Oʼzbekiston respublikаsi аxborot texnologiyalаri vа kommunikаtsiyalаrini rivojlаntirish vаzirligi muhаmmаd аl-xorаzmiy nomidаgi toshkent аxborot texnologiyalаri

NEYRAL TARMOQLARDAN FOYDALANGAN KORXONALARNING IQTISODIYOT HOVLATINI DIAGNOSTIKASI.
Bugungi kunda dunyoda korxonalarning bankrotligini bashorat qilishning turli usullari mavjud. Shu bilan birga, mutaxassislarning fikriga ko'ra, hozirgi vaqtda korxonalarning iqtisodiy holatini diagnostika qilishning umumiy qabul qilingan yagona usuli mavjud emas. Bundan tashqari, ko'plab rus mualliflari ta'kidlaganidek, ichki sharoitda bankrotlikni bashorat qilish uchun xorijiy modellardan foydalanishga bo'lgan ko'plab urinishlar etarli darajada aniq natijalarga erishishga imkon bermadi.

[70] mualliflari Rossiya Federatsiyasi Markaziy bankining moliyaviy hisobotlarida aks ettirilgan rus voqeligining naqshlariga asoslanib, Rossiya banklarining bankrotlik ehtimolini baholaydigan neyron tarmoq tizimini yaratishga harakat qilishdi. Neyron tarmoq matematik modelining kirish parametrlari sifatida quyidagilar tanlandi: o'z mablag'larining etarliligi; tezkor likvidlik koeffitsienti; joriy likvidlik koeffitsienti; uzoq muddatli likvidlik koeffitsienti; aktivlarning rentabelligi; bank joylashgan shahar; huquqiy shakl; ustav kapitalining hajmi; aktivlar hajmi; boshqa yuridik shaxslarning aktsiyalarini sotib olish uchun o'z mablag'laridan foydalanish ko'rsatkichi va boshqalar, jami 15 parametr. Chiqish o‘zgaruvchisi y, agar bank litsenziyasi bekor qilingan bo‘lsa, “bir” qiymatini va bank faoliyatini davom ettirsa, “nol” qiymatini oladi. 111 ta misoldan iborat toʻplam shakllantirildi, shundan 52 tasi bankrot banklar maʼlumotlari, 59 tasi faoliyat yuritayotgan banklarga tegishli. Misollarning butun to'plami tarmoqni o'rgatish uchun ishlatiladigan treningga va uning bashoratli xususiyatlarini sinab ko'rish uchun mo'ljallangan testlarga bo'linadi. Tabiiyki, tarmoqni o'qitishda test to'plamining misollari ishlatilmadi.
Optimal neyron tarmoq strukturasi 15 ta kirish neyroni, beshta neyronli bitta yashirin qatlam va bitta chiqish neyroniga ega perseptron edi. Yashirin qatlam neyronlari va chiqish neyronlarini faollashtirish funktsiyalari sifatida sigmasimon funktsiyalar ishlatilgan.
Treningdan so'ng tarmoqning bashoratli xususiyatlari test misollarida sinovdan o'tkazildi. Dastlab, neyron tarmoqni sinovdan o'tkazishning o'rtacha kvadrat xatosi 13,5% ni tashkil etdi, shuning uchun bankrot banklar ko'plab misollardan qo'lda olib tashlandi, litsenziyalarini bekor qilish sababi noto'g'ri tuzilgan moliyaviy hisobot edi. Gap shundaki, bu sabablar ob'ektiv emas va shuning uchun bunday banklar to'g'risidagi ma'lumotlar umumiy statistik naqshlardan tashqarida. Bunday ma'lumotlarni olib tashlaganingizdan so'ng, sinovning standart xatosi 6,3% ni tashkil etdi.
Keyin, neyron tarmog'ini o'qitish va sinovdan o'tkazish jarayonida ushbu texnika yordamida aniqlangan chegaralar aniqlandi (qarang: § 6.5 va [57]). Ushbu texnikadan foydalangan holda aniqlangan ko'rsatkichlar soni ikkita bank ma'lumotlarini o'z ichiga oladi: Sembank va Ankor-bank. Birinchi bank to'g'risidagi ma'lumotlar neyron tarmog'i tomonidan o'zgarib turadigan ma'lumotlar sifatida tasniflangan, ehtimol, bankning kapital etarliligi va likvidlik ko'rsatkichlari yaxshi bo'lsa-da, uning litsenziyasi bekor qilinganligi sababli. Ikkinchi bank, boshqa tomondan, Rossiya Federatsiyasi Markaziy bankining sanktsiyalariga duchor bo'lmadi, garchi u kapitalning etarlilik ko'rsatkichlari ancha past bo'lsa va barcha namunadagi ustav kapitalining eng kichik miqdoriga ega edi.
Neyron tarmoq tomonidan aniqlangan chegaralarni olib tashlash va tarmoqni o'rgatishdan so'ng, sinovning (umumlashtirish) standart xatosi 6,3% dan 2,6% gacha kamaydi.
Neyron tarmog'ining matematik modelini o'rganish virtual kompyuter tajribalarini o'tkazish orqali amalga oshirildi. Ushbu tajribalar davomida neyron tarmog'i yordamida hisob-kitoblar kiritilgan parametrlardan biri o'zgarganda amalga oshirildi va qolgan parametrlar "muzlatilgan", ya'ni o'zgarishsiz qoldi. Neyron tarmoq modelini o'rganish jarayonida ko'rib chiqilayotgan mavzu - Rossiya bank tizimidagi naqshlarni aniqlash vazifalari hal qilindi. Biz o'qitilgan neyron tarmoq modeli kirish parametrlaridagi o'zgarishlarga javob berishi va mavzu sohasining o'zi qanday harakat qilsa, xuddi shunday yo'l tutishidan foydalandik.

Ikki bankning xususiyatlari ko'rib chiqildi, birinchisi bankrot deb tasniflangan, ikkinchi bank esa bankrot deb tasniflanmagan. Banklar o‘z mablag‘laridan boshqa yuridik shaxslarning ulushlarini sotib olishda foydalanish, aktivlar rentabelligi va ustav kapitali miqdori bo‘yicha sezilarli darajada farqlanadi. Shakldan ko'rinib turibdiki. Hisoblash tajribalari natijalarini ko'rsatadigan 5.4, bankni bankrot deb e'lon qilish ehtimoli uzoq muddatli likvidlik koeffitsientiga sezilarli darajada ta'sir qiladi va egri chiziqlar U shaklida. Uzoq muddatli likvidlik koeffitsientining ma'lum darajaga ko'tarilishi bank faoliyatiga ijobiy ta'sir ko'rsatadi, bankrotlik ehtimoli kamayadi. Biroq, ma'lum bir nuqtadan boshlab, ushbu ko'rsatkichning yanada oshishi bilan bankrotlik ehtimoli ortadi.

Keyingi hisoblash tajribalari shuni ko'rsatdiki, boshqa parametrlar, masalan, ularning tashkiliy-huquqiy shakli, joylashuvi va boshqalar banklarning iqtisodiy holatiga sezilarli ta'sir ko'rsatadi.Ammo alohida parametrlarning ta'siri noaniq va har bir aniq holatda o'zini namoyon qilishi mumkin. turlicha, bankni tavsiflovchi boshqa parametrlarga qarab.

Rasm. 1. Uzoq muddatli likvidlik koeffitsientining bankni bankrot deb e'lon qilish ehtimoliga ta'siri. Kattalashtirilgan marker o'rganilayotgan banklarning haqiqiy holatini ko'rsatadi
Rossiya banklarining bankrot bo'lish ehtimolini bashorat qilishning intellektual tizimi ichki auditni o'tkazish usuli sifatida banklararo kreditlar xavfini baholash, shuningdek, banklar faoliyatini takomillashtirishga qaratilgan qarorlar qabul qilishni qo'llab-quvvatlash uchun ishlatilishi mumkin. Tizimdan www.PermAI.ru veb-saytining "Loyihalar" bo'limidan foydalanishingiz mumkin.