В основе функционирования СППР лежит АИС - автоматизированная информационная система, представляющая собой совокупность информации, экономико-математических методов и моделей, технических, программных и технологических средств и специалистов и предназначенная для обработки информации [14]. АИС отражает с помощью показателей в базах данных не только текущее состояние предприятия, но и его состояние за прошедший период.
5. Разработка моделей
5.1 Разработка модели оценки кредитоспособности на основе байесовского классификатора
Задача распознавания образов заключается в классификации некоторой группы объектов на основе определенных требований. Объекты, относимые к одному классу образов, обладают общими свойствами.
Применим статистический подход к распознаванию образов, который даст возможность построения классификации, исходя из статистических свойств образов [4]. Рассмотрим процесс принятия решений о целесообразности выдачи кредита предприятию как игру статистического характера, которую осуществляет классификационный механизм системы распознавания образов с природой. Игроком А является природа, а игроком В - классификационный механизм системы распознавания. Стратегии, используемые игроком А, называются состояниями природы и обозначаются через . Состояния природы соответствуют классам образов. Т.е. предприятие, желающее взять кредит, с какой то долей вероятности относится к определенному классу образов. К примеру, можно выделить 4 класса образов , по которым будут классифицироваться предприятия:
· с очень высокой вероятностью банкротства;
· с высокой вероятностью банкротства;
· с возможной вероятностью банкротства;
· с очень низкой вероятностью банкротства.
Стратегии, используемые игроком В (классификатором), представляют собой решения, относящиеся к состояниям природы. Т.е. в зависимости от того, к какому классу финансовой устойчивости принадлежит предприятие, система решает, какую стратегию избрать: выдавать кредит или нет, а в случае выдачи кредита, какие условия поставить.
Зададим функцию G, которая задается набором из трех элементов (Y, Z, L).
G = (Y, Z, L)
Где yY
Y = (y1, y2,…,yM)
Это стратегия игрока А, т.е. возможные состояния финансовой устойчивости предприятия.
Игрок В выбирает стратегию z Z, т.е. условия выдачи кредита
Z = (z1, z2,…,zN)
Функция L - это ограниченная числовая функция, определенная на пространстве прямых произведений Y Z пар (y, z). Функция L является функцией выигрыша или функцией потерь. Игрок А выбирает стратегию yi Y, и игрок В выбирает стратегию zjZ. При проигрыше игрока В банк теряет сумму выдачи кредита данному предприятию и проценты, которые он должен был получить за кредит. При выигрыше игрока В банк получает прибыль в размере выплачиваемых процентов за кредит. Таким образом, каждый элемент матрицы выигрышей (потерь) определяет прибыль или потери, соответствующие некоторой паре действий, предпринимаемых игроками.
Li,j = L(yi, zj)
Математическое ожидание потерь, связанных с отнесением образа x к классу , определяется выражением:
Где вероятность принадлежности образа x классу .
Эту величину можно назвать условным средним риском. При распознавании каждого образа, предъявляемого природой, классификатор может отнести его к одной из М возможных категорий. Т.к. для каждого образа x вычисляются значения условных средних потерь и классификатор причисляет его к классу, которому соответствуют наименьшие условные потери, то и математическое ожидание полных потерь также будет минимизировано. Такой классификатор называется байесовским [5]. Используя формулу Байеса
можно преобразовать формулу (5.9) в следующий вид:
где называется функцией правдоподобия.
В общем случае разделения на несколько классов образ x причисляется к классу , если условие справедливо при j = 1, 2, …, M, j i, т.е. если выполняется условие:
Таким образом, байесовский классификатор обеспечивает отнесение образа x к классу с наименьшим значением средних потерь r.
Рисунок 5.3 - принципиальная схема байесовского классификатора.
Статистический подход основывается на математических правилах классификации, которые формулируются и выводятся в терминах математической статистики. Байесовский классификатор обеспечивает получение оптимального классификатора в тех случаях, когда известны плотности распределения для всех совокупностей образов и вероятности появления образов для каждого класса.
Для использования байесовского классификатора необходимо знать вероятности и плотности распределения для каждого класса образов. Данную информацию можно получить, проанализировав статистические данные банкротства предприятий за определенный промежуток времени по различным отраслям. Необходимо также знать стоимость принятия соответствующих решений, что можно рассчитать, исходя из желаемой суммы кредита и начисляемых процентов.
Заключение
В работе был проведен обзор имеющихся исследований и разработок, связанных с кредитными рисками банка, анализом кредитоспособности предприятий-заемщиков, автоматизированными банковскими системами. Была проанализирована сущность кредитных рисков, причины их возникновения, методы оценки кредитных рисков и пути их минимизации. Поскольку одним из основных способов избежания невозвращения кредита является тщательный и квалифицированный отбор потенциальных заемщиков, в работе был проведен анализ существующих методов оценки финансового состояния предприятия, а также индикаторов антикризисного планирования деятельности предприятия.
На основе проделанного анализа был сделан вывод об актуальности и необходимости разработки эффективной методики оценки кредитоспособности предприятий и необходимости создания автоматизированной системы поддержки принятия решений в кредитовании предприятий.
Были разработаны модели, основанные на теории распознавания образов, которые позволяют наиболее точно классифицировать предприятия по уровню финансовой устойчивости, а также позволяют системе поддержки принятия решений давать наиболее точные рекомендации о целесообразности выдачи кредита и определения его условий.
Математически модель классификации предприятий по уровню его финансового состояния с использованием разделяющих функций, позволяет получить более точный и объективный результат. Это поможет снизить риск убытков и недополучения прибыли, а также аргументировать принимаемые решения при работе с кредиторами и партнерами.
Преимущества модели, основанной на байесовском классификаторе, состоит в том, что для решения задачи о целесообразности выдачи кредита с учетом финансового состояния предприятия-заемщика используется оптимальный классификатор, дающий высокий уровень точности классификации. Кроме того, эта модель хорошо формализована, что позволит реализовать ее в разрабатываемой экспертной системе.
Разработана структура системы поддержки принятия решений, в основу которой будут положены предложенные модели. Эти модели можно применять в совокупности с известными методами финансового анализа предприятия-заемщика, что позволит проводить более полный и точный анализ и уменьшить риск, связанный с кредитной деятельностью банка. Использование предлагаемой автоматизированной системы позволит повысить степень обоснованности принимаемых решений о выдаче кредита, обеспечит своевременность принятия решений, а также обеспечит рост эффективности управления кредитными процессами за счет снижения затрат на проведение финансового анализа.
Список литературы
1. Е. Тарнай Профессиональное управление кредитной деятельностью - гарантия успешного функционирования банка // НБУ, 2004, №6 - c. 30-33
2. В.Г.Артеменко, М.В. Беллендер Финансовый анализ - М.: Юнити, 1997 - 384 с.
3. И.А. Бланк, Стратегия и тактика управления финансами - К.: Финансы и статистика, 1996 - 487 с.
4. Дж. Ту, Р. Гонсалес Принципы распознавания образов - М.: «Мир», 1978 - 416 с.
5. Фу К. Последовательные методы в распознавании образов и обучении машин - М.: «Наука», 1971 - 256 с.
6. В.И. Гребельный Практикум по финансам предприятий - Д.: Донбасс, 2000 - 124 с.
7. М.И.Баканов, А.Д.Шеремет Теория экономического анализа - М.: Финансы и статистика, 1998 - 467 с.
8. Г.А. Титоренко, Информационные технологии управления - М.: Юнити, 2002 - 246 с.
9. О. Кононенко анализ финансовой отчетности - Фактор, 2005 - 154 с.
10. С.М. Павлюк, Кредитные риски и управление ими , 2003, №11 - с. 105-111