Автореферат дисертації на здобуття наукового ступеня - страница 2


^ ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовано актуальність теми, сформульовано об’єкт, предмет, мету та задачі дослідження, висвітлено наукову новизну та практичну цінність роботи. Також наведено відомості про особистий внесок здобувача, апробацію та впровадження результатів дисертаційної роботи, публікації. Зазначено зв'язок роботи з науковими програмами та темами.

^ У розділі 1 "Теоретико-методологічні основи моделювання економічних систем" показано, що протягом останнього десятиріччя на різноманітних фондових ринках як розвинутих країн, так і країн з перехідною економікою, спостерігається суттєве збільшення кількості фінансових криз та їх масштабів, що ілюструється на рис. 1. Через якісний перелом ринкових тенденцій ставиться під сумнів можливість використання ретроспективних даних для прогнозування майбутніх значень фінансових часових рядів із застосуванням класичних кількісних підходів. Констатується, що однією з головних причин тривалого кризового періоду є зростаюча неспроможність широко розповсюджених економіко-математичних методів і моделей адекватно здійснювати аналіз та прогнозування розвитку фінансово-економічних систем.

Подібна ситуація, коли визнані методи аналізу та прогнозування перестали відповідати сучасним економічним тенденціям, вимагає необхідності перегляду парадигми розвитку економічної науки та, зокрема, теорії економіко-математичного моделювання. Теоретично обґрунтовано необхідність започаткування нової парадигми, основою якої запропоновано обрати інструментарій нечіткої логіки як такий, що надає можливість здійснювати моделювання будь-яких соціально-економічних систем (навіть тих, для яких відсутня достатня статистична база, або ж у разі, коли серед інформативних факторів є лише якісні показники). Крім того, моделі, побудовані на нечіткій логіці, є адаптивними до мінливих умов економіки та не вимагають дотримання гіпотези про нормальний розподіл або статистичну однорідність відповідних випадкових процесів, що особливо важливо у сучасних умовах світової економіки (зокрема, української).




Рис. 1. Тренди індексів NASDAQ, S&P 500 та DJ ІNDU, за даними finance.yahoo.com

У розділі проаналізовані сучасні методологічні підходи до вирішення задач, спрямованих на підвищення обсягів залучення грошових ресурсів до національної економіки, що безпосередньо пов’язано з ефективним управлінням фінансовими активами, у тому числі на фондовому ринку або при державному регулюванні економікою. Першою складовою ефективного управління фінансами є передбачення змін фінансового стану суб’єктів господарювання шляхом прогнозування показників їх фінансово-господарської діяльності, включаючи прогнозування курсів цінних паперів. Відповідно, у першому розділі проаналізовано можливості застосування для прогнозування фінансових показників різноманітних математичних підходів, таких як класичні методи екстраполяції, середні плинні, експонентне зважування, спектральний аналіз, нейронні мережі.

Теоретично та експериментально обґрунтовано, що використання подібних підходів для прогнозування фінансових часових рядів мають певні обмеження та низьку точність передбачення напряму зміни курсу досліджуваного показника. А при проведенні інвестиційної діяльності, особливо при укладанні угод на фондовому ринку, величина прибутку значною мірою залежить саме від правильності передбаченого знака зміни курсу цінного паперу, адже гравець фондового ринку отримує прибуток здебільшого від гри на пониження-підвищення.

Відповідно, у розділі запропоновано проводити налаштування економіко-математичної моделі та здійснювати відповідне прогнозування саме на напрямках зміни курсу цінного паперу. Показано, що поширені кількісні методи ідентифікації нелінійних залежностей не пристосовані для використання експертної інформації про об'єкт дослідження у вигляді логічних правил, а також при нечітко або лінгвістично заданих параметрах об'єкта. З метою представлення цих правил у математичній формі та забезпечення можливості налаштування параметрів моделей запропоновано скористатись методами нечіткої логіки.

Друга складова ефективного управління фінансами, метою якої є визначення надійних об’єктів для інвестицій, полягає в аналізі ризиків, притаманних різним фінансовим інструментам. У зв’язку з цим набуває особливої актуальності проведення аналізу фінансового стану суб’єктів господарювання, оскільки дозволяє виявити їхні внутрішні проблеми та завчасно вжити відповідні заходи у напрямку їх усунення. Важливим він є і для потенційних інвесторів та банків-кредиторів, оскільки надає можливість уникнути зайвого ризику та, відповідно, підвищити стабільність і збалансованість економіки країни в цілому.

У розділі висвітлено окремі підходи до проведення аналізу фінансового стану компаній, які полягають у визначенні аксіологічної ймовірності банкрутства, зокрема, кількісні, якісні методи та нечітко-множинний підхід, що ґрунтується на поєднанні як кількісних, так і якісних показників. Проведено аналіз зазначених підходів та запропоновано для оцінювання фінансового стану компаній скористатись перевагами теорії нечіткої логіки як математичного апарату, що надає можливість формувати модель з урахуванням специфіки країни, періоду часу, галузі, шляхом встановлення правил логічного висновку, та здійснювати налаштування параметрів моделі на реальних кількісних та якісних показниках діяльності як фінансово-стійких компаній, так і підприємств-банкрутів.

Однак крім залучення інвестицій важливою складовою для підтримання збалансованості, відкритості економіки та раціонального розвитку країни є існування прозорої системи збору податків для наповнення бюджетів усіх рівнів. Відповідно, з'являється необхідність розробки ризикорієнтованої системи щодо викриття схем мінімізації податкових зобов’язань та ухилення платників податків від оподаткування, що полягає у створенні концептуального підходу до оцінювання показників діяльності суб’єктів господарювання для розподілу платників податків за категоріями уваги з боку органів ДПС, та на його основі методики формування плану-графіка виїзних податкових перевірок. Відповідно, в першому розділі висвітлено основні поняття, категорії, та існуючі принципи розподілу платників податків за категоріями уваги для подальшої роботи з цими платниками відповідних підрозділів податкової служби. Показано недоліки існуючого раніше підходу, обрано та обґрунтовано напрями удосконалення методики оцінювання податкових ризиків та формування плану-графіка податкових перевірок шляхом застосування методів нечіткої логіки.

^ У розділі 2 "Методологічні основи застосування теорії нечіткої логіки та теорії хвиль Елліотта в моделюванні економічних систем" розкрито сутність теорії нечіткої логіки, її базові поняття та положення, зокрема, висвітлено зміст функції належності та приведено декілька варіантів побудови цих функцій із висвітленням їхніх основних характеристик. Розкрито принципи побудови бази логічних правил прийняття рішень та відповідних математичних рівнянь.

Показано, що бази нечітких знань є зручним засобом формалізації причинно-наслідкових зв'язків "входи-вихід" об'єкта моделювання на природній мові за допомогою нечітких логічних висловлювань. Ці вирази поєднують вхідні й вихідні показники, задані у вигляді лінгвістичних змінних з нечіткими термами. Таким чином, нечітка логіка є зручним інструментом, який дозволить економістам та фінансистам, які не є фахівцями з математичного моделювання, встановити логічні зв’язки між пояснюючими та залежними змінними у фінансово-економічних системах, користуючись виразами природної мови, та здійснити математично-обґрунтований аналіз та прогнозування розвитку цих систем.

З метою тонкої настройки баз нечітких знань, побудованих експертним шляхом, запропоновано налаштування параметрів нечітких моделей здійснювати із застосуванням методів оптимізації нейронних мереж. Висвітлено принципи оптимізації моделей, заснованих на нечіткій логіці, із використанням алгоритмів "Error Back Propagatіon" та "Extended Delta-Bar-Delta", а також надано рекомендації щодо застосування цих алгоритмів в залежності від виду функцій належності, на підґрунті яких модель побудовано. Таким чином, у розділі сформульовано теоретико-методологічні положення щодо побудови економіко-математичних моделей на основі методів нечіткої логіки, що здатні надати аналітику можливість науково-обґрунтованого вирішення поставлених задач.

З метою обґрунтування доцільності побудови економіко-математичних моделей на підґрунті теорії нечіткої логіки, у дисертації здійснено порівняння ефективності моделювання економічних систем із застосуванням класичних економетричних та нечітких моделей. Відповідно, запропоновано побудувати на одному й тому ж статистичному матеріалі дискримінантну модель діагностики банкрутства підприємства (подібну до Z-рахунку Альтмана) та модель на базі інструментарію нечіткої логіки, а також здійснити їх тестування на однаковій тестовій вибірці. Відповідно, у цьому розділі розкрито методологічні основи теорії дискримінантного аналізу як інструменту для побудови економіко-математичної моделі оцінювання аксіологічної ймовірності банкрутства підприємства.

Також викладено сутність методу центра ваги як інструментарію виділення діагностичних ознак до дискримінантної моделі. Теоретично обґрунтовано, що застосування методу центра ваги до виділення діагностичних ознак не забезпечує вибір найбільш інформативного фактору із кожної однорідної групи фінансових показників з точки зору оцінки схильності підприємства до банкрутства. Цей підхід забезпечує лише вибір того показника, який найкращим чином здатен репрезентувати свою групу (має найбільший сукупний зв'язок із іншими показниками у своїй групі), не зважаючи на природу вихідної змінної, яку на підставі відібраних показників необхідно буде розраховувати.

Відповідно, для відбору пояснюючих змінних при побудові дискримінантної моделі обґрунтовано необхідність розробки алгоритму виділення діагностичних ознак, в підґрунтя якого запропоновано покласти загальний дискримінантний критерій лямбда Вілкса, що показуватиме ступінь впливу пояснюючої змінної на результат класифікації (розподіл підприємств на класи: потенційні банкрути та фінансово-стабільні компанії) із забезпеченням при цьому відсутності мультиколінеарності серед вхідних факторів моделі.

Висвітлено методологічні положення теорій технічного аналізу ринку та хвиль Елліотта. Представлено деякі різновиди базових хвильових форм, зокрема, восьмихвильову модель розвитку ринку, подовження, усікання тощо. Продемонстровано можливість застосування хвильового принципу Елліотта з метою прогнозування розвитку фінансово-економічних показників шляхом ідентифікації в ціновій кривій відомих хвильових форм. Запропоновано застосувати правила розвитку ринку з теорії хвиль Елліотта для формування бази логічних правил при побудові економіко-математичних моделей ідентифікації фінансових часових залежностей та прогнозування фінансових показників на підґрунті інструментарію нечіткої логіки.

^ У розділі 3 "Прогнозування фінансових показників із застосуванням інструментарію нечіткої логіки" розглянуто та проаналізовано відомі моделі прогнозування, розроблені на підґрунті теорії нечіткої логіки, та визначено напрямок проведення досліджень у даній галузі. З'ясовано, що у низці розроблених раніше нечітких моделей прогноз здійснюється шляхом подання регресійних рівнянь в нечіткій формі та подальшій обробці статистичних даних без урахування правил розвитку фінансових часових рядів.

Інші відомі моделі прогнозування на нечіткій логіці тяжіють до фундаментального аналізу ринку та потребують залучення експертів як на етапі налаштування параметрів системи, так і на етапі прогнозування, що вносить суб'єктивізм та певну незручність для її використання в щоденній торгівлі. Більше того, подібні моделі не здатні працювати лише зі статистикою та роблять прогноз із урахуванням багатьох факторів, які, в будь-якому разі, змінюються досить повільно і на їхній основі можна намагатись здійснювати прогнозування лише на великих проміжках часу для довгострокових вкладень.

Тому при побудові моделі прогнозування розвитку фінансових часових рядів запропоновано проводити формування бази знань не на основі експертних оцінок різних факторів, а з використанням правил розвитку ринку за Елліоттом, надійність яких підтверджуються десятиріччями застосування на практиці як для довгострокового, так і короткострокового прогнозування. У розділі розроблено концепцію побудови економіко-математичних моделей прогнозування напрямку й відносної величини зміни фінансово-економічного показника шляхом ідентифікації фінансових часових залежностей, заданих на основі базової восьмихвильової моделі Елліотта та деяких специфічних правил розвитку ринку, таких як подовження, усікання тощо. З метою формування набору правил розвитку фінансових показників у якості прикладу представимо на рис. 2 цінову криву згідно Елліотту, що містить по одному подовженню в кожній рушійній хвилі верхнього хвильового рівня.




Рис. 2. Цінова крива за Елліоттом з подовженими хвилями

Для формування набору вирішальних правил у вигляді нечітких логічних висловлювань виникає потреба у формалізації вхідних та вихідної змінних, їх можливих значень. Набір значень вхідних лінгвістичних змінних позначаємо через x1, …, xn, xh, а y – відповідне значення вихідної змінної.

Для оцінки лінгвістичних змінних x1, …, xn, які характеризують напрямок та величину зміни ціни, використовуємо єдину шкалу якісних термів. В наборі вирішальних правил всі рушійні хвилі нижнього хвильового рівня, що розвиваються вгору, позначаємо через З, а ті, що розвиваються вниз – через С. Коригувальні хвилі нижнього рівня, що спадають, позначаємо термом ПС, а які зростають – термом ПЗ. Для оцінки значень вихідної змінної y крім зазначених термів додаються ще два: ЗС – значно спадає, ЗЗ – значно зростає. Отримання цих термів на виході нечіткої моделі означатиме, що цінова крива підійшла до точки перегину на вищому хвильовому рівні. В дисертації запропоновано операції купівлі-продажу здійснювати якраз на піках хвиль вищих рівнів через необхідність врахування транзакційних видатків.

Змінна xh містить інформацію стосовно стилю хвилі верхнього хвильового рівня. Вона вводиться з метою ідентифікації поточного положення ринку на ціновій кривій і може приймати одне із значень: Р – хвиля рушійного стилю (такі хвилі позначаються непарними цифрами і буквами a, c, e, g, і) та К – коригувального (позначаються парними цифрами і буквами b, d, f, h). Таким чином, для прогнозування наступної зміни курсу на входи моделі подається інформація щодо поведінки курсу на восьми попередніх етапах та ще одна змінна, яка містить характеристику стилю хвилі вищого рівня.

Для опису фінансових часових залежностей формується сукупність логічних висловлювань, що ставлять у відповідність кожному можливому значенню вихідної змінної відповідні значення вхідних змінних. Представимо за допомогою функцій належності та вагових коефіцієнтів математичну форму запису сукупності вирішальних правил, які вказують на подальше значне зростання (ЗЗ) курсу фінансового показника на основі даних про його попередній розвиток:

(1)

де  – функція належності вектора вхідних змінних до лінгвістичного терму dj  {ЗС, С, ПС, ПЗ, З, ЗЗ} вихідної змінної y;

 – функція належності змінної xi до нечіткого терму ai;

 – ваговий коефіцієнт p-го правила, , для терму dj вихідної змінної y (є характеристикою суб'єктивної міри впевненості експерта в цьому правилі і може приймати значення від 0 до 1. Перед проведенням оптимізації параметрів системи всі ваги правил прирівнюємо до одиниці);

kj – кількість правил у базі знань, що відповідають j-му значенню вихідної змінної y.

При проведенні аналізу функціонування розробленої системи було здійснено дослідження з визначення раціонального виду функцій належності, що здатні адекватно відтворювати фінансові часові залежності. У результаті проведення моделювання виявлено низку недоліків загальновживаних функцій належності. Зокрема, показано, що в результаті проведення логічних перетворень із використанням лінійних функцій належності (трапецієподібні чи трикутні), результатом розрахунків буде нуль, якщо серед правил прийняття рішень не буде такого, яке точно відповідає поточній ситуації. До того ж, такі функції є незручними для налаштування параметрів моделі через їхню недиференційованість.

Також показано, що після налаштування параметрів моделі, побудованої з використанням поширених диференційованих функцій належності, може виникнути ситуація, коли кількісне значення деякого показника, що відповідає падінню курсу та знаходиться між термами ПС та С, буде інтерпретоване як зростання, яке відповідає лінгвістичному терму З. Крім того, такі функції належності не дають змогу встановити розмір мінімальної величини коливання з метою уникнення впливу незначних цінових змін, що не досягають деякого заданого мінімального числа пунктів в одному напрямку.




Рис. 3. Функції належності вихідної змінної, сформовані з урахуванням особливостей задачі
Враховуючи специфіку поставленої задачі вказані недоліки є неприпустимими, оскільки тягнуть за собою можливість втрати капіталу. Адже, наприклад, прогноз падіння курсу може бути інтерпретований системою як зростання із можливістю купівлі цінних паперів у цей момент. Відповідно, у межах концепції побудови економіко-математичних моделей прогнозування в дисертації сформульовано та обґрунтовано методологічні положення щодо формування функцій належності на базі трапеції, бічні ребра якої являють собою відповідні боки квазідзвоноподібних функцій із власними параметрами, як це зображено на рис. 3.

У якості прикладу наведемо аналітичну форму запису функції належності вихідної змінної y до лінгвістичного терму С:

(2)

де – коефіцієнти концентрації-розтягування функцій належності лівого та правого боків "трапеції" (dj  {ЗС, С, ПС, ПЗ, З, ЗЗ});

– координати лівої та правої границь верхньої основи "трапеції" (dj  {ЗС, С, ПС, ПЗ, З, ЗЗ}, у функції (2) dj = С);

ymin – розмір мінімальної величини коливання (мінімальна зміна або сукупність змін курсу в одному напрямку, що враховуються при аналізі).

Функції належності типу (2) є зручними для налаштування, оскільки є диференційованими, а також дають можливість встановлення меж можливих змін фінансового показника для різних термів, зокрема, встановлення розміру мінімальної величини коливання. Використання функцій належності такого типу суттєво прискорило швидкість та якість навчання, підвищило ефективність роботи налаштованої системи. У розділі також запропоновано алгоритм аналітико-лінгвістичної апроксимації фінансових часових рядів.

При проведенні модельних експериментів з прогнозування змін курсу фінансового показника із застосуванням розробленої системи, її навчання проводилось на часовому ряді відносних змін цін закриття індексу S&P 500 за період з 1 липня 1995 р. по 30 червня 2004 р. Перевірка якості прогнозу здійснювалась на тестовій вибірці з 1 липня 2004 р. по 1 липня 2005 р. Протягом торгового року, представленого обраною тестовою вибіркою, системою було зроблено 42 угоди, з яких 26 виявилися прибутковими. Без урахування транзакційних витрат загальна прибутковість системи склала 13,05% річних, що є досить високим показником у порівнянні з іншими торговими системами та інвестиційними альтернативами. При цьому зауважимо, що ринок протягом року був не досить привабливим – прибутковість індексу S&P 500 за цей період склала 5,8%. Зазначимо, що річна прибутковість системи до навчання на реальних даних складала лише 6,13% при 29 прибуткових угодах із 44 укладених.

Такий значний відсоток вгаданих напрямів зміни курсу як перед, так і після проведення налаштування параметрів моделі, свідчить про правильно побудований набір правил розвитку ринку, раціональне обрання теорії хвиль Елліотта в якості основи для формування бази знань та введення мінімального розміру коливання для попередньої обробки фінансового часового ряду. Оптимізація параметрів моделі на реальних значеннях фінансового показника дозволяє суттєво підвищити прибутковість укладених угод, що вказує на вдалий підхід до побудови функцій належності та формування алгоритму налаштування моделі на реальних даних.

Якщо укладати угоди з купівлі цінних паперів біржового фонду S&P 500 при кожній появі на виході моделі термів ЗЗ, З або ПЗ (тобто, всіх термів, які свідчать про подальше зростання курсу), та здійснювати продаж цінних паперів при появі термів ЗС, С та ПС, то прибутковість оптимізованої системи знизиться до 8,78%. Це зайвий раз підтверджує доцільність введення додаткових термів для вихідної змінної (при появі яких здійснюються операції купівлі-продажу цінних паперів), проріджування початкового фінансового часового ряду та ігнорування незначних змін курсу при проведенні прогнозування. Якщо подібне проріджування не проводити (тобто, відмовитись від введення мінімальної величини коливання), то прибутковий потенціал системи знижується до 6,11% при 35 прибуткових угодах із 56 проведених.

Ефективність роботи розробленої системи була перевірена також на часовому ряді вітчизняного фондового індексу ПФТС (Першої фондової торговельної системи). Налаштування параметрів моделі здійснювалось на даних з 1 жовтня 2002 р. по 31 вересня 2004 р. При тестуванні системи на вибірці з 1 жовтня 2004 р. по 31 вересня 2005 р. було запропоновано укласти 56 угод, з яких 41 виявилась прибутковою. Прибутковість системи протягом тестового року склала 12,11%.

Зауважимо, що подібні результати були отримані із використанням базової моделі без її налаштування з урахуванням специфіки розвитку фондового індексу ПФТС, врахування стилю хвиль верхнього хвильового рівня, додаткового аналізу на доречність укладання угод. Проте, і без цього, система показала досить високу ефективність, що підтверджує доцільність застосування сформованих на підґрунті теорії нечіткої логіки концепції та економіко-математичних моделей ідентифікації та прогнозування розвитку фінансових показників з урахуванням встановленого набору правил із теорії хвиль Елліотта.

^ У розділі 4 "Синтез статистичної та експертно-аналітичної інформації щодо аналізу економічних систем із урахуванням ризику" показано, що при здійсненні інвестиційної діяльності крім активної стратегії, яка базується на прогнозуванні прибутковості вкладень, інвестори часто дотримуються пасивної стратегії, в якій ринок вважають непередбачуваним і за головну мету ставиться мінімізація ризиків. Подібний підхід до вибору підприємств для інвестування коштів полягає у визначенні їх конкурентоспроможності та оцінки кредитного рейтингу їхніх цінних паперів, що ґрунтуються на широкому колі фінансових показників, доступних із фінансових звітів цих компаній.

Відповідно, у розділі запропоновано концепцію моделювання кредитних рейтингів цінних паперів, встановлених провідними консультаційними агентствами, та на цій основі побудовано нечітку модель оцінки надійності цінних паперів з точки зору ймовірності невиплати відсотків або неповернення грошей за борговими зобов’язаннями. Ця модель характеризується можливістю налаштування власних параметрів за рейтингами цінних паперів, встановлених рейтинговими агентствами на підставі показників фінансової звітності позичальника з урахуванням суверенного рейтингу країни та ряду якісних факторів, таких як рівень менеджменту на підприємстві, характеристика стратегії розвитку, конкурентного середовища тощо. В результаті застосування розробленого підходу до проведення скорингу акцій отримаємо лінгвістичний опис рейтингу цінного паперу, а також характеристику якості отриманих тверджень.

У розділі також присвячено увагу такій актуальній задачі як визначення рівня конкурентоспроможності підприємства, розв’язання якої дозволяє обґрунтовано вибирати стратегічні напрями розвитку компанії та шляхи досягнення конкурентних переваг. У свою чергу, підвищення рівня конкурентоспроможності сприятиме залученню коштів на розробку нових технологій, зростанню ефективності діяльності підприємства. Розкрито сутність існуючих підходів до аналізу конкурентоспроможності підприємства та висвітлено їхні недоліки, що пов'язані із значним суб'єктивізмом у прийнятті кінцевого рішення. Із урахуванням результатів критичного аналізу розроблених раніше методик в дисертації сформульовано методологічні положення щодо побудови багаторівневої ієрархічної системи кількісного оцінювання конкурентоспроможності підприємства на базі синтезу методів нечіткої логіки та нейронних мереж, оскільки володіють рядом незаперечних переваг.

По-перше, головною властивістю такої системи є можливість налаштування власних параметрів у відповідності до специфічних характеристик підприємства та економічного середовища, в якому воно функціонує. Застосування методів нейронних мереж дозволяє значно підвищити швидкість та якість навчання моделі. По-друге, із використанням запропонованого підходу з'являється можливість урахування встановленого набору вирішальних правил. А оскільки в даній моделі весь набір факторів впливу розподілений між узагальненими групами показників, то крім визначення рівня конкурентоспроможності, розроблена система дозволяє цілеспрямовано здійснювати аналіз фінансового, виробничого станів та рівня менеджменту підприємства.

У розділі наголошується на тому, що для ефективного соціально-економічного розвитку країни важливим є не лише залучення додаткових інвестицій до регіонів, але, навіть у більшому ступені, поповнення бюджету за рахунок податкових надходжень від зареєстрованих у цих регіонах суб’єктів господарювання. Враховуючи обмежений обсяг ресурсів податкових органів (обмеженість часу, персоналу), важливо зробити акцент на відборі таких платників податків до проведення податкових перевірок, що дозволять генерувати найбільший обсяг додаткових нарахувань та сприятимуть підвищенню обсягів добровільної сплати податків в подальшому.

Отже, у розділі приділено увагу розв'язанню задач оцінки ризику несплати податків суб'єктами господарювання, розподілу платників податків за категоріями уваги з боку органів ДПС із урахуванням їх податкової поведінки та формування плану-графіка проведення податкових перевірок. Відповідно, у розділі розроблено концептуальний підхід до оцінювання ризику ухиляння від сплати податків та розподілу платників податків за категоріями уваги із застосуванням інструментарію нечіткої логіки, оскільки на відміну від інших методів класифікації він не допускає жодних обмежень характеру вхідної інформації (пояснюючі змінні можуть мати числову природу, нормативну, лінгвістичну, логічну тощо), дозволяє встановити набір правил для оцінювання ризику, надає можливість налаштування параметрів моделі із урахуванням наявної інформації. Згідно запропонованого концептуального підходу аналіз суб’єктів господарювання (СГ) з погляду оцінки ризику ухиляння від сплати податків складається з таких основних етапів.

Етап 1 (Показники). Для оцінки ризику несплати податків та розподілу платників податків за категоріями уваги ^ Y з боку органів ДПС України використовується набір факторів Xi, (що відбираються спеціально утвореними на рівні ДПА України робочими групами із фахівців профільних структурних підрозділів), за якими можна робити висновок щодо ймовірності невиконання суб’єктами господарювання своїх податкових зобов’язань:

. (3)

Етап 2 (Лінгвістичні змінні). Множина можливих значень показників Xi, , для використання в розрахунках на основі нечіткої моделі може бути складена з п'яти якісних термів: ДН – дуже низький рівень показника, Н – низький рівень, С – середній, В – високий та ДВ – дуже високий рівень показника Xi, . Деякі показники, в залежності від їх природи, можуть обмежитись і меншою кількістю властивих їм лінгвістичних термів. Так, для факторів, що характеризують ризикованість платника, пов'язану з бартером, експортом/імпортом тощо, є сенс сформувати множину лише з трьох термів {В, Н, З}, які визначають відсутність експорту, низький та значний рівень експорту. А для таких факторів ризику як, наприклад, припинення подання податкових декларацій, взагалі можна обмежитись двома термами {І, О}, що засвідчують істинність та хибність даного твердження.

Множину значень вихідної лінгвістичної змінної ^ Y, що визначає належність до певної категорії уваги, складатимуть терми: К1 – перша категорія уваги, яку характеризує низький ризик ухиляння від сплати податків суб’єктом господарювання, К2 – друга категорія уваги (ризик несплати податків помірний), К3 – третя категорія уваги (високий рівень ризику несплати податків). Із урахуванням належності до певної категорії уваги суб’єкт господарювання буде включений до плану-графіка проведення податкових перевірок і з ним будуть працювати відповідні підрозділи податкової служби.

Етап 3 (Побудова функцій належності). Для визначення відповідності як вхідних, так і вихідної змінної до лінгвістичного терму з множини можливих значень скористаємось загальновживаними квазідзвоноподібними функціями належності, які в аналітичній формі можна подати у вигляді:

, , , , (4)

, , (5)

де – функція належності вхідної змінної Xi лінгвістичному терму ;

– функція належності вихідної змінної Y до j-го класу (до лінгвістичного терму dj  {К1, К2, К3});

m – кількість значень вихідної змінної (визначено 3 категорії уваги);

n – кількість вхідних параметрів моделі (факторів ризику);

с – коефіцієнт концентрації-розтягування функції належності;

b – координата максимуму функції ().

Значення функцій належності бічних термів всіх змінних за межами своїх максимумів b прирівнюються, як і в точках максимуму, до одиниці.

Етап 4 (Формування набору правил). Для побудови експертної системи формується база правил із реалізацією механізму нечіткого логічного висновку, такого, щоб на його основі можна було робити математично обґрунтовані судження про рівень ризику ухиляння від сплати податків та розподіляти СГ за категоріями уваги на підставі значень відібраних для аналізу показників.

Етап 5 (Визначення категорії уваги, до якої належить СГ). Аналітична форма запису вирішального правила для віднесення платника податків до певної категорії уваги (належність до терму Y із множини {К1, К2, К3}) із застосуванням вагових коефіцієнтів та функцій належності всіх змінних має вигляд:

, (6)

де  – ваговий коефіцієнт p-го правила, , для терму dj  {К1, К2, К3} вихідної змінної Y.

Система видасть рішення, що найбільше відповідає заданим показникам суб’єкта господарювання, тобто, таке рішення, для якого розраховане значення функції належності вихідної змінної Y (6) буде найбільшим серед усіх інших в базі правил для встановлених значень вхідних змінних Xi, .

Етап 6 (Ранжування СГ в межах категорії уваги). В кожній категорії уваги здійснюється ранжування суб’єктів господарювання за рівнями ризику ухиляння від сплати податків, які визначаються на основі кількісних значень вихідної змінної Y, розрахованих в результаті проведення операції дефаззифікації, а не на основі суб'єктивних значень індивідуальних індексів, як це здійснювалось згідно порядку, що використовувався раніше.

Етап 7 (Налаштування параметрів моделі). Таким чином, на попередніх шести етапах даного алгоритму побудовано базу нечітких знань про об'єкт ідентифікації, що відповідає етапу грубої настройки, і механізм нечіткого логічного висновку. Проте, структура моделі передбачає можливість тонкої настройки її параметрів на існуючому статистичному матеріалі, і в даному випадку ця задача вирішується шляхом застосування механізмів навчання нейронних мереж (наприклад, методу зворотного поширення помилки, адаптованого для нейронечітких мереж із диференційованими функціями належності).

^ У розділі 5 "Математичні моделі оцінювання аксіологічної ймовірності банкрутства підприємств" показано, що при формуванні критерію оцінки фінансового стану підприємства можна скористатися підходом, який полягає в аналізі крайньої форми прояву фінансового "нездужання" – банкрутства. Теоретично обґрунтовано, що особливості української економіки не дозволяють для передбачення банкрутства компаній механічно використовувати модель Альтмана або інші розроблені раніше для різних країн дискримінантні моделі. Відмінності в економіках України та США або інших країн настільки значні, що моделі оцінки схильності підприємств до банкрутства в Україні повинні будуватись на іншому угрупуванні показників та з відповідними параметрами.

Це зумовлює необхідність розробки нової моделі оцінювання фінансового стану та визначення схильності підприємства до банкрутства, що враховуватиме специфіку сучасної української економіки. Відповідно, у розділі побудовано дискримінантну модель аналізу фінансового стану підприємства та оцінювання аксіологічної ймовірності банкрутства, яку налаштовано на статистичних даних фінансово-стабільних та фінансово-неспроможних підприємств.

З метою побудови моделі оцінки схильності підприємства до банкрутства було сформовано базу даних із 40 фінансових звітів (форма 1 та форма 2) стабільно функціонуючих компаній України та 40 звітів підприємств-банкрутів, взятих за деякий час до початку процедури банкрутства та їх фактичної ліквідації. Після проведення первинного аналізу показників фінансово-господарської діяльності на предмет їх присутності у фінансовій звітності цих підприємств, було початково відібрано 21 коефіцієнт, що охоплюють різні групи фінансових показників: ліквідності та платоспроможності, оборотності, рентабельності, фінансової стійкості, структури капіталу тощо.

Далі набір пояснюючих змінних був перевірений на наявність мультиколінеарності з метою видалення надлишкових факторів та отримання можливості робити коректні висновки про результати взаємозв'язку залежної та пояснюючих змінних. З цією метою в дисертації був розроблений алгоритм відбору до дискримінантної моделі діагностики банкрутства найбільш значимих пояснюючих змінних за умови відсутності мультиколінеарності (яка визначалась на основі t-критерію, F-критерію та χ2) із забезпеченням високого рівня відтворення вихідного показника, що оцінювалось загальним дискримінантним критерієм лямбда Вілкса. В результаті було отримано дискримінантну модель із власними параметрами та набором найінформативніших факторів впливу, які забезпечують найбільш чітке розмежування фінансового стану підприємств-банкрутів та фінансово-стійких компаній в умовах української економіки:

Z = 0,033∙X1+0,268∙X2+0,045∙X3-0,018∙X4-0,004∙X5-0,015∙X6+0,702∙X7, (7)

де X1 – коефіцієнт мобільності активів;

X2 – коефіцієнт оборотності кредиторської заборгованості;

^ X3 – коефіцієнт оборотності власного капіталу;

X4 – коефіцієнт окупності активів;

X5 – коефіцієнт забезпеченості власними оборотними засобами;

^ X6 – коефіцієнт концентрації залученого капіталу;

X7 – коефіцієнт покриття боргів власним капіталом.

Якщо із застосуванням цієї моделі для оцінки фінансового стану підприємства отримується значення ^ Z, що є більшим за 1,104, то це свідчить про задовільний фінансовий стан та низьку ймовірність банкрутства. І чим вище значення Z, тим більш стійким є положення компанії. Якщо значення Z для підприємства виявляється меншим за 1,104, то з'являється загроза виникнення фінансової кризи. Із зменшенням показника Z збільшується ймовірність банкрутства аналізованого підприємства.

Також в розділі було розроблено регресійну модель оцінювання часу, що залишився до ймовірного банкрутства підприємства. Проте, аналіз ефективності побудованої моделі виявив її непридатність для використання в реальних умовах та зумовив необхідність застосування інших методів для більш ґрунтовної оцінки фінансового стану компанії, а також для визначення часу, протягом якого компанії може загрожувати виникнення фінансової кризи.

Зауважимо, що використання дискримінантної моделі для проведення діагностування банкрутства несе ряд загроз з точки зору адекватного оцінювання фінансового стану підприємства. Так, при проведенні аналізу фінансового стану підприємства може виникнути ситуація, коли одні показники, що є в дискримінантній моделі, можуть бути дуже низькими для певного підприємства у порівнянні з їхніми "нормальними" значеннями, а інші, навпаки, зависокими, що також погано. Проте, комбінація цих показників може свідчити про стабільний фінансовий стан підприємства, оскільки є розрахунком одного інтегрованого показника на основі всіх вхідних факторів одночасно. Вирішенням даного питання може бути встановлення набору правил прийняття рішень при проведенні оцінки фінансового стану підприємств.

Урахування правил логічного висновку при проведенні аналізу ризику банкрутства можна досягти із застосуванням моделей, побудованих на основі методів нечіткої логіки. Такі моделі є більш відкритими і зрозумілими, ніж факторні, оскільки представлені у виразах природної мови. Разом з тим, вони володіють високою точністю відтворення вихідної статистики та можуть працювати навіть без налаштування на реальних даних – лише базуючись на закладених в них наборах логічних правил та встановлених параметрах функцій належності.

Отже, в дисертації розроблено методологічний підхід до проведення комплексного аналізу фінансового стану підприємства з використанням апарату нечіткої логіки та на його основі побудовано економіко-математичні моделі діагностики банкрутства. Перша модель ґрунтується на відібраних вище незалежних змінних, а алгоритм її побудови складається із таких основних етапів.

Етап 1 (Показники). Для побудови моделі діагностики банкрутства на підґрунті теорії нечіткої логіки скористаємося набором змінних Хі, , які були відібрані до дискримінантної функції (7) шляхом їх перевірки на мультиколінеарність.

Етап 2 (Лінгвістичні змінні). Для оцінки всіх показників Хі, , що характеризують фінансовий стан підприємства, формується єдина шкала якісних термів: Н – низький рівень, С – середній та В – високий рівень показника Хі, x – при будь-якому значенні показника Хі. Для оцінки значень вихідної лінгвістичної змінної Y, що охоплює повну множину ступенів ризику банкрутства підприємства у відповідності до поточного фінансового стану, використовуються терми: Н – низький, С – середній та В – високий ступінь ризику банкрутства.

Етап 3 (Побудова функцій належності). Всі квазідзвоноподібні функції належності нечітких термів як вхідних змінних Xi, , так і вихідної змінної^ Y, можна аналітично визначити за функціями (4), (5), де множини лінгвістичних термів складаються з елементів {��, С, В}. Значення функцій належності бічних термів Н та В всіх змінних за межами своїх максимумів b прирівнюються до одиниці.

Етап 4 (Формування набору правил). Експертна система на базі нечітких знань повинна містити механізм нечіткого логічного висновку, такий, щоб можна було робити висновок про ступінь ризику банкрутства підприємства на основі всієї необхідної вихідної інформації, одержуваної від користувача. Приведемо в табл. 1 набір вирішальних правил щодо оцінювання аксіологічної ймовірності банкрутства підприємства на базі незалежних змінних.

Таблиця 1

База знань щодо оцінювання аксіологічної ймовірності банкрутства
підприємства на основі множини незалежних змінних

Лінгвістичні значення показників

Вага

Вихідна змінна

X1

X2

X3

X4

X5

X6

X7

w

Y

Н

Н





Н



С



В





Н

В



В

Н



x



x



С

С

С



С

Н

В

x

Н

С



С



x

Н

С

С

Н

В

Н



В

В

С



В

Н

Н



x

В

В





Н

x



Н



x

С

Н

В



В



Представимо за допомогою функцій належності та вагових коефіцієнтів аналітичну форму запису вирішального правила для визначення низької ймовірності банкрутства Н компанії (стабільного фінансового стану):

(8)

де – функція належності вектора вхідних змінних X1, ..., Xn значенню dj вихідної змінної з множини {Н, С, В};

.

Етап 5 (Оцінка рівня показників). Перед проведенням оптимізації параметрів моделі (або у випадку, якщо налаштування моделі здійснюватись не буде взагалі) задаються орієнтовні межі змін всіх термів кожного з показників Xi, , у відповідності до їхніх нормативних значень та шляхом порівняння даних показників із різними підприємствами у різні періоди часу.

Етап 6 (Налаштування параметрів моделі). На підґрунті наявної статистичної інформації за всіма вхідними факторами моделі щодо підприємств-банкрутів та фінансово-стабільних компаній здійснюється налаштування параметрів моделі із застосуванням одного з методів оптимізації нечітких нейронних мереж, наприклад, "Error Back-Propagatіon".

Етап 7 (Прийняття рішення). Остаточне рішення із застосуванням моделі буде таке, для якого функція належності вихідної змінної Y (6) є найбільшою для заданих значень контрольованих параметрів , (де dj  {Н, С, В}, n = 7, m = 3, k1 = k3 = 2, k2 = 4).

Отже, побудовано нечітку модель оцінки фінансового стану підприємства на основі незалежних змінних, відібраних шляхом перевірки початкового набору найбільш інформативних показників на мультиколінеарність. Проте, при переході від кількісних значень фінансових показників до лінгвістичних термів в нечітких моделях втрачається сенс мультиколінеарності. Це пов’язано з тим, що в нечіткій моделі взаємозалежність змінних не може визначатись рівнем кореляції між кількісними значеннями фінансових показників, оскільки тут для розрахунку вихідної змінної здійснюється перетворення кількісних значень вхідних змінних до лінгвістичних термів.

Взаємозалежність змінних не можна також визначати через коефіцієнт кореляції між порядковими номерами термів у множинах їх лінгвістичних значень. Це обумовлюється тим, що, по-перше, в загальному випадку всі терми охоплюють різні числові інтервали первісних фінансових показників, а по-друге, ці інтервали є розпливчастими і можуть змінюватись при проведенні налаштування параметрів моделі на статистичному матеріалі. Отже, в такому випадку з'являється можливість побудувати нечітку модель діагностики банкрутства на основі тих показників, які на погляд аналітика є найбільш інформативними для даної задачі, без проведення попереднього дослідження на наявність між цими показниками кореляційних зв’язків.

Відповідно, у п’ятому розділі на підґрунті розробленого методологічного підходу побудовано також модель діагностики банкрутства підприємства із застосуванням найбільш інформативних показників з точки зору оцінки фінансового стану підприємства. Всі базові параметри цієї моделі співпадають із характеристиками моделі на нечіткій логіці, наведеної вище. Проте, відрізняється набір пояснюючих змінних та, відповідно, база правил оцінки фінансового стану підприємства.

Для формування набору незалежних змінних Xi, , сформовано набір найбільш важливих на наш погляд показників оцінки фінансового стану підприємства: Х1 – рентабельність капіталу; Х2 – коефіцієнт оборотності активів; Х3 – коефіцієнт швидкої платоспроможності; Х4 – коефіцієнт автономії; Х5 – коефіцієнт забезпеченості власними оборотними засобами; Х6 – коефіцієнт покриття боргів власним капіталом. Подібний набір показників є одним з можливих варіантів і може формуватися експертом із урахуванням специфіки галузі та особливостей економічного середовища. Приведемо в табл. 2 набір вирішальних правил щодо оцінювання аксіологічної ймовірності банкрутства підприємства на основі зазначеної вище множини найбільш інформативних факторів.

Таблиця 2

База знань щодо оцінювання аксіологічної ймовірності банкрутства
підприємства на основі множини найбільш інформативних факторів

Лінгвістичні значення показників

Вага

Вихідна змінна

X1

X2

X3

X4

X5

X6

w

Y



Н

С

x

x





В

Н



Н

x

Н

Н



Н

С





x

С



С

В

В

x

В



В



Н

С







x





Прийняття рішення із застосуванням даної моделі збігається з підходом, викладеним при побудові нечіткої моделі діагностики банкрутства із застосуванням набору незалежних змінних. Розроблений методологічний підхід надає можливість формувати модель з урахуванням специфіки країни, періоду часу, галузі, шляхом встановлення правил логічного висновку, та проводити оптимізацію параметрів моделі на реальних кількісних та якісних показниках діяльності фінансово-стійких компаній та підприємств-банкрутів, що вигідно відрізняє авторський методологічний підхід від розроблених раніше аналогічних підходів.

У розділі проведено експерименти з визначення належності підприємств із тестової вибірки до одної з груп (фінансово-стабільних або потенційних банкрутів) із застосуванням розроблених раніше та авторських моделей. Результати проведеної класифікації порівнювались із реальним станом аналізованих підприємств. Показником точності класифікації моделі вважався відсоток вірного оцінювання фінансового стану підприємств на основі поточних значень фінансових показників. Зведемо до табл. 3 результати проведеного порівняльного аналізу точності передбачення банкрутств українських підприємств.

Таблиця 3

Порівняння точності передбачення банкрутств українських підприємств
із застосуванням відомих раніше та авторських моделей

Модель діагностики банкрутства

Точність класифікації серед ідентифікованих підприємств, %

Відсоток підприємств,
фінансовий стан яких не
було ідентифіковано, %

Загальна точність
класифікації для повної
множини аналізованих
підприємств, %

підприємств-
банкрутів

фінансово-стійких
підприємств

загальна

^ Відомі раніше моделі
















Альтмана (США)

54,1

54,5

54,3

11,7

47,9

Альтмана (розроблена для компаній, чиї акції не котируються на ринку)

56,8

51,5

54,3

7,1

50,4

Давидової-Бєлікова (Росія)

90,9

21,6

54,3

2,9

52,7

Терещенка (Україна)

15,4

100,0

67,6

51,4

32,9

^ Розроблені в дисертації моделі
















Дискримінантна

89,2

71,2

80,1

0

80,1

Нечітка на базі незалежних змінних

87,9

94,7

91,2

0

91,2

Нечітка на базі найбільш
інформативних змінних

100,0

85,7

92,7

0

92,7

Як видно з табл. 3, точність передбачення банкрутств із використанням моделей, побудованих на підґрунті інструментарію нечіткої логіки, виявилась значно вищою ніж із застосуванням економетричних дискримінантних моделей. Якщо порівняти ефективність двох авторських нечітких моделей, то модель, побудована на основі найбільш інформативних показників, продемонструвала більш точний загальний прогноз за всією групою аналізованих підприємств, ніж модель, що базується на незалежних змінних. Проте, що набагато важливіше, значно знизилась саме альфа-помилка класифікації (частка фінансово-неспроможних підприємств, які класифіковано як стійкі), а якщо точніше – взагалі зникла, хоча трохи збільшилась бета-помилка.

При проведенні модельних експериментів було оптимізовано параметри системи та уточнено базу вирішальних правил, а також підтверджено можливість побудови нечіткої моделі на основі показників, які в числовому вигляді мають мультиколінеарний зв'язок між собою. Зауважимо, що результати експериментів показали, що із застосуванням моделей, побудованих на основі нечіткої логіки, вдається з достатньо високою точністю визначити час, протягом якого банкрутство може відбутись. Результати проведеного аналізу підтверджують доцільність використання розробленого методологічного підходу на підґрунті теорії нечіткої логіки з метою здійснення комплексного оцінювання фінансового стану та діагностики банкрутства підприємств (установ).


7712205581305155.html
7712370099404200.html
7712727462228529.html
7712804586727275.html
7712860222438104.html