CC BY
18Существующие методики агрегирования финансовых данных
Сапогов Александр Александрович
аспирант, кафедра информационных технологий, искусственного интеллекта и общественно-социальных технологий цифрового общества, Российский государственный социальный университет, sapogovmail@gmail.com
Финансовые данные являются ключевым источником информации для оценки финансового положения компании, принятия инвестиционных решений и выявления трендов на рынке. Агрегирование этих данных становится все более важной и, при этом, по мере роста объемов информации и необходимостью более точного анализа, трудновыполнимой задачей. В данном обзоре рассматриваются инновационные методики агрегирования финансовых данных, представленные в современной научной литературе. Отмечается всплеск интереса к методологиям, посредством которых можно провести не просто анализ финансового состояния одной выбранной корпоративной структуры, а анализ целой отрасли, подотрасли, оценить финансовое состояние компаний региона, территории, государства. Кроме того, сделан вывод о том, что доминирующим подходом к агрегированию финансовой информации выступает нейросетевой.
Ключевые слова: финансовый анализ, финансовые данные, агрегирование, агрегат, дата-анализ, нейросеть
Работа с финансовыми данными имеет в современном мире исключительную важность для государств, официальных ведомств, регионов, предприятий. Качественный сбор и анализ данных, циркулирующих во внутренней и внешней среде субъекта финансового анализа, позволяет предугадать и предотвратить негативные тенденции, наиболее эффективно использовать имеющиеся в распоряжении ресурсы, выбрать приоритетные векторы стратегического развития и оценить реальную финансовую обстановку.
Наиболее востребован на данный момент финансовый анализ в бизнес-среде, ведь от его успешного проведения зачастую зависит уровень прибыльности предприятия. Управленцы, опираясь на объективные и оперативные сводные данные, могут вырабатывать адекватные меры стратегического управления или принять решение о комплексном реинжиниринге бизнес-процессов.
В докомпьютерную эпоху, в условиях отсутствия открытых данных о рынках, конкурентах, партнерах и прочих стейкхол-дерах, проведение полноценного дата-анализа финансового аспекта функционирования компании было практически невозможным. Как показывает реальная практика, а также данные множества отечественных и зарубежных исследований, достоверность результатов использования традиционных методик, как правило, оказывается неудовлетворительной, причиной чего А. Н. Морозевич с соавт. называет недостаточную адекватность используемых статических моделей диагностики финансового состояния предприятий и сложности сбора и анализа показателей и факторов [13, с. 138].
Особенно важными в проведении анализа финансовых данных внутренней и внешней среды выступают процессы систематизации, классификации, укрупнения и анализа или, другими словами, агрегирования. О. С. Видмант предлагает определять понятие «агрегирование» следующим образом: процедура объединения ряда разрозненных, гетерогенных элементов в единое целое с целью получения целостного систематизированного массива данных - агрегата [1, с. 775]. Можно также сказать, что агрегирование данных представляет собой процесс объединения, сжатия или преобразования объемного массива данных в более компактную форму с целью выявления общих закономерностей, трендов или структурных характеристик. В современном научном контексте данное понятие описывает процедуру сбора и обработки информации, поступающей из различных источников или получаемой в результате наблюдений, с целью получения более унифицированного представления о предмете исследования. Агрегирование финансовой информации может происходить в двух направлениях: (1) горизонтальный анализ (хронологический/временной/динамический), сущность которого заключается в сопоставлении каждой позиции анализа с предыдущим периодом в относительном и абсолютном виде, а также в калькуляции абсолютных и относительных изменений (отклонений); (2) вертикальный анализ (структурный), направленный на определение структуры итоговых финансовых показателей, с выявлением влияния каждой позиции отчетности на агрегат в целом.
Кроме того, агрегирование финансовой информации может происходить посредством реализации следующих механизмов: (1) объединение и сжатие данных: агрегирование
X X
о
го А с.
X
го т
о
2 О
м «
м см о см
со
о ш т
X
<
т о х
X
включает в себя совокупность методов, позволяющих сгруппировать информационные сегменты по определенным критериям и затем привести их в более компактный вид - к примеру, посредством вычисления средних, сумм, медиан и прочих статистических показателей; (2) выявление закономерностей: агрегирование позволяет выявить общие тенденции, паттерны и закономерности в большом объеме данных, что помогает исследователю делать более обоснованные выводы и принимать решения на основе статистически значимых и достоверных результатов; (3) снижение шума и детализация: агрегирование данных может быть применено с целью снижения уровня зашумленности данных и устранения случайных колебаний и девиаций в данных - т. е. для идентификации стабильных и репрезентативных значений; (4) дифференциация уровней агрегации: данные могут быть агрегированы на разных уровнях детализации, что позволяет анализировать явления как с позиции обобщенной, укрупненной перспективы, так и на более мелких уровнях.
Изначально финансовый анализ производился вручную, посредством существующих расчетных методик и формул. Впоследствии экономисты, финансисты, аналитики и управленцы начали прибегать к компьютерным средствам финансового дата-анализа. Впервые полноценные компьютерные модели автоматизированного сбора и анализа финансовых данных появились в начале 2000-х гг. Таковой, к примеру, является методика, предложенная А. Н. Морозевичем с соавт. (публикация «Методика многоуровневой агрегированной оценки и прогнозирования финансового состояния предприятий» [13]). На сегодняшний день речь идет не только о компьютерных, но и об интеллектуальных - относительно самостоятельных - системах, агрегирующих финансовые данные.
Несмотря на значительное число научных экспериментов и методологий, возникающих на фоне всплеска интереса к интеллектуализации финансового дата-анализа, а также несмотря на массовое внедрение интеллектуальных информационных систем крупными корпоративными структурами по всему миру, интеллектуализация процессов, связанных с поддержкой принятия финансовых и стратегических бизнес-решений при оценивании финансовых состояний, нельзя однозначно констатировать наличие универсальных моделей и программных средств агрегирования финансовых данных.
А. В. Панков и Я. В. Дашкевич говорят о том, что причинами отставания практики от теории выступает недостаточная фор-мализованность используемых моделей: «зачастую отдельные эксперты по-разному оценивают ситуацию, сформированную на основе одинаковых исходных данных» [14, с. 23].
Тем не менее, проблемы агрегирования коммерческой и финансовой информации из нескольких источников различной типологии (эксперты, естественно-языковые тексты, базы данных), а также вопросы создания эффективных технологий автоматизированного приобретения знаний еще долго будут находиться в фокусе внимания специалистов-теоретиков, разработчиков современных интеллектуальных систем и руководителей.
Как показывает анализ новейшей зарубежной и отечественной литературы в рассматриваемой нами предметной области, а также наблюдение за соответствующим сегментом реальной управленческой практики, основными направлениями совершенствовании методологий агрегирования финансовых данных выступают следующие.
Во-первых, наиболее актуальным вектором прикладных разработок становится использование машинного обучения и технологий искусственного интеллекта. Инновационные методики агрегирования финансовых данных включают в себя применение методов машинного обучения и ис-
кусственного интеллекта. Алгоритмы машинного обучения, такие как нейронные сети, метод случайного леса (т. н. «деревья решений» - см. ниже) и глубокое обучение, позволяют автоматизировать процесс агрегирования данных, выявлять неявные зависимости и высокоуровневые закономерности.
Нейросети могут использоваться для анализа финансовых данных компаний, агрегируя информацию о доходах, расходах, прибыли, активах и пассивах. Они могут помочь моделировать и прогнозировать будущие финансовые результаты на основе предыдущих данных за прошлые отчётные периоды. Нейросети могут обрабатывать данные о продажах, рыночных трендах и поведении потребителей. Агрегированные данные помогут компаниям понять, какие продукты пользуются большим спросом, как меняются предпочтения клиентов и какие тренды формируются. Нейросети могут анализировать данные о кибербезопасности, финансовых рисках и угрозах для компаний. Нейросетевое агрегирование данных позволяет выявить аномалии, подозрительное поведение и другие индикаторы потенциальных угроз.
Кроме того, нейросети способны анализировать текстовые данные, такие как новостные статьи, отзывы клиентов и комментарии на социальных платформах. Агрегация такой информации может помочь компаниям понять общественное мнение, восприятие и репутацию. Важно подчеркнуть, что эффективность использования нейросетей зависит от качества данных, обучения модели и выбранного метода агрегации. Также следует учитывать этические и юридические аспекты при работе с данными о компаниях и их клиентах.
С. А. Горбатков с соавт. говорит о том, что в современных условиях агрегирование финансовых данных априори не может быть осуществлено без участия нейросетей. В предлагаемой авторами методологии («Гибридный метод структурного синтеза и регуляризации нейросетевой динамической модели банкротств корпораций», 2020 г. [3]) анализируется эмер-джентный эффект, обусловленный «комплексированием нейросетевых технологий и агрегированием экзогенных переменных на базе обобщенных функций желательности Хар-рингтона» [3, с. 1 -2]. В последующих исследованиях авторы совершенствуют методику и ориентируют ее на выполнение реальных прикладных задач, характеризующихся ужесточением условий агрегирования (зашумление или даже намеренное искажение финансовых данных, неполнота, отсутствие количественной информации и необходимость интерпретации качественной и проч.) [4].
Нейросетевые методики вырабатывают, помимо прочего, А. Е. Краснов, С. А. Красников, С. В. Николаева, Е. А. Чернов, Ю. Л. Сагинов («Агрегированное параметрическое описание состояний сложных систем на разных уровнях иерархии», 2013 г. [8], «Алгебраические основы нейросетевой декомпозиции и агрегирования динамических систем», 2015 [10], «Нейросете-вой подход к проблеме оценивания эффективности функционирования организации на основе агрегирования показателей ее деятельности», 2017 г. [12]; [9]; [11] и др.).
Во-вторых, набирают популярность графовые базы данных и сетевой анализ. Использование графовых баз данных и методов сетевого анализа позволяет агрегировать финансовые данные в виде связей между компаниями, финансовыми инструментами и событиями. Данный метод позволяет выявить системные риски, взаимосвязи и влияние различных факторов на состояние финансового рынка или на конкретную компанию [5].
В-третьих, все чаще исследователи обращаются к инструментарию, позволяющему обрабатывать естественный язык. Инновационные методики включают в себя технологии обработки естественного языка ^Р) для агрегирования финансовой и «околофинансовой» информации из новостных
статей, отчетов и комментариев. Данные методологии позволяют компаниям и инвесторам быстрее реагировать на новости и события, которые могут повлиять на состояние финансового рынка и финансовое положение корпоративной структуры [15].
В-четвертых, современных цифровой инструментарий позволяет по-новому взглянуть на методы прогнозирования, моделирования и симуляций. Создание синтетических данных и проведение симуляций на сегодняшний день является одним из наиболее перспективных способов агрегирования данных, прогнозирования финансовых результатов и оценки будущих рисков. Данные инструменты применяются в условиях недостатка данных открытого доступа или при необходимости предсказать поведение на основе различных сценариев.
О.С. Видмант («Прогнозирование волатильности финансовых временных рядов ансамблями деревьев», 2018 г. [2], «Применение агрегирования финансовых временных рядов для улучшения прогностических характеристик моделей», 2017 г. [1] и др.) говорит о том, что на первый взгляд сложности в моделировании, симуляции и прогнозе как таковой нет, но, как показывает реальная практика, секторальная специфика накладывает отпечаток на финансовый анализ и существенно затрудняет его. К примеру, в большинстве случаев показатели финансового состояния компаний могут быть успешно соотнесены с соответствующими нормативными значениями, но, к примеру, в строительной отрасли на получение достоверных данных влияет множество изменяющихся в течение года факторов, в том числе и неопределенностей различного рода. Как указывает О. С. Вид-мант, применительно к деятельности современных финансово-экономических объектов отрасли, построение динамической модели банкротств не может быть выполнено известными методами диагностики банкротств, основанными на использовании 1-счета Альтмана и различных модификациях этого метода [2]. Автор предлагает парировать проявления неопределенностей в моделирования посредством адаптивной интеллектуальной модели, имеющей средства оперативной подстройки параметров модели к динамике ситуации.
Наконец, в-пятых, находят широкое применение комбинированные методики, сочетающие в себе признаки двух или нескольких методологий из вышеперечисленных. А. Н. Морозевич, к примеру, предлагает методику многоуровневой агрегированной оценки и прогнозирования финансового состояния предприятий, которая сочетает в себе два вида дата-анализа: агрегирование данных в условиях неопределённости и прогнозирование; система оценки финансового анализа может быть использована не только в стратегическом управлении, но и как элемент процедуры диагностики и прогнозирования банкротства. Кроме того, подобные системы, указывают В. Мургул и В. Пухал, могут стать основой для реинжиниринга бизнес-процессов [16], а также при запуске проектов (для анализа чувствительности проектных решений) [13]. Исследователи предлагают, помимо прочего, такие методы агрегирования данных, как деревья решений (модели, используемые для получения в задачах регрессии и классификации на основе алгоритма расщепления данных на несколько сегментов при использовании различных моделей расчета в каждом сегменте), ансамблевые методы(логическое продолжение модели деревьев решений, дающее взвешенные оценки).
В последнее время можно также отметить всплеск интереса к методологиям, посредством которых можно провести не просто анализ финансового состояния одной выбранной корпоративной структуры, а анализ целой отрасли, подотрасли,
оценить финансовое состояние компаний региона, территории, государства. Макроэкономический аспект дата-анализа финансовой информации имеет важность как для юридических лиц, занятых коммерческой деятельностью, так и для государственных - федеральных, региональных, муниципальных - ведомств.
Как отмечает С. О. Крамаров (с соавт.), в настоящий момент существует достаточно много программных продуктов, а также инструментов машинного обучения, которые могут проводить финансово-экономический анализ отдельных предприятий (т. е. финансовый дата-анализ на микроэкономическом уровне), но, при этом, практически не представлены цифровые инструменты, осуществляющие агрегирование финансовой информации по конкретной отрасли.
Причинами отсутствия действенного инструментария интеллектуального финансового макроэкономического и секторального анализа, по мнению авторов, выступают следующие: (1) данные о фирмах представлены в нестандартном для финансового анализа виде; (2) данные находятся в закрытом доступе и представлены не по всем предприятиям отрасли (или, по крайнее мере, нет данных по большинству из них, благодаря чему выборка для анализа может считаться репрезентативной); (3) данные не проверены, содержат ошибки, недостоверны; (4) данные представлены в разнородной форме за разные годы, либо отсутствуют данные за некоторые периоды; (5) данные представлены в виде изображений на веб-сайтах, либо веб-сайты не позволяют копировать данные. Кроме того, даже в отсутствие барьеров, перечисленных выше, существуют и чисто технические проблемы, которые осложняют агрегирование финансовой информации: (6) проблемы САРТСНА (практика блокировки веб-сайтов после ряда однотипных обращений, поступающих со стороны системы, проверка ссю^е-файлов, введение лимитов по количеству обращений в сутки и проч.); (7) данные представлены в непригодном для парсинга [6, с. 40]. В данной связи авторы представили собственное По, которое ориентировано на решение задач агрегирования данных, необходимых и достаточных для проведения анализа финансово-экономического состояния конкретной отрасли (ИТ) (С. О. Крамаров с соавт., «Автоматизированный сбор данных ключевых финансовых показателей предприятий ^-отрасли региона», 2022 г. [7]).
Таким образом, выработка новых эффективных методик агрегирования финансовых данных играет важную роль в современной коммерческой сфере, обеспечивая компаниям и инвесторам более точные и глубокие аналитические возможности. Применение машинного обучения, сетевого анализа, обработки естественного языка и других передовых методик содействует более эффективному принятию решений и управлению рисками. Дальнейшие исследования в этой области будут способствовать развитию новых инновационных подходов к агрегированию финансовых данных.
Литература
1. Видмант, О. С. Применение агрегирования финансовых временных рядов для улучшения прогностических характеристик моделей i О. С. Видмант II Экономика и предпринимательство. - 2017. - № 8. - Ч.4. - С.775-779.
2. Видмант, О.С. Прогнозирование волатильности финансовых временных рядов ансамблями деревьев / О. С. Видмант // Мир новой экономики. - 2018. - №12. - Вып. 3. - С. 8289.
3. Горбатков, С. А. Гибридный метод структурного синтеза и регуляризации нейросетевой динамической модели банкротств корпораций / С. А. Горбатков, С. А. Фархиева // Вестник евразийской науки. - 2020. - №3. - С. 90-99.
X X
о
го А
с.
X
го т
о
2 О
м «
fO CN О
cs
0Э
о ш m
X
<
m О X X
4. Горбатков, С. А. Метод агрегирования переменных нейросетевой модели в обратных задачах восстановления зависимости в условиях высокой размерности пространства признаков и зашумленности данных / С. А. Горбатков, С. А. Фархиева, Е. Ю. Горбаткова // Вестник евразийской науки. - 2018. - №1. - 12 с.
5. Колышкин, А. В. Прогнозирование финансовой несостоятельности предприятий / А. В. Колышкин, Е. В. Гиленко, С. Е. Довженко, С. А. Жилкин, С. Е. Чов // Вестник Санкт-Петербургского университета. Экономика. - 2014. - №2. - С. 122-142.
6. Крамаров, С. О. Автоматизированный сбор данных ключевых финансовых показателей предприятий it-отрасли региона / С. О. Крамаров, В. А. Овсянников, Л. В. Сахарова, Р. С. Усатый, Г. В. Лукьянова // ВК. - 2022. - №3 (47). - С. 39-45.
7. Крамаров, С. О. Методика оценки финансово-экономического состояния отрасли региона на основе алгоритма нечетко-множественного агрегирования финансово-экономических показателей / С. О. Крамаров, Е. А. Арапова // Вестник СурГУ. - 2022. - №3 (37). - С. 23-34.
8. Краснов, А. Е. Агрегированное параметрическое описание состояний сложных систем на разных уровнях иерархии / А. Е. Краснов, С. А. Красников, С. В. Николаева, Е. А. Чернов // Инновационные информационные технологии. - Материалы международной научно-практической конференции (Прага, 22 - 26 апреля 2013 г.). - Том 2. - М.: МИЭМ НИУ ВШЭ, 2013. - С. 278 - 285.
9. Краснов, А. Е. Агрегированное описание состояний сложных систем на основе парных взаимодействий их элементарных подсистем / А. Е. Краснов, Ю. Л. Сагинов, Н. А. Феоктистова, Е. А. Чернов // Технологии XXI века в лёгкой промышленности (электронное научное издание). - № 7. Часть II. - 2013. - №5.
10. Краснов, А. Е. Алгебраические основы нейросетевой декомпозиции и агрегирования динамических систем. / А. Е. Краснов, Ю. Л. Сагинов, Н. А. Феоктистова // Современные информационные технологии в образовании, науке и промышленности. - Труды V Международной конференции III Международного конкурса научных и научно-методических работ (Москва, МГУТУ им. К.Г. Разумовского (ПКУ), 13 - 14 мая 2015 г.). - М.: Издательство «Спутник+», 2015. - С. 23-27.
11. Краснов, А. Е. Количественное оценивание качества многопараметрических объектов и процессов на основе нейросетевой технологии / А. Е. Краснов, Ю. Л. Сагинов, Н. А. Феоктистова // Сборник научных трудов Всероссийской конференции «Информационные технологии, менеджмент качества, информационная безопасность» (IT&MQ&IS-2015) - (20 - 25 мая 2015 г.). Учебно-научная база КБГУ в Приэльбрусье (п. Эльбрус) / Приложение к журналу «Качество. Инновации. Образование». - №5, том 2. - 2015. - С. 97-108.
12. Краснов, А. Е. Нейросетевой подход к проблеме оценивания эффективности функционирования организации на основе агрегирования показателей ее деятельности / А. Е. Краснов, Е. Н. Надеждин, Д. Н. Никольский, А. А. Калачев // Информатизация образования и науки. - 2017. - № 1 (33). - С. 141-154.
13. Морозевич, А. Н. Методика многоуровневой агрегированной оценки и прогнозирования финансового состояния предприятий / А. Н. Морозевич и [др.] // Бухгалтерский учет и анализ. - 2001. - № 11. - С. 25-30.
14. Панков, А. В. Интеллектуальный анализ данных для задач идентификации состояний объектов контроля в условиях неопределенности / А. В. Панков, Я. В. Дашкевич // Интеллектуальные технологии на транспорте. - 2019. - №4 (20). - С. 22-27.
15. Тубольцев, М. Ф. Системная методика агрегирования показателей доходности в финансовых операциях / М. Ф. Тубольцев // Известия ЮФУ. Технические науки. - 2005. - №8. -С. 94-98.
16. Murgul, V. Hierarchical quasi-neural network data aggregation to build a university research and innovation
management system / V. Murgul, V. Pukhkal // International Scientific Conference Energy Management of Municipal Facilities and Sustainable Energy Technologies EMMFT. - 2019. - EMMFT 2019. Advances in Intelligent Systems and Computing. - Vol 1259. - Springer, Cham.
Existing methods for financial data aggregation Sapogov A.A.
Russian State Social University
JEL classification: C01, C02, C1, C4, C5, C6, C8_
Financial data is a key source of information for evaluating a company's financial position, making investment decisions and identifying market trends. The aggregation of this data is becoming increasingly important, and at the same time difficult, as the amount of information grows and the need for more precise analysis is required. This review examines innovative methods for aggregating financial data presented in modern scientific literature. There is a surge of interest in methodologies through which it is possible to carry out not just an analysis of the financial condition of one selected corporate structure, but an analysis of an entire industry, sub-sector, to assess the financial condition of companies in a region, territory, state. In addition, it was concluded that the neural network is the dominant approach to the aggregation of financial information. Keywords: financial analysis, financial data, aggregation, aggregate, data analysis,
neural network References
1. Vidmant, O. S. Application of aggregation of financial time series to improve the
predictive characteristics of models / O. S. Vidmant // Economics and Entrepreneurship. - 2017. - No. 8. - Part 4. - P.775-779.
2. Vidmant, O.S. Forecasting the volatility of financial time series by ensembles of
trees / O. S. Vidmant // World of New Economics. - 2018. - No. 12. - Issue. 3. -S. 82-89.
3. Gorbatkov, S. A. A hybrid method of structural synthesis and regularization of a
neural network dynamic model of corporate bankruptcies / S. A. Gorbatkov, S. A. Farhieva // Bulletin of Eurasian Science. - 2020. - No. 3. - S. 90-99.
4. Gorbatkov, S. A., Farhieva S. A., Gorbatkova E. Yu., The method of aggregating
variables of a neural network model in inverse problems of dependence recovery under conditions of high dimension of the feature space and noisy data, Vestn. . - 2018. - No. 1. - 12 s.
5. Kolyshkin, A. V. Forecasting the financial insolvency of enterprises / A. V. Kolyshkin,
E. V. Gilenko, S. E. Dovzhenko, S. A. Zhilkin, S. E. Chov // Bulletin of St. Petersburg University. Economy. - 2014. - No. 2. - S. 122-142.
6. Kramarov, S. O. Automated data collection of key financial indicators of enterprises
in the IT industry of the region / S. O. Kramarov, V. A. Ovsyannikov, L. V. Sakharova, R. S. Usatii, G. V. Lukyanova / / VC. - 2022. - No. 3 (47). - S. 39-45.
7. Kramarov, S. O., Arapova E. A. Methodology for assessing the financial and
economic state of the region's industry based on the algorithm for fuzzy-multiple aggregation of financial and economic indicators. Vestnik SurGU. - 2022. - No. 3 (37). - S. 23-34.
8. Krasnov, A. E. Aggregated parametric description of the states of complex systems
at different levels of hierarchy / A. E. Krasnov, S. A. Krasnikov, S. V. Nikolaeva, E. A. Chernov // Innovative information technologies. - Materials of the international scientific and practical conference (Prague, April 22-26, 2013). -Volume 2. - M.: MIEM NRU HSE, 2013. - P. 278 - 285.
9. Krasnov, A. E. Aggregated description of the states of complex systems based on
pair interactions of their elementary subsystems / A. E. Krasnov, Yu. L. Saginov, N. A. Feoktistova, E. A. Chernov. light industry (electronic scientific edition). - No. 7. Part II. - 2013. - No. 5.
10. Krasnov, A. E. Algebraic foundations of neural network decomposition and aggregation of dynamic systems. / A. E. Krasnov, Yu. L. Saginov, N. A. Feoktistova // Modern information technologies in education, science and industry. - Proceedings of the V International Conference of the III International Competition of Scientific and Scientific Methodological Works (Moscow, Moscow State University of Technology named after K.G. Razumovsky (PKU), May 1314, 2015). - M.: Publishing house "Sputnik +", 2015. - S. 23-27.
11. Krasnov, A. E. Quantitative assessment of the quality of multi-parameter objects
and processes based on neural network technology / A. E. Krasnov, Yu. , information security" (IT&MQ&IS-2015) - (20 May 25, 2015). Educational and scientific base of KBSU in the Elbrus region (Elbrus village) / Supplement to the journal "Quality. Innovation. Education". - No. 5, volume 2. - 2015. - S. 97-108.
12. Krasnov, A. E. Neural network approach to the problem of assessing the effectiveness
of the functioning of an organization based on the aggregation of indicators of its activities / A. E. Krasnov, E. N. Nadezhdin, D. N. Nikolsky, A. A. Kalachev // Informatization of education and science. - 2017. - No. 1 (33). - S. 141-154.
13. Morozevich, A. N. Methods of multi-level aggregated assessment and forecasting
of the financial condition of enterprises / A. N. Morozevich and [others] // Accounting and analysis. - 2001. - No. 11. - S. 25-30.
14. Pankov, A. V., Dashkevich Ya. V. Data mining for the tasks of identifying the states
of control objects under uncertainty / A. V. Pankov, Ya. V. Dashkevich // Intelligent technologies in transport. - 2019. - No. 4 (20). - S. 22-27.
15. Tuboltsev, M. F. A systematic method for aggregating profitability indicators in
financial transactions / M. F. Tuboltsev // Izvestiya SFedU. Technical science. -2005. - No. 8. - S. 94-98.
16. Murgul, V. Hierarchical quasi-neural network data aggregation to build a university
research and innovation management system / V. Murgul, V. Pukhkal // International Scientific Conference Energy Management of Municipal Facilities and Sustainable Energy Technologies EMMFT. - 2019. - EMMFT 2019. Advances in Intelligent Systems and Computing. - Vol 1259. - Springer, Cham.
