Управление в системах финансового контроля на основе нейросетевых моделей с байесовской регуляризацией тема диссертации и автореферата по ВАК РФ 05.13.10, кандидат наук Белолипцев, Илья Игоревич

• Белолипцев, Илья Игоревич
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Белолипцев, Илья Игоревич

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА I. СИСТЕМНЫЙ ПОДХОД К РАЗРАБОТКЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ В СИСТЕМАХ ФИНАНСОВОГО КОНТРОЛЯ В УСЛОВИЯХ НЕОПРЕДЕЛЕНОСТИ

1.1. Элементы системы финансового контроля

1.2. Системный подход к разработке нейросетевой модели. Основные понятия и определения

1.3. Условия моделирования и особенности развиваемого подхода к нейросетевому моделированию. Концепция квазистатистики

1.4. Общие преимущества и недостатки нейросетевых моделей при решении обратных задач восстановления зависимостей

1.5. Концептуальный базис нейросетевого моделирования

ГЛАВА II. МЕТОДЫ ПОСТРОЕНИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ СЛОЖНЫХ ОБЪЕКТОВ И ИХ РЕГУЛЯРИЗАЦИЯ

2.1. Анализ устойчивости нейросетевых моделей

2.2. Классификация методов регуляризации нейросетевых моделей при решении обратных задач восстановления функциональных зависимостей, скрытых в данных

2.3. Оригинальный квазибайесовский метод регуляризации обучения нейросети при сильном зашумлении данных с неизвестной функцией закона распределения шума

2.4. Модифицированный метод вложенных математических моделей

2.5. Вычислительные эксперименты по апробации метода вложенных математических моделей

2.6. Метод многоступенчатой оценки адекватности нейросетевой модели

ГЛАВА III. НЕЙРОСЕТЕВЫЕ МОДЕЛИ ОЦЕНКИ КРЕДИТОСПОСОБНОСТИ КАК ИНСТРУМЕНТ УПРАВЛЕНИЯ КРЕДИТНЫМ ПРОЦЕССОМ И ЭКОНОМИЧЕСКОЙ БЕЗОПАСНОСТЬЮ ПРЕДПРИЯТИЙ

3.1. Предварительные замечания к постановке задачи

3.2. Анализ известных моделей диагностики банкротств в системе корпоративного управления в реальном и финансово-банковском секторе

3.3. Гибридный метод оценки риска банкротств на базе байесовского ансамбля нейросетей и Iogit-модели (GNBL)

3.4. Количественная апробация гибридного метода GNBL

3.5. Применение гибридного метода GNBL в динамических прогнозных моделях банкротств

3.6. Вычислительный эксперимент по построению динамической модели банкротств

ГЛАВА IV. МЕТОД СИНТЕЗА ПЛАНА НАЛОГОВЫХ ПРОВЕРОК И ПОДДЕРЖКИ

ПРИНЯТИЯ РЕШЕНИЙ ПО НАЛОГОВОМУ РЕГУЛИРОВАНИЮ

4.1. Повышение эффективности систем налогового контроля и управления (СНКУ) на основе моделирования объектов налогообложения

4.2. Методы синтеза оптимального плана выездных налоговых проверок

4.3. Алгоритм синтеза оптимальных планов выездных налоговых проверок

4.4. Результаты вычислительных и натурных экспериментов

ЗАКЛЮЧЕНИЕ

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЯ

Введение диссертации (часть автореферата) на тему «Управление в системах финансового контроля на основе нейросетевых моделей с байесовской регуляризацией»

ВВЕДЕНИЕ

Объектом исследования в работе являются процессы управления в системах финансового контроля, на примере задач налогового контроля и диагностики банкротств. Несмотря на различие в деталях указанные классы задач имеют общую методологическую и теоретическую основу. Методологической основой является концептуальный базис нейросетевого моделирования экономических систем, функционирующих в условиях неопределенности. Теоретической основой являются конкретные методы построения НСМ.

Предметом исследования в работе являются системы поддержки принятия решений на основе нейросетевых экспертных систем, функционирующие в условиях высокой неопределенности.

Актуальность темы исследования обусловлена следующими соображениями прикладного и теоретического характера.

Наполнение государственного бюджета налоговыми поступлениями является одной из приоритетных задач государственной системы финансового контроля. Административные способы повышения собираемости налогов (увеличение налогового бремени, усиление налогового контроля со стороны государства, увеличение количества инспекторов) практически себя исчерпали. Решение данной проблемы надо искать в рамках повышения эффективности процедур камеральных проверок. Поэтому совершенствование технологий налогового администрирования представляется актуальной задачей.

Вопросы совершенствования контрольной работы в налоговых органах и моделей налогового администрирования представлены в работах Г. Г. Брызгалина, И. Р. Пайзулаева, Ю. Ф. Кваши, А. 3. Дадашева, А. В. Лобанова, В. А. Красницкого, Л. Ф. Черкасовой, Д. А. Артеменко и др. Вопросам управления налогообложением в аспекте моделирования процессов сбора налогов и оценки добросовестности отдельных налогоплательщиков посвящены работы А. Б. Паскачева, Т. Н. Скорика, А. Б. Соколова, Д. Г. Черника, М. В. Ми-шустина и др. Проблемы интеллектуального управления и нейросетевого моделирования экономических объектов исследованы в трудах отечественных уче-

ных В. И. Васильева, А. А. Ежова, Б. Г. Ильясова, Л. А. Исмагиловой, Е. М. Миркеса, Д. А. Тархова, С. А. Терехова, С. А. Шумского, Л. Р. Черняховской, Н. И. Юсуповой, зарубежных ученых И. С. Абу-Мустафы, Д.-Э. Бэстенса, В.-М. ван ден Берга, Д. Вуда. Общие вопросы теории нейронных сетей и нейро-компьютинга изложены в работах А. И. Галушкина, А. Н. Горбаня, В. Л.

Дунина-Барковского, Г. Г. Малинецкого, Э. Баррона, А. Г. Ивахненко, Т. Кохонена, Ф. Розенблата, С. Хайкина и других ученых нашей страны, дальнего и ближнего зарубежья.

Г. И. Букаевым предложена технология оценки финансовых показателей налогоплательщиков [6]. С. А. Горбатковым были разработаны общие принципы нейросетевого моделирования сложных экономических систем, таких как система налогового администрирования [25]. Построению нейросетевых моделей камеральных проверок предприятий посвящены исследования Д. В. Полупанова, С. А. Фархиевой.

Несмотря на существующие разработоки в области нейросетевого моделирования, для стохастических объектов с сильно зашумленными и даже сознательно искаженными данными, методы и принципы построения эффективных, адекватных и качественных нейросетевых моделей не были разработаны в полном объеме. В частности, отсутствуют работы посвященные оценке адекватности нейросетевых моделей сложных экономических объектов, в условиях нарушения предпосылок метода наименьших квадратов. Поэтому актуальной научной задачей является разработка методов предобработки данных во взаимосвязи с управлением качеством НСМ; методов регуляризации НСМ; разработка гибридных методов на основе НСМ и моделей поддержки принятия решений в финасовых системах в условиях высокой неопределенности данных.

Несмотря на существование множества российских и зарубежных исследований в области диагностики и прогнозирования банкротств, задача построения адекватных и надежных моделей остается востребованной и актуальной. Раннее обнаружение тенденций банкротства и, соответственно упреждающие процедуры, направленные на финансовое оздоровление предприятия, по сути

являются условием стабильности предприятия, его экономической безопасности. Для этого необходим систематический мониторинг финансового состояния предприятия на основе комплексного анализа экономических показателей в их нелинейной взаимосвязи. Для этого нужны достаточно информативные (адекватные) экономико-математические модели диагностики платежеспособности предприятия и его кредитоспособности.

В теоретическом аспекте остается актуальным вопрос выбора оптимальной системы экономических показателей и сокращения размерности факторного пространства внутри выбранной системы показателей для построения модели банкротств в каждой конкретной отрасли.

Следует отметить, что уровень автоматизации процедур налогового контроля и процесса оценки кредитоспособности предприятий не соответствует запросам практики и возможностям современного математического аппарата. Эти обстоятельства определили цель данной работы и задачи исследования.

Цель диссертационной работы состоит в повышении эффективности систем налогового и финансового контроля на основе новейших интеллектуальных методов моделирования. Для достижения этой цели в диссертационной работе были поставлены следующие задачи:

1. Разработка метода построения нейросетевых моделей восстановления многомерных экономических зависимостей, скрытых в данных.

2. Разработка метода синтеза оптимальных планов выездных налоговых проверок для максимизации налоговых поступлений в бюджет.

3. Разработка метода оценки адекватности нейросетевых моделей.

4. Разработка нейросетевой модели поддержки принятия решений по ситуационному управлению кредитным процессом.

5. Разработка нейросетевой экспертной системы финансового контроля.

Результаты, выносимые на защиту.

1. Модифицированный метод вложенных математических моделей для обратных задач восстановления многомерных зависимостей, скрытых в данных.

2. Метод синтеза оптимальных планов выездных налоговых проверок на основе фрактального и логистического подхода к учету неопределенности.

3. Многоступенчатый метод оценки и управления адекватностью нейро-сетевых моделей финансового контроля.

4. Нейросетевой метод разработки модели поддержки принятия решений по ситуационному управлению кредитным процессом.

5. Алгоритм управления выездными налоговыми проверками и алгоритм управления процессом кредитования клиентов банка.

Научная новизна результатов, выносимых на защиту, их достоверность и теоретическая значимость:

1. Разаработан модифицированный метод вложенных математических моделей (МВММ), содержащий алгоритмы предобработки данных и алгоритмы их аппроксимации с помощью байесовского ансамбля нейросетей, отличается тем, что управление информативностью данных и качеством их аппроксимации производится взаимосвязано для обеспечения состоятельности задачи регуляризации НСМ. В итоге в НСМ достигается оптимальный компромисс между ошибкой обобщения и устойчивостью в условиях триады НЕ-факторов (неточность, неполнота, неопределенность в данных).

2. Разработан гибридный метод синтеза оптимальных планов отбора налогоплательщиков для выездных налоговых проверок, основу которого составляет МВММ, отличающийся тем, что учитывается не только величина индикатора нарушения налогового законодательства, но и вероятность этой оценки: а) для «длинных» временных рядов указанного индикатора — через оценку фрактальной размерности; б) для «коротких» временных рядов - через логистическую трансформацию вероятности.

3. Многоступенчатый (иерархический) метод оценки и управления адекватностью нейросетевых моделей финансового контроля в условиях триады «НЕ-факторов», когда нарушаются практически все предпосылки классического регрессионного анализа, отличающийся тем, что механизм оценки и управления

адекватностью основан на принципе последовательного сужения класса искомых решений обратной задачи восстановления зависимостей:

1) при априорном задании гипотез-нейросетей {Ид}, q = \,Q с учетом эвристической информации об архитектуре нейросетей и передаточных функций промежуточных слоев (оптимизируется длина описания данных);

2) при апостериорной фильтрации гипотез-нейросетей {Ич} по критерию

качества объяснения данных;

3) при осреднении (прямом или весовом) расчетных выходных характеристик моделируемой системы финансового контроля на отфильтрованном ансамбле нейросетевых моделей;

4) при сравнении выходных характеристик с расчетами по альтернативным методам, а также с данными натурных (производственных) экспериментов

Указанные отличительные признаки обеспечивают адекватность НСМ в сложных условиях моделирования, отягченных дефицитом наблюдений.

4. Метод разработки модели поддержки принятия решений по ситуационному управлению кредитным процессом с логистической трансформацией вероятности риска банкротства, отличающийся тем, что показатель экспоненты логистической функции агрегируется с помощью байесовского ансамбля нейросетей в виде многомерной нелинейной динамической функции, что позволяет прогнозировать во времени различные стадии развития процесса банкротства и, соответственно, разрабатывать упреждающие управленческие решения.

5. Предлагаемый алгоритм управления выездными налоговыми проверками отличается от известных методик тем, что очередность проверки объектов налогового контроля ставится в соответствие с синтезированным оптимальным планом отбора налогоплательщиков, что позволяет повысить объективность и достоверность управленческих решений в системе налогового контроля, и, в конечном итоге, увеличить собираемость налогов.

Предлагаемый алгоритм управления процессом кредитования отличается от известных тем, что в нем, на основе динамической нейросетевой модели, учитывается непрерывная зависимость вероятности риска банкротства заемщика от времени. Это позволяет принимать упреждающие управленческие решения по реструктуризации кредитной задолженности.

Перечисленные элементы научной новизны ранее не были известны и опубликованы в приоритетных публикациях автора.

Практическая значимость работы.

Получено свидетельство о государственной регистрации электронного ресурса «Алгоритм построения гибридной нейросетевой модели восстановления скрытых в данных закономерностей в технических и экономических системах» в ОФЭРНиО.

Получено свидетельство о государственной регистрации электронного ресурса «Алгоритм поиска и удаления из данных противоречивых наблюдений» в ОФЭРНиО.

Научное исследование выполнено в 2009 - 2013 гг. в Финансовом университете при Правительстве Российской Федерации (до 2012 г. во Всероссийском заочном финансово-экономическом институте) на кафедре математики и информатики, в рамках комплексной темы «Социально-экономическая политика России в условиях модернизации и перехода экономики на инновационный путь развития». Полученные результаты использованы в работе налоговой инспекции №39 по Республике Башкортостан, получен акт о внедрении.

В дальнейшем полученные в работе результаты могут служить научной базой для модернизации существующих в настоящее время систем финансового контроля.

Апробация работы. Результаты работы обсуждались на следующих конференциях: Всероссийская научно-техническая конференция «Нейроинформа-тика» (Москва, 2011-2014 гг.); Международная заочная научно-практическая конференция «Научная дискуссия: вопросы экономики и управления» (Москва, 2013 г.); Всероссийская научно-практическая конференция «Финансовая поли-

тика инновационного развития России: проблемы и пути решения» (Уфа, 2013 г.); Всероссийская научно-практическая конференция «Социальная ответственность бизнеса: теория, методология, практика» (Уфа, 2010-2011 гг.); Международная научно-практическая конференция «Экономико-математические методы исследования современных проблем экономики и общества» (Уфа, 2013 г.).

Методы исследования. Для решения поставленных в работе задач применялись методы системного анализа, теории принятия решений, методы ней-роматематики, эконометрики, нечетких множеств и математической статистики.

Публикации. Основные результаты, представленные в диссертации, опубликованы в 28 печатных работах; из них 6 статей - в научных журналах, рекомендованных ВАК; 18 работ — в трудах международных и всероссийских конференций; получено 2 свидетельства о регистрации алгоритмов. Автор диссертации участвовал в написании отдельных глав и параграфов в монографиях [26, 59].

Структура и объем работы. Диссертация состоит из введения, четырех глав, заключения, списка использованной литературы из 111 наименований и 4 приложений и содержит 178 страниц основного текста включая иллюстрации и таблицы.

В приложениях приводятся выборки данных, на основе которых были потсроены гибридные нейросетевые модели налогового контроля и диагностики банкротств.

ГЛАВА I. СИСТЕМНЫЙ ПОДХОД К РАЗРАБОТКЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ В СИСТЕМАХ ФИНАНСОВОГО КОНТРОЛЯ В УСЛОВИЯХ

НЕОПРЕДЕ ЛЕНОСТИ

1.1. Элементы системы финансового контроля

Развитие науки и практики финансов, как системы экономических (денежных) отношений между субъектами рыночной экономики по поводу формирования, распределения и использования денежных фондов, средств и ресурсов, за неполные 300 лет, начиная с 1725 года, происходило под влиянием различных экономических школ на разных отрезках указанного периода, менялись представления экономистов о роли государства в управлении экономикой.

В период с 1725 по 1925 годы в экономической науке и практике развитых стран доминировала классическая, а затем неоклассическая экономическая школа, которая отрицала роль государства в экономическом развитии страны, а главным механизмом экономического развития считала рынок.

В период с 1937 по 1975 годы главной доминантой экономического мышления стало кейнсианство, в котором государству отводилась роль регулятора экономики с помощью методов фискальной политики. Основной причиной изменения парадигмы экономического мышления по поводу роли государства в экономике, по нашему мнению, было изменение структуры рынка. Примерно к 1925 г. на большинстве товарных и финансовых рынков конкурентная борьба привела к концентрации капитала в нескольких крупных компаниях. То есть рынки перестали быть конкурентными и рыночные механизмы практически перестали действовать. В результате сильно возросла роль государства по управлению экономикой.

Дальнейшую эволюцию экономической теории, которая предстает перед нами как соперничество различных экономических школ нельзя рассматривать, по мнению большинства исследователей, вне исторического контекста. Вместе с тем, рассматривать эволюцию экономической теории нельзя и вне контекста структуры мировой экономики и глобализации экономических процессов, по-

тому, что мировая экономика неоднородна не только в пространстве, но и во времени.

В Правительстве РФ в период 1992 по 2000 гг. преобладали приверженцы монетаристской экономической школы. Слепое копирование монетаристских методов государственного воздействия на экономику страны привело к дефолту 1998 года. Необходимость государственного регулирования экономики страны стала очевидной.

Принцип разделения властей нашел свое отражение в структуре органов государственного финансового контроля. Так для контроля исполнения бюджета и внебюджетных государственных фондов РФ Советом Федерации и Государственной думой была образована Счетная палата. К числу других органов государственного финансового контроля относятся: Центральный банк РФ, Министерство финансов РФ, Федеральное казначейство, Контрольно-ревизионные органы, Министерство по налогам и сборам РФ, Государственный таможенный комитет, Федеральная служба по валютному и экспортному контролю.

Министерство финансов занимает особое положение в системе финансового контроля. Минфин РФ контролирует исполнение бюджетов и внебюджетных фондов, организацию денежного обращения, использование валютных и кредитных ресурсов, состояние внутреннего и внешнего государственного долга, государственных ресурсов. В состав Минфина входят также специализированные подразделения финансового контроля: Департамент государственного финансового контроля и аудита (образован в 1998 г.) и Департамент страхового надзора, Главное управление федерального казначейства.

Департамент государственного контроля и аудита организует контроль исполнения бюджетов и внебюджетных фондов, организацию денежного обращения, использование валютных и кредитных ресурсов, состояние внутреннего и внешнего государственного долга, государственных ресурсов.

Одной из главных задач федерального казначейства Минфина РФ является осуществление контроля за исполнением федерального бюджета РФ и федеральных внебюджетных фондов. В задачи Казначейства также входит обслужи-

вание совместно с Центральным банком РФ и другими уполномоченными банками государственного внутреннего и внешнего долга РФ, управление доходами и расходами бюджета и внебюджетных государственных фондов на счетах казначейства в банках.

Органом контроля, за исполнением доходной части бюджета, является Федеральная налоговая служба (ФНС) Российской Федерации, которая представляет собой единую и независимую систему инспекционных органов, входящую в систему центральных органов государственного управления. Структура ФНС РФ организована по функциональным и территориальным признакам. Для организации работы с крупнейшими налогоплательщиками сформированы межрегиональные инспекции ФНС РФ.

Одним из серьезных недостатков системы налогового контроля является низкая собираемость налогов в бюджеты разных уровней, что приводит к росту дотационности региональных и местных бюджетов.

Одной из форм государственного контроля является проведение выездных камеральных проверок, цель которых - выявление нарушений налогового законодательства и получение доначислений в бюджет. Ввиду ограниченности ресурсов налоговые органы не в силах организовать проверку всех налогоплательщиков. По мнению руководителя ФНС России Мишустина М.В. необходимо совершенствовать процедуру проведения камеральных проверок налогоплательщиков. Для рационального использования бюджетных средств и трудовых ресурсов выездные налоговые проверки должны проводиться адресно, на основе оценки вероятности нарушения налогового законодательства налогоплательщиком. Для решения этой задачи необходимо создание математико-информационных моделей зависимости налогооблагаемой базы от ряда факторов. В последнее время разработке различных моделей для модернизации налоговой системы уделяется большое внимание [54].

Необходимость внедрения современных и эффективных методов оценки кредитоспособности организаций особенно остро встает в период кризисов, когда роль государственного вмешательства в работу рыночного механизма воз-

растает. В условиях глобализации экономики и ускорения научно-технического прогресса цикличность экономического развития и необходимость адекватного увеличения государственных расходов становятся перманентно действующими факторами, а в этих условиях точные и эффективные методы оценки кредитоспособности организаций, претендующих на получение государственных заказов, становятся определяющими факторами успешного развития как экономики страны в целом, так и ее отдельных регионов и муниципалитетов.

1.2. Системный подход к разработке нейросетевой модели. Основные

понятия и определения

Целью данной работы является как совершенствование конкретных систем налогового администрирования и системы диагностики и прогноза банкротств, так и разработка общей проблемы повышения эффективности нейросе-тевых инструментариев для экономических объектов, отличающихся сложными условиями моделирования, в частности высоким уровнем неопределенности. Из всего многообразия нейросетевых инструментариев наиболее полно исследованы универсальные аппроксиматоры - многослойные персептроны (Multi Layer Perseptron (MLP - сети)) и универсальные классификаторы - самоорганизующиеся карты Кохонена (SOM - карты), а также нейросетевые вероятностные logit- и probit- модели классификации и финансового анализа.

Нейросеть как математико-информационная модель

Нейросетевая модель может быть записана в виде:

Y = F(X,W); XeR" —eiT, (1.1)

где: Y- вектор выходных величин; Х - вектор входных сигналов нейросети; W -матрица синаптических весов; Rn,Rm- пространства вещественных чисел; n, m — размерность векторов входа и выхода нейросети; FQ- оператор нейросетевого

отображения пространства X в пространстве Y.

Следовательно, нейросетевая модель (НСМ) как инструмент отображения есть математическая интеллектуальная (обучаемая на примерах) модель.

С другой стороны, в НСМ, происходит извлечение, структурирование и дальнейшее преобразование информации. С этой точки зрения НСМ - это информационная система, состоящая из блоков преобразования информации. В общем случае НСМ можно рассматривать как «математико-информационную модель».

Системный подход к построению нейросетевых моделей

Оговорим понятие «система», неоднозначно трактуемое в литературе. Наиболее конструктивным, по мнению автора, подходящим для данного исследования является следующее определение: система - это «совокупность элементов, находящихся в рациональных отношениях и связи между собой и образующих в процессе достижения общей цели определенную целостность, единство (синергетическое или интегративное свойство), которое не сводится к сумме свойств элементов», причем границы целостности задаются пределами управления» [70].

Система выступает как нечто целое относительно окружающей среды. Возмущающим воздействиям окружающей среды противостоят внутренние связи между элементами системы, и, чем эти связи сильнее и устойчивее, тем более устойчива система к внешним возмущениям.

Если предметом исследования является НСМ, то её элементами (подсистемами) являются: база данных, алгоритмы обучения, тестирования и верификации сети, алгоритмы отображения текущего преобразования информации, в частности, визуализации и др. Существенным моментом является порождение тех или иных синергетических эффектов при внесении изменений в алгоритмы функционирования НСМ.

Системный подход в данной работе подразумевает исследование во взаимосвязи всех составляющих (или «подсистем») проблемы создания эффективных нейросетевых моделей поддержки принятия решений в интеллектуальных экспертных системах (ИЭС):

• разработки структуры интеллектуальной экспертной системы (ИЭС)

• разработки НСМ как модели представления знаний ИЭС

• разработки концептуального базиса нейросетевого моделирования

• предобработки данных

• регуляризации обучения НСМ

• оценки адекватности НСМ всех подмоделей и общей гибридной модели в задачах восстановления зависимостей, прогноза, классификации

• взаимодействия нейросетевой математико-информационной модели с внешней средой моделируемого объекта.

1.3. Условия моделирования и особенности развиваемого подхода к нейро-сетевому моделированию. Концепция квазистатистики

Разрабатываемые методы и алгоритмы ориентированы на экономические объекты со сложными условиями моделирования, наглядным примером которых являются объекты налогового контроля и диагностики банкротств.

Так в задаче налогового контроля на стадии камеральных проверок [54] в НСМ помимо обычных неизбежных проявлений неопределенности - наличия неучтенных существенных входных факторов и противоречивых данных, зашумления наблюдений, пропущенных (некомплектных) вектор-столбцов и вектор-строк таблицы данных - имеют место специфические для этих объектов сложные условия моделирования:

• Высокий уровень зашумления данных вплоть до их сознательного искажения налогоплательщиками в сторону снижения налогооблагаемой базы.

• Неконтролируемое изменение структуры моделируемых объектов -предприятий (юридических лиц).

• Высокая неоднородность выборки данных по масштабу и условиям функционирования.

• Высокий уровень зашумления данных с неизвестным априори законом распределения шума, который отягчается дефицитом наблюдений. Последнее вызвано тем, что данные налоговых деклараций

предоставляются один раз в квартал в течение 1..3 лет, когда условия внешней экономической среды можно приближенно считать одинаковыми.

К естественным осложнениям условий разработки НСМ, обусловленным прикладным характером задач, мы сознательно добавили еще одно условие теоретического характера - отказ от допущения об задании параметрической функции закона распределения шумов. На это допущение опирается большинство известных подходов к разработке методов регуляризации обучения нейро-сетевых моделей [84], [96], [106]. (см. Рис. 3.2). Возникает вопрос: что дает отказ от допущения о нормальном законе распределения шумов в задачах:

• восстановления фундаментальных зависимостей, скрытых в данных;

• классификации;

Список литературы диссертационного исследования кандидат наук Белолипцев, Илья Игоревич, 2014 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Айвазян С. А., Мхитарян В. С. Прикладная статистика и основы эконометрики. - М.: ЮНИТИ, 1998. - 1023с.

2. Ахмадеев А. М., Комарова Э.А. Оценка банком кредитоспособности заемщика: Учебное пособие. - Уфа: Изд-во Башкирского госуд. ун-та, 2009.-108 с.

3. Бакушинский А. В., Гончарский А. В. Итеративные методы решения некорректных задач: Монография. - М.: Наука. Физмалит, 1989. - 128 с.

4. Банковское дело: современная система кредитования: Учебное пособие / Под ред. засл. деят. науки РФ, д-ра экон. наук, проф. О. И. Лавруши-на. - 3-е изд., доп. - М.: КНОРУС, 2007. - 264 с.

5. Бойкова А. В. Прогнозирование возможного банкротства предприятия: подходы и модели // Современные научные исследования (электронный научный журнал), №3,2011, с.

6. Букаев Г. И., Бублик Н. Д., Горбатков С. А., Сатаров Р. Ф. Модернизация системы налогового контроля на основе нейросетевых информационных технологий. - М.: Наука, 2001. - 344с.

7. Бублик Н. Д., Голичев И. И., Горбатков С. А., Смирнов А. В. Теоретические основы разработки технологии налогового контроля и управления. - Уфа: РИО БашГУ, 2004. - 335 с.

8. Бэстенс Д.-Э., ванн дер Берг В.-М., Вуд Д. Нейронные сети и финансовые рынки: принятие решений в торговых операциях. - М.: ТВП, 1998. -240 с.

9. Васильев Ф. П. Методы решения экстремальных задач: Учебное пособие. М.: Наука. Физмалит, 1981. - 400 с.

10. Васильев В. И., Ильясов Б.Г. Интеллектуальные системы управления. Теория и практика: учебное пособие. - М.: Радиотехника, 2009. - 392 с.

11. Введение в экономико-математические модели налогообложения: Учеб. пособие / под. ред. Д. Г. Черника. - М.: Финансы и статистика, 2000. -256 с.

12. Вдовин В. М. Информационные технологии в налогообложении: Учеб. пособие. - М.: Издательско-торговая корпорация «Дашков и К», 2012. -208 с.

13. Вентцель Е. С. Теория вероятностей: Учебник для вузов. Изд. 4-е, стереотипное. - М.: Наука. Физмат, 1969. - 576 с.

14. Габдрахманова Н. Т. Нейросетевое моделирование камеральных налоговых проверок торговых предприятий и оптимизация их постналогового дохода: диссертация канд. техн. наук: 18.04.2003. - Уфа: Уфимский госуд. авиац. технич. ун-т, 2003. - 201 с.

15. Галушкин А. И. Теория нейронных сетей. Кн. 1: Учебн. пособие для вузов. - М.: ИПРЖ, 2000. - 416 с.

16. Галушкин А. И. Нейрокомпьютеры и их применение на рубеже тысячелетий в Китае. В 2-х томах. Том 1. - М.: Горячая линия - Телеком, 2004. - 367 с.

17. Галушкин А. И. Нейрокомпьютеры и их применение на рубеже тысячелетий в Китае. В 2-х томах. Том 2. - М.: Горячая линия — Телеком, 2004.-464 с.

18. Гатауллин Р. В., Горбатков С. А., Бирюков А. Н., Глущенко О. И. Моделирование бюджетных процессов на муниципальном уровне на основе нейросетей. - Уфа: Изд-во Восточного университета, 2008. - 216 с.

19. Гиляровская Л.Т. Лысенко Д. В., Ендовицкий Д. А. Комплексный экономический анализ хозяйственной деятельности: Учебник. - М.: Изд-во «Проспект». 2007. - 360 с.

20. Головко В. А. Нейронные сети: обучение, организация и применение. Кн. 4: Учебное пособие для вузов / Под ред. А. И. Галушкина. - М.: ИПРЖ, 2001.-256 с.

21. Горбатков С. А., Белолипцев И. И. Гибридный метод оценки риска банкротства на базе байесовского ансамбля нейросетей и logit-модели // Интернет журнал «Науковедение». - 2013, №6(19). - [Электронный ресурс]. - М. 2013. - Режим доступа: http://naukovedenie.ru/PDF/25EVN613 .pdf, свободный - Загл. с экрана.

22. Горбатков С. А., Белолипцев И. И., Макеева Е. Ю. Выбор системы экономических показателей для диагностики и прогнозирования банкротств на основе байесовского подхода и интеллектуальных информационных технологий // Вестник Финансового Университета при Правительстве РФ. - 2013. - №4(76). - с. 50-62.

23. Горбатков С. А., Белолипцев И. И., Солнцев А. О. О состоятельности процедур регуляризации нейросетевых моделей налогового и финансового контроля // Информационные технологии: теоретический и прикладной научно-практический журнал. - 2013. - №11(207). - с. 64-68.

24. Горбатков С. А., Белолипцев И. И., Фархиева С. А. Приближенный метод байесовской регуляризации и двухступенчатая оценка адекватности гибридной нейросетевой модели налогового контроля // Научная сессия НИЯУ МИФИ - 2011: XIII Всероссийская научно-техническая конференция "Нейроинформатика-2011" (г. Москва, 24-28 января 2011 г.):Сб. научных трудов - М.:МИФИ, 2011, с. 144-154.

25. Горбатков С. А., Белолипцев И. И., Фархиева С. А. Использование методов фрактальной теории при ранжировании объектов налогового контроля // XV Всероссийская научно-техническая конференция «Ней-роинформатика - 2013» (Москва, 21-25 января 2013 г.): Сборник научных трудов. В 3-х частях. Ч.З. - М.: НИЯУ МИФИ. 2013, С. 184-192.

26. Горбатков С. А., Полупанов Д. В. Методы нейроматематики в налоговом контроле. — Уфа: Изд. Башгосуниверситета, 2008. — 134 с.

27. Горбатков С. А., Полупанов Д. В., Макеева Е. Ю., Бирюков А. Н. Методологические основы разработки нейросетевых моделей экономических объектов в условиях неопределенности / Под ред. д.т.н., профес-

сора Горбаткова С. А. Монография. - М.: Издательский дом «Экономическая газета», 2012. - 494 с.

28. Гуревич И. М. Законы информатики - основа исследований и проектирования сложных систем // Информационные технологии, 2003, №11 (Приложение к журналу). - 37 с.

29. Давыдова Г. В., Беликов А. Ю. Методика количественной оценки риска банкротства предприятия [Электронный ресурс]. — Режим доступа: http://bankxotstvo.do.am/news/chetyrekhfaktornaja_model/2001-04-24-30 (дата обращения: 9.11.2013).

30. Дебок Г., Кохонен Т. Анализ финансовых данных с помощью самоорганизующихся карт / Пер. с англ. - М.: Издательский дом «АЛПИНА», 2001.-317 с.

31. Деза Е., Деза М. М. Энциклопедический словарь расстояний: Пер. с англ. - М.: Наука, 2008. - 444 с.

32. Доленко С. А. Нейросетевые методы решения обратных задач // XV Всероссийская научно-техничческая конференция «Нейроинформа-тика-2013»: Лекции по нейроинформатике. - М.: НИЯУ МИФИ, 2013, с. 214-268.

33. Дубовиков М.М., Крянев A.B., Старченко Н.В. Размерность минимального покрытия и локальный анализ фрактальных временных рядов. // Вестник РУДН, ТЗ, №1,2004, С. 81-95.

34. Ежов A.A., Шумский С.А. Нейрокомпьютинг и его применение в экономике и бизнесе: Учебник / Ред. проф. В. В. Харитонов. - М.: Изд. Московского инженерно-физического института, 1998. - 224 с.

35. Жданов В. Ю. Как провести финансовый анализ предприятия? 33 подхода к анализу: Обзор. 2012. - 33 с. [Электронный ресурс] Режим доступа: http://beintrend.ru

36. Жданов В. Ю. Диагностика риска банкротства предприятия в трехмерном пространстве // Управление экономическими системами: элек-

тронный научный журнал [Электронный ресурс]. — Режим доступа: http://www.uecs.ru/uecs-32-322011/кет/589-2011-08-31-08-20-55.

37. Жданов В.Ю. Диагностика риска банкротства промышленных предприятий (на примере предприятий авиационно-промышленного комплекса) // Автореферат дисс. на соиск. ученой степени канд. экон. наук. - М.: Московский авиац. ин-т (национальный исследовательский университет), 2012. - 23 с.

38. Зайцева О.П. Антикризисный менеджмент в российской экономике // Аваль (Сибирская финансовая школа). 1998. №11-12. С. 66-73.

39. Иванов В. К. О линейных некорректных задачах // ДАН СССР. - 1962. -Т. 145, №2.-С. 270-272.

40. Иванов В. К., Васин В. В., Танана В. П. Теория линейных некорректных задач и е приложения. - М.: Наука, 1978. - 206 с.

41. Игнатьев Д. И. Метод повышения обобщающей способности нейронных сетей при разнотипных данных // XV Всероссийская научно-техническая конференция «Нейроинформатика - 2013»: Сборник научных трудов. В 3-х частях. 4.2. - М.: НИЯУ МИФИ, 2013, С. 235-244.

42. Игнатьев Д. И. Метод повышения обобщающей способности нейронных сетей при разнотипных данных // XV Всероссийская научно-техническая конференция «Нейроинформатика - 2013»: Сборник научных трудов. В 3-х частях. Ч. 2. - М.: НИЯУ МИФИ, 2013, с. 235-244.

43. Князев Е. Н., Курдюмов С. П. Основания синергетики. - СПб.: Але-тейя, 2002. — 410 с.

44. Ковалев В. В. Финансовый анализ: Управление капиталом, выбор инвестиций, анализ отчетности: Монография. 2-е изд., перераб. и доп. М.: Финансы и статистика, 1998. - 512 с.

45. Колмогоров А. Н. О представлении непрерывных функций нескольких переменных суперпозициями непрерывных функций меньшего числа переменных // Доклады АН СССР, 1958, №5, С. 953-956.

46. Колышкин А. Н. Новые подходы к оценке вероятности банкротства // Приложение к газете «Деловой Петербург» (серия «Бизнес без проблем»), 2003, №3. - 5 е., [Электронный ресурс]. - Режим доступа: http://science.nstu.rU/articles/econom/5/19.pdf.

47. Костерев В. В., Аверкин А. Н. Формальные описания риска в нечетких моделях // Сборник докладов международной конференции по мягким вычислениям и измерениям SCM-2001, Санкт-Петербург, 25-27 июня, 2001.-е. 170-173.

48. Кремер Н. Ш. Путко Б. А. Эконометрика: Учебник для студентов вузов / Под ред. Н. Ш. Кремера. - 3-е изд., перераб. и доп. - М.: ЮНИТИ-ДАНА, 2010.-328 с.

49. Лаврентьев М. М., Романов В. Г., Шишатский С. П. Некорректные задачи математической физики и анализа. - М.: Наука, 1980. - 286 с.

50. Лемешко Б. Ю., Лемешко С. Б. Расширение области применения критериев типа Граббса, используемых при отбраковке аномальных измерений// Измерительная техника.-2005. -№6.-с. 13-19.

51. Майбуров И. А. Налоги и налогообложение: Учебник для вузов. - М.: ЮНИТИ-ДАНА, 2009. - 519 с.

52. Математический энциклопедический словарь / Ред. Ю. В. Прохоров. -М.: Большая Российская энциклопедия, 1995. - 605 с.

53. Местецкий Л. М. Математические методы распознавания образов: Курс лекций. - М.: Изд-во МГУ, 2004. - 85 с.

54. Модернизация налогового контроля (модели и методы): Монография / (Под ред. А. Н. Романова). - М.: Вузовский учебник, 2010. - 320 с.

55. Налоговый Кодекс Российской Федерации. Части I и II // Собрание законодательства РФ, 1998 г.

56. Недосекин А. О. Методологические основы моделирования финансовой деятельности с использованием нечетко-множественных описаний: диссертация доктора экономических наук: 05.13.10. — С. Петербург, -2003.-280 с.

57. Недосекин А. О. Комплексная оценка риска банкротства корпорации на основе нечетких описаний. - [Электронный ресурс]. - Режим доступа: http://sedok.narod.ru/sc-group.html.

58. Недосекин А. О. Применение нечетких множеств в бизнесе, экономике и финансах // Международная конференция «Нечеткие множества и мягкие вычисления в экономике и финансах» (FSSCEF - 2004) (17-20 июня 2004 г., С. Петербург): Послесловие к конф., 2004, с. 1-10. -[Электронный ресурс]. - Режим доступа: httpWwww.fSScef.narod.ru.

59. Нейросетевое математическое моделирование в задачах ранжирования и кластеризации в бюджетно-налоговой системе регионального и муниципального уровней: Монография / С. А. Горбатков, Д. В. Полупанов, А. М. Солнцев, И. И. Белолипцев, М. В. Коротнева, С. А. Фархие-ва, О. Б. Рашитова. - Уфа: Изд-во Башгосуниверситета, 2011. - 224 с.

60. Нейронные сети. STATISTICA Neural Networks: Пер. с англ. - М.: Горячая линия - Телеком. 2001. - 182 с.

61. Нечеткие множества и теория возможностей: Последние достижения / Под ред. Р. Р. Ягера: Пер. с англ. - М.: Радио и связь, 1986.

62. Нужный А. С., Шумский С. А. Регуляризация Байеса в задаче аппроксимации функции многих переменных // Математическое моделирование, 2003, Том 15, №9, с. 55-63.

63. Организация и методы налоговых проверок: Учеб. пособие. - 2-е изд., доп. и перераб. / Под ред. проф. А. Н. Романова. - М.: Вузовский учебник, 2009. - 334 с.

64. Оссовский С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. М.: Финансы и статистика. 2002. — 344 с.

65. Патрик Э. А. Основы теории распознавания образов: Монография / Пер. с англ. под ред. Б. Р. Левина. - М.: Советское радио, 1980. - 408 с.

66. Перегудов Ф. И., Тарасенко Ф. П. Введение в системный анализ: Учебное пособие для вузов. - М.: Высшая школа, 1989. - 367 с.

67. Петере Э. Хаос и порядок на рынках капитала. Новый аналитический взгляд на циклы, цены и изменчивость рынка: Монография. - М.: Издательство «Мир», 2000. - 333 с.

68. Порошина А. М. Возможности моделирования и управления кредитными рисками на основе нейросетевых технологий // Материалы Международной заочной научно-практической конф. Студентов, аспирантов и молодых ученых «Современные проблемы управления риском» (20 октября 2010 г. Пермь) - 10 с. [Электронный ресурс]. - Режим доступа. - http://www.usersearch.psu.ru>files/articles/22 l-80050.doc

69. Поспелов Д. А. Ситуационное управление. Теория и практика. - М.: Наука, 1986. - 288 с.

70. Прангишвили И. И. Системный подход и общесистемные закономерности: Монография. - М.: СИНТЕГ, 2000. - 522 с.

71. Поспелов Д. С. «Серые» и/или «черно-белые» шкалы // Прикладная эргономика. Специальный выпуск «Рефлексивные процессы». - 1994. -№1.-36 с.

72. Просалова В. С. Проблемы оценки кредитоспособности клиентов коммерческих банков: Монография. - Владивосток: Изд-во ВГУЭС, 2008. -180 с.

73. Рахимкулова Г. 3. Принятие управленческих решений при антикризисном управлении предприятием (на основе разработки модели потенциальной неплатежеспособности): Автореф. дисс. канд. экон. наук. - Уфа: Уфимский госуд. авиац. технич. ун-т, 2009. - 19 с.

74. Соболь И. М., Статников Р. Б. Выбор оптимальных параметров в задачах со многими критериями. - М.: Наука, 1981. — 111 с.

75. Тарков М. С., Чиглинцев Е. А. Понижение размерности пространства данных в задаче диагностирования заболеваний щитовидной железы // XIV Всероссийская научно-техническая конференция «Нейроинформа-тика - 2012» (21-25 января 2012 г.): Сборник научных трудов. В 3-х частях. 4.1. - М.: НИЯУ МИФИ, 2012, С. 142-150.

76. Терехов С. А. Нейросетевые аппроксимации плотности распределения вероятности в задачах информационного моделирования // В сб. «Современные проблемы нейроинформатики»: Лекции школы — семинара IV Всероссийской научно-технической конференции «Нейроинформа-тика - 2002» (23-25 января 2002 г., Москва). - М.: МИФИ, 2002. - с. 94119.

11. Тихонов А. Н., Арсенин В. Я. Методы решения некорректных задач. Монография. - М.: Наука. Физмалит, 1979. - 286 с.

78. Тихонов А. Н., Кальнер В. Д., Гласко В. Б. Математическое моделирование технологический процессов и метод обратных задач в машиностроении. - М.: Машиностроение, 1990. - 264 с.

79. Тихонов А. Н., Леонов А. С., Ягола А. Г. Нелинейные некорректные задачи. -М.: Наука, 1995. - 312 с.

80. Хайкин С. Нейронные' сети: полный курс, 2-е издание: Пер. с англ. — М.: Издательский дом «Вильяме», 2006. - 1104 с.

81. Чекинов С. Г. Экспертные системы в системах управления: состояние и перспективы // Информационные технологии, 2001, №4, С. 32-37.

82. Шеннон К. Математическая теория связи. Работы по теории информации и кибернетики. - М.: Изд-во иностранной литературы, 1963, с. 232243.

83. Шеремет А. Д., Сайфуллин Р. С., Негашев Е. В. Методика финансового анализа / 3-е изд., перераб. и доп. - М.: ИНФРА-М, 2001. - 208 с.

84. Шумский С. А. Байесова регуляризация обучения // Лекции школы-семинара «Современные проблемы нейроинформатики» (23-25 января 2002 г., Москва). - М.: МИФИ, 2002, С. 61-94. (file: // Нейро ОК Ин-желсофт.Ыт. - 33 с.)

85. Эконометрика: Учебник / Под ред. д.э.н., проф. В. С. Мхитаряна. - М.: Проспект, 2008. - 384 с.

86. Ярушкина Н. Г. Основы теории нечетких и гибридных систем: Учебное пособие. - М.: Финансы и статистика, 2004. С. 176-217. - 320 с.

87. Altman E. I. Financial ratios, discriminant analysis and the predition of corporate bankruptcy, Journal of Finance, 1968, vol. 23, #9, pp. 589-609.

88. Altman Edward I., Haldeman Robert G., Narayanan P. ZETA Analysys. A new model to identify risk of corporations. Journal of Banking and Finance, 1 (1977), p. 29-54.

89. Altman E.I., Sabato G., 2007. «Modelling credit risk for SMEs - evidence from the US market», ABACUS, vol. 43, nr 3, pp. 332-356.

90. Altman E. I. Corporate Financial Distress. - New York: Jphn Wiley, 1983.

91. Altman E. I., Marco G., Varetto F. (1994): Corporate Distress Diagnosis: Comparisons using Linear Discriminant Analysis And Neural Network (the Italian Experience) // Journal of Banking and Finance. Vol 18 №3, pp.

92. Argenti J. Corporate Collapse - the causes and symptoms. - London: McGraw-Hill, 1976. - 190 p.

93. Aziz M., Dar H. Predicting corporate bankruptcy - where we stand? Corporate Govenance Journal, 2006, №6(1), pp. 18-33.

94. Chin-Fong T., Jhen-Wei W. Using neural network ensemles for bankruptcy prediction and credit scoring. Expert Systems with Applications, 2008, no. 34, pp. 2639-2649.

95. Fisher R. A. Theory of statistical estimation // Proceedings of the Cambridge Philisophical Society, 1925, Vol. 22, p. 700-725.

96. Girosi F., Jones M., Peggio T. Regularization Theory and Neural Networks Architectures // Neural Computation, 1955, vol. 7, pp. 219-269.

97. Godwin U. Neural Network performance on the bankruptcy classification Problem. Computers and Industrial Engineering, 1993, vol. 25, Nos 1-4, pp. 377-380.

98. Guoqiang Z., Hu M. Y., Patuwo B. E., Indro D. C. Artifical neural networks in bankruptcy prediction: General framework and cross-validation analysis // European Journal of Operational Research. - 1999. Vol. 116, pp. 16-32.

99. Harris D, Yann L. C. Improving Generalization Performance Using Double Backpropagation // IEEE Transactions on neural Networks, 1992. Vol. 3, №6, pp. 991-997.

100. Hongkyu J., Ingoo H. Bankruptcy Prediction Using Case-Based Reasoning Neural Networks, and Discriminant Analysis // Expert Systems. 1997, Vol.

13, №2, pp. 97-108.

101. Hsuen-Ju C., Shaio Y. H., Chin-Shien L. Alternative diagnosis of corporate bankruptcy: A neuron fuzzy approach. Expert Systems with Applications, 2009, no. 36, pp. 7710-7720.

102. Joo-Ha N., Taehong J., 2000. «Bankruptcy prediction - evidence from Korea listed companies during the IMF crisis», Journal of International Financial Management and Accounting, nr 11/3, pp. 178-197.

103. Kohonen T. Self-organized formation of topologically correct feature maps // Biological Cybernetics. - Vol. 43,1982. - pp. 59-69.

104. Lili S., Prakash P. S. Using Bayesian networks for bankruptcy prediction: Some methodological issues. European Journal Of Operational Research, 2007, pp. 738-753.

105. Lin L., Piesse J., 2004. "Identification of corporate distress in UK industrials - a conditional probability analysis approach", Jouranl of Applied Financial Economics, nr 14, pp. 73-82.

106. Mac Kay D. Bayesian interpolation. Neural Computation, 1992, vol. 4., pp. 415-447.

107. Ohlson J. A. Financial Ratios and the Probabilistic Prediction of Bankruptcy // Journal of Accounting Research, 18(1), (1980), p. 109-113.

108. Rissanen J. Modeling by shortest data description // Automatica. - 1978. - v.

14.-pp. 465-471.

109. Springate, Gordon L.V. "Predicting the Possibility of Failure in a Canadian Firm", Unpublished M.B.A. Research Project, Simon Fraser University, January (1978).

110. Sunbin C., Jinhwa K., Jae K. B. An integrative model with subject weight based on neural network learning for bankruptcy prediction // Expert Systems with Applications. 2009, №36, pp. 403-410.

111. Taffler, R. 1982. «Forecasting Company Failure in the UK Using Discriminant Analysis and Financial Ratio Data», Journal of the Royal Statistical Society, Vol. 145, no. 3, pp. 342-358.