| Авторы |
Опекунов Алексей Николаевич, кандидат экономических наук, доцент, кафедра экономики и финансов, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), E-mail: opekunovan@yandex.ru
Кузьмина Мария Геннадьевна, кандидат экономических наук, доцент, кафедра экономики и финансов, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40), E-mail: lu-mariya@mail.ru
|
| Аннотация |
Предмет и цель работы. Представлены материалы исследования методов прогнозирования вероятности банкротств предприятий, в частности, предложена методика, основанная на использовании в этих целях элементов машинного обучения. Целью является формирование методологических и методических основ прогнозирования вероятности банкротства предприятий на основе использования принципов машинного обучения.
Материалы и методы. Реализация этого подхода рассмотрена на примере Logit-модели, построенной на материалах предприятий Пензенской области, сформированных в обучающую выборку. Обучающая выборка была составлена на данных финансовой отчетности предприятий, вступивших в процедуру банкротства, а также сохранивших платежеспособность в одном временном отрезке. В целях прогнозирования банкротства предложено использовать модели с обучением бинарной классификации, позволяющие не только оценить вероятность наступления события, но и классифицировать объекты исследования.
Результаты и выводы. Предложенная классификация моделей показала, что алгоритм их разработки, основанный на линейной регрессии по финансовым коэффициентам, не отвечает современным требованиям. Тем самым обоснована необходимость формирования нового методического подхода к разработке прогностических моделей, основанного на принципах машинного обучения. Обоснованно доказана невозможность построения моделей бинарной классификации линейного типа. Кроме того, Logit-модели имеют большую точность и позволяют включать в модель не только количественные, но и качественные факторы. Разработанная по данной методике модель прогнозирования банкротства предприятий показала высокую точность на обучающей выборке – 92 % на интервале 1 год; 85 % на интервале 2 года.
|
