Усовершенствованная пятифакторная модель Альтмана для оценки кредитоспособности предприятия с нечеткими экономическими показателями

В данной работе применена модель Альтмана, аппарат теории нечетких множеств и математическое имитационное моделирование в условиях высокой неопределенности, с целью дать больше информации лицу, принимающему решение о кредитоспособности предприятия, а также возможном влиянии ошибки на вывод о банкротстве предприятия при подсчете экономических показателей.
Усовершенствованная модель Альтмана, развитая изначально в двух отношениях (применяется среднеквадратичное интегральное приближение для точного вычисления количественной оценки кредитоспособности и аппарат нечетких множеств с целью упорядочения множеств по степени доверия к полученной вероятности), расширена путем представления входных данных в качестве треугольных нечетких чисел.
В результате проделанной работы удалось построить алгоритм оценки кредитоспособности конкретного предприятия, в основе которого лежит непрерывная зависимость вероятности банкротства от величины функции Альтмана. Коэффициенты модели могут быть треугольными числами с дополнительными критериями предпочтения в критических точках классической модели Альтмана.
В работе проведено имитационное моделирование процедуры оценки кредитоспособности для входящих нечетких экономических показателей в виде $\alpha$-сечений нечеткого множества для прогнозирования влияния погрешности в оценке экономических показателей на вывод о банкротстве предприятия. Описанная усовершенствованная математическая модель Альтмана с процедурой вычислительного эксперимента (где вероятность банкротства предприятия вычисляется 1000 раз), дополненная нечеткими показателями, позволяет находить левосторонние и правосторонние множества $\alpha$-уровней нечеткого множества k$_i$ и рассчитывать влияние малых изменений коэффициентов Альтмана на оценку вероятности (ее устойчивость) банкротства предприятия.
Данный подход помогает не только адекватно оценить кредитоспособность предприятия, но и дать возможность прогнозировать изменение результата работы модели за счет возможной погрешности во входных данных.