Содержание к диссертации
Введение
Глава 1 Анализ процесса банкротства предприятий и средств поддержки принятия решений по его предотвращению
1.1 Анализ процесса банкротства предприятий и известных подходов к его исследованию
1.2 Анализ методов предсказания банкротства 14
1.3 Анализ известных программных средств поддержки принятия решений в области финансового анализа и предсказания банкротства предприятия.
Глава 2 Разработка подхода и системной модели антикризисного управления предприятием
2.1 Разработка функциональной схемы управления предприятием с учетом возможного банкротства
2.2 Разработка интеллектуального блока диагностики возможного банкротства
2.3 Концепция ситуационного антикризисного управления предприятием в условиях неплатежеспособности
2.4 Разработка функциональной модели 41
2.5 Разработка информационной модели ИСППР 47
Глава 3 Разработка методов и моделей информационной поддержки ЛПР
3.1 Разработка модели следящей системы 51
3.2 Разработка алгоритма для построения интегральной оценки 53
3.3 Разработка дискретно-событийных моделей процесса предотвращения банкротства
3.4 Иерархическая модель укрупненных состояний неплатежеспособности предприятия
Глава 4 Разработка архитектуры и системных моделей информационной системы поддержки принятия решений и анализ ее эффективности
4.1 Разработка программного обеспечения информационной системы поддержки принятия решений
4.2 Проверка работоспособности метода ранней диагностики возможной несостоятельности
4.3 Разработка продукционной модели базы знаний 99
4.4 Реализация ситуационной модели 102
4.5 Реализация моделей информационной базы 110
4.6 Оценка эффективности предлагаемого подхода 113
Заключение 120
Список источников литературы
- Анализ методов предсказания банкротства
- Разработка интеллектуального блока диагностики возможного банкротства
- Разработка алгоритма для построения интегральной оценки
- Проверка работоспособности метода ранней диагностики возможной несостоятельности
Введение к работе
После присоединения нашей страны к миру капитализма кризисы, неплатежеспособность, банкротство стали повседневными, почти рутинными явлениями экономической жизни. Научно обоснованные методы антикризисного управления социально-экономическими объектами, вообще, и предприятиями, в частности, стали необходимыми, а исследования в этой области — весьма актуальными.
Банкротство, т.е. признанная арбитражным судом неспособность должника в полном объеме удовлетворять требования кредиторов по денежным обязательствам и (или) исполнить обязанность по уплате обязательных платежей! — наиболее опасная стадия развития кризисных явлений при управлении предприятием. Предотвращение банкротства, как и выход из него в случае возникновения — одна из важнейших задач, стоящих перед руководством предприятия в условиях кризиса, требующая принятия сложных управленческих решений в условиях неопределенности и ограниченного резерва времени.
В последнее десятилетие вопросы управления в условиях кризиса активно изучаются экономистами, социологами, управленцами. Получены интересные результаты в рамках ситуационного, процессуального, интеллектуального подходов. Тем не менее, собственно механизмам управления, принятия управленческих решений уделяется мало внимания, возможно, в связи со сложностью, неопределенностью процессов в объектах управления, их большим разнообразием. Полученные результаты либо относятся к прогнозу укрупненных экономических и финансовых показателей либо носят характер общих рекомендаций, для которых не всегда ясно применение к конкретным условиям производства.
Неопределенность обстановки и малые резервы времени обуславливают необходимость информационной поддержки принятия решений (ППР) в условиях кризиса, предназначенной для лиц, принимающих решения, (ЛПР) — руководства предприятия. Данный аспект антикризисного управления предприятиями исследован недостаточно.
Вместе с тем, в смежной сфере — управлении сложными техническими объектами, такими как летательные аппараты как гражданского, так и военного назначения, — имеется положительный опыт разработки методов управления в нештатных, аварийных, особых и других сложных ситуациях, характеризующихся неожиданностью возникновения, сложностью распознавания, неопределенностью развития и опасностью (катастрофичностью) последствий. Указанные ситуации имеют определенное сходство с кризисными ситуациями социально-экономических объектов, поэтому представляет интерес возможность применения методов управления сложными техническими объектами для антикризисного управления социально-экономическими объектами.
Это обуславливает актуальность научной задачи исследования и разработки методов и моделей автоматизированной поддержки принятия решений по управлению предприятием в условиях возможности банкротства. Необходим подход к организации информационной ППР, помогающей руководителю предприятия эффективно предотвращать ситуации банкротства в процессе антикризисного управления.
Цель работы и задачи исследования. Целью работы является исследование и разработка подхода и соответствующих моделей для организации информационной поддержки принятия решений, помогающей руководителю предприятия эффективно предотвращать ситуации банкротства в процессе антикризисного управления. Для достижения цели в работе решались задачи разработки:
• подхода и системной модели антикризисного управления предприятием с целью предотвращения банкротства при выводе предприятия из кризиса;
• метода и системной модели информационной поддержки ЛПР по ранней диагностике возможной несостоятельности предприятия с целью раннего и своевременного обнаружения финансового неблагополучия;
• метода и ситуационной модели информационной поддержки ЛПР по предотвращению ситуаций несостоятельности с целью обеспечения своевременности предотвращения ситуаций банкротства;
• архитектуры и системных моделей информационной системы поддержки ЛПР в условиях возможности банкротства с целью реализации разработанного подхода.
Методика исследования. При решении задач использовались общесистемные принципы, методология системного анализа и проектирования (SAD), методы разработки системных проектов (IDEF), методы создания экспертных систем с продукционной моделью знаний, методы нечеткой логики, методы построения дискретно-событийных динамических моделей.
Результаты, выносимые на защиту:
1) Подход и системная модель антикризисного управления предприятием путем построения и своевременного ввода в действие стратегии управления, направленной на достижение стабильности.
2) Мет од и системная модель информационной поддержки ЛПР путем ранней диагностики возможной несостоятельности на основе временного анализа показателей финансового состояния с использованием нечетких множеств.
3) Метод и ситуационная модель поддержки ЛПР по предотвращению ситуаций несостоятельности на основе контроля критических ситуаций неплатежеспособности и располагаемого резерва времени.
4) Архитектура и системные модели информационной системы поддержки ЛПР в условиях возможности банкротства на основе информационной базы, экспертной системы, интерфейса с пользователем.
Научная новизна и достоверность результатов:
1) Подход и системная модель антикризисного управления предприятием отличаются тем, что в них дополнительно предусмотрена информационная поддержка ЛПР по ранней диагностике возможной несостоятельности и по предотвращению ситуаций неплатежеспособности.
2) Метод и системная модель информационной поддержки ЛПР отличаются тем, что анализ предприятия проводится в два этапа: экспресс-анализ для сигнализации о неблагополучии и углубленный анализ состояния предприятия, для принятия решения о смене рабочей стратегии управления.
3) Метод и ситуационная модель информационной поддержки ЛПР отличаются тем, что критические ситуации оцениваются на основе иерархической динамической модели состояний, отражающей нормы и правила действующего Федерального закона о несостоятельности (банкротстве).
4) Архитектура и ситуационные модели информационной системы поддержки ЛПР в условиях возможного банкротства отличаются тем, что информационная база включает операциональную базу данных с текущими показателями финансовой и производственной деятельности, а так же хранилище укрупненных финансовых показателей предприятия, а экспертная система включает правила принятия решений на основе продукционной модели знаний, а так же динамическую моель ситуаций банкротства.
Практическая ценность и внедрение результатов. Значение результатов для практики антикризисного управления предприятиями заключается в том, что они представляют собой научно обоснованный подход к повышению эффективности системы управления, поскольку дают практически реализуемые решения по снижению риска банкротства предприятий. Практическая значимость результатов подтверждается их использованием в УГАТУ и в научно-производственной фирме «РД Технология».
Связь с плановыми исследованиями. Исследование по тематике диссертации выполнено в рамках НТП Минобразования России, проект № 1256 «Модели системного анализа и реформирования межбюджетных отношений муниципальных и региональных образований», а также НИР ИФ-ТК-14-04-03/6 «Исследование проблем развития, управления, контроля и моделирования в сложных системах».
Апробация и публикации. Основные положения, представленные в диссертации, были представлены и получили одобрение на научных конференциях всероссийского и международного уровня: • Международном семинаре «Computer Science and Information Technologies», Уфа, 2000, 2001, 2003; • Всероссийской научно-практической конференции «Математическое моделирование экономических систем и процессов», Чебоксары, 2000; • Международной молодежной научно-технической конференции
«Интеллектуальные системы управления и обработки информации», Уфа, 2001, 2003.
Список публикаций автора по теме диссертации включает 10 научных трудов, в том числе 7 статей в научных журналах и межвузовских научных сборниках и 3 в трудах международных конференций.
Структура диссертации. Диссертация состоит из введения, четырех глав, заключения, изложенных на 128 листах, библиографического списка, включающего 98 наименований.
Анализ методов предсказания банкротства
В данном параграфе рассматриваются подходы к предсказанию банкротства, производится анализ существующих методов прогнозирования финансового состояния предприятий, учитывается российская ситуация на данном направлении. Обосновывается необходимость автоматизации процессов обработки данных.
Прогнозирование банкротства как самостоятельная проблема возникла в передовых капиталистических странах (и в первую очередь, в США) сразу после окончания второй мировой войны. Этому способствовал рост числа банкротств в связи с резким сокращением военных заказов, неравномерность развития фирм, процветание одних и разорение других. Естественно, возникла проблема возможности априорного определения условий, ведущих фирму к банкротству.
Любое заинтересованное положением предприятия лицо (руководитель, инвестор, кредитор, аудитор и т.д.), далее именуемое лицом, принимающим решения (ЛПР), не довольствуется простой количественной оценкой показателей. Для ЛПР важно знать, приемлемы ли полученные значения, хороши ли они, и в какой степени. Кроме того, ЛПР стремится установить логическую связь количественных значений показателей выделенной группы с риском банкротства. То есть ЛПР не может быть удовлетворено бинарной оценкой "хорошо - плохо", его интересуют оттенки ситуации и экономическая интерпретация этих оттеночных значений. Задача осложняется тем, что показателей много, изменяются они зачастую разнонаправлено, и поэтому ЛПР Р» стремится "свернуть" набор всех исследуемых частных финансовых показателей в один комплексный, по значению которого и судить о степени благополучия ("живучести") фирмы.
Одним из методов предсказания банкротства является метод дискргшинантного анализа, с помощью которого решаются задачи классификации, т.е. разбиения некоторой совокупности анализируемых объектов на классы путем построения v так называемой классифицирующей функции в виде корреляционной модели. Процесс построения модели прогнозирования вероятности банкротства предприятия с использованием метода дискриминантного анализа включает в себя следующие этапы: 1) формирование выборки предприятий аналогичного типа, содержащей как обанкротившиеся предприятия, так и избежавшие банкротства; ь 2) определение состава показателей, характеризующих финансовое состояние предприятия; 3) разбиение сформированной совокупности предприятий на две группы: предприятия-банкроты и предприятия, преодолевшие кризис и выжившие, и их описание с помощью выбранной системы финансовых показателей; 4) формализованное представление исходных данных в виде некоторых формальных конструкций; 5) построение дискриминантной (разделяющей, классифицирующей) функции и ее идентификация; 6) определение статистических оценок параметров распределения дискриминантной функции.
Постановка и решение задачи прогнозирования банкротства предприятия были предложены американским экономистом Э. Альтманом. Исходную выборку для построения модели прогнозирования вероятности банкротства составили данные о финансовом состоянии 19 предприятий, одна часть из которых обанкротилась, а другая смогла выжить.
Методы экспертных оценок предусматривают многоступенчатый опрос экспертов по специальным схемам и обработку полученных результатов с помощью инструментария экономической статистики. Это наиболее простые и достаточно популярные методы, история которых насчитывает не одно тысячелетие. Применение этих методов на практике, обычно, заключается в использовании опыта и знаний торговых, финансовых, производственных руководителей предприятия. Как правило, это обеспечивает принятие решения наиболее простым и быстрым образом. Недостатком является снижение или полное отсутствие персональной ответственности за сделанный прогноз. Экспертные оценки применяются не только для прогнозирования значений показателей, но и в аналитической работе, например, для разработки весовых коэффициентов, пороговых значений контролируемых показателей и т. п.
Метод нечетких множеств базируется на аппарате нечеткой логики. Задается система показателей, характеризующих финансовое состояние предприятия. Каждый показатель рассчитывается на основании бухгалтерской отчетности и отражает различные стороны его деятельности. К этим показателям можно отнести коэффициент автономии, коэффициент промежуточной ликвидности, коэффициент абсолютной ликвидности и т.д. На их основе, используя лингвистическую переменную, получаем комплексный показатель, который и определяет финансовое состояние предприятия.
Использование метода нейронных сетей во всех областях человеческой деятельности, в том числе в области финансовых приложений, движется по нарастающей. Одной из основных задач в финансовой области, решаемой с помощью нейрокомпьютеров, является прогнозирование банкротств. Данную задачу можно разбить на два этапа: 1) анализ надежности предприятия с точки зрения возможности ее банкротства с помощью нейросетевой системы распознавания и выдача результата в дискретном виде; 2) анализ величины вероятности банкротства предприятия на основе многокритериальной оценки с построением нелинейной модели при помощи нейронных сетей (пример результата—74% вероятности банкротства).
Направление вычислительной математики, называемое нейроматематика, находится на стыке теории управления и параллельных вычислительных алгоритмов. Оно наиболее применимо в тех областях, где формализация вычислительного процесса невозможна или чрезвычайно неэффективна. Одним из примеров преимущества использования нейронных сетей является их способность генерировать нелинейную модель процесса на основе результатов адаптивного обучения (настройки) сети. При этом попытка проинтерпретировать процесс работы сети, а не результат, как правило, весьма затруднена.
Разработка интеллектуального блока диагностики возможного банкротства
В данном параграфе рассматриваются особенности управления предприятием в условиях возможного банкротства, предлагается функциональная схема управления, основу которой составляет интеллектуальный блок диагностики возможного банкротства, рассматриваются основные компоненты системы управления.
При управлении предприятием решаются задачи планирования, прогнозирования и поддержки решений на разных уровнях управления и в разных функциональных подсистемах. Выявленные особенности предприятия как объекта управления, функционирующего в рыночной среде, а также особенности управления в условиях неопределенности позволяют выбрать методы искусственного интеллекта на базе моделей нечеткой логики в качестве основных методов решения этих задач.
В качестве одного из средств интеллектуальной поддержки принятия решений по управлению используются экспертные системы. Традиционно построение правил вывода и баз знаний считается прерогативой экспертных систем, однако базы знаний как самостоятельный объект могут входить в состав информационных систем различного назначения. Экспертные системы, как известно, обрабатывают данные с помощью некоторых правил логического вывода, которые извлекают у экспертов предметной области. Принципиальные трудности состоят в том, что высококвалифицированный эксперт не всегда может четко сформулировать те правила, которыми он пользуется при подготовке экспертного заключения. Очень многое в его работе связано с интуитивными качественными оценками, т.е. с неформализуемыми процедурами.
Информационное обеспечение бизнес процессов. На рис. 2.4 представлена схема системы интеллектуального управления производством, в которой используются преимущества интеллектуальных алгоритмов и представлены способы их взаимодействия с указанием особенностей решения рассматриваемых задач планирования, прогнозирования и поддержки решений в условиях возможного банкротства.
Основными блоками этой системы являются «блок следящей системы диагностики кризисного состояния предприятия», предназначенный для мониторинга финансового состояния по минимальному набору коэффициентов и своевременной подачи сигнала о его ухудшении; «блок анализа финансового состояния предприятия и риска банкротства», предназначенный для углубленного анализа деятельности предприятия и оценки близости банкротства на основе полного набора показателей его отчетности. В отличие от известных подходов в данной работе предлагается ввести в интеллектуальный блок диагностики дополнительную компоненту: блок поддержки принятия решений в условиях возможного банкротства, который предназначен для выдачи рекомендаций управляющему персоналу по выбору стратегии управления для предупреждения банкротства.
Предложенная схема системы интеллектуального управления производством отражает особенности функционирования предприятия, учитывает характер параметров и переменных, описывающих функциональные подсистемы, служит основой для решения задач планирования, прогнозирования и поддержки решений при управлении предприятием с учетом возможного банкротства.
Разработка алгоритма для построения интегральной оценки
Для представления x=(xi,...,Xn) будем использовать трапециевидные Т-числа. Предполагается, что система показателей лг достаточна для достоверного анализа. 1 этап. Классификация уровней значения , Расчет функции принадлежности А-у производится по следующим соотношениям: Если с2ki Xi cзкІ Xid=l,k=1..5; ЕСЛИ C3lci Xi C4ki tki =( С 4k І — Xi)/ (С 4ki — С Зк і ) k+l,i=l -ki", k=1..4 Данный переход сглаживает фактор "сезонности" при оценке параметра и тем самым создает предпосылки для грамотного сопоставления сложившихся на момент анализа ситуаций. 2 этап. Присваивание коэффициентам значимости Каждому /-му показателю в отношении каждого к-го уровня состояния предприятия можно сопоставить оценку Z значимости данного показателя для распознавания текущего уровня состояния предприятия. Например, если уровень состояния предприятия высокий, то показатели финансовой устойчивости или ликвидности имеют большую значимость для анализа, чем показатели прибыльности или оборачиваемости.
При определении значимости показателей можно воспользоваться: - мнением эксперта; - решением, что они равнозначны для анализа; - шкалой Фишберна [4], предварительно упорядочив по убыванию значимости: Z=2 (N-i+l)/(N (N+l)),i=l,...,N; к=1,...,5. (3.1) 3 этап. Вычисление промежуточных коэффициентов. С учетом значимости и направленности на каждом уровне соответствия влияние показателя можно описать следующей функцией: Ik = =; 4 этап. Расчет комплексного показателя. Комплексный показатель RM рассчитывается по следующей формуле: RM = (RMl1RM2iRM3tRM RAfi) = YlYtcti (3.3), где - операция умножения действительного числа на нечеткое число; ск- пятерка нечетких чисел, определяющая набор /м Для представления интегрального показателя в четком виде используется метод центра тяжести.
Для распознавания степени риска банкротства вводится лингвистическая переменная В. В соответствии с введенными переменными «степень риска банкротства» и значением показателя RM рассчитаем уровни принадлежности Цк по следующим соотношениям: Если c2\ RM a зк Цк =1, к=1..5; c3k RM a4k Цк=(с4к-ЯМ)/(с4к-Сзк) ак+1=1-цк; к=1..4 Определим лингвистическую переменную «степень риска банкротства» с функцией принадлежности jLij(RM), следующего вида: BI- Наивысшая степень риска банкротства с уровнем принадлежности Hi(RM) 82- Высокая степень риска банкротства с уровнем принадлежности j.j(RM) 83- Средняя степень риска банкротства с уровнем принадлежности Ui(RM) 84- Низкая степень риска банкротства с уровнем принадлежности u.j(RM) 85- Незначительная степень риска банкротства с уровнем принадлежности №(RM)
Предлагаемый набор функций Я i.Sji по каждому параметру Xh построенный как развернутая экспертная оценка, является эксклюзивной квалификацией предприятия, учитывающей не только специфику собственно бизнеса предприятия, но и его отраслевую принадлежность, а также специфику периода, за который проводится анализ.
Комплексный показатель RM построен с учетом значимости частных показателей Х\ (i=l...N) и направленности их влияния на изменение финансового состояния предприятия. 3.3 Разработка дискретно-событийных моделей процесса предотвращения банкротства
Данный раздел посвящен разработке динамической модели процесса анализа риска банкротства предприятия. Рассмотрена методология динамического моделирования IDEFO/CPN, а также описан принцип преобразования динамической модели в сеть Петри.
Теоретической базой методологии построения динамической модели является теория сетей Петри. Классическая сеть Петри - ориентированный граф с вершинами двух типов позиции (условия) и перехода (события), в котором дугами соединяются только вершины разного типа.
Начальное размещение маркеров называется начальной маркировкой сети Петри. При срабатывании перехода (запуск перехода) в определенные (тактовые) моменты времени маркер из одной позиции перемещается в выходную позицию. Динамика отражается совокупностью локальных действий, которые называются срабатыванием переходов. Срабатывание переходов -неделимое действие, изменяющее разметку. 1 .Функциональная модель верхнего уровня IDEFO трансформируется в корневую компоненту иерархической сети Петри. При этом объекты типа ІСОМ-меток трансформируются в позиции, а функции в переходы. 2.Каждая функциональная диаграмма IDEFO модели нижнего уровня трансформируется в соответствующую иерархическую подсеть. Источники и стоки этой компоненты входят в связку с входными и выходными переходами нижестоящей сети. З.В качестве маркеров различных цветов выступают атрибуты сущностей, раскрывающие информационную структуру объектов типа ІСОМ-меток функциональной модели. 4.На множестве атрибутов (маркеров различных цветов) формируются предикатные условия для срабатывания переходов (выполнения функций). 5.На этом же множестве атрибутов составляется алгоритм выполнения функций. С помощью пакета Desing/IDEF функциональная модель процесса поддержки приятия управленческих решений преобразована в динамическую модель (рис. 3.3)
Проверка работоспособности метода ранней диагностики возможной несостоятельности
В данном разделе приведен анализ работоспособности метода построения интегрального показателя для временного анализа показателей финансового состояния.
Для оценки было выбрано предприятие, специализируется на производстве крепежных изделий для автомобильной промышленности. Объем производства нормалей и метизов составляет 97% производимой продукции.
Кроме этого, предприятие при наличии собственной мощной станкостроительной базы осуществляет выпуск уникального, по мировым образцам, прогрессивного высокопроизводительного технологического оборудования. Собственными силами изготовлено 239 единиц кузнечно-прессового и металлорежущего оборудования, включая холодновысадочные автоматы для производства болтов и гаек, резьбонарезные, пружинонавивочные и другие станки, что позволяет обеспечить замену изнашивающегося станочного парка.
Предприятия выпускает более 100 наименований товаров потребительского назначения, большая часть из которых запасные части и принадлежности к легковым автомобилям, а также хозяйственные товары из пластмасс.
На конец года коэффициент автономии принадлежал уровню низких значений. Коэффициент обеспеченности оборотных активов собственными средствами, коэффициенты быстрой и абсолютной ликвидности, оборачиваемости активов остались без кзменений уровней. Заметно возросло значение рентабельности совокупного капитала. Программная реализация базы знаний зависит от выбранных инструментальных средств. Поскольку модель знаний, представленных в базе знаний, отображает правила управления предприятием в динамичных условиях антикризисного управления, она должна отслеживать изменения объекта. Для этого в информационной системе поддержки принятия решений должен быть механизм обучения, который обеспечивает изменение параметров правил базы знаний в соответствии с изменениями объекта, а также дополнение базы знаний новыми правилами в связи с качественными изменением экономических условий функционирования предприятия.
Для имитационного моделирования разработанной базы знаний использована оболочка экспертной системы ReSolver. Инструмент программного обеспечения ReSolver - это средство разработки баз знаний. Первым этапом создания БЗ является описание всех возможных заключений (goals), которые мог бы сделать эксперт, решая поставленную задачу. Это варианты диагностики состояния предприятия по степени риска банкротства (рис. 4.1).
В ReSolver построено дерево решений соответственно логике принятия решений, применяемой экспертом для ранней диагностики возможной финансовой несостоятельности предприятия. В качестве переменных использованы финансовые показатели экспресс - анализа.
Формальный характер логических ошибок позволяет автоматизировать процесс тестирования базы знаний. В процессе имитационного моделирования эксперт с использованием ReSolver проверяет систему на наличие логических ошибок, возможных при наполнении продукционных баз знаний: незавершенность деревьев решений, избыточность правил, противоречивость при добавлении новых правил, превышение диапазона допустимых значений аргументов. В процессе имитационного моделирования выявленные ошибки были откорректированы, и получена база знаний, в которой исключены избыточность, незавершенность и противоречивость правил.
