ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ПЛАТЕЖЕСПОСОБНОСТИ КОНТРАГЕНТОВ ПРЕДПРИЯТИЯ

Аннотация: Целью работы является исследование и разработка методических принципов и практических рекомендаций по совершенствованию системы управления дебиторской задолженностью с использованием математических методов интеллектуального анализа данных (ИАД или data mining), а именно искусственных нейронных сетей для обеспечения более высокой точности прогнозирования платежеспособности контрагента по сравнению традиционными методами.

В данной статье были сделаны следующие выводы: искусственные нейронные сети являются наиболее перспективным методом оценки платёжеспособности заёмщиков, так как они способны учитывать большое количество экономических характеристик, а также самостоятельно выявлять сложнейшие зависимости между ними, не используя при этом сложных вычислительных ресурсов при аппаратной реализации.

Ключевые слова: Нейросеть, платежеспособность, дебиторская задолженность, контрагенты, предприятие, задача, искусственный, модель, заемщик.

Постановка задачи

Правильный выбор достойных контрагентов является важнейшим фактором результатов хозяйственной деятельности предприятий. Так как порой дебиторская задолженность вырастает настолько, что для обеспечения высокого уровня ликвидности предприятиям приходится иммобилизовать кредиторскую задолженность в дебиторскую. Поэтому каждой организации необходимо трезво оценивать финансовое состояние своих дебиторов.

Очень важным моментом является контроль финансового состояния имеющихся заемщиков. В случае образования крупных сумм дебиторской задолженности или накопление просроченной задолженности в прошлых периодах, предприятие рискует не вернуть средства за оказанные услуги или реализацию товара, а так как большинство предприятий взымают плату  после оказания услуги, (предоставления товара)  вопрос о покрытии дебиторской задолженности встает достаточно остро.

Таким образом, ставится задача получения комплексного анализа платежеспособности клиента или контрагента на основании имеющихся у организации данных.

Существует множество методик управления дебиторской задолженностью, но не одна из них не рассматривает комплексный подход к управлению дебиторской задолженностью который основан на нейросетевых технологиях.

1. Искусственный нейрон

Нейрон имеет несколько входов, по которым сигналы поступают в сам нейрон. Входные сигналы могут быть получены как из внешнего источника, так и от других нейронов. Каждый вход нейрона имеет свой вес, поэтому поступающий сигнал попадает в обрабатывающий центр нейрона с определенным коэффициентом. Далее, после некоторых преобразований, нейрон передаёт на выход всего один сигнал. Полученный выходной сигнал может поступать либо на следующий нейрон, либо являться конечным результатом работы для всей сети.

На вход нейрона поступает множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, который соответствует синоптической силе, затем все произведения суммируются, определяя уровень активации нейрона. На рис.1 представлена реализация данной модели.

Рисунок 1. Искусственный нейрон

Множество входных сигналов, обозначенных как x₁, x₂, x₃...x_n, поступает на искусственный нейрон. Входные сигналы, в совокупности обозначаемые вектором X, соответствуют сигналам, поступающим в синапсы биологического нейрона. Каждый сигнал умножается на соответствующий вес w₁ , w₂ , w₃ ...w_n , и приходит на суммирующий блок, обозначенный СУМ. Каждый вес соответствует "силе" одной биологической синоптической связи. Множество весов в комплексе обозначается вектором W. Суммирующий блок, который соответствует телу биологического элемента, складывает взвешенные входы математически, создавая выход, который назван NET.

В векторных обозначениях это можно показать в виде:

NET = XW

Сигнал NET преобразуется активационной функцией F и дает выходной нейронный сигнал OUT [21].

Активационная функция – функция, которая вычисляет выходной сигнал искусственного нейрона. В качестве аргумента принимает сигнал Y, получаемый на выходе входного сумматора.

Активационная функция может быть обычной линейной функцией OUT = F(NET)

где F — константа пороговой функции.  OUT = 1, если NET>T.

OUT = 0, если NET<=T

где T — определенная постоянная пороговая величина, или функция, точнее моделирующая нелинейную передаточную характеристику биологического нейрона и предоставляющей нейронной сети большие возможности.

Блок F, принимает сигнал NET и выдает сигнал OUT. Если блок F сужает диапазон изменения величины NET так, что при разных значениях NET значения OUT относятся к определенному конечному интервалу, то F называется "сжимающей" функцией [26].

3. Синтез нейросетевой модели

Нейронные сети являются достаточно мощным инструментом моделирования, поскольку нелинейны, по своей природе. Также необходимо отметить, что нейронным сетям не знакома проблема «проклятия размерности», которая препятствует моделированию линейной зависимости при большом количестве переменных.

Общая постановка задачи оценки платежеспособности клиентов выглядит как нахождение способа, правильно, предсказать ее достоверность до наступления финансовых проблем. Под финансовыми проблемами имеется в виду события рост дебиторской задолженности, ее увеличение по мере сотрудничества с сомнительным контрагентом.

Данная задача рассматривается как задача бинарной классификации (платежеспособен или неплатёжеспособен).

Контрагенты являются объектами классификации, а их классы определяются по отношению к свойству платежеспособности. Классификация происходит на основе признаков, которые представляют собой следующие финансовые показатели:

- коэффициент текущей ликвидности;

- коэффициент обеспеченности собственными оборотными средствами;

- коэффициенты пятифакторной модели Альтмана;

Данные параметры были выбраны так как, коэффициент текущей ликвидности показывает способность компании погашать текущие (краткосрочные) обязательства за счёт только оборотных активов. Коэффициент обеспеченности собственными оборотными средствами показывает достаточно ли у организации собственных средств для финансирования текущей деятельности. Коэффициенты из модели Альтмана, показывают риск вероятности банкротства компании в ближайшем периоде.

Главный плюс данных параметров в том, что доступ к ним имеет каждый контрагент так как данные для расчета этих коэффициентов можно найти на сервере раскрытия информации, что упрощает процесс анализа платежеспособности.

Таким образом, исходя из постановки задачи, приведем структурную схему системы определения платежеспособности, основываясь на методе бинарной классификации (рис. 2).

Рисунок 2. Структура нейронной сети бинарной классификации контрагентов

Данная схема создана с использованием искусственной сети прямого распространения сигнала класса «многослойный персептрон», состоящая из трех слоев: входного, внутреннего и выходного.

Представленная нейронная сеть может находиться в контрольном режиме и в режиме обучения. В контрольном режиме нейронная сеть работает как закрытая система, на вход которой подается вектор финансовых коэффициентов, а с выхода выдается номер класса, но для правильной работы нейронной сети должны быть настроены ее параметры, то есть смещения и весовые коэффициенты внутреннего и выходного слоев. Данные параметры должны принять значения, дающие наибольшее количество правильных результатов, воспроизводимых нейронной сетью. Для их нахождения используется режим обучения, в котором сеть обучается, т. е. ее параметры изменяются по результатам анализа предъявляемых сети примеров.

Чаще всего, обучение нейронной сети происходит по схеме обучения с учителем. Это значит, что по ходу обучения используются примеры, в которых соотнесены финансовые показатели и номер класса, к которому данный контрагент относится.

Обучение нейронной сети затрачивает много времени, и чем сложнее структура, тем дольше будет проходить обучение. Для ускорения данного процесса существует лишь одно решение – улучшение самого алгоритма обучения. Наиболее эффективной, с точки зрения временных затрат модификацией для процессов обучения является распараллеливание алгоритма.

Следовательно, для сети вводится целевая функция, представляющая собой сумму квадратов ошибок ek, просчитанных как разность оценок функции принадлежности и целевых значений этой функции:

,                         (3)

В задачах статической классификации, обычно используется пакетный режим обучения, при котором надстройка параметров происходит после обучения сети с помощью обучающей выборки. Пакетный режим обучения в отличие от последовательного режима, позволяет получить более устойчивые в статистическом смысле решения задачи минимизации целевой функции в пространстве параметров.

В общем случае надстройка некоторого параметра q осуществляется по данной формуле:

,                                     (4)

где  - скорость обучения сети, qm - величина желаемого изменения параметра, способ вычисления которой зависит от метода обучения, а индекс m указывает на номер эпохи. С увеличением номера эпохи данный алгоритм описывает итеративный процесс изменения величины до достижения ей некоторого оптимального значения.

Типичный процесс адаптации сети сопровождается уменьшением величины ошибки E до достижения ей некоторой минимальной величины E min как на обучающей, так и на тестируемой выборке. Необходимым признаком успешного процесса адаптации, является монотонное уменьшение абсолютной величины для всех настраиваемых параметров сети, начиная с некоторого номера эпохи.

После завершения стадии обучения, структура нейронной сети фиксируется, то есть дальнейших изменений весов и связей не происходит, сеть переходит в рабочий режим.

Представленная модель позволяет получить ответ, о том стоит ли сотрудничать с тем или иным предприятием.

Заключение

В наше время множество организаций и компаний получают много проблем от просроченных сумм дебиторской задолженности своих клиентов и контрагентов. Чтобы избежать сотрудничества с должниками и не допустить рост задолженности существующих клиентов очень важно правильно оценивать их платежеспособность. Другими словами, предприятию нужно провести комплексный анализ финансового состояния контрагента на основании имеющихся данных о клиенте.

Выбор определенных показателей всегда является условием между более полным охватом деятельности организации и увеличенной сложностью модели. При построении модели нейронной сети необходимо принимать во внимание ее адаптивный характер. Это значит, что сформированная для обучения нейронной сети выборка, должна состоять из компаний той же отрасли, для которых в дальнейшем предполагается ее использование. Адаптивные методики анализа платежеспособности компаний данного типа могут являться важным инструментом, способствующим принятию эффективных решений как в задачах управления отдельной фирмой, так и в задачах отраслевого мониторинга и государственного регулирования. [6]

Новизна исследования заключается в комплексном подходе к управлению дебиторской задолженностью. В отличии от классических методов в работе рассматривается подход, сочетающий прогнозирование показателей баланса предприятия отвечающих за кредитование контрагентов и рассмотрение структуры дебиторской задолженности с анализом их платёжеспособности с помощью нейросетевых технологий.

Практическая значимость результатов исследования заключается в том, что полученные результаты могут быть использованы в качестве рекомендаций для инвестиционных компаний при выборе предприятия для вложения инвестиций для статистических исследований и для компаний планирующих сотрудничество с незнакомым предприятием, то есть данная модель является как бы «советующей», отвечая на следующие вопросы: «Стоит ли далее сотрудничать с данным контрагентом?» или «Стоит ли оказывать услугу данному контрагенту?»

Исходя из вышеизложенного следует сделать вывод, что искусственные нейронные сети являются наиболее перспективным методом оценки платёжеспособности заёмщиков. Во-первых, они способны учитывать большое количество экономических характеристик, а во-вторых самостоятельно выявлять сложнейшие зависимости между ними, не используя при этом сложных вычислительных ресурсов при аппаратной реализации.

Список литературы:

1. Богданова Т. К., Шевгунов Т. Я., Уварова О. М. Применение нейронных сетей для прогнозирования платежеспособности российских предприятий обрабатывающих отраслей // Бизнес-информатика. – 2013. – №2(24). – С. 40–48.
2. Курманова Д.А. Институциональные механизмы инновационного развития финансового рынка / Уфимск. гос. авиац. техн. ун-т – Уфа: УГАТУ, 2013 -301с.
3. Курманова Д.А. научная статья: Направления инновационного развития финансового рынка/Экономические науки, 2014, №4, С.89-92.
4. Курманова Д.А. Основы обеспечения экономической безопасности в финансовом секторе экономики/ Коллективная монография/ отв. ред Г.А Галимова., Л.Р. Курманова, Л.З. Байгузина .-Уфа:/ - Уфа: Аэтэрна,2015 – Раздел 2. Параграфы 2.1 2.2 С. 173-220.
5. С. Короткий, "Нейронные сети: Алгоритм обратного распространения"
6. Электронный ресурс: http://leonarus.com/2008/09/08/tipichnye-primery-primeneniya-nejronnyx-setej-v-menedzhmente/
7. Электронный ресурс: http://utmagazine.ru/posts/8526-debitorskaya-zadolzhennost
8. Электронный ресурс: http://www.neyronn.ru/25-formalizaciya-nejroseti/
9. Электронный ресурс: Нейронная сеть как инструмент оценки кредитоспособности заемщика// http://uchebnik.biz/book/627-bankovskoe-delo-sovremennaya-sistema-kreditovaniya/15-26-nejronnaya-set-kak-instrument-ocenki-kreditosposobnosti-zaemshhika.html
10. Электронный ресурс: http://docplayer.ru/36922140-E-g-zaguzina-postroenie-neyrosetevoy-modeli-prognozirovaniya-platezhesposobnosti-kontragentov-organizacii-udk-e-g.html
11. Электронный ресурс: https://cyberleninka.ru/article/v/primenenie-modeley-prognozirovaniya-bankrotstva-na-rossiyskih-predpriyatiyah.