Прямое нечеткое оценивание «цепочек» финансовых рисков организации

Объектом исследования выступает диагностика и оценка финансовых рисков с целью создания эффективного риск-менеджмента. Предметом исследования является методика нечеткого прямого оценивания «цепочек» финансовых рисков организаций. Актуальность проблематики обусловлена, с одной стороны, динамичной и хаотичной как макросредой, так и бизнес-средой организаций, с другой — недостатками применяемых аналитических и экспертных методов оценки финансовых рисков. Первые при этом подразумевают статистическую обработку данных и оперируют количественными метриками. Для вторых трудность заключается в невозможности их применения на коротком временном интервале. С позиции оперативного риск-менеджмента заслуживают особого внимания финансовые риски, поскольку от них зависит эффективное функционирование всей организации. Цель исследования заключается в формировании методики нечеткого прямого оценивания «цепочек» финансовых рисков организаций. Использованы методы математического прогнозирования, нечеткого моделирования, расчета финансово-экономических показателей, экспертной оценки рисков. Предлагаемая методика состоит из 12 этапов, начинается с анализа бизнес-процессов и идентификации финансовых рисков организации. Основным ее этапом является построение нечеткой оценочной модели и расчет показателей: вероятность возникновения и реализации рисков и рисковых ситуаций «цепочки» финансовых рисков, степень уверенности проводимых расчетов. Конечный этап методики являет собой анализ полученных результатов с целью корректировки выбранной стратегии развития организации, выбора методов управления выявленными финансовыми рисками, несущими наиболее существенные финансово-экономические потери. Сделан вывод о том, что разработанная методика позволяет с высокой точностью оценить угрозу возникновения определенной «цепочки» рисков и потери от реализации конкретных рисковых ситуаций для любой организации в условиях динамичных изменений внутренних и внешних элементов бизнес-среды. Ее преимуществом следует считать сопоставимость точности проводимой оценки и небольших затрат на моделирование.

1. Глушенко С. А., Долженко А. И. Система нечеткого моделирования рисков инвестиционно-строительных проектов. Бизнес-информатика. 2015;(2):48–58.

2. Федулов Я. А. Методы и программные средства поддержки выбора решений на основе прямого и обратного нечеткого оценивания: дис. … канд. техн. наук. Смоленск: Филиал НИУ МЭИ; 2015. 157 с.

3. Pena A., Patino A., Chiclana F., Caraffini F., Gongora M., Gonzalez-Ruiz J.D., Duque-Grisales E. Fuzzy convolutional deep-learning model to estimate the operational risk capital using multi-source risk events. Applied Soft Computing. 2021;107:107381. DOI: 10.1016/j.asoc.2021.107381

4. Hasan N. I., Elghareeb H., Farahat F. F., AboElfotouh A. A proposed fuzzy model for reducing the risk of insolvent loans in the credit sector as applied in Egypt. International Journal of Fuzzy Logic and Intelligent Systems. 2021;21(1):66–75. DOI: 10.5391/IJFIS.2021.21.1.66

5. Фомченкова Л. В. Динамическая концепция стратегического анализа организационно-экономического развития промышленного предприятия. Дис. … докт. экон. наук. Орел: ОГУ; 2014. 347 с.

6. Zhang J., Liu T., Li Q., Zhang T. Research on computer aided risk evaluation model through fuzzy hierarchical analysis. Journal of Physics: Conference Series. 2021;2033:012020. DOI: 10.1088/1742–6596/2033/1/012020

7. Nie T., Feng F., Guo Y. Financial risk evaluation of automobile supply chain based on improved VIKOR method. In: 8th Int. conf. on automation and logistics (ICAL 2021). (Chongqing, June 3–5, 2021). New York: ACM; 2021:44–48. (ACM International Conference Proceeding Series). DOI: 10.1145/3477543.3477547

8. Ma X., Chen J., Sun Y., Zhu Z. Assistant reference point guided evolutionary algorithm for manyobjective fuzzy portfolio selection. Swarm and Evolutionary Computation. 2021;62:100862. DOI: 10.1016/j.swevo.2021.100862

9. Zhu M., Meng Z. Fuzzy comprehensive evaluation model of M&A synergy based on transfer learning graph neural network. Computational Intelligence and Neuroscience. 2021;2021:6516722. DOI: 10.1155/2021/6516722

10. Huang Y. Construction and analysis of green investment risk evaluation index system based on information entropy fuzzy hierarchical analysis model. Wireless Communications and Mobile Computing. 2021;2021:4850321. DOI: 10.1155/2021/4850321

11. Chen Y., Yao D., Duan Y. Complexity of the analysis of financial cloud based on fuzzy theory in the wisdom of sustainable urban development. Complexity. 2021;2021:3444437. DOI: 10.1155/2021/3444437

12. Qu Q., Liu C., Bao X. E-commerce enterprise supply chain financing risk assessment based on linked data mining and edge computing. Mobile Information Systems. 2021;2021:9938325. DOI: 10.1155/2021/9938325

13. Li L., Li H. Analysis of financing risk and innovation motivation mechanism of financial service industry based on Internet of things. Complexity. 2021;2021:5523290. DOI: 10.1155/2021/5523290

14. Ding Q. Risk early warning management and intelligent real-time system of financial enterprises based on fuzzy theory. Journal of Intelligent and Fuzzy Systems. 2021;40(4):6017–6027. DOI: 10.3233/JIFS-189441

15. Xuan F. Regression analysis of supply chain financial risk based on machine learning and fuzzy decision model. Journal of Intelligent and Fuzzy Systems. 2021;40(4):6925–6935. DOI: 10.3233/JIFS‑189523

16. Zong Q. Research on fuzzy evaluation model of enterprise financial risk based on low-carbon economic environment. Fresenius Environmental Bulletin. 2020;29(11):9872–9879.

17. Li W. Financial crisis warning of financial robot based on artificial intelligence. Revue d’Intelligence Artificielle. 2020;34(5):553–561. DOI: 10.18280/ria.340504

18. Yoshida Y. Portfolio optimization in fuzzy asset management with coherent risk measures derived from risk averse utility. Neural Computing and Applications. 2020;32(15):10847–10857. DOI: 10.1007/s00521–018–3683-y

19. Peng X., Huang H. Fuzzy decision making method based on CoCoSo with critic for financial risk evaluation. Technological and Economic Development of Economy. 2020;26(4):695–724. DOI: 10.3846/tede.2020.11920

20. Zhang J. Investment risk model based on intelligent fuzzy neural network and Va R. Journal of Computational and Applied Mathematics. 2020;371:112707. DOI: 10.1016/j.cam.2019.112707

21. Song P., Li L., Huang D., Wei Q., Chen X. Loan risk assessment based on Pythagorean fuzzy analytic hierarchy process. Journal of Physics: Conference Series. 2020;1437:012101. DOI: 10.1088/1742–6596/1437/1/012101

22. Liu S., Ma D. Risk evaluation of intellectual property pledge financing based on fuzzy analytical network process. Journal of Intelligent and Fuzzy Systems. 2020;38(6):6785–6793. DOI: 10.3233/JIFS-179756