. Щоб оцінити масштаби кризи, проаналізуємо
статистику розгляду господарськими судами справ про банкрутство за
1999–2017 рр. (табл. 1).
Найбільшу кількість підприємств визнано банкрутом у 2007 р. – 4359
підприємств та у 2011 р. – 4086 (у кризові періоди). Найбільше ліквідовано
підприємств у 2001 р. – 1811; найбільше порушено справ про банкрутство у
1999 р. для 6927 підприємств (у період перебудови). Таким чином, зростан-
ня кількості банкрутних підприємств порівняно з попереднім періодом свід-
чить про кризові умови розвитку економіки України, спричинені політич-
ною, соціальною та економічною нестабільністю [6].
О.Л. Тимощук, К.М. Дорундяк
ISSN 1681–6048 System Research & Information Technologies, 2018, № 2 24
Т а б л и ц я 1 . Статистика банкрутства українських підприємств за період
1999–2017 рр.
Статус підприємства
Роки Визнано бан-
крутом
Ліквідовано
Порушено
справу про
банкрутство
Порушено справу
про банкрутство та
відкрито санацію
1999 11 404 6932 1
2000 229 1432 3101 6
2001 792 1811 837 9
2002 1260 1655 759 10
2003 1966 1399 811 15
2004 2839 1380 804 10
2005 2971 639 544 7
2006 3806 382 508 11
2007 4359 347 357 10
2008 3974 242 255 11
2009 3495 236 244 41
2010 3614 306 250 20
2011 4086 285 255 21
2012 3289 247 192 16
2013 2964 212 239 25
2014 2238 12 387 7
2015 2985 171 831 2
2016 2671 151 475 2
2017
(I півріччя)
712 – 242 –
На підставі розглянутої статистики можна відобразити динаміку зміни
кількості банкрутств та порушених справ про банкрутство піприємств
України (рис. 1).
Рис. 1. Динаміка банкрутства українських підприємств за період 1999–2017 рр.
Роки
К
іл
ьк
іс
ть
б
ан
кр
ут
ст
в
про банкрутство
Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного …
Системні дослідження та інформаційні технології, 2018, № 2 25
ДИСКРИМІНАНТНІ МОДЕЛІ ВІТЧИЗНЯНИХ ЕКОНОМІСТІВ
Існує багато моделей та методів прогнозування банкрутства, що дозволяють
оцінювати і діагностувати ступінь платоспроможності підприємства чи
установи. Дискримінантний аналіз є методом багатовимірного статистично-
го аналізу, що належить до теорії розпізнавання образів. Натепер дискримі-
нантні методи набули широкого застосування для побудови економіко-
математичних моделей прогнозування банкрутства.
Однією з найбільш відомих дискримінантних моделей є універсальна
дискримінантна модель українського дослідника О. Терещенка [7]:
654321 0,1 + 0,3 +5 +10 + 0,08 +5,1 KKKKKKZ .
Описання змінних наведено в табл. 2.
Т а б л и ц я 2 . Опис коефіцієнтів моделі Терещенка
Позначення Коефіцієнт Розрахунок
1K
Відношення коштів до
залученого капіталу
Гроші та їх еквіваленти / (Довгострокові
зобов’язання + Поточні зобов’язання)
2K
Відношення валюти
балансу до залученого
капіталу
Баланс / (Довгострокові зобов’язання +
+ Поточні зобов'язання)
3K
Відношення балансового
прибутку до валюти
балансу
Чистий прибуток(збиток) / Баланс
4K
Відношення балансового
прибутку до виручки від
реалізації продукції
Чистий прибуток (збиток) /
Чистий дохід від реалізації
5K
Відношення виробничих
запасів до виручки від
реалізації продукції
Виробничі запаси /
Чистий дохід від реалізації
6K Оборотності основного
капіталу
Чистий дохід від реалізації /
(Довгострокові зобов’язання +
+ Необоротні активи)
Якщо 2Z , підприємству банкрутство не загрожує; якщо 21 Z ,
фінансова стійкість підприємства порушена; проте якщо своєчасно запрова-
дити антикризові заходи, банкрутство не загрожуватиме; якщо 10 Z ,
існує загроза банкрутства за відсутності заходів щодо санації; якщо 0Z ,
підприємство вже майже збанкрутіло.
Переваги моделі: простота розрахунків, урахування галузевих особли-
востей підприємств, використовує різноманітні модифікацій базової моделі
до підприємств різних видів діяльності для визначення критичних значень
показників як індикатора ймовірності банкрутства підприємства конкрет-
ної галузі [7]. Проте вона не позбавлена недоліків, оскільки дані прогнозу є
суб’єктивними, що може впливати на точність оцінки. Крім того, модель
націлена на універсальність більше, аніж на практичну ефективність.
Моделлю прогнозування оберемо модель Матвійчука [2] — одну з най-
популярніших моделей прогнозування банкрутства українських підпри-
ємств.
О.Л. Тимощук, К.М. Дорундяк
ISSN 1681–6048 System Research & Information Technologies, 2018, № 2 26
Матвійчуком запропоновано таку модель оцінки:
7654321 0,702 + 0,015 - 0,004 - 0,018 - 0,045 + 0,268 +0,033 XXXXXXXZ
Описання змінних наведено в табл. 3.
Т а б л и ц я 3 . Опис коефіцієнтів моделі Матвійчука
Позначення Коефіцієнт Розрахунок
1X Мобільності активів Оборотні активи / Необоротні активи
2X Оборотності кредиторської
заборгованості
Чистий дохід від реалізації /
Поточні зобов'язання
3X Оборотності
власного капіталу
Чистий дохід від реалізації /
Власний капітал
4X Окупності активів Баланс / Чистий дохід від реалізації
5X Забезпеченості власними
оборотними засобами
(Оборотні активи — Поточні
зобов'язання) / Оборотні активи
6X Концентрації
залученого капіталу
(Довгострокові зобов'язання +
Поточні зобов'язання) / Баланс
7X Покриття боргів
власним капіталом
Власний капітал / (Забезпечення
наступних витрат і платежів +
+ Довгострокові зобов'язання +
+ Поточні зобов'язання)
Залежно від значення Z прогнозується така ймовірність банкрутства:
якщо під час оцінювання фінансового стану підприємства отримано значен-
ня 104,1Z , то це свідчить про задовільний фінансовий стан та низьку ймо-
вірність банкрутства. Зі збільшенням значення Z підвищується стійкість
стану компанії. За значення 104,1Z виникає загроза фінансової кризи.
Відповідно зі зменшенням Z росте загроза банкрутства аналізованого під-
приємства [2].
Перевагами такого підходу є значно вища точність діагностування бан-
крутства підприємства порівняно з іншими моделями. Серед недоліків варто
відзначити виділення лише двох класів стану компанії, але з використанням
дискримінантної моделі цього недостатньо для оцінювання реального фі-
нансового положення.
ПОБУДОВА МОДЕЛІ НЕЙРОННОЇ МЕРЕЖІ
Для прогнозування банкрутства існує підхід, який ґрунтується на викорис-
танні штучних нейронних мереж, що були створені для відтворення і моде-
лювання структури мозку та здатності біологічних нервових систем навча-
тися і виправляти помилки. Кожен нейрон подібної мережі взаємодіє лише
із сигналами, які він періодично отримує, і сигналами, які він періодично
надсилає іншим. Таким чином, генерується та виводиться результат (банк-
рут чи не банкрут).
Для навчання нейронних мереж застосовують алгоритми двох типів:
кероване (навчання з учителем) і некероване (навчання без вчителя). Найча-
стіше застосовується навчання з учителем.
Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного …
Системні дослідження та інформаційні технології, 2018, № 2 27
Більшість учених, які досліджували проблему прогнозування банкрутс-
тва, доходили висновку, що нейронні мережі більш точні, аніж класичні ста-
тистичні підходи [2].
Перевагами штучних нейронних мереж є здатність до навчання без
припущень щодо функціональної залежності змінних. Особливістю нейрон-
ної мережі є те, що вона виглядає як «чорний ящик», тому отримати в явно-
му вигляді знання проблематично. Іншим недоліком штучних нейронних
мереж є складність процесу створення і оптимізації топології нейронної ме-
режі.
Побудуємо штучну нейронну мережу типу перцептрон (рис. 2), який
обчислює вихідні змінні через послідовне нелінійне перетворення у нейро-
нах вхідного шару, зважених ваговими коефіцієнтами міжнейронних
зв’язків.
Важливо визначити незалежні та залежні показники, які будуть
використані для побудоаи моделі нейронної мережі. Як вхідні дані обрано
такі фінансові показники: коефіцієнт трансформації (оборотності активів),
коефіцієнт рентабельності активів, коефіцієнт швидкої ліквідності,
коефіцієнт фінансової незалежності, частка оборотних виробничих фондів в
обігових коштах. Залежною змінною буде клас кризового стану, визначений
на основі фінансового стану компанії. На ймовірність настання банкрутства
вказуватимуть такі значення вихідних змінних: 1 — підприємству нічого не
загрожує, оскільки воно фінансово стійке; 2 — наявні певні фінансові
труднощі, існує невелика ймовірність настання банкрутства; 3 —
підприємство має високий рівень ризику стати банкрутом.
Для побудови та навчання нейронної мережі обрано мову програ-
мування Python з використанням бібліотеки scikit-learn та функції
MLPClassifier.
Навчальна вибірка складається із 43 спостережень підприємств різних
галузей (зокрема, Публічне акціонерне товариство (ПАТ) «Світоч», Приват-
Рис. 2. Структура нейронної мережі типу перцептрон
)2(
nlw
)2(
nlw
)2(
npw
)3(
pmw
)2(
11w
)2(
12w
)3(
plw
)3(
11w
)3(
1mw
)3(
1lw
)3(
lmw
1x
ix
nx
1y
my
Вхідний
шар
Прихований
шар
Вихідний
шар
О.Л. Тимощук, К.М. Дорундяк
ISSN 1681–6048 System Research & Information Technologies, 2018, № 2 28
не акціонерне товариство (ПАТ) «Росинка» тощо), які мають різний фінан-
совий стан, з метою їх класифікації до різних кризових категорій. Вихідні
класи кризи визначено на основі методики Міністерства фінансів України;
18 спостережень належало до першого класу, 10 — до другого і 15 — до
третього.
Точність нейронної мережі на навчальній вибірці становила 97,7%, що
свідчить про задовільний результат. Матрицю помилок наведено у табл. 4.
Т а б л и ц я 4 . Матриця помилок моделі нейронної мережі
Клас кризи 1 2 3
1 18 0 0
2 1 9 0
3 0 0 15
Із таблиці видно, що лише один раз підприємство, що належало до дру-
гого класу, нейронною мережею віднесено до першого.
Звіт про класифікацію наведено у табл. 5.
Т а б л и ц я 5 . Звіт про класифікацію моделі нейронної мережі
Значення
вихідних змінних
Precision Recall F1-score
Кількість входів
кожного класу
1 0,95 1,00 0,97 18
2 1,00 0,90 0,95 10
3 1,00 1,00 1,00 15
Середнє/усього 0,98 0,98 0,98 43
ПОРІВНЯЛЬНИЙ АНАЛІЗ РОЗГЛЯНУТИХ МОДЕЛЕЙ
Для перевірки точності та якості моделі обрано два підприємства — Публі-
чне акционерне товариство (ПАТ) «Оболонь» та Публічне акционерне това-
риство (ПАТ) «АВК», що досі функціонують і дані яких є достатньо інфор-
мативними. Для аналізу відібрано дані з фінансової звітності за 2011–2016 рр.
з бази даних smida.gov.ua.
Т а б л и ц я 6 . Результати застосування моделі Терещенка для ПАТ
«Оболонь» (2011–2016 рр.)
ПАТ
«Оболонь»
Відношення коштів до залученого капіталу
Модель
Терещенка
2011 0,030466 1,370155 0,034853 0,025993 0,124459 1,623261 0,155311
2012 0,05521 1,442753 0,062262 0,046052 0,12932 1,568265 0,198236
2013 0,096199 1,565798 0,053338 0,047925 0,145671 1,331244 0,269563
2014 0,067411 1,173528 -0,18134 -0,19216 0,195766 1,134369 0,194998
2015 0,013601 1,010494 -0,12467 -0,12543 0,255258 1,755658 0,101242
2016 0,002921 1,400502 -0,03917 -0,05042 0,209723 1,044698 0,116421
Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного …
Системні дослідження та інформаційні технології, 2018, № 2 29
Аналізуючи результати моделі Терещенка (табл. 6), можна зробити ви-
сновок, що всі значення Z становлять 10 Z , тобто згідно з моделлю Те-
рещенка існує загроза банкрутства за відсутності заходів щодо санації, при-
чому значення Z у 2011 р. було меншим, ніж у 2014 р. Це свідчить про те,
що за моделлю Терещенка підприємство було більш збитковим у 2011 р.,
ніж у 2014 р. Результати цієї моделі не можна вважати надійними, адже за
даними фінансової звітності у 2011–2013 рр. підприємство було прибутко-
вим і рентабельним, а отже, далеким від загрози банкрутства.
За даними моделі Матвійчука (табл. 7), якщо за результатами оціню-
вання фінансового стану значення 104,1Z , то виникає загроза фінансової
кризи. Порівняно з результатами моделі Терещенка за 2011–2013 рр. діяль-
ності ПАТ «Оболонь» модель Матвійчука також оцінила як непродуктив-
ний, але з меншою ймовірністю банкрутства, ніж визначено за даними мо-
делі Терещенка. При цьому значення Z з роками тільки зменшувалась, що
свідчить про неплатоспроможність підприємства після 2014 р.
Т а б л и ц я 7 . Результати застосування моделі Матвійчука для ПАТ «Обо-
лонь» (2011–2016 рр.)
Коефіцієнти
ПАТ
«Обо-
лонь»
мобіль-
ності
активів
оборот-
ності
креди-
торської
заборго-
ваності
оборот-
ності
власного
капіталу
окупності
активів
забезпе-
ченості
власними
оборотни-
ми
засобами
концент-
рації за-
лученого
капіталу
покриття
боргів
власним
капіталом
Модель
Матвій-
чука
2011 0,625988 2,586316 4,963218 0,7458 -0,3475 0,729844 0,370155 0,71379
2012 0,682054 3,179795 4,405577 0,739653 -0,0492 0,69312 0,442753 0,874693
2013 0,689408 2,820626 3,07994 0,898529 0,033102 0,638652 0,565798 0,778678
2014 0,728072 1,575698 6,381959 1,059669 -0,42149 0,852132 0,173528 0,446313
2015 0,858557 1,033712 95,70678 1,006093 -1,08147 0,989615 0,010494 0,305367
2016 0,493616 1,214336 2,716934 1,287063 -0,93603 0,71403 0,400502 0,341731
Аналізуючи результати табл. 8, можна помітити, що у 2011–2013 рр.
ПАТ «Оболонь» нічого не загрожувало, але у 2014 р. платоспроможність та
показники різко знизилися. Таке явище може бути наслідком економічної
кризи 2014 р., яка була причиною банкрутств багатьох підприємств. Це на-
очний приклад того, як зовнішні причини банкрутства, зокрема економічна
ситуація у країні, впливають на діяльність та показники компанії. Варто за-
значити, що до 2016 р. підприємство вживало заходи для свого збереження
на ринку, що сприяло підвищенню показників і вже за два роки воно мало
другу категорію кризового стану, що може свідчити про правильний вибір
напряму розвитку. Можна зробити висновок, що порівняно з моделями Ма-
твійчука та Терещенка модель нейронної мережі дає змогу більш детально
аналізувати ситуацію на підприємстві і незначні фінансові труднощі не вва-
жаються значною загрозою банкрутства.
О.Л. Тимощук, К.М. Дорундяк
ISSN 1681–6048 System Research & Information Technologies, 2018, № 2 30
Т а б л и ц я 8 . Результати застосування моделі нейронної мережі для ПАТ
«Оболонь» (2011–2016 рр
Коефіцієнти
ПАТ
«Оболонь»
Частка
оборотних
виробничих
фондів
в обігових
коштах
швидкої
ліквідності
трансфор-
мації
рентабель-
ності
фінансової
незалеж-
ності
Клас
кризи
2011 0,475823 0,420224 1,39196 0,036181 0,270156 1
2012 0,472029 0,541896 1,389799 0,064004 0,30688 1
2013 0,437375 0,522132 1,123053 0,053823 0,361348 1
2014 0,458493 0,33968 0,87594 -0,16832 0,147868 3
2015 0,570253 0,189191 0,999887 -0,12541 0,010385 3
2016 0,519026 0,217981 0,922396 -0,04651 0,28597 2
Графіки порівняння значень результатів трьох розглянутих моделей зо-
бражено на рис. 3.
Рис. 3. Результати застосування моделей нейронної мережі, Матвійчука та Тере-
щенка для ПАТ «Оболонь»
Модель
Матвійчука
Модель
Терещенка
ПАТ
«Оболонь»
Нейронна мережа
Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного …
Системні дослідження та інформаційні технології, 2018, № 2 31
Як видно з табл. 9 значення Z моделі Терещенка для ПАТ «АВК» за
весь період дуже низьке. Наприклад, значення за 2011 р. менше, ніж за
2013 р., хоча фінансові показники не перевищували нормативні значення, а
отже, підприємство не мало значних фінансових криз. Із трьох розглянутих
моделей модель Терещенка має найменшу точність, тому її результати мо-
жуть бути ненадійними. У розглянутих прикладах вона досить точно розпі-
знає збиткові показники, при цьому заносячи до класу банкрутів і досить
рентабельні значення, що свідчить про певні недоліки щодо точності. Мо-
дель існує вже 15 років і її дані можуть не відображати зміни показників
в сучасній економіці України.
Т а б л и ц я 9 . Результати застосування моделі Терещенка для ПАТ «АВК»
(2011–2016 рр.)
ПАТ
«АВК»
Відношення коштів до залученого капіталу
Модель
Терещенка
2011 0,01905 1,449544 0,043405 0,02594 0,05515 1,748639 0,144539
2012 0,028475 1,499818 0,071062 0,048404 0,060053 1,92334 0,162698
2013 0,029725 1,551554 0,055611 0,053348 0,077644 1,513131 0,168712
2014 0,032541 0,970613 -0,39646 -0,40578 0,076358 1,156225 0,12646
2015 0,000719 0,646951 -0,51357 -6,93602 0,445227 0,046814 0,052835
2016 0,000122 0,543383 -0,30476 -74,3625 7,108588 0,00241 0,043653
Результати застосування моделі Матвійчука для ПАТ «АВК» за період
2011–2012 рр. протилежні — підприємство перебувало у задовільному фі-
нансовому стані, що більше відповідає реальній фінансовій ситуації на під-
приємстві (табл. 10). У 2013 р. значення Z становило 0,81, що свідчить про
фінансові труднощі на підприємстві, а у 2015–2016 рр. значення майже до-
рівнювало 0, що вказує на швидке банкрутство компанії та невтішні прогно-
зи для майбутньої діяльності.
Т а б л и ц я 1 0 . Результати застосування моделі Матвійчука для ПАТ
«АВК» (2011–2016 рр.)
Коефіцієнти
ПАТ
«АВК»
мобіль-
ності
активів
оборот-
ності
креди-
торської
заборго-
ваності
оборот-
ності
власного
капіталу
окупності
активів
забезпе-
ченості
власни-
ми обо-
ротними
засобами
концент-
рації за-
луче-
ного ка-
піталу
покриття
боргів
власним
капіта-
лом
Модель
Матвій-
чука
2011 1,120991 8,187585 5,395452 0,597628 0,613258 0,689872 0,449544 2,231266
2012 1,545685 4,956067 4,405379 0,681151 0,512086 0,666748 0,499818 1,379234
2013 1,453202 2,869892 2,9324 0,959303 0,386823 0,644515 0,551554 0,817087
2014 1,389575 1,61824 -32,2691 1,023522 -0,03824 1,030277 -0,02939 0,479544
2015 0,113829 0,085911 -0,13568 13,50561 -7,43342 1,545711 -0,35305 0,02678
2016 0,061952 0,003791 -0,00488 244,0008 -17,5322 1,840322 -0,45662 0,00306
Аналізуючи результати табл. 11, можна помітити, що у 2011–2012 рр.
ПАТ «АВК» мало задовільну фінансову стійкість, але у 2013 р. почали
О.Л. Тимощук, К.М. Дорундяк
ISSN 1681–6048 System Research & Information Technologies, 2018, № 2 32
з’являтися проблеми із показниками діяльності компанії. У 2014 р. підпри-
ємство не поліпшило ситуації та перейшло до третьої категорії кризового
стану — збиткові підприємства. Таке явище також може бути наслідком
економічної кризи 2014 р. Але на відміну від ПАТ «Оболонь» показники не
вирівнялися, а тільки погіршувалися. Коефіцієнт фінансової незалежності
становив -0,84 за нормативного значення 0,4 , що свідчить про те, що невдовзі
підприємство майже напевне стане банкрутом.
Т а б л и ц я 1 1 . Результати застосування моделі нейронної мережі для
ПАТ «АВК» (2011–2016 рр.)
Коефіцієнт
ПАТ
«АВК»
Частка
оборотних
виробни-
чих фондів
в обігових
коштах
швидкої
ліквідності
трансфор-
мації
рентабель-
ності
фінансової
неза-
лежності
Клас
кризи
2011 0,179944 2,134159 1,750671 0,045413 0,310128 1
2012 0,148621 1,751913 1,591074 0,077015 0,333252 1
2013 0,139987 1,236694 1,155168 0,061626 0,355485 2
2014 0,128291 0,750127 0,962519 -0,39057 -0,03028 3
2015 0,322578 0,066182 0,071835 -0,49825 -0,54571 3
2016 0,499395 0,01616 0,004137 -0,30762 -0,84032 3
Варто зазначити, що модель нейронної мережі для двох розглянутих
підприємств дала точніші результати, аніж моделі Матвійчука і Терещенка.
Модель Матвійчука характеризується досить високою точністю, але має не-
доліки з віднесенням підприємства лише до двох категорій — банкрут і не
банкрут. Модель Терещенка має недоліки щодо точності; вона правильно
розпізнає лише збиткові підприємства, які мають значні фінансові труднощі,
але при цьому відносить до банкрутних і ті, які ще перебувають у задовіль-
ному стані.
Графіки порівняння значень результатів трьох розглянутих моделей зо-
бражено на рис. 4.
ПАТ
«Оболонь»
Модель
Матвійчука
Модель
Терещенка
Рис. 4. Результати моделі нейронної мережі, Матвійчука та Терещенка для
ПАТ «АВК» (Див. також. с. 33)
Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного …
Системні дослідження та інформаційні технології, 2018, № 2 33
ВИСНОВКИ
Проведено порівняльний аналіз дискримінантних моделей Матвійчука та
Терещенка з розробленою моделлю штучної нейронної мережі.
Підхід, оснований на використанні штучної нейронної мережі, порівня-
но з дискримінантними моделями показав вищу точність оцінок ймовірності
банкрутства та здатність виявляти приховані залежності між основними фі-
нансовими показниками. Нейронні мережі здатні виявити латентні форми
кризи підприємства та сприяти підвищенню достовірності прогнозування,
що підтверджено на прикладі аналізу фінансового стану декількох українсь-
ких підприємств.
Розроблена модель нейронної мережі дозволила більш детально про-
аналізувати фінансовий стан підприємства, відносячи його до однієї із трьох
категорій кризового стану. Точність моделі становила 97,7%, що є свідчен-
ням високої достовірності прогнозування.
Необхідно продовжити розроблення зі створення моделей, за допомо-
гою яких в оцінюванні фінансового стану показників українських підпри-
ємств враховується більша кількість фінансових показників та специфіка
різних галузей виробництва.
ЛІТЕРАТУРА
1. Тридід О.М. Економіко-математичні моделі оцінки фінансового стану суб’єктів
господарювання: моногр. / О.М. Тридід, О.Г. Тижненко, Л.О. Тижненко. —
К.: УБС НБУ, 2011. — 213 с.
2. Матвійчук А.В. Нечіткі, нейромережеві та дискримінантні моделі діагносту-
вання можливості банкрутства підприємств / А.В. Матвійчук // Нейронечіт-
кі технології моделювання в економіці. — 2013. — № 2. — С. 71–118.
Рис. 4. Закінчення
ПАТ
«АВК»
Нейронна мережа
О.Л. Тимощук, К.М. Дорундяк
ISSN 1681–6048 System Research & Information Technologies, 2018, № 2 34
3. Бідюк П.І. Аналіз ризику банкрутства підприємств з використанням чітких та
нечітких моделей / П.І. Бідюк, В.В. Вертелецький, А.О. Жирова //
Економічний вісник Національного технічного університету України
«Київський політехнічний інститут». — 2015. — № 12. — С. 477–490.
4. Закон Украины «Про відновлення платоспроможності боржника або визнання
його банкрутом» від 14 травня 1992 року №2343-XII // Відомості Верховної
Ради України. — 1992. — № 31. — 440 с.
5. Іванілов О.С. Економіка підприємства: підруч. / О.С. Іванілов. — К.: Центр
учбової літ-ри, 2009. — 728 с.
6. Троц І.В. Система попередження та економічні напрями запобігання
банкрутству підприємств: автореф. дис. на здобуття наук. ступеня. канд.
екон. наук: спец. 08.00.04 «Економіка та управління підприємствами (за
видами економічної діяльності)» / І.В. Троц. — Хмельн.: Хмельницький
нац. ун-т, 2016. — 21 с.
7. Терещенко О.О. Фінансова санація та банкрутство підприємств: навч. посіб. /
О.О. Терещенко. — К.: КНЕУ, 2009. — 412 с.
Надійшла 19.03.2018
|
| id | journaliasakpiua-article-139707 |
| institution | System research and information technologies |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2025-07-17T10:24:01Z |
| publishDate | 2018 |
| publisher | The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" |
| record_format | ojs |
| resource_txt_mv | journaliasakpiua/13/06d13463f035854af00df91d410c5713.pdf |
| spelling | journaliasakpiua-article-1397072019-01-17T13:29:35Z Assessment of the probability of bankruptcy of companies using discriminant analysis and neural networks Оценивание вероятности банкротства предприятий с помощью дискриминантного анализа и нейронных сетей Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного аналізу та нейронних мереж Tymoshchuk, Oksana L. Dorundiak, Kseniia M. industrial company forecasting probability of bankruptcy discriminant analysis neural network предприятие прогнозирование вероятность банкротства дискриманантний анализ нейронная сеть підприємство прогнозування ймовірність банкрутства дискріманантний аналіз нейронна мережа The models of discriminant analysis and artificial neural networks for forecasting and calculating the probability of bankruptcy of companies are investigated. The definition and essence of the term "bankruptcy", the main causes of the financial crisis of Ukrainian companies and statistical data reflecting the dynamics of bankruptcies of Ukrainian companies in recent years are analyzed. A model of an artificial neural network of the perceptron type was developed and a comparative analysis with models of Ukrainian economists was made using examples of financial analysis of several well-known Ukrainian companies. The advantages and problems of application of the considered models, as well as their practical importance in the current economic conditions, are analyzed. Исследованы модели дискриминантного анализа и искусственных нейронных сетей для прогнозирования и вычисления вероятности банкротства предприятий. Проанализированы определение и сущность термина "банкротство", основные причины кризисного финансового состояния предприятий Украины и статистические данные, отражающие динамику банкротств украинских предприятий за 1999–2017 гг. Разработана модель искусственной нейронной сети типа персептрон и проведен компаративный анализ с моделями отечественных экономистов на примере анализа финансового состояния нескольких известных украинских предприятий. Оценены достоинства и проблемы применения рассмотренных моделей, а также их практическая значимость в современных условиях хозяйствования. Досліджено моделі дискримінантного аналізу та штучних нейронних мереж для прогнозування й обчислення ймовірності банкрутства підприємств. Проаналізовано визначення та сутність терміна "банкрутство", основні причини кризового фінансового стану підприємств України та статистичні дані, які відображають динаміку банкрутств українських підприємств протягом 1999–2017 рр. Розроблено модель штучної нейронної мережі типу перцептрон та проведено компаративний аналіз з моделями вітчизняних економістів на прикладі аналізу фінансового стану декількох відомих українських підприємств. Оцінено переваги та проблеми застосування розглянутих моделей, а також їх практичну значущість у сучасних умовах господарювання. The National Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute" 2018-06-20 Article Article application/pdf https://journal.iasa.kpi.ua/article/view/139707 10.20535/SRIT.2308-8893.2018.2.03 System research and information technologies; No. 2 (2018); 22-34 Системные исследования и информационные технологии; № 2 (2018); 22-34 Системні дослідження та інформаційні технології; № 2 (2018); 22-34 2308-8893 1681-6048 uk https://journal.iasa.kpi.ua/article/view/139707/136688 Copyright (c) 2021 System research and information technologies |
| spellingShingle | підприємство прогнозування ймовірність банкрутства дискріманантний аналіз нейронна мережа Tymoshchuk, Oksana L. Dorundiak, Kseniia M. Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного аналізу та нейронних мереж |
| title | Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного аналізу та нейронних мереж |
| title_alt | Assessment of the probability of bankruptcy of companies using discriminant analysis and neural networks Оценивание вероятности банкротства предприятий с помощью дискриминантного анализа и нейронных сетей |
| title_full | Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного аналізу та нейронних мереж |
| title_fullStr | Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного аналізу та нейронних мереж |
| title_full_unstemmed | Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного аналізу та нейронних мереж |
| title_short | Оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного аналізу та нейронних мереж |
| title_sort | оцінювання ймовірності банкрутства підприємств за допомогою дискримінантного аналізу та нейронних мереж |
| topic | підприємство прогнозування ймовірність банкрутства дискріманантний аналіз нейронна мережа |
| topic_facet | industrial company forecasting probability of bankruptcy discriminant analysis neural network предприятие прогнозирование вероятность банкротства дискриманантний анализ нейронная сеть підприємство прогнозування ймовірність банкрутства дискріманантний аналіз нейронна мережа |
| url | https://journal.iasa.kpi.ua/article/view/139707 |
| work_keys_str_mv | AT tymoshchukoksanal assessmentoftheprobabilityofbankruptcyofcompaniesusingdiscriminantanalysisandneuralnetworks AT dorundiakkseniiam assessmentoftheprobabilityofbankruptcyofcompaniesusingdiscriminantanalysisandneuralnetworks AT tymoshchukoksanal ocenivanieveroâtnostibankrotstvapredpriâtijspomoŝʹûdiskriminantnogoanalizainejronnyhsetej AT dorundiakkseniiam ocenivanieveroâtnostibankrotstvapredpriâtijspomoŝʹûdiskriminantnogoanalizainejronnyhsetej AT tymoshchukoksanal ocínûvannâjmovírnostíbankrutstvapídpriêmstvzadopomogoûdiskrimínantnogoanalízutanejronnihmerež AT dorundiakkseniiam ocínûvannâjmovírnostíbankrutstvapídpriêmstvzadopomogoûdiskrimínantnogoanalízutanejronnihmerež |