BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Korol Tomasz
Tytuł
Modele prognozowania upadłości przedsiębiorstw - analiza porównawcza wyników sztucznych sieci neuronowych z tradycyjną analizą dyskryminacyjną
Enterprise bankruptcy forecasting models - comparative analysis of the results of artificial neural networks (ANN) with the traditional discriminative analysis
Źródło
Bank i Kredyt, 2005, nr 6, s. 10-17, bibliogr. 16 poz.
Słowa kluczowe
Upadłość przedsiębiorstwa, Metody prognozowania, Sieci neuronowe, Analiza dyskryminacyjna, Prognozowanie ostrzegawcze
Enterprise bankruptcy, Forecasting methods, Neural networks, Discriminant analysis, Warning forecasting
Uwagi
summ.
Abstrakt
W artykule podjęto próbę odpowiedzi na pytanie, jaką metodę wykorzystać do oceny sytuacji finansowej, aby zminimalizować błąd prognozy upadłości przedsiębiorstwa? Na podstawie przeprowadzonej analizy empirycznej wykazano, że modele sztucznej sieci neuronowej pozwalają skuteczniej przewidzieć zagrożenie przedsiębiorstw upadłością na rok i dwa lata przed jej wystąpieniem.

The paper discusses the issue of forecasting bankruptcy of enterprises in Poland. Whether a given company will have the capacity to meet its financial liabilities, i.e. whether it survives on the market, is a matter of interest of many market entities, in particular suppliers, lenders, and owners. Due to the work-consuming nature of a full analysis of the financial standing of an enterprise, attempts have been made to develop methods that would lead to an instant and reliable diagnosis related to the financial standing of an organization, based on the smallest possible number of parameters. This kind of need underpinned the development of bankruptcy forecasting models. In the paper, two methods of forecasting the threats of enterprise bankruptcy have been compared: the novel method utilizing artificial neural networks and the traditional discriminative analysis. The author of the research used data on 180 Polish manufacturing enterprises. The population has been divided into the teaching and testing samples. In both samples the ratio of bankrupt companies to the non-bankrupt ones is 1:1. Each of the 180 analysed enterprises has been described by means of 27 financial indicators and additionally by one non-economic variable - the geographic region of the company's operations. In the development of own artificial neural network models, the author used the following research approaches: Approach I-K1, where the set includes all 28 diagnostic variables, Approach II-K2, where all model input data have been determined on the basis of an analysis of the array of correlation ratios of individual diagnostic variables. For the purposes of verification whether the artificial neural network model is more effective in the Polish economy than the discriminative analysis model, the author has compared the effectiveness of two discriminative analysis models by B. Prusak with that of K1 and K2 models from the testing sample. The models developed by B. Prusak (P1 and
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka Szkoły Głównej Handlowej
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Bibliografia
Pokaż
  1. J. Baetge, C. Krause: The Classification of Companies by Means of Neural Networks. "Journal of Information Science and Technology", Vol. 3, październik 1993 r.
  2. D. Hadasik: Upadłość przedsiębiorstw w Polsce i metody jej prognozowania. Poznań 1998 Wydawnictwo Akademii Ekonomicznej w Poznaniu.
  3. C. Harris: An Expert Decision Support System for Auditor Going Concern Evaluation. The University of Texas at Arlington 1989.
  4. A. Hołda: Wstępna weryfikacja skuteczności funkcji dyskryminacyjnej ZH w warunkach gospodarki polskiej. "Rachunkowość" nr 10/2001.
  5. T. Korol: Zjawisko upadłości przedsiębiorstw w Polsce w okresie transformacji gospodarczej. "Gospodarka w Praktyce i Teorii", Wydawnictwo Katedry Ekonomii Uniwersytetu Łódzkiego, nr l (12)/2003.
  6. T. Korol, B. Prusak: Upadłości przedsiębiorstw a wykorzystanie sztucznej inteligencji. Warszawa 2005 Wydawnictwo CeDeWu.
  7. M. Odom, R. Sharda: A Neural Network Model for Bankruptcy Prediction. W: R. Trippi: Neural Networks in Finance and Investing. Chicago 1993 Probus Publishing Company.
  8. B. Prusak: Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw. Warszawa 2005 Wydawnictwo Difin.
  9. B. Prusak: Upadłość przedsiębiorstw - uwarunkowania i metody prognozowania. Gdańsk 2004 Politechnika Gdańska.
  10. E. Rahimian, S. Singh: Bankruptcy Prediction by Neural Networks. W: R. Trippi: Neural Networks in Finance and Investing. Chicago 1993 Probus Publishing Company.
  11. W. Rogowski: Możliwości wczesnego rozpoznawania symptomów zagrożenia zdolności płatniczej przedsiębiorstwa. "Bank i Kredyt" nr 6/1999.
  12. E. Siemińska: Metody pomiaru i oceny kondycji finansowej przedsiębiorstwa. Toruń 2002 TNOIK.
  13. R. M. Stein: Benchmarking Default Prediction Models: Pitfalls and Remedies in Model Validation, 2002 http://riskcalc. moodysrrns. com/us/research/crm/Validation-tech-report-02Q305. pdf
  14. M. Urbanek: Klasyfikacja i selekcja wskaźników finansowych. Ekonometryczne modelowanie danych finansowo-księgowych. Materiały na II konferencję naukową. Red. E. Nowak. Lublin 1996 Wydawnictwo UMCS.
  15. D. Witkowska: Sztuczne sieci neuronowe i metody statystyczne. Warszawa 2002 Wydawnictwo C. H. Beck.
  16. D. Witkowska: Wprowadzenie do sztucznych sieci neuronowych. Łódź 1997 Zeszyty Naukowe Politechniki Łódzkiej nr 785.
Cytowane przez
Pokaż
ISSN
0137-5520
Język
pol
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu