Модель багаторівневої нейромережі визначення рівня фінансової безпеки компанії

Автор(и)

DOI:

https://doi.org/10.24144/2616-7700.2022.40(1).175-194

Ключові слова:

штучна нейронна мережа, математичні моделі, нечіткі множини, функція належності, рівень фінансової безпеки, експертна оцінка, прийняття рішень

Анотація

Діяльність господарюючих суб'єктів у ринковій економіці обумовлюється насамперед станом їх фінансів, що призводить до необхідності розгляду проблем управління фінансовою безпекою підприємства. Забезпечення стійкого розвитку підприємства, стабільності результатів його діяльності, досягнення цілей, що відповідають інтересам власників та суспільства в цілому, неможливі без розробки та проведення самостійної стратегії суб'єкта господарювання, яка в сучасній економіці визначається наявністю надійної системи його фінансової безпеки. Зростання темпів бізнесу викликає все більшу залежність підприємства від зовнішніх джерел фінансування і, можливо, втрату самостійності в прийнятті управлінських рішень. Навіть за високої дохідності бізнесу недостатня увага до проблем його фінансової безпеки може призвести до того, що компанія може стати об'єктом зовнішнього впливу або поглинання. Прогнозування рівня фінансової безпеки є складним аналітично-розрахунковим процесом і потребує детального дослідження тенденцій розвитку та передбачення впливу складових досліджуваного фактору на рівень економічної безпеки компанії. Проведено дослідження актуальної задачі розроблення моделі багаторівневої нейромережі для інформаційних технологій на прикладі визначення рівня фінансової безпеки компанії, яка зустрічається при функціонуванні соціо-економічних систем і базується на застосуванні постулатів нечіткої логіки, нечітких множин і нейро-фазі мережі. Метою даної роботи є розробка моделі багаторівневої нейромережі визначення рівня фінансової безпеки компанії при функціонуванні соціо-економічних систем в умовах невизначеності за вхідними експертними оцінками. Об'єктом дослідження є визначення рівня фінансової безпеки компанії на основі функцій належності для вхідних експертних оцінок за критеріями з використанням нейро-фазі мережі. Предметом дослідження є методи і моделі представлення багаторівневої нейромережі для визначення рівня фінансової безпеки компанії в умовах невизначеностей. Вперше запропоновано методологічні засади поєднання елементів теорії нечіткої логіки та нейронних мереж при моделюванні процесів управління фінансовою безпекою компанії, що надає можливості адаптації запропонованої моделі багаторівневої нейромережі визначення рівня фінансової безпеки компанії з урахуванням специфіки роботи заданого економічного об'єкта в умовах неоднорідності та неповноти вихідної інформації. В процесі дослідження використовувалися методи теорії нечітких множин і нейромережевого моделювання, методи експертних оцінок. У роботі розв'язано науково-прикладне завдання розроблення моделі багаторівневої нейромережі визначення рівня фінансової безпеки компанії за вхідними експертними оцінками. Практичне значення одержаних результатів моделі багаторівневої нейромережі визначення рівня фінансової безпеки компанії дасть можливість адекватно підійти до оцінювання альтернативних рішень для забезпечення управління фінансовою безпекою вітчизняних підприємств. Використовуючи побудовану модель, фахівці мають змогу оцінювати рівень фінансової безпеки компанії, попереджати його погіршення, визначати вплив окремих факторів на рівень фінансової безпеки. Таким чином, використання запропонованої моделі в менеджменті є зручним інструментом вчасного контролю за фінансовим станом підприємства, адекватної реакції на його погіршення. Кредитори, в свою чергу, мають змогу отримати реальну інформацію щодо фінансового стану позичальника та правильно проводити кредитну політику. Інвестори отримують інформацію для прийняття рішення щодо можливості проведення інвестиційної діяльності. Отримані результати можуть бути використані для удосконалення системи управління фінансовою безпекою вітчизняних компаній.

Біографії авторів

Г. В. Мазютинець, ДВНЗ «Ужгородський нацiональний унiверситет»

Пошукач

М. М. Шаркаді, ДВНЗ «Ужгородський нацiональний унiверситет»

Доцент кафедри кiбернетики i прикладної математики. Кандидат економiчних наук

Посилання

Baranovsky, O. (1999). Finansova bezpeka [Financial security]. Kyiv: Fenix [in Ukrainian].

Blank, I. (2009). Upravlenie finansovoy bezopasnostiu predpriiatiia [Management of the enterprise's financial security]. Kyiv: Elha [in Russian].

Diligensky, N., Dymova, L. & Sevastyanov, P. (2004). Nechetkoie modelirovaniie i mnohokriterialnaia optimizaciia proizvodstvennykh sistem v usloviiakh neopredelennosti; tekhnolohiia, ekonomika, ekolohiia: monohrafia [Fuzzy modeling and multicriteria optimization of production systems in conditions of uncertainty: technology, economics, ecology: a monograph]. Moscow: Mashinostroenie [in Russian].

Zaichenko, Yu. (2008). Nechetkie modeli i metody v intelektualnykh sistemakh [Fuzzy models and methods in intelligent systems]. Kyiv: Slovo [in Russian].

Yermoshenko, M., Goryacheva, K., & Ashuyev, A. (2005). Ekonomichni ta orhanizacini zasady zabezpechennia finansovoi bezpeky pidpruiemstva: Preprynt naukovoi dopovidi [Economic and organizational principles of financial security of the enterprise: Preprint of the scientific report]. Kyiv: National Academy of Management [in Ukrainian].

Kirichenko, O., & Kudria, I. (2009). Vdoskonalennia upravlinnia finansovoiu bezpekoiu pidpryiemstva v umovakh finansovoi kryzy [Improving the management of financial security of enterprises in a financial crisis]. Investments: practice and experience, 10, 22–26 [in Ukrainian].

Polishchuk, V. (2019). Technology to Improve the Safety of Choosing Alternatives by Groups of Goals. Journal of Automation and Information Sciences, (Vol. 51), 9, 66–76. https://doi.org/10.1615/JAutomatInfScien.v51.i9.60 [in English].

Sharkadi, M., Malyar, M., & Mazyutynets, G. (2020). Nechitke modeliuvannia pokaznykiv fsnansovoi bezpeky pidpryiemstva [Fuzzy modeling of financial security indicators of the enterprise]. Bulletin of Uzhgorod University, series "Mathematics and Informatics", 2(37), 176–183. https://doi.org/10.24144/2616-7700.2020.2(37).176-183 [in Ukrainian].

Matviychuk, A. (2011). Shtuchnyi intelekt v ekonomici:neironni merezhi, nechitka lohika: Monohrafia [Artificial intelligence in economics: neural networks, fuzzy logic: Monograph]. Kyiv: KNEU [in Ukrainian].

Finansovaia bezopasnost [Financial security]. Retrieved from http://www.faito.ru/pages/infresources/fkglossary/add_comment.php?id=259 [in Russian].

Sharkadi, M., Robotyshyn, M., & Malyar, M. (2020). Modeli i metody mashynnoho navchannia dlia zavdan peredbachennia. [Models and methods of machine learning for predictive tasks]. Scientific Bulletin of Uzhhorod University. Mathematics and Informatics Series , 1(36), 112–122 [in Ukrainian].

Goriacheva, K. Ocinka rivnia finansovoi bezpeky pidpryiemstva [Assessment of the level of financial security of the enterprise]. Retrieved from http://dspace.uabs.edu.ua/jspui/bitstream/123456789/3159/1/Gorjacheva.pdf [in Ukrainian].

Ivanova, N. (2011). Ocinka efektyvnosti systemy ekonomichnoi bezpeky ahropromyslovykh pidpryiemstv [Estimation of efficiency of system of economic safety of agroindustrial enterprises]. (Candidate's thesis). Zaporozhye [in Ukrainian].

Matviychuk, A. (2010). Modeliuvannia finansovoi stiykosti pidpryiemstva iz zastosuvanniam teorii nechitkoi lohiky, neironnykh merezh i dyskryminantnoho analizu. [Modeling of financial stability of enterprises with the use of theories of fuzzy logic, neural networks and discriminant analysis]. Bulletin NAS of Ukraine, 9, 24–46 [in Ukrainian].

Melikhova, T. (2018). Ocinka rivnia ekonomichnoi bezpeky pidpryiemstva za dopomohoiu neironnykh merezh ta klasternoho analizu. [Assessment of the level of economic security of the enterprise using neural networks and cluster analysis]. Eastern Europe: Economy, Business and Management, 2. Retrieved from http://www.easterneuropeebm.in.ua/index.php/12-2018 [in Ukrainian].

Nedosekin, A. (2003). Fondovyi menegment v rasplyvchatykh usloviakh [Stock management in vague conditions]. St. Petersburg: Sesame Printing House [in Russian].

Poida-Nosyk, N., & Mazyutunets, G. (2020). Zastosuvannia shtuchnykh neiromerezh dkia analizu rivnia finansovoi bezpeky kompaniy. [Application of artificial neural networks for the analysis of the level of financial security of companies]. Scientific Bulletin of Uzhhorod University. "Economics" series, 1(55), 112–117 [in Ukrainian].

Poida-Nosyk, N. (2011). Sutnist finansovoi bezpeky subiektiv pidpryiemnyctva ta ii rol v zabezpechenni nacionalnoi ekonomichnoi bezpeky. [The essence of financial security of business entities and its role in ensuring national economic security]. Bulletin of ZhSTU, 1(55), 340–342 [in Ukrainian].

Rotshtein, O. (1999). Intelektualni tekhnolohii identyfikacii: nechitki mnozhyny, henetychni alhorytmy, neironni merezhi [Intelligent identification technologies: fuzzy sets, genetic algorithms, neural networks]. Vinnytsia: "UNIVERSUM-Vinnytsia" [in Ukrainian].

Chernov, V. (2007). Modeli podderzhki priniatia resheniy v investicionnoi deiatelnosti na osnove aparata nechetkikh mnozhestv [Models of decision support in investment activities based on the apparatus of fuzzy sets]. Moscow: Horiacaia linia [in Russian].

Malyar, M. (2016). Modeli i metody bahatokryterialnoho obmezheno-racionalnoho vyboru: Monohrafia [Models and methods of multicriteria limited-rational choice: Monograph]. Uzhhorod: RA "AUTDOR-SHARK" [in Ukrainian].

Shylo, V. (2005). Analiz finansovoho stanu vyrobnychoi ta komerciynoi dialnosti pidpryiemstva [Analysis of the financial condition of production and commercial activities of the enterprise]. Kyiv: Kondor [in Ukrainian].

Peters, E. (1991). Chaos and Order in the Capital Markets. New York: John Wiley [in English].

Peters, E. (2004). Fraktalnyi analiz finansovykh rynkov: Priminenie teorii Khaosa v investiciiakh i ekonomike [Fractal Analysis of Financial Markets: Applying Chaos Theory to Investment and the Economy]. Moscow: Internet-treidinh [in Russian].

Peters, E. (2000). Khaos i poriadok na rynkakh kapitala [Chaos and order in the capital markets]. Moscow: Mir [in Russian].

Dubnytsky, V. (2011). Vybir metodu prohnozuvannia vartosti cinnykh paperiv z urakhuvanniam fraktalnoi vymirnosti riadu sposterezhen. [The choice of method for forecasting the value of securities taking into account the fractal dimension of a number of observations]. Business Inform, 7(1), 120–121 [in Ukrainian].

Lykov, I., & Okhotnikov, S. (2013). Vlianie izmenenia funkcii Khresta na vozmozhnosti ekonomicheskoho prohnozirovania. [Influence of change of Hirst function on possibilities of economic forecasting]. Basic research, 10, 1539–1544 [in Russian].

Novikova, N. (2011). Fraktalnyie metody i koncepcia ekonomicheski minimalnykh proizvodstvennykh system v upravlenii innovaciami. [Fractal methods and the concept of economically minimal production systems in innovation management]. Journal of YURGTU (NPI), 2, 162–166 [in Russian].

Naiman, E. (2009). Raschot pokazatelia Khersta s celiu byiavlenia trendovosti (persistentnosti) finansovykh rynkov i makroekonomicheskikh indikatorov. [Calculation of the Hearst indicator in order to identify the trend (persistence) of financial markets and macroeconomic indicators]. Economist, 10, 25–29 [in Russian].

Hearst, G. (1951). Dolhosrochnaia vmestimost vodokhranilisch. [Long-term reservoir capacity]. Proceedings of the American Society of Civil Engineers, 116, 770–808 [in Russian].

Clegg, R. (2006). A Practical guide to measuring the Hurst parameter. International Journal of Simulation: Systems, Science & Technology, 7, 2, 3–14 [in English].

Bystrai, H., Korshunov, L., & Lykov, I. (2010). Metody nelineinoi dinamiki v analize I prohnozirovanii ekonomicheskikh system rehionalnoho urovnia. [Methods of nonlinear dynamics in the analysis and forecasting of economic systems at the regional level]. Journal of

economic theory, 3, 103–114 [in Russian].

Shelukhin, O., Osin, A., & Smolsky, S. (2008). Samopodobiie i fraktaly [Self-similarity and fractals]. Moscow: Fizmatlit [in Russian].

Chuchueva, I. (2012). Model prohnozirovania vremennykh riadov po vyborke maksimalnoho podobia [Model of forecasting time series by sampling of maximum similarity]. (Candidate's thesis). Moscow [in Russian].

Tikhonov, E. (2006). Prohnozirovaniie v usloviakh rynka [Forecasting in market conditions]. Nevinnomyssk [in Russian].

Armstrong, J., & Brodie, R. (1999). Forecasting for Marketing. In: Quantitative Methods in Marketing. London: International Thompson Business Press [in English].

Yang, J. (2006). Power System Short-term Load Forecasting. (Thesis for PhD degree). Electrical Engineering and Information Technology of the Technical University. Darmstadt [in English].

Lukashin, Yu. (2003). Adaptivnyie metody kratkosrochnoho prohnozirovania vremennykh riadov [Adaptive methods of short-term forecasting of time series]. Moscow: Finansy i statistika [in Russian].

Holt, C. (2004). Forecasting seasonals and trends by exponentially weighted moving averages. International Journal of Forecasting, 20, 5–10 [in English].

Kronover R. (2000). Fraktaly i khaos v dinamicheskikh sistemakh [Fractals and chaos in dynamical systems. Fundamentals of theory]. Moscow: Postmarket [in Russian].

##submission.downloads##

Опубліковано

2022-05-12

Як цитувати

Мазютинець, Г. В., & Шаркаді, М. М. (2022). Модель багаторівневої нейромережі визначення рівня фінансової безпеки компанії. Науковий вісник Ужгородського університету. Серія «Математика і інформатика», 40(1), 175–194. https://doi.org/10.24144/2616-7700.2022.40(1).175-194

Номер

Розділ

Iнформатика, комп’ютернi науки та прикладна математика