Wybrane metody klasyfikacyjne oraz ich efektywność w prognozowaniu upadłości firm

• Autorzy: Józef Pociecha

Warianty tytułu

Selected Classification Methods and their Effectiveness in Firms' Collapsing Prediction

• Języki publikacji: PL

Abstrakty

Artykuł ten nawiązuje do problematyki metodologicznej pracy prof. Kolonki oraz jest kolejnym przykładem możliwości zastosowania metod klasyfikacji danych we współczesnych analizach ekonomicznych. Przedmiotem artykułu jest przedstawienie najpopularniejszych metod prognozowania bankructwa, będących w istocie statystycznymi lub iteracyjnymi metodami klasyfikacji danych, oraz ocena ich efektywności jako narzędzia oceny ryzyka upadłości firm.(fragment tekstu)

EN

Classification methods are recognised as useful tool for bankruptcy prediction. Among them the most popular are: linear discriminant function, Logit model, neural network and classification tree. The ideas and basic formulas of these methods are presented in the paper. Some examples of application those procedures, which were published in world and Polish literature, are mentioned in the following parts of the paper. Some effectiveness conditions of presented methods are discussed. In the conclusion it has been stressed, that the precision of bankruptcy prediction not strictly depend on classification method which has been used. Sources of errors in bankruptcy prediction has been discussed on the end of the paper. Among them important are: valuated character of financial ratios, as an impute variables in such models, problems in samples selection, which usually hasn't random character and unstable character of considered populations. Probability of firms' collapse strongly depends on the stage of business cycle.(original abstract)

Słowa kluczowe

PL

Prognozowanie; Prognozowanie upadłości przedsiębiorstwa; Metody klasyfikacyjne

EN

Forecasting; Enterprises bankruptcy forecasting; Classification methods

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2013
• Numer: nr 152 Metody wnioskowania statystycznego w badaniach ekonomicznych
• Strony: 119-139

Twórcy

autor

Józef Pociecha

• Uniwersytet Ekonomiczny w Krakowie

Bibliografia

• Altman E.I. (1968): Financial Ratios, Discriminant Analysis and Prediction of Corporate Bankruptcy. "The Journal of Finance", Vol. 23, September.
• Altman E.I. (2000): Predicting Financial Distress of Companies: Revisiting the Z-Score and ZETA® Models,, http://pages.stern.nyu.edu/~ealtman/Zscores.PDF.
• Aziz M.A., Dar H.A. (2004): Predicting Corporate Bankruptcy, Whither do We Stand? 3rd Annual Meeting of the European Economics and Finance Society "Word Economy and European Integration", University of Gdańsk, 13-16 May.
• Barniv R, McDonald J.B. (1999): Review of Categorical Models for Classification Issues In Accounting and Finance. "Review of Quantitative Finance and Accounting", 13.
• Bell T.B., Ribar G.S., Verchio J. (1990): Neural Nets Versus logistic Regression: A Comparison of Each Model's Ability to Predict Commercial Bank Failures. In: Proceedings of the 1990 Deloitte and Touché/University of Kansas Symposium of Auditing Problems. Ed. R.P. Srivastava.
• Bellovary J., Giacomino D., Akers M. (2007): A Review of Bankruptcy Prediction Studies: 1930 to Present. "Journal of Financial Education", Vol. 33, Winter.
• Breiman L., Friedman J., Olshen R., Stone C. (1984): Classification and regression trees. CRC Press, London.
• Christensen R. (1991): Linear Models for Multivariate, Time Series, and Spatial Data. Springer, New York.
• Fisher R.A. (1936): The Use of Multiple Measurements in Taxonomic Problems. "Annals of Eugenics", 7.
• Frydman H., Altman E.I., Kao D. (1985): Introducing Recursive Partitioning for Financial Classification: The Case of Financial Distress. "Journal of Finance", Vol. 40.1.
• Gatnar E. (2001): Nieparametryczna metoda dyskryminacji i regresji. Wydawnictwo Naukowe PWN, Warszawa.
• Gatnar E. (2008): Podejście wielomodelowe w zagadnieniach dyskryminacji i regresji. Wydawnictwo Naukowe PWN, Warszawa.
• Gatnar E., Walesiak M. (2004): Metody statystycznej analizy wielowymiarowej w badaniach marketingowych, Wyd. AE, Wrocław.
• Giri N.C. (1996): Multivariate Statistical Analysis. Dekker, New York.
• Hołda A. (2000): Optymalizacja i model zastosowania procedur analitycznych w rewizji sprawozdań finansowych. Praca doktorska, Akademia Ekonomiczna, Kraków.
• Hołda A. (2006): Zasada kontynuacji działalności i prognozowanie upadłości w polskich realiach gospodarczych. Wydawnictwo Akademii Ekonomicznej, seria specjalna nr 174, Kraków.
• Hołda A., Pociecha J. (2009): Probabilistyczne metody badania sprawozdań finansowych. Wydawnictwo Uniwersytetu Ekonomicznego, Kraków.
• Kolonko J. (1980): Analiza dyskryminacyjna i jej zastosowania w ekonomii. PWN, Warszawa.
• Korbicz J., Obuchowicz A., Uciński D. (1994): Sztuczne sieci neuronowe. Podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• Korol T., Prusak B. (2005): Upadłość przedsiębiorstw a wykorzystanie sztucznej inteligencji. CeDeWu, Warszawa.
• Lula P. (1999): Jednokierunkowe sieci neuronowe w modelowaniu zjawisk ekonomicznych. Wydawnictwo AE, Kraków.
• Mączyńska E. (1994): Ocena kondycji przedsiębiorstwa (Uproszczone metody). "Życie gospodarcze", nr 38.
• McCulloch C.E., Searle S.R., Neuhaus J.M. (2009): Generalized, Linear, and Mixed Models. Wiley, New York.
• Michaluk K. (2000): Efektywność modeli prognozujących upadłość przedsiębiorstw. Praca doktorska, Uniwersytet Szczeciński, Szczecin.
• Odom M.D., Sharda R. (1990): A Neural Network Model for Bankruptcy Prediction. Proceedings of IEEE International Conference on Neural Networks, Vol. 2, San Diego.
• Ohlson J. (1980): Financial Ratios and the Probabilistic Prediction of Bankruptcy. "Journal of Accounting Research", Spring.
• Ossowski S. (1996): Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa.
• Pociecha J. (2006): Funkcja dyskryminacyjna jako narzędzie prognozowania bankructwa firmy - metoda oraz rezultaty praktyczne. W. Matematyka język uniwersalny. Wyd. AE, Kraków.
• Pociecha J. (2007): Problemy prognozowania bankructwa firmy metodą analizy dyskryminacyjnej. "Acta Universitatis Lodziensis, Folia Oeconomica", nr 205.
• Pociecha J. (2010a): Metodologiczne problemy prognozowania bankructwa. "Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu", Taksonomia 17, Klasyfikacja i analiza danych - teoria i zastosowania, Wrocław.
• Pociecha J. (2010b): Zastosowania sztucznych sieci neuronowych w prognozowaniu bankructwa firm. W: Nauki ekonomiczne wobec wyzwań współczesnej gospodarki światowej. Uniwersytet Ekonomiczny, Kraków.
• Pociecha J. (2011): Modele prognozowania bankructwa w systemie wczesnego ostrzegania przedsiębiorstw. W: Społeczna rola statystyki. Red. W. Ostasiewicz. "Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu", nr 165, Wrocław.
• Pociecha J. (2012): Model logitowy jako narzędzie prognozowania bankructwa. Jego zalety i ograniczenia. W: Spotkania z królową nauk. Wydawnictwo Uniwersytetu Ekonomicznego, Kraków.
• Pociecha J., Pawełek B. (2011): Prognozowanie bankructwa a koniunktura gospodarcza. "Metody analizy danych", Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, nr 873, Kraków.
• Prusak B. (2005): Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstwa. Difin, Warszawa.
• Rencher A.C. (1998): Multivariate Statistical Inference and Applications. Wiley, New York.
• Tadeusiewicz R. (1993): Sieci neuronowe. Wydawnictwo Naukowe PWN, Warszawa.
• Wędzki D. (2005): Bankruptcy Logit Model for Polish Economy. "Argumenta Oeconomica Cracoviensia", nr 3.
• Witkowska D. (2002): Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe. C.H. Beck, Warszawa.