Известия Саратовского университета. Новая серия.

Серия: Экономика. Управление. Право

ISSN 1994-2540 (Print)
ISSN 2542-1956 (Online)


Для цитирования:

Заболоцкая В. В. Методы диагностики и прогнозирования кредитоспособности субъектов МСП с применением искусственного интеллекта // Известия Саратовского университета. Новая серия. Серия: Экономика. Управление. Право. 2024. Т. 24, вып. 3. С. 294-311. DOI: 10.18500/1994-2540-2024-24-3-294-311, EDN: OWEQBG

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
(загрузок: 0)
Язык публикации: 
русский
Рубрика: 
Тип статьи: 
Научная статья
УДК: 
336.77
EDN: 
OWEQBG

Методы диагностики и прогнозирования кредитоспособности субъектов МСП с применением искусственного интеллекта

Авторы: 
Заболоцкая Виктория Викторовна, Российский университет дружбы народов имени Патриса Лумумбы
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.

Список источников: 
  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.
Поступила в редакцию: 
07.05.2024
Принята к публикации: 
10.06.2024
Опубликована онлайн: 
30.08.2024
Опубликована: 
30.08.2024