Описание базы данных

С целью выделить факторы, определяющие кредитный риск для МСП (фирм с числом работающих менее 50), мы рассмотрели 23 польских финансовых организации (их полный список приведен в приложении 1 к данной главе).
Это исследование, являющееся про-должением сделанного в работе Джорджа [121], дало основу для по-строения содержательной базы данных, включающей 60 гипотетических наблюдений для 26 описывающих показателей. Затем были приглашены специалисты в области кредитного дела из 14 новых финансовых организаций, и им было предложено оценить привлекательность инвестиций в МСП (под привлекательностью понимается способность фирмы вернуть долг с процентами), ответив на следующие три вопроса:
• Считаете ли вы, что это МСП столкнется с финансовыми трудно-стями в течение ближайших 6 месяцев?
• Считаете ли вы, что это МСП столкнется с финансовыми трудно-стями в течение ближайших 18 месяцев?
• Изменили бы вы свою оценку, если бы в деле присутствовал пол-ноценный залог?
С нами согласились сотрудничать 12 специалистов (43%). Мы рассчитывали на их способности к «ех ante» прогнозированию фи-нансовых трудностей. Б качестве зависимой переменной выбирался усредненный прогноз того, будет ли данная фирма испытывать фи-нансовые трудности в ближайшие 6 месяцев. Так как мы не располагали никакой информацией о вероятности принадлежности фирм к группам, то мы изначально взяли вероятности одинаковыми для всех групп.
Один из случаев был отброшен, потому что целевую переменную невозможно было вычислить. В целом все эксперты оценили базу данных как содержательную и прислали свои ответы по факсу в течение 10 дней. Некоторые из них отметили сложность решения вопроса о кредитоспособности вне связи с его обеспечением.
В табл. 8.1 представлено репрезентативное подможество гипоте-тической базы данных, которое было предложено экспертам. Сово-купность переменных включает 21 нефинансовый показатель, значения которых обозначаются буквосочетаниями, и 5 финансовых показателей.
Группа А: Признаки данной компании или отрасли (6 переменных)
Отрасль промышленности (обозначается двубуквенным сокраще-нием) является очень важной переменной, поскольку от нее непо-средственно зависят значения финансовых показателей и чувстви-тельность фирмы к изменениям окружающей обстановки. Мы не брали межотраслевые компании, чтобы не было возможной потери информации. Были выделены 8 отраслей: торговля (ТО), услуги, пи-щевая промышленность, легкая промышленность (МА), сельское хо-зяйство, строительство (СО), транспорт и прочее. Предполагалось, что компании не очень отличаются друг от друга размерами. Рыночный потенциал учитывает спрос на товары или услуги, производимые фирмой, и зависит от того, в какой области работает компания. Положение на рынке оценивает соотношение цена/качество и конку-рентноспособность фирмы. Экспорт (обозначение буквенное: Y/N) учитывает степень участия фирмы в экспортно-импортных операциях. Помещения: собственность/аренда (обозначение буквенное: O/R) указывает, владеет ли компания основными производственными помещениями. С арендой в Польше очень трудно из-за крайне высоких ставок, очень коротких (в пределах года) сроков и возможности отдавать недвижимость в залог. Возраст компании делит фирмы на старые (> 3 лет) и молодые.
Группа В: Организационные факторы m (9 переменных)
Структура собственности (буквенное обозначение) указывает на одну из семи категорий: совместное предприятие, предприятие с ог-раниченной ответственностью (LL = Limited Liability), гражданское товарищество, зарегистрированное товарищество, товарищество с ограниченной ответственностью, частное предприятие и частное лицо, зарегистрированное как фирма. Связь управляющий/владелец ха-рактеризует, насколько эти два лица связаны (одно и то же лицо, родственники, друзья, знакомые, не связаны). Централизованное принятие решений и гибкость организации в динамичных экономи-ческих условиях— очень важные факторы, выделенные Арженти [15]. Благонадежность управляющего показывает, насколько эксперт уверен в том, что управляющий будет считать себя обязанным вернуть долг с процентами.
При решении этого вопроса польские банки без колебаний полагаются на сведения, полученные из полиции. Смысл остальных четырех переменных ясен без комметнариев: возраст управляющего, число работников, стаж работы управляющего на руководящей работе (а) в бизнесе вообще, (Ъ) — на данной фирме.
Группа С: Макроэкономические показатели (6 переменных)
Шансы МСП на выживание зависят от следующих важнейших макроэкономических факторов: инфляция, прямые налоги, косвенные налоги, таможенные и акцизные сборы, курсы обмена иностранных ва-лют. Несомненно, что введение в июле 1993 г. налога на добавленную стоимость поднимет уровень цен, и такое изменение будет очень чувствительным в ситуации, когда покупательная способность и рентабельность падают. Экологическая безопасность производства в настоящий момент, может быть, не имеет решающего значения, однако ввиду того, что южные районы Польши сильно загрязнены, экологическая безопасность проекта может положительно повлиять на решение о предоставлении кредита. Для поддержки «зеленых» проектов была создана специальная общественная организация — Национальный фонд защиты окружающей среды и водных ресурсов.
Группа d: Финансовые показатели я ? (5 переменных)
Финансовые показатели заимствованы из «Z-модели» MDA Альт-мана. Чистая маржа — это отношение чистого дохода к обороту. Коэффициент покрытия при обслуживании долга — это отношение прибыли до уплаты процентов и налогов (EBIT) к затратам на выплату процентов. Отношение ликвидности фирмы к сумме долговых обязательств выражает степень ликвидности позиции фирмы. Рост объема продаж— относительное (процентное) увеличение общего объема продаж — можно рассматривать как трендовую переменную. Наконец, дебиторский показатель — это средний срок платежей в днях (средний дебет / [чистый объем продаж х 360]).
Для обработки данных использовалась MBPN-сеть с логистическими функциями активации. Предполагалось, что после обучения сеть будет в состоянии правильно классифицировать новые (незнакомые ей) компании. В качестве исходной точки для сравнений была взята обычная линейная MDA-модель. Однако для метода MDA требуется, чтобы переменные были числовыми, — с буквенными или порядковыми переменными он работать не может. Проблема сведения всех показателей к числовым была решена при помощи нелинейного анализа главных компонент.
Нелинейный анализ главных компонент
С помощью нелинейного анализа главных компонент (АГК) мы не только преобразовали буквенные и порядковые переменные в числовые, но и уменьшили размерность множества данных с 26 (число переменных) до 5 (число значимых факторов). После этого, конечно, становится труднее представить себе суть этих новых составных переменных и понять, какое влияние каждая из них оказывает на ре-зультаты классификации. При АГК для каждого наблюдения вычис-ляются определенные числовые показатели этого объекта в каждом значимом измерении. Эти показатели (которые можно назвать ко-личественными выражениями того, обладает ли объект тем или иным свойством) и используются в качестве входных данных для MDA. В итоге АГК дает новый набор данных меньшей размерности, чем у исходного (5 вместо 26), где уже все переменные являются числовыми. Конечно, эти два набора данных тесно связаны, поскольку
пять новых измерений охватывают большую часть степеней свободы, имевшихся в исходных данных. В отличие от МРА, которая не может работать с данными в исходном виде, сеть способна воспринимать информацию в различной форме. Поэтому мы брали не одну, а две сети и обучали одну из них на исходном множестве данных, а другую — на преобразованном. По результатам второго эксперимента можно сравнивать между собой качество работы сети и \ША.
АГК был выполнен с помощью модуля обработки категорий пакета ЭРБЭ+УРС, версия 5.01. В приложении 2 к этой главе приведены веса компонент в 5 значимых измерениях и собственные числа. Для примера там были взяты 10 первых компаний.
<< | >>
Источник: Бэстенс Д.-Э.. Финансовая и страховая математика. Нейронные сети и финансовые рынки. 1997

Еще по теме Описание базы данных:

  1. Описание базы данных голландского инвестиционного банка
  2. Информационные базы данных
  3. Платные базы данных
  4. Хранилища данных и базы знаний — перспектива развития ИО в управлении
  5. Государственная пошлина за совершение уполномоченным федеральным органом исполнительной власти действий по официальной регистрации программы для электронных вычислительных машин, базы данных и топологии интегральной микросхемы
  6. Размеры государственной пошлины за совершение уполномоченным федеральным органом исполнительной власти действий по официальной регистрации программы для электронных вычислительных машин, базы данных и топологии интегральной микросхемы
  7. Банк данных, его состав, модели баз данных
  8. 9.4. Обработка данных: собственный анализ данных или счетчик?
  9. исключительное право патентообладателя на изобретение, промышленный образец, полезную модель; – исключительное авторское право на программы для ЭВМ, базы данных; – имущественное право автора или иного правообладателя на топологии интегральных микросхем; – исключительное право владельца на товарный знак и знак обслуживания, наименование места происхождения товаров; – исключительное право патентообладателя на селекционные достижения; – деловая репутация организации; – организационные расходы
  10. Описание компании
  11. МЕТА-тэг описания
  12. 6.2.1. Назначение и особенности мета-описания
  13. 6.2.2. Практические советы по написанию мета-описания
  14. Свертка информационной базы
  15. Описание преимуществ