CC BY
183
УДК 330.46
ИСПОЛЬЗОВАНИЕ ТЕОРИИ НЕЧЕТКИХ МНОЖЕСТВ ДЛЯ АНАЛИЗА РИСКА БАНКРОТСТВА КОММЕРЧЕСКОГО БАНКА
А. Л. Логвинова, Н.В. Ларин
Рассмотрены проблемы управления банковской деятельностью и распределения ресурсов банка на основе концепций теории нечетких множеств. Анализ риска банкротства, реализуемый в данной работе, применим не только к задачам распределения ресурсной базы коммерческих банков, но и к анализу деятельности отдельного предприятия. Изложенный подход позволяет анализировать риск банкротства, настраиваясь не только на страну, период времени, отрасль, но и на само предприятие, на его экономическую и управленческую специфику. Предлагается своего рода конструктор, который может быть использован любым экспертом по своему усмотрению.
Ключевые слова: риск банкротства, нечеткое подмножество, степень риска, лингвистические переменные.
Для расчетов рассмотрим реальные экономические результаты ОАО «Газпромбанк», представленные на официальном сайте банка [1]. По основным финансовым показателям Газпромбанк с 2003 года входит в тройку крупнейших российских банков. Газпромбанк занимает 112 место в мире по величине капитала по версии журнала ТИеВаикег и в ходит в тройку крупнейших банков стран Центральной и Восточной Европы. На протяжении всей своей деятельности Газпромбанк уделяет огромное внимание выполнению требований Банка России по соблюдению обязательных нормативов. Анализ риска банкротства проведем по нескольким периодам. [1]
1. а) Полное множество состояний Е:
Ех- нечеткое подмножество состояний "предельного неблагополучия";
Е2- нечеткое подмножество состояний "неблагополучия";
Е3- нечеткое подмножество состояний "среднего качества";
Е4- нечеткое подмножество состояний "относительного благополучия";
Е5- нечеткое подмножество состояний "предельного благополучия".
б)Соответствующая переменной Е лингвистическая переменная 0«Риск банкротства»:
С ]_- нечеткое подмножество "предельный риск банкротства",
С 2- нечеткое подмножество "степень риска банкротства высокая",
С 3- нечеткое подмножество " степень риска банкротства средняя",
С 4- нечеткое подмножество " низкая степень риска банкротства ",
С 5- нечеткое подмножество "риск банкротства незначителен".
в) Полное множество Б{ значений показателя X:
Вц- подмножество "очень низкий уровень показателя Х;",
Ви- подмножество "низкий уровень показателя Х;",
В13- подмножество "средний уровень показателя Х;",
Вм- подмножество "высокий уровень показателя Х;",
В15- подмножество "очень высокий уровень показателя Х;".
2. Показатели.
В качестве набора отдельных показателей Х={Х;} возьмем обязательные нормативы ЦБ РФ, установленные в Инструкции ЦБ РФ №1 «О порядке регулирования деятельности банков».
Обязательные нормативы ЦБ РФ:
Н1 - норматив достаточности капитала Н2 - норматив мгновенной ликвидности Н3 - норматив текущей ликвидности Н4 - норматив долгосрочной ликвидности Н5 - норматив общей ликвидности
Н6 - максимальный размер риска на первого заемщика или группу связных заемщиков
Н7 - максимальный размер крупных кредитных рисков Н8 - максимальный размер риска на одного кредитора (вкладчика) Н9 - максимальный размер риска на одного заемщика-акционера (участника)
Н10 - максимальный размер кредитов, займов, гарантий и поручительств
Н11 - максимальный размер привлеченных денежных вкладов (депозитов) населения
Н12 - норматив использования собственных средств (капитала) банка для приобретения долей (акций) других юридических лиц
Н13 - норматив риска собственных вексельных обязательств Н14 - норматив ликвидности по операциям с драгоценными металлами
«Газпромбанк» предоставляет данные по следующим из перечисленных нормативам: Н1, Н2, Н3, Н4, Н6, Н7, Н9, Н10, Н12. Поэтому в расчетном примере ограничимся этими показателями.
X = {Хг}, i = 1^,N = 9.
XI = Н1, Х2 = Н2, Х3 = Н3, Х4 = Н4, Х5 = Н6, Х6 = Н7, Х7 = Н9, Х8 = Н10, Х9 = Н12
3. Значимость.
Сопоставим каждому показателю Х;уровень его значимости г;. Разложим все показатели по порядку убывания значимости:
г > Г2 > ... > Г9
г = 2(N - i +1) = 2(9 - i +1) = 10 - i (N -1)N (9 -1)9 36
4. Классификация степени риска.
Построим классификацию текущего значения g показателя степени риска как критерий разбиения этого множества на нечеткие подмножества
Классификация степени риска
Интервал значений g Классификация уровня параметра Степень оценочной уверенности (функция принадлежности)
0 £ g< 0.15 С5- «риск банкротства незначителен» 1
0 .15 < g < 0.25 С5- «риск банкротства незначителен» Ц5 = 10 х (0.25 - g)
С4 - «низкая степень риска банкротства» 5 -
0.25 < g < 0.35 С4— «низкая степень риска банкротства» 1
0.35 < g < 0.45 С4— «низкая степень риска банкротства» ц = 10 х (0.45 - g)
С3 - «степень риска банкротства средняя» т І -
0.45 < g < 0.55 С3— «степень риска банкротства средняя» 1
0.55< g < 0.65 С3— «степень риска банкротства средняя» т = 10 х (0.65 - g)
С2 — «степень риска банкротства высокая» 1- Ц3 = Ц2
0.65 < g < 0.75 С2— «степень риска банкротства высокая» 1
0.75 < g < 0.85 С2— «степень риска банкротства высокая» Ц2 = 10 х (0.85 - g)
Сі— «предельный риск банкротства» 1- Ц2 = Ц1
0.85 < g < 1.0 Сі— «предельный риск банкротства» 1
5. Классификация значений показателей.
Построим классификацию текущих значений х показателей Х как критерий разбиения полного множества их значений на нечеткие подмножества видаВ
6. Оценка уровня показателей.
Произведем оценку текущего уровня показателей и сведем полученные результаты.
7. Классификация уровня показателей.
Анализ классификаций дает показатель норматива достаточности капитала (Н1), показатель максимального риска на одного заемщика-акционера (Н9) и показатель максимального размера кредитов, предоставленных банком своим инсайдерам (Н10) в течение всех анализируемых периодов остаются на «очень высоком уровне». На «среднем» и «высоком уровне» стабильно держатся показатели мгновенной, текущей и долгосрочной ликвидности (Н2, Н3, Н4), показатели максимального размера риска на первого заемщика, крупных кредитных рисков (Н6, Н7), а также показатель норматива использования собственных средств банка для приобретения долей других юридических лиц (Н12). Таким образом, все значения обязательных экономических нормативов, установленных Банком России, выполняются и имеют достаточный запас. Это говорит о высокой надежности и стабильности Г азпромбанка. Банком также выполняются все показатели системы страхования вкладов.
8. Оценка степени риска банкротства.
5 N
g = Ё gj Ё г /=1 i=1
gj = 0.9 - 0.2(/ -1)
Эта оценка показывает, что при высоких и очень высоких уровнях показателей (низких уровней нет вообще) произошло улучшение состояния банка - риск банкротства уменьшился.
9. Лингвистическое распознавание значений gопределяет степень риска банкротства банка «Газпромбанк» (ОАО) как «низкая» для всех периодов анализа. Таким образом, предварительные выводы при анализе классификации уровней показателей остаются в силе. Также стоит отметить, что за анализируемый период показатели мгновенной и текущей ликвидности Банка перешли на «очень высокий уровень» данных нормативов. Рассматривая финансовые показатели деятельности Газпромбанка в совокупности за все периоды, отметим следующие результаты [1]:
1. увеличились активы Банка на 11%;
2. выросли собственные средства (капитал) Банка, рассчитанные в соответствии с Положением Банка России №215-П, на 15%;
3. вырос объем ссудной и приравненной к ней задолженности на
24%;
4. увеличились средства корпоративных клиентов банка на 9%.
Применим метод анализа риска банкротства для другого банка, надежность которого менее стабильна, проведем сравнительный анализ полученных результатов с «Газпромбанком». В условиях экономического кризиса положение многих коммерческих банков заметно ухудшилось. Экономический кризис, как «естественный отбор» в теории эволюции, в живых оставляет самых сильных и приспособленных. В России в первую
166
очередь — это кризис ликвидности предприятий. Большинство банков свернули программы кредитования коммерческой недвижимости, более крупные — повысили ставки и увеличили сроки рассмотрения кредитных заявок с одновременным ужесточением требований к потенциальным заемщикам. Таким образом, в сложившейся ситуации задача определения риска банкротства весьма актуальна. Для рассмотрения возьмем данные одного из коммерческих банков Тулы.
Повторим алгоритм метода анализа риска банкротства для банка Х.
1. Этап 1 (лингвистические переменные и нечеткие подмножества) совпадает с этапом 1 для ОАО «Газпромбанк».
Е — лингвистическая переменная «Состояние предприятия», имеет 5 значений.
С — лингвистическая переменная «Риск банкротства», также имеет 5 значений.
Б} - лингвистическая переменная «Уровень показателя Х», имеет 5 терм-множеств значений.
Все, что по умолчанию предполагалось в описании этапа 1 выше, предполагается и здесь.
2. Этап 2 (показатели).
В качестве показателей также возьмем обязательные экономические нормативы ЦБ РФ.
Банк Х предоставил данные по нормативам Н1, Н2, Н3, Н4, Н6, Н7, Н9, Н10, Н12.
х = [Х-і}, і _ ї#,N _ 9.
3. Этап 3 (значимость).
Аналогично этапу 3 для анализа «Газпромбанка».
г > Г2 > ... > Г9
г _ 2(N - і +1) _ 2(9 - і +1) _ 10 - і
Гі
(N -1)# (9 -1)9 36
4. Этап 4 (классификация степени риска).
Построим классификацию текущего значения g показателя степени риска как критерий разбиения этого множества на нечеткие подмножества
5. Этап 5 (классификация значений показателей).
Построим классификацию текущих значений х показателей Х как критерий разбиения полного множества их значений на нечеткие подмножества видаВ
6. Этап 6 (оценкауровней показателей).
Произведем оценку текущего уровня показателей и сведем полученные результаты.
7. Этап 7 (классификация уровней показателей).
Проведем классификацию текущих значений х по критерию таблицы вида 2. Результатом проведенной классификации является таблица 5,
где 1ij - уровень принадлежности носителя хі нечеткому подмножеству Вj.
S. Этап S (оценка степени риска банкротства).
5N
g = I gj I riby j=1 i=1
gj = 0.9 - 0.2(j -1)
Оценка риска банкротства показала ростриска банкротства на 51%.
Я. Лингвистическое распознавание значений g.
Значения параметров Xi на «низком» и «очень низком» уровнях.
Таким образом, проводя сравнение полученных результатов анализа двух банков можно сделать следующие выводы. Если показатели ОАО «Газпромбанк» (а именно нормативы ЦБ РФ) остаются в течение рассматриваемых периодов в большинстве своем на «высоком» и «очень высоком» уровне, то банк Х держится в лучшем случае на «среднем» и «высоком», но в условиях финансового кризиса показатели спустились до «низкого» и «очень низкого» уровней. Причин этому довольно много. Если «Газпромбанк» - стабильный, с весомой долей поддержки со стороны государства банк, то некрупный коммерческий банк областного уровня (банк Х) данными свойствами разумеется не отличается. Банк Х не имеет финансовых возможностей для развития, увеличения потенциала, т.к. даже обязательные нормативы ЦБ РФ выполняются им не в полной мере. Что и сказывается на резком скачке риска банкротства в условиях неопределенности и экономического кризиса. Таким образом, предложенный метод анализа риска банкротства весьма актуален и применим в современной ситуации для любого коммерческого банка, предоставляющего реальные финансовые результаты своей деятельности.
Список литературы
1. Финансовые результаты ОАО «Газпромбанк» на сайте http://www. gazprombank.ru
Логвинова Анна Леонидовна, магистрант,alleonidovna91 amail.ru, Россия, Тула, Тульский государственный университет,
Ларин Николай Владимирович, канд. ф.-м. наук, доц., alleonidovna91 amail.ru, Россия, Тула, Тульский государственный университет,
USING THETHEORYOFFUZZYSETSFORCOMMERCIAL BANK’S BANKRUPTCYRISK ANALYSIS
A.L. Logvinova, N. V. Larin
1б8
Problems of management of banking activities and the allocation of resources of the bank based on the concepts of the theory of fuzzy sets. Analysis of the risk of bankruptcy, implemented in this paper, we apply not only to the problems of the distribution of the resource base of commercial banks, but also to the analysis of a single company. The presented approach allows us to analyze the risk of bankruptcy, tuning not only the country, the time period, the industry, but also for the company itself, its economic and management specifics. It is proposed a kind of designer that can be used by any expert on your own.
Key words: the risk of bankruptcy, fuzzy subset, the degree of risk, linguistic variables
Logvinova Anna Leonidovna, magistrand, alleonidovna91 amail. ru, Russia, Tula, Tula State University,
Larin Nikolay Vladimirovich, candidate of physical and mathematical science, docent, alleonidovna91@mail. ru, Russia, Tula, Tula State University
УДК 004.738.52
ПОВЕДЕНЧЕСКИЕ МЕТРИКИ ПРИ ОПРЕДЕЛЕНИИ ПЕРВИЧНОГО ДОКУМЕНТА
Н.В. Неелова
Выделены поведенческие метрики сайта, отражающие юзабилити сайта. Выведена формула юзабилити на основе поведенческих метрик с помощью множественной регрессии. Проведены аналитические и экспериментальные проверки, показывающие важность данного параметра в общей формуле определения первичного документа.
Ключевые слова: первичный документ, множественная регрессия, юзабилити, экспертные оценки, система рангов, поведенческие метрики сайта.
В официальных ответах представители поисковых систем заявляли, что поисковые машины не рецензенты и не будут бороться с проблемой воровства контента в сети. Алгоритмы определения оригинала для каждой поисковой системы является закрытой информацией. Однако логически можно выделить следующие факторы, влияющие на определения первичного документа в кластере web-дублей:
— дата создания документа
— релевантность документа запросу
— «доверие к ресурсу» (например, позиция в Каталоге Яндекса, либо высокая посещаемость, либо сайты с высоким показателем Тг^Яапк, либо все перечисленное)
— перелинковка между дубликатами (например, если все дубликаты ссылаются на один и тот же документ — он и есть первоисточник)
169
