Оценка риска банкротства предприятия

6.                  Финансовое состояние предприятия характеризуется следующими финансовыми показателями (таблица 2.14):

Таблица 2.14

7.                  Проведем классификацию текущих значений х по критерию таблицы 2.12. Результатом проведенной классификации является таблица 2.14.

Таблица 3.8

Анализ таблицы 2.14 дает, что по втором периоде произошло качественное падение обеспеченности одновременно с качественным ростом оборачиваемости активов.

8.                  Оценка степени риска банкротства по формуле (2.12) дает gI = 0.709, gII = 0.713, т.е. риск банкротства незначительно вырос.

9.                  Лингвистическое распознавание значений g по данным таблицы 2 определяет степень риска банкротства предприятия как высокую для обоих периодов анализа.

Итак, мы наблюдаем как раз тот самый случай, когда высокая автономия предприятия – это по существу единственное, что у него есть хорошего. Помимо всего это означает, что у конкурсного управляющего предприятия в случае его банкротства появляются некоторые шансы на успешную санацию предприятия путем продажи части его активов.

Расчетный пример 6

Постановка задачи. Рассмотрим предприятие, которое анализируется по двум периодам - IV-ый квартал 1998 г. и I-ый кварталы 1999 года. В качестве примера выбрана отчетность предприятия ООО «Практика».

Решение (номера пунктов соответствуют номерам этапов метода).

1.                  Определяем множества E, G и B, как это сделано на этапе 1 полного метода.

2.                  Выбранная ранее система Х из 6 показателей остается без изменений.

3.                  Также принимаем, что все показатели являются равнозначными для анализа (ri = 1/6).

4.                  Степень риска классифицируется по правилу таблицы 2.11 этапа 4 метода.

5.                  Выбранные показатели на основании предварительного экспертного анализа получили следующую классификацию таблицы 2.2.

6.                  Финансовое состояние предприятия характеризуется следующими финансовыми показателями (таблица 2.15):

Таблица 2.15

7.                  Проведем классификацию текущих значений х по критерию таблицы 2.2. Результатом проведенной классификации является таблица 2.16:

Таблица 2.16

Анализ таблицы 2.16 дает, что по втором периоде произошло качественное падение обеспеченности одновременно с качественным ростом оборачиваемости активов.

8.                  Оценка степени риска банкротства по формуле (2.12) дает gI = 0.389, gII = 0.420, откуда заключаем, что произошло серьезное ухудшение состояния предприятия (резкий количественный рост оборачиваемости не сопровожден качественным ростом, зато наблюдается качественный спад автономности, абсолютной ликвидности и рентабельности).

9.                  Лингвистическое распознавание степени риска по таблице 2.2 дает  степень риска банкротства как пограничную между низкой и средней, причем уверенность эксперта в том, что уровень именно средний, нарастает от периода к периоду.

Заключение

Сегодня одним из наиболее перспективных направлений научных исследований в области анализа, прогнозирования и моделирования экономических явлений и процессов является нечеткая логика. Нечетко-множественные модели, зачастую представленные в виде программного обеспечения для персональных компьютеров, позволяют как менеджерам различного уровня, так и собственникам предприятий принимать экономически грамотные решения. Хотя впервые упоминание о новом методе математического моделирования появилось около полувека назад, данная область научных исследований до сих пор остается недостаточно изученной в нашей стране. На сегодняшний день в России потребителями научных разработок, в основу которых заложен нечетко-множественный аппарат, является достаточно узкий круг государственных и чуть более широкий круг коммерческих предприятий, а ученые, создающие и поставляющие на рынок данные продукты, исчисляются одним-двумя десятками человек.

В отличие от стандартной логики, в которой мы привыкли к двум бинарным состояниям (1/0, Да/Нет, Истина/Ложь и т.д.), нечеткая логика позволяет определять промежуточные значения между стандартными оценками. К нечетким множествам (в отличие от стандартных оценок «привлекательная» или «непривлекательная», «вправо» или «влево», «да» или «нет»), можно отнести оценки типа «более привлекательная», «менее привлекательная», «скорее да, чем нет», «наверное, да», «немного вправо», «резко влево».

С помощью соответствующего математического аппарата стало возможным выразить перечисленные оценки математически и впоследствии обработать с помощью ЭВМ. Таким образом, удалось максимально приблизить механизм компьютерной обработки и анализа данных к человеческому мышлению.

Следующим достижением теории нечетких множеств является введение в обиход так называемых нечетких чисел - нечетких подмножеств специализированного вида, соответствующих высказываниям типа «значение переменной примерно равно а». В качестве примера можно использовать так называемое треугольное нечеткое число, где выделяются три точки: минимально возможное, наиболее ожидаемое и максимально возможное значение фактора. Треугольные числа - это самый часто используемый на практике тип нечетких чисел, причем чаще всего их используют как прогнозные значения параметра. В качестве примера приведем ожидаемое значение инфляции на 2006 год. Допустим, что наиболее вероятное значение - 10%, минимально возможное - 5%, а максимально возможное - 20%, тогда все эти значения могут быть сведены к виду нечеткого подмножества - нечеткого числа a.