Neural network analysis of the enterprise financial sustainability

Abstract

Проблема предсказания банкротства предприятия актуальна всегда. За всё время её существования было разработано множество способов её решения, прогнозирующих наступление банкротства организации с той или иной вероятностью. Однако, эта задача до сих пор не решена. В актуальных исследованиях по теме прогнозирования банкротства преобладают работы, изучающие деятельность фирм, развитых и крупнейших развивающихся стран. Российские компании в научных работах рассматриваются крайне редко. К тому же, доказан тот факт, что применение моделей, разработанных на данных компаний развитых стран к компаниям развивающихся, существенно снижает предсказательную способность. Чтобы создать модель предсказания банкротства на российском рынке, работающую с точностью, превышающей стандартный финансовый анализ, необходимо использовать национальные данные. В этой работе рассматривается применение нейронных сетей, как инструмента для решения задачи прогнозирования. Но научную новизну представляет тот факт, что основой разрабатываемой сети стала статистическая модель прогнозирования банкротства. Объектом проведенного исследования является институт финансовой неустойчивости (банкротства). Предмет исследования — нейросетевой метод предсказания финансовой неустойчивости предприятия. Структура работы выглядит следующим образом. После введения дан обзор литературы по изучаемой теме и сформулирована постановка задачи на естественном языке. В первой главе представлены необходимые теоретические выкладки по теме банкротства и существующих моделей (методов) его прогнозирования. Далее выбирается одна из самых точных статических моделей диагностики банкротства, а именно модель Федоровой–Гиленко–Довженко. Коэффициенты, которые авторы отобрали как наиболее важные для диагностики банкротства стали входными данными для нашей нейронной сети. Вторая глава посвящена подготовке данных, обучению и тестированию нейронной сети. Был произведен сбор необходимого для обучения и тестирования сети количества качественных данных (финансовой отчётности обанкротившихся и финансового устойчивых предприятий). Собраны данные о финансовой отчётности 100 предприятий, выборка поделена на 2 части — обучающую и тестовую — 60% и 40% соответственно. По окончанию подготовительных работ, производится разработка и обучение нейронной сети. Обучение нейронной сети завершается с суммарной точностью модели — 93%. При дальнейшем тестировании точность снижается до 87%, что не уступает другим моделям прогнозирования банкротства, а значит, разработанная модель адекватна. В третьей главе представлены полученные результаты работы по решению задачи выпускной квалификационной работы. Сделан вывод о необходимости увеличения обучающей выборки данных. Созданная нейросетевая модель прогнозирования банкротства может быть использована фирмами как методика проведения внутреннего финансового анализа. Применение такого способа диагностики позволит вовремя заметить и минимизировать риски. Так, разработанная нейросетевая модель может предупредить о риске возникновения состояния финансовой неустойчивости и обратить внимание руководства на необходимость совершенствования деятельности предприятия.

The problem of predicting bankruptcy is always relevant. For all the time of its existence, many ways of its solution have been developed, predicting the onset of bankruptcy of the organization with a certain accuracy. However, this problem has not yet been resolved. In modern research on the topic of predicting bankruptcy, papers that study the activities of firms in developed and large developing countries dominate. Russian companies in research papers are considered extremely rarely. In addition, it has been proven that the use of models developed in these enterprises in developed countries for developing companies significantly reduces their predictive ability. To create a bankruptcy prediction model in the Russian market that works with an accuracy that exceeds standard financial analysis, it is necessary to use national data. This paper discusses the use of neural networks as a tool for solving the problem of forecasting. But the scientific novelty is the fact that the basis of the network being developed was a statistical model of bankruptcy forecasting. The object of the study is the institution of financial instability (bankruptcy). The subject of the research is the neural network method of predicting the financial instability of an enterprise. The structure of the paper is as follows. After the introduction, a review of the literature on the topic being studied is given and the formulation of the problem in a natural language is formulated. The first chapter presents the necessary theoretical information on the topic of bankruptcy and the existing models (methods) of its forecasting. Then one of the most accurate static models of bankruptcy diagnostics is selected, namely the Fedorova – Gilenko – Dovzhenko model. The coefficients that the authors selected as the most important for the diagnosis of bankruptcy became the input data for our neural network. The second chapter is devoted to the preparation of data, training and testing of the neural network. The required amount of qualitative data was collected for training and testing the network (financial statements of bankrupt and financially sustainable enterprises). Data on financial statements of 100 enterprises were collected, the sample was divided into 2 parts - training and test - 60% and 40%, respectively. Upon completion of the preparatory work, developed and trained neural network. Training of the neural network is completed with a total accuracy of the model - 93%. With further testing, the accuracy is reduced to 87%, which is not inferior to other models of bankruptcy forecasting, which means that the developed model is adequate. The third chapter presents the results of work on solving the problem of final qualifying work. It is concluded that it is necessary to increase the training data sample. The created neural network model of bankruptcy forecasting can be used by firms as a method of conducting internal financial analysis. The use of this method of diagnosis will allow time to notice and minimize the risks. Thus, the developed neural network model can warn about the risk of a state of financial instability and draw the attention of management to the need to improve the activities of the enterprise.