Czy warto budować modele prognozowania upadłości przedsiębiorstw uwzględniające kryterium przynależności sektorowej?

• Autorzy: Sergiusz Herman , Bartłomiej Lach

Warianty tytułu

Is it Worth Building Models for Forecasting Bankruptcy of Enterprises Taking into Account the Criterion of Sectoral Affiliation?

• Języki publikacji: PL

Abstrakty

Prognozowanie upadłości przedsiębiorstw jest bardzo ważnym zagadnieniem, stanowiącym przedmiot zainteresowania szerokiej grupy interesariuszy. Z tego powodu od początku XX w. nieprzerwanie podejmowane są prace nad rozwojem skutecznych narzędzi wykorzystywanych w tym kierunku. Głównym celem badania omawianego w artykule jest zweryfikowanie zasadności konstruowania sektorowych modeli prognozowania upadłości przedsiębiorstw. Badanie zostało przeprowadzone na podstawie danych finansowych 800 polskich przedsiębiorstw za lata 2015-2019, pobranych z bazy EMIS Professional. W analizie uwzględniono sześć metod doboru zmiennych, sześć metod uczenia maszynowego oraz 500 różnych losowych prób uczących i testowych. Uzyskane wyniki prowadzą do wniosku, że determinanty upadłości w poszczególnych sektorach gospodarki są odmienne. Modele opierające się na grupie przedsiębiorstw prowadzących jednorodną działalność gospodarczą pozwalają uzyskać przeciętnie wyższe wskaźniki trafności klasyfikacji. Na tej podstawie można stwierdzić, że konstruowanie takich modeli jest zasadne. (abstrakt oryginalny)

EN

Forecasting bankruptcy of enterprises is a very important area, and it is of interest to a wide group of stakeholders. For this reason, since the beginning of the last century, continuous of the study presented in this article is to verify the legitimacy of constructing industry models for forecasting the bankruptcy of enterprises. The research was conducted on the basis of financial data of 800 Polish companies for the years 2015-2019, drawn from the EMIS Professional database. The analysis used six methods of variable selection, six machine learning methods and 500 distinct random training and testing samples. The obtained results lead to the conclusion that there are different determinants of bankruptcy in different sectors of the economy. Models constructed on the basis of a group of enterprises conducting homogeneous economic activity make it possible to achieve, on average, higher classification accuracy rates, which demonstrates that the construction of such models is justified. (original abstract)

Słowa kluczowe

PL

Przedsiębiorstwo; Upadłość przedsiębiorstwa; Uczenie maszynowe

EN

Enterprises; Enterprise bankruptcy; Machine learning

• Czasopismo: Wiadomości Statystyczne
• Rocznik: 2024
• Numer: nr 10
• Strony: 41-58

Twórcy

autor

Sergiusz Herman

• Uniwersytet Ekonomiczny w Poznaniu

autor

Bartłomiej Lach

• Analyx sp. z o.o. sp. k.

Bibliografia

• Altman, E. I. (1983). Corporate financial distress: A complete guide to predicting, avoiding, and dealing with bankruptcy. John Wiley & Sons.
• Appenzeller, D., Nowara, W. (2003). Modele prognozowania upadłości banków komercyjnych w Polsce. Prace Naukowe Akademii Ekonomicznej we Wrocławiu, (1001), 13-22.
• Bai, Q., Tian, S. (2020). Innovate or die: Corporate innovation and bankruptcy forecasts. Journal of Empirical Finance, 59, 88-108. https://doi.org/10.1016/j.jempfin.2020.09.002.
• Becerra-Vicario, R., Alaminos, D., Aranda, E., Fernandez-Gamez, M. A. (2020). Deep Recurrent Convolutional Neural Network for Bankruptcy Prediction: A Case of the Restaurant Industry. Sustainability, 12(12), 1-15. https://doi.org/10.3390/su12125180.
• Beleites, C., Neugebauer, U., Bocklitz, T., Krafft, C., Popp, J. (2013). Sample size planning for classification models. Analytica Chimica Acta, 760, 25-33. https://doi.org/10.1016/j.aca.2012.11.007.
• Bellovary, J., Giacomino, D., Akers, M. (2007). A Review of Bankruptcy Prediction Studies: 1930 to Present. Journal of Financial Education, 33(4), 1-42. https://www.jstor.org/stable/41948574.
• Boratyńska, K., Grzegorzewska, E. (2018). Bankruptcy prediction in the agribusiness sector: Lessons from quantitative and qualitative approaches. Journal of Business Research, 89, 175-181. https://doi.org/10.1016/j.jbusres.2018.01.028.
• Brożyna, J., Mendel, G., Pisula, T. (2016). Statistical methods of the bankruptcy prediction in the logistic sector in Poland and Slovakia. Transformations in Business & Economics, 15(1), 93-114.
• Campbell, J. Y., Hilscher, J., Szilagyi, J. (2008). In Search of Distress Risk. The Journal of Finance, 63(6), 2899-2939. https://doi.org/10.1111/j.1540-6261.2008.01416.x.
• Chan, C. Y., Chou, D. W., Lin, J. R., Liu, F. Y. (2016). The role of corporate governance in forecasting bankruptcy: Pre- and post-SOX enactment. The North American Journal of Economics and Finance, 35, 166-188. https://doi.org/10.1016Zj.najef.2015.10.008.
• Chava, S., Jarrow, R. A. (2004). Bankruptcy prediction with industry effects. Review of Finance, 8(4), 537-569. https://doi.org/10.1093/rof/8.4.537.
• Chen, Y., Zhang, L., Zhang, L. (2013). Financial Distress Prediction for Chinese Listed Manufacturing Companies. Procedia Computer Science, 17, 678-686.
• Dudycz, T., Skoczylas, W. (2023). Wskaźniki finansowe przedsiębiorstw według działów (sektorów) za 2021 r. Rachunkowość, (5), 61-88.
• Gabbianelli, L. (2018). A territorial perspective of SME's default prediction models. Studies in Economics and Finance, 35(4), 542-563. https://doi.org/10.1108/SEF-08-2016-0207.
• Gajdka, J., Stos, D. (1996). Wykorzystanie analizy dyskryminacyjnej do badania podatności przedsiębiorstwa na bankructwo. W: J. Duraj (red.), Przedsiębiorstwo na rynku kapitałowym (s. 138148). Polskie Wydawnictwo Ekonomiczne.
• Gill de Albornoz, B., Giner, B. (2013). Predicción del fracaso empresarial en los sectores construc-ción e inmobiliario: Modelos generales versus especificos. Universia Business Review, (39), 118131.
• Grzegorzewska, E. (2011). Zagrożenie upadłością a cykl życia przedsiębiorstw rolniczych. W: E. Mą-czyńska (red.), Cykle życia i bankructwa przedsiębiorstw (s. 281-301). Oficyna Wydawnicza SGH.
• Grzegorzewska, E., Runowski, H. (2008). Zdolności prognostyczne polskich modeli dyskryminacyjnych w badaniu kondycji finansowej przedsiębiorstw rolniczych. Roczniki Nauk Rolniczych, Seria G - Ekonomika Rolnictwa, 95(3/4), 83-90. https://sj.wne.sggw.pl/pdf/RNR_2008_n3-4_s83.pdf.
• Hadasik, D. (1998). Upadłość przedsiębiorstw w Polsce i metody jej prognozowania. Wydawnictwo Akademii Ekonomicznej w Poznaniu.
• Heo, J., Yang, J. Y. (2014). AdaBoost based bankruptcy forecasting of Korean construction companies. Applied Soft Computing, 24, 494-499. https://doi.org/10.1016/j.asoc.2014.08.009.
• Herman, S. (2017). Industry specifics of joint-stock companies in Poland and their bankruptcy prediction. W: M. Papież, S. Śmiech (red.), Proceedings of the 11th Professor Aleksander Zelias International Conference on Modelling and Forecasting of Socio-Economic Phenomena (s. 93-102). Fundacja Uniwersytetu Ekonomicznego w Krakowie.
• Hołda, A. (2001). Prognozowanie bankructwa jednostki w warunkach polskiej gospodarki z wykorzystaniem funkcji dyskryminacyjnej. Rachunkowość, (5), 306-310.
• Hołda, A. (2006). Zasada kontynuacji działalności i prognozowanie upadłości w polskich realiach gospodarczych. Wydawnictwo Akademii Ekonomicznej w Krakowie.
• Hołda, A. (2009). Wykorzystanie drzew decyzyjnych w prognozowaniu upadłości przedsiębiorstw w branży budowlanej. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, (796), 165175.
• Iwanowicz, T. (2018). Empiryczna weryfikacja hipotezy o przenośności modelu Altmana na warunki polskiej gospodarki oraz uniwersalności sektorowej modeli. Zeszyty Teoretyczne Rachunkowości, (96), 63-80. https://doi.org/10.5604/01.3001.0011.6170.
• Jabeur, B. S., Stef, N., Carmona, P. (2022). Bankruptcy Prediction using the XGBoost Algorithm and Variable Importance Feature Engineering. Computational Economics, 61, 715-741. https://doi.org/10.1007/s10614-021-10227-1.
• Jagiełło, R. (2013). Analiza dyskryminacyjna i regresja logistyczna w procesie oceny zdolności kredytowej przedsiębiorstw. Narodowy Bank Polski. https://static.nbp.pl/publikacje/materialy-i-stu-dia/ms286.pdf.
• du Jardin, P. (2018). Failure pattern-based ensembles applied to bankruptcy forecasting. Decision Support Systems, 107, 64-77. https://doi.org/10.1016Zj.dss.2018.01.003.
• Juszczyk, S. (2010). Prognozowanie upadłości przedsiębiorstw. Ekonomista, (5), 701-728.
• Juszczyk, S., Balina, R. (2014). Prognozowanie zagrożenia bankructwem przedsiębiorstw w wybranych branżach. Ekonomista, (1), 67-95. https://ekonomista.pte.pl/pdf-155672-8250Kfilename =Prognozowanie%20zagrozenia.pdf.
• Karbownik, L. (2013). The Use of Accrual-Based and Cash-Based Approach in Evaluating the Operational Financial Threat of Enterprises from the TSL Sector - Example of Application of the Discriminant Analysis. Quantitative Methods in Economics. Metody Ilościowe w Badaniach Ekonomicznych, 14(1), 190-201. https://qme.sggw.edu.pl/article/view/3588.
• Korol, T. (2005). Wykorzystanie sieci jednokierunkowej wielowarstwowej oraz sieci rekurencyjnej w prognozowaniu upadłości przedsiębiorstw. Materiały i Prace Instytutu Funkcjonowania Gospodarki Narodowej, 93, 169-181.
• Korol, T., Prusak, B. (2005). Upadłość przedsiębiorstw a wykorzystanie sztucznej inteligencji. CeDeWu.
• Król, K., Stefański, A. (2014). Metodyka budowy modelu prognozowania bankructwa na przykładzie sektora budowlanego. Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu, (7), 159-184.
• Laguillo, G., del Castillo, A., Fernandez, M. Â., Becerra, R. (2019). Focused vs unfocused models for bankruptcy prediction: Empirical evidence for Spain. Contadurîa y Administration, 64(2), 1-22. https://doi.org/10.22201/fca.24488410e.2018.1488.
• Liang, D., Lu, C. C., Tsai, C. F., Shih, G. A. (2016). Financial ratios and corporate governance indicators in bankruptcy prediction: A comprehensive study. European Journal of Operational Research, 252(2), 561-572. https://doi.org/10.1016/j.ejor.2016.01.012.
• Liang, D., Tsai, C. F., Wu, H. T. (2015). The effect of feature selection on financial distress prediction. Knowledge-Based Systems, 73(1), 289-297. https://doi.org/10.1016/j.knosys.2014.10.010.
• Mroczkowska, A., Rogowski, W. (2010). Światowe doświadczenia w zakresie tworzenia modeli prognozowania zagrożenia przedsiębiorstwa upadłością. Studia i Prace Kolegium Zarządzania i Finansów, (102), 42-69. https://econjournals.sgh.waw.pl/public/journals/5/archiwum_2018_2014 /2010/ZN_102.pdf.
• Noga, T., Adamowicz, K., Jakubowski, J. (2014). Metody dyskryminacyjne w ocenie sytuacji finansowej przedsiębiorstw sektora leśno-drzewnego. Acta Scientiarum Polonorum. Silvarum Colen-darum Ratio et Industria Lignaria, 13(1), 25-35.
• Nyitrai, T., Virag, M. (2019). The effects ofhandling outliers on the performance of bankruptcy prediction models. Socio-Economic Planning Sciences, 67, 34-42. https://doi.org/10.1016/j.seps.2018.08.004.
• Pisula, T. (2010a). Prognozowanie zagrożenia bankructwem dla spółek giełdowych z sektora budowlanego. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, (117), 351-360.
• Pisula, T. (2010b). Prognozowanie zagrożenia upadłością dla polskich spółek giełdowych z sektora deweloperów z wykorzystaniem modeli strukturalnych. Zeszyty Naukowe Uniwersytetu Szczecińskiego. Finanse, Rynki Finansowe, Ubezpieczenia, (29), 109-122.
• Pisula, T. (2017). Zastosowanie ensemble klasyfikatorów do oceny ryzyka upadłości przedsiębiorstw na przykładzie firm sektora produkcyjnego działających na Podkarpaciu. Zarządzanie i Finanse, 15(3), 279-293.
• Pociecha, J. (red.). (2014). Statystyczne metody prognozowania bankructwa w zmieniającej się koniunkturze gospodarczej. Fundacja Uniwersytetu Ekonomicznego w Krakowie.
• Pogodzińska, M., Sojak, S. (1995). Wykorzystanie analizy dyskryminacyjnej w przewidywaniu bankructwa przedsiębiorstw. Acta Universitatis Nicolai Copernici. Nauki Humanistyczno-Społeczne. Ekonomia, (25), 53-61.
• Potoczna, M., Wiśniewska, O. (2013). Zastosowanie analizy dyskryminacyjnej oraz modelu logito-wego do prognozowania upadłości polskich przedsiębiorstw. W: S. Wawak (red.), Metody i techniki diagnostyczne w doskonaleniu organizacji (s. 39-47). Mfiles.pl.
• Prusak, B. (2005). Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw. Difin.
• Ptak-Chmielewska, A. (2018). Bankruptcy Risk Models for Polish SMEs - Regional Approach. Acta Universitatis Lodziensis. Folia Oeconomica, 1(333), 71-83. https://doi.org/10.18778/0208-6018 .333.05.
• Rajin, D., Milenković, D., Radojević, T. (2016). Bankruptcy prediction models in the Serbian agricultural sector. Ekonomika Poljoprivrede. Economics of Agriculture, 63(1), 89-105. http://dx.doi.org/10.5937/ekoPolj1601089R.
• Ravi Kumar, P., Ravi, V. (2007). Bankruptcy prediction in banks and firms via statistical and intelligent techniques - A review. European Journal of Operational Research, 180(1), 1-28. https://doi.org/10.1016Zj.ejor.2006.08.043.
• Rusiecki, K., Białek-Jaworska, A. (2015). Systemy wczesnego ostrzegania o zagrożeniu upadłością przedsiębiorstw z sektora budowlanego - porównanie analizy dyskryminacyjnej i modelu logito-wego. Ekonomia. Rynek, Gospodarka, Społeczeństwo, 43, 137-160. https://doi.org/10.17451/eko /43/2015/126.
• Vabalas, A., Gowen, E., Poliakoff, E., Casson, A. J. (2019). Machine learning algorithm validation with a limited sample size. PLoS ONE, 14(11), 1-20. https://doi.org/10.1371/journal.pone.0224365.
• Veganzones, D., Severin, E. (2018). An investigation of bankruptcy prediction in imbalanced datasets. Decision Support Systems, 112, 111-124. https://doi.org/10.1016/j.dss.2018.06.011.
• Wysocki, F., Kozera, A. (2012). Wykorzystanie analizy dyskryminacyjnej w ocenie ryzyka upadłości przedsiębiorstw przemysłu mięsnego. Journal of Agribusiness and Rural Development, 4(26), 167-182.
• Zhang, C., Soda, P., Bi, J., Fan, G., Almpanidis, G., Garcia, S., Ding, W. (2022). An empirical study on the joint impact of feature selection and data resampling on imbalance classification. Applied Intelligence, 53, 5449-5461. https://doi.org/10.1007/s10489-022-03772-1.
• Zhou, L. (2013). Performance of corporate bankruptcy prediction models on imbalanced dataset: The effect of sampling methods. Knowledge-Based Systems, 41, 16-25. https://doi.org/10.1016 /j.knosys.2012.12.007.
• Zielińska-Sitkiewicz, M. (2016). Zastosowanie metod wielowymiarowej analizy dyskryminacyjnej do prognozowania upadłości wybranych spółek sektora spożywczego. Zeszyty Naukowe Szkoły Głównej Gospodarstwa Wiejskiego w Warszawie. Ekonomika i Organizacja Gospodarki Żywnościowej, (113), 117-129. https://doi.org/10.22630/EI0GZ.2016.113.10.
• Zoricak, M., Gnip, P., Drotar, P., Gazda, V. (2020). Bankruptcy prediction for small- and medium-sized companies using severely imbalanced datasets. Economic Modelling, 84, 165-176. https://doi.org/10.1016/j.econmod.2019.04.003.

Identyfikatory

DOI

10.59139/ws.2024.10.1