DOI: 10.33917/mic-4.93.2020.47-56

В дан­ной ста­тье ис­сле­ду­ет­ся про­бле­ма про­гно­зи­ро­ва­ния банк­ротств фирм с ис­поль­зо­ва­ни­ем дан­ных о пла­теж­ной дис­ци­плине. Боль­шин­ство преды­ду­щих ис­сле­до­ва­те­лей ис­поль­зо­ва­ли в ка­че­стве ис­точ­ни­ка дан­ных бух­гал­тер­ский ба­ланс, тогда как дан­ные о пла­теж­ной дис­ци­плине поз­во­лят со­кра­тить время до при­ня­тия ре­ше­ния по фирме, а также по­лу­чить оцен­ки бла­го­на­деж­но­сти, ос­но­вы­ва­ясь на дан­ных дру­го­го типа. Для про­гно­зи­ро­ва­ния банк­ротств фирм была пред­ло­же­на новая ме­то­ди­ка ра­бо­ты с силь­но несба­лан­си­ро­ван­ны­ми дан­ны­ми, за­клю­ча­ю­ща­я­ся в обу­че­нии клас­си­фи­ка­то­ров на спе­ци­аль­но сфор­ми­ро­ван­ных под­вы­бор­ках и усред­не­нии по­лу­чен­ных ре­зуль­та­тов. В роли клас­си­фи­ка­то­ра на под­вы­бор­ках вы­сту­пал слу­чай­ный лес (Random forest), а для про­вер­ки ка­че­ства мо­де­ли ис­поль­зо­вал­ся AUC-score, ко­то­рый по­ка­зал хо­ро­шие ре­зуль­та­ты.

Ис­точ­ни­ки:

1. Andrjovská A., Bánociová A. Payment discipline in business environment// Procedia Economics and Finance. 2014. Т. 15. С. 1217-1224.

2. Bekkar M., Djemaa H. K., Alitouche T. A. Evaluation measures for models assessment over imbalanced data sets // J Inf Eng Appl. 2013. Т. 3. № 10.

3. 5, class imbalance, and cost sensitivity: why under-sampling beats over-sampling / C. Drummond, R. C. Holte [и др.] // Workshop on learning from imbalanced datasets II. Т. 11. Citeseer. 2003. С. 1-8.

4. Dimensionality reduction for fast similarity search in large time series databases / E. Keogh [и др.] // Knowledge and information Systems. 2001. Т. 3. № 3. С. 263-286.

5. Hu W. Overdue invoice forecasting and datamining: дис….канд./ Hu Weikun. Massachusetts Institute of Technology, 2016.

6. Kiang M.Y. A comparative assessment of classification methods //Decision Support Systems. 2003. Т. 35. № С. 441-454.

7. Kotsiantis S. B., Zaharakis I., Pintelas P. Supervised machine learning: A review of classification techniques// Emerging artificial intelligence applications in computer engineering. 2007. Т. 160. С. 3-24.

8. Kumar P. R., Ravi V. Bankruptcy prediction in banks and firms via statistical and intelligent techniques -A review // European journal of operational research. 2007. Т. 180. № 1. С. 1-28.

9. Ohlson J.A. Financial ratios and the probabilistic prediction of bankruptcy //Journal of accounting research. 1980. С. 109-131.

10. Predicting financial distress of companies: revisiting the Z-score and ZETA models/ E.I. Altman [и др.] // Stern School of Business, New York University, 2000.