?
Повышение точности прогнозирования банкротств с использованием оценок Data Envelopment Analysis
Большинство современных моделей прогнозирования банкротства базируется на финансовых коэффициентах, хотя их использование не поддерживается формальной теорией, а интерпретация проблематична. Одной из перспектив повышения качества прогностических моделей является изучение других измерений эффективности фирмы, таких как оценки Data Envelopment Analysis (анализ среды функционирования, DEA). Однако, при этом возникает проблема выбора оптимальной спецификации DEA, поскольку она влияет на форму границы эффективности и прогностические свойства модели. В работе представлен метод автоматического дизайна спецификации DEA, оценки которой затем используются как признаки для предсказания банкротства на основе моделей машинного обучения. Помимо повышения предиктивной точности, метод опирается на предположение, что если оценки DEA улучшают прогноз, то анализ входов и выходов модели может предоставить информацию о причинах банкротств. Метод включает три этапа. На первом этапе с помощью иерархической кластеризации выбираются учетные показатели, потенциально подходящие для DEA. На втором – исследуются каузальные связи между выбранными показателями, на их основе определяются входы и выходы модели DEA. На третьем этапе рассчитывается чистая техническая эффективность, эффективность масштабирования и эффективность смешивания, которые добавляются к данным, содержащим финансовые коэффициенты. Эксперименты с наборами данных Российских компаний, полученными из финансовой отчетности за 2018 и 2019 гг., показывают, что включение этих оценок в список признаков улучшает точность предсказания на 20% и более, что превосходит предыдущие аналогичные работы. Анализ моделей DEA дает представление о причинах банкротства фирм как в стабильные, так и в кризисные периоды.