Разработка методов оценки кредитоспособности предприятия

Рисунок 3 – Оценка кредитоспособности предприятия в зависимости от классов

 

В качестве метода внешнего анализа может применяться также метод классификации ситуаций, когда по множеству признаков классификации, в качестве которых в данном случае выступает множество показателей деятельности предприятия, последовательно строится дерево решений, отражающее эту классификацию. В случае индуктивного вывода дерево решений строится по обучающей выборке автоматически.

Для внутреннего экономического анализа свойственен поиск направлений повышения эффективности деятельности предприятия, т.е. диагностика узких мест и определение рекомендаций по их устранению. В основе диагностики лежитметод последовательной декомпозиции “сверху-вниз” или дезагрегации “целое - часть”, когда проблема последовательно разбивается на подпроблемы, пока на каком-либо уровне не станет ясным, какая подпроблема в действительности имеет место (рисунок 4).

 

                   Рисунок 4 – Диагностика рентабельности предприятия

 

В случае применения экспертной системы внутреннего финансового анализа экспертиза осуществляется автоматически на основе введенных данных финансовой отчетности. При этом анализ финансовых показателей выполняется последовательно по принципу “сверху-вниз” и “слева-направо” в соответствии с деревом взаимосвязи показателей. В случае обнаружения некоторого “узкого места” (неудовлетворительного значения показателя) может быть включен диалоговый режим работы экспертной системы, в котором система последовательно опрашивает пользователя на предмет качественной оценки тех или иных процессов, причем вопросы задаются в порядке, зависящем от предыдущих ответов.

На основании анализа критериев при оценки кредитоспособности, выделенных на этапе анализа предметной области, было построено дерево целей (рисунок 5), в которых каждый зависимый факт представляет собой целевую переменную - корневую вершину, а определяющие его факты-аргументы - связанные с корнем подчиненные вершины.

                     Рисунок 5- Основные критерии оценки кредитоспособности

 

 

 

             Рисунок 6 – Классификация методов представления знаний

Так, объектные методы представления знаний в большей степени ориентированы на представление структуры фактуального знания, а правила - операционного.

Логическая модель реализует и объекты, и правила с помощью предикатов первого порядка, является строго формализованной моделью с универсальным дедуктивным и монотонным методом логического вывода “от цели к данным”;

Продукционная модель позволяет осуществлять эвристические методы вывода на правилах и может обрабатывать неопределенности в виде условных вероятностей или коэффициентов уверенности, а также выполнять монотонный или немонотонный вывод;

Семантическая сеть отображает разнообразные отношения объектов;

Фреймовая модель, как частный случай семантической сети, использует для реализации операционного знания присоединенные процедуры;

Объектно-ориентированная модель, как развитие фреймовой модели, реализуя обмен сообщениями между объектами, в большей степени ориентирована на решение динамических задач и отражение поведенческой модели.

Для разрабатываемой системы был выбран подход, основанный на применении нечеткой логики. Это более простой, но менее точный метод оценки достоверности используемых знаний, в котором вероятности заменяются на экспертные оценки определенности фактов и применения правил (факторы уверенности). Факторы уверенности могут рассматриваться и как весовые коэффициенты, отражающие степень важности аргументов в процессе вывода заключений. Итоговые факторы уверенности получаемых решений главным образом отражают порядок достоверности результата, а не его точность, что вполне приемлемо во многих задачах.

Факторы уверенности измеряются по некоторой относительной шкале, например, от 0 до 100. В отличие от теории вероятностей сумма факторов уверенностей некоторых альтернативных значений необязательно составляет 100. Множество возможных значений некоторой переменной с различными факторами уверенностей для каждого значения составляет нечеткое множество вида: { x1 cf1, x2 cf2,..., xN cfN }, причем фактор уверенности в общем виде задается функцией принадлежности значений нечеткому множеству.

Предполагается, что оценка факторов уверенностей исходных данных задается пользователем при описании конкретной ситуации, а факторы уверенности применения правил определяются инженерами знаний совместно с экспертами при наполнении базы знаний.

В разрабатываемой системе факторы уверенности будут отражать то, на сколько каждый заемщик удовлетворяет конкретному правилу. Величина факторов уверенности для каждого поставщика будет разной, и зависеть от предварительного анализа хозяйственной деятельности данного контрагента. Факторы уверенности будут присваиваться каждому заемщику экспертами при наполнении базы знаний. Рассмотрим пример. Для этого просмотрим фрагмент системы файла PLACE1.RSS.

 

RULE: LIKED1

IF:  ans1 = 1

THEN:       bestjob += {"Заёмщик с минимальным риском" cf 0, "Заёмщик со средним риском" cf 13, Заёмщик с высоким риском" cf 20}

NEEDS:    ans1

CHANGES: bestjob

REASON: Если предприятие имеет коэффициент общей ликвидности меньше 1, то это надёжный заёмщик (cf 0), заёмщик со средним риском (cf 3), заёмщик с высоким риском (cf 20).

COMMENT: Этот заёмщик с высоким риском.

Из примера видно, что если в вопросе №1 главным будет являться тот фактор, что заёмщик должен будет иметь коэффициент общей ликвидности меньше 1, то результатом выполнения данного правила будет объединение существующего значения переменной цели с дополнительным значением - {"Заёмщик с минимальным риском" cf 0, "Заёмщик со средним риском" cf 13, Заёмщик с высоким риском" cf 20}.

Фактор уверенности в общем виде задается функцией принадлежности значений нечеткому множеству.

Объединение факторов уверенности в посылках правил осуществляется чаще всего, как например, в программном средстве GURU, по формулам "min/max", а левых и правых частей правил и одинаковых результатов нескольких правил соответственно по формулам "произведение” и “сумма". Для объединения одинаковых результатов нескольких правил используется оператор “+=“, который означает не присваивание значения, а добавление значения.

Выводы

На этапе формализации базы знаний осуществляется выбор метода представления знаний. В рамках выбранного формализма осуществляется проектирование логической структуры базы знаний. В данной работе был использован подход, основанный на применении нечёткой логики. Это более простой, но не менее точный метод оценки достоверности используемых знаний, в котором вероятности заменяются на экспертные оценки определённости факторов и применения правил (факторы уверенности). Факторы уверенности могут рассматриваться и как весовые коэффициенты, отражающие степень важности аргументов в процессе вывода заключений. Итоговые факторы уверенности получаемых решений главным образом отражают порядок достоверности результата, а не его точность, что вполне приемлемо во многих задачах.