Методы диагностики и прогнозирования кредитоспособности субъектов МСП с применением искусственного интеллекта

Обложка

Цитировать

Полный текст

Аннотация

Введение. Воздействие макроэкономических и региональных факторов экономической бизнес-среды в условиях неопределенности и повышенных рисков обусловливает значительные сложности диагностики, оценки и прогнозирования кредитоспособности получателей финансово-кредитной поддержки и заемщиков − субъектов малого и среднего предпринимательства (МСП). Теоретический анализ. Осуществлена систематизация основных математических методов и моделей оценки и прогнозирования уровня кредитоспособности предприятий микро-, малого и среднего бизнеса в зарубежной и российской практике, применяющих современные системы и технологии искусственного интеллекта и методы машинного обучения. Эмпирический анализ. Предложены результаты апробации методологического подхода экспресс-диагностики финансово-экономического состояния и прогнозирования кредитоспособности субъектов МСП Краснодарского края за 2014−2017 гг., основанного на применении методов экспертной оценки, экономического анализа и нечетких продукционных систем и позволяющий производить расчет кредитного рейтинга субъектов МСП с учетом их отраслевой принадлежности. Результаты. Детерминированы преимущества и недостатки методов и моделей диагностики кредитоспособности и кредитного скоринга с позиции их применения для различных категорий субъектов МСП. Показано, что наиболее перспективными и математически достоверными моделями для осуществления кредитного скоринга и оценки риска финансовой поддержки и кредитования различных предприятий сектора МСП на различных стадиях их жизненного цикла как в России, так и за рубежом являются компьютеризированные модели и экспертные системы, применяющие такие методы и технологии искусственного интеллекта, как нечеткие множественные и нечеткие продукционные системы, искусственные нейронные сети, метод опорных векторов, ансамблевые методы (метод «случайного леса»), а также интеллектуальные информационные системы, гибридные модели и гибридные системы. В работе показано, что их комбинация друг c другом позволит достичь синергетического эффекта и эмерджентности при взаимодействии кредиторов с заемщиками − субъектами МСП и своевременно избежать их банкротства.

Об авторах

Виктория Викторовна Заболоцкая

Российский университет дружбы народов имени Патриса Лумумбы; Кубанский государственный университет

ORCID iD: 0000-0002-9808-127X
Scopus Author ID: 57212610741
ResearcherId: AAB-3940-2020
г. Москва, ул. Миклухо-Маклая, д. 6

Список литературы

  1. Abdou H. A., Pointon J. Credit scoring, statistical techniques, and evaluation criteria: A review of the literature // Intelligent Systems in Accounting, Finance & Management. 2011. № 18. P. 59−88. https://doi.org/10.1002/isaf.325
  2. Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб. : БХВ Петербург, 2005. 736 с.
  3. Арутюнян А. С., Коваленко А. В., Уртенов М. Х. Нейросетевые технологии финансово-экономического анализа : учеб. пособие. Ч. 3. Нейросетевые технологии. Краснодар : КубГТУ, 2015. 156 с. EDN: TNMJDX
  4. Buckley J., Feuring T., Eslami E. Fuzzy Mathematics in Economics and Engineering. Physica-Varlag. Heidelberg Physica, 2002. 272 p. https://doi.org/10.1007/978-3-7908-1795-9
  5. Барановская Т. П., Кармазин В. Н., Утренов М. Х., Коваленко А. В. Современные математические методы анализа финансово-экономического состояния предприятия. Краснодар : КубГАУ, 2009. 235 с. EDN: TXJWKL
  6. Bojadziev G., Bojadziev M. Fuzzy Logic for Business, Finance and Management. Singapore ; River Edge, NJ : World Scientifi c, 1997. 232 p. (Advances in Fuzzy Systems. Vol. 12). https://doi.org/10.1142/3312
  7. Zopoundisis C., Doumpos M. Multi-group discrimination using multi-criteria analysis: Illustrations from the field of finance // European Journal of Operational Research. 2002. Vol. 139, iss. 2. P. 371–389. https://doi.org/10.1016/s0377-2217(01)00360-5
  8. Иванищев М. В. Разработка нечетко-численного метода прогнозирования и обеспечения устойчивости предприятия в условиях неопределенности: дис. … канд. экон. наук. М., 2002. 138 c.
  9. Луценко Е. В., Коваленко А. В., Печурина Е. К., Уртенов М. А. Х. Открытая персональная интеллектуальная технология разработки и применения адаптивных методик оценки инвестиционной привлекательности и кредитоспособности предприятий // Вестник Пермского университета. Сер. «Экономика» = Perm University Herald. Economy. 2019. Т. 14, № 1. С. 20–50. https://doi.org/10.17072/1994-9960-2019-1-20-50, EDN: NUHIJG
  10. Недосекин А. О. Методологические основы моделирования финансовой деятельности с использованием нечетко-множественных описаний : дис. … д-ра экон. наук. СПб., 2003. 302 с.
  11. Thomas L. C. A survey of credit and behavioral scoring: Forecasting financial risk of lending to consumers // International Journal of Forecasting. 2000. Vol. 16, iss. 2. P. 149−172. https://doi.org/10.1016/S0169-2070(00)00034-0
  12. Маккаллок У., Питтс В. Логические исчисления идей, относящихся к нервной деятельности // Автоматы : сб. ст. / под ред. К. Э. Шеннона, Дж. Маккарти ; пер. с англ. под ред. А. А. Ляпунова М. : Иностранная литература, 1956. С. 363−384.
  13. Xiao-Lin L., Zhong Yu. An Overview of Personal Credit Scoring: Techniques and Future Work // International Journal of Intelligence Science. 2012. Vol. 2. P. 181−189. https://doi.org/10.4236/ijis.2012.224024
  14. Ciampi F., Gordini N. Small enterprise default prediction modeling through artificial neural networks: An e mpirical analysis of Italian small enterprises // Journal of Small Business Management. 2013. Vol. 51, iss. 1. P. 23–45. https://doi.org/10.1111/j.1540-627X.2012.00376.x
  15. Giannopoulos V., Aggelopoulos E. Predicting SME loan delinquencies during recession using accounting data and SME characteristics: The case of Greece // Intelligent Systems in Accounting, Finance and Management. 2019. Vol. 26, iss. 2. P. 71–82. https://doi.org/10.1002/isaf.145616
  16. M. D. N. T., Ferreira F. A. F., Pérez-Bustamante Ilander G. O., Jalali M. S. Integrating cognitive mapping and MCDA for bankruptcy prediction in small-and medium-sized enterprises // Journal of the Operational Research Society. 2017. Vol. 68, iss. 9. P. 985–997. https://doi.org/10.1057/s41274-016-0166-3
  17. Kim H. S., Sohn S. Y. Support vector machines for default prediction of SMEs based on technology credit / / European Journal of Operational Research. 2010. Vol. 201, iss. 3. P. 838−846. https://doi.org/10.1016/j.ejor.2009.03.036
  18. Abdou H. A. Genetic programming for credit scoring: The case of Egyptian public sector banks // Expert Systems with Applications. 2009. Vol. 36, iss. 9. P. 11402−11417. https://doi.org/10.1016/j.eswa.2009.01.076
  19. Ong C. S., Huang J. J., Tzengb G. H. Building Credit Scoring Models Using Genetic Programming // Expert Systems with Applications. 2005. Vol. 29, no. 1, pp. 41−47. https://doi.org/10.1016/j.eswa.2005.01.003
  20. Breiman L, Friedman J., Olshen R. A., Stone C. J. Classification and regression trees. Monterey, CA : Wadsworth & Brooks/Cole Advanced Books & Software, 1984. 358 p. https://doi.org/10.1201/9781315139470
  21. Lee S., Choi K., Yoo D. Predicting the Insolvency of SMEs Using Technological Feasibility Assessment Information and Data Mining Techniques // Sustainability. 2020. Vol. 12, iss. 23. Art. 9790. https://doi.org/10.3390/su12239790
  22. Федорова Е. А., Мусиенко С. О., Федоров Ф. Ю. Прогнозирование банкротства субъектов малого и среднего предпринимательства в России // Финансы и кредит. 2018. Т. 24, вып. 11 (779). С. 2537– 2552. https://doi.org/10.24891/fc.24.11.2537, EDN: YOVLZZ
  23. Brezigar-Masten A., Masten I. CART-based selection of bankruptcy predictors for the logit model // Expert Systems with Applications. 2012. Vol. 39, iss. 11. P. 10153−10159. https://doi.org/10.1016/j.eswa.2012.02.125
  24. Zadeh L. A. Fuzzy Sets // Information and Control. 1965. Vol. 8. P. 338−353. https://doi.org/10.1016/S0019-9958(65)90241-X
  25. Yazdi A. K., Hanne T., Wang Y. J., Wee H. A Credit Rating Model in a Fuzzy Inference System Environment // Algorithms. 2019. Vol. 12, iss. 7. P. 1−15. https://doi.org/10.3390/a12070139
  26. Заболоцкая В. В. Финансово-кредитное обеспечение деятельности субъектов малого предпринимательства в России и за рубежом. Краснодар : КубГУ, 2013. 207 с. EDN: UYUEZB
  27. Шевченко И. В., Кармазин А. В., Коваленко А. В. Комплексная оценка кредитоспособности предприятия малого и среднего бизнеса с помощью нечеткой продукционной системы // Финансовая аналитика. Проблемы и решения. 2008. № 2 (2). С. 81–86. EDN: ICKFDB
  28. Ендронова В. Н., Хасянова С. Ю. Модели анализа кредитоспособности заемщиков // Финансы и кредит. 2002. № 6 (96). С. 9−15.
  29. Balcaen S., Ooghe H. Alternative methodologies in studies on business failure: Do they produce better results than the classical statistical methods? // Vlerick Leuven Gent Management School Working Paper Series (16). Vlerick Leuven Gent Management School, 2004, pp. 1–44.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).