BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Burda Andrzej (Wyższa Szkoła Zarządzania i Administracji w Zamościu), Cudek Paweł (Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie), Hippe Zdzisław S. (Wyższa Szkoła Informatyki i Zarządzania w Rzeszowie)
Tytuł
ProfileSEEKER - system informatyczny wczesnego ostrzegania małych i średnich przedsiębiorstw przed bankructwem
ProfileSEEKER - Early Warning System for Predicting Economic Situation of Small and Medium Enterprises
Źródło
Barometr Regionalny, 2012, nr 3(29), s. 99-105, rys., tab., bibliogr. 48 poz.
Słowa kluczowe
Bankructwo, Małe i średnie przedsiębiorstwa, System wczesnego ostrzegania, Uczenie maszynowe
Bankruptcy, Small business, Early warning system, Machine learning
Uwagi
streszcz., summ.
Abstrakt
W artykule przedstawiono budowę systemu informatycznego ProfileSEEKER do wczesnego ostrzegania małych i średnich przedsiębiorstw przed bankructwem. Opracowany system stanowi zespół pięciu klasyfikatorów, wykorzystujących różnorodne topologie sztucznych sieci neuronowych oraz sieć przekonań Bayesa, wspomagany metodami nadzorowanego uczenia maszynowego. Sprawność systemu oceniono stosując nową metodę walidacji, nazwaną metodą walidacji kolejkowej. (abstrakt oryginalny)

This paper presents the construction of the ProfileSEEKER - the information system for early warning small and medium-sized enterprises from bankruptcy. The developed system is a set of five classifiers, using a variety of topologies of artificial neural net-works and Bayes belief network, supported by supervised machine learning methods. System performance was evaluated using the original validation, called queue validation procedure. (original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Altman E.I. (1968): Financial Ratios, Discriminant Analysis and Prediction of Corporate Bankruptcy. "Journal of Finance", nr 23 (4), s. 589-609.
  2. Altman E.I. (2001): Predicting Financial Distress of Companies: Revisiting the Z-score and ZETA® Models (Originally Published in, Journal of Banking & Finance, 1 1977). [dostęp: 2012.10.03], [@:] http://people.stern.nyu.edu/ealtman/Zscores.pdf.
  3. Altman E.I., Marco G., Varetto F. (1994): Corporate Distress Diagnosis - Comparisons Using Linear Discriminant-Analysis and Neural Networks (the Italian Experience). "Journal of Banking & Finance", nr 18 (3), s. 505-529.
  4. Antonowicz P. (2007): Metody oceny i prognoza kondycji ekonomiczno-finansowej przedsiębiorstw. Gdańsk, Ośrodek Doradztwa i Doskonalenia Kadr.
  5. Atiya A.F. (2001): Bankruptcy Prediction for Credit Risk Using Neural Networks. A Survey and New Results. "Ieee Transactions on Neural Networks", nr 12 (4), s. 929-935.
  6. Baek J., Cho S.Z. (2003): Bankruptcy Prediction for Credit Risk Using an Auto-Associative Neural Network in Korean Firms. "2003 Ieee International Conference on Computational Intelligence for Financial Engineering, Proceedings", s. 25-29.
  7. Beaver W.H. (1966): Financial Ratios as Predictors of Failure. "Journal of Accounting Research", nr 4, s. 71-111.
  8. Burda A., Hippe Z.S. (2010): Uncertain Data Modeling. The Case of Small and Medium Enterprises. 3rd International Conference on Human System Interaction, 2010.05.13-15, Rzeszów.
  9. Chaudhuri A., De K. (2011): Fuzzy Support Vector Machine for Bankruptcy Prediction. "Applied Soft Computing", nr 11 (2), s. 2472-2486.
  10. Coats P.K., Fant L.F. (1993): Recognizing Financial Distress Patterns Using a Neural-Network Tool. "Financial Management", nr 22 (3), s. 142-155.
  11. Derelioglu G., Gurgen F. (2011): Knowledge Discovery Using Neural Approach for SME-'s Credit Risk Analysis Problem in Turkey. "Expert Systems with Applications", nr 38 (8), s. 9313-9318.
  12. Frydman H., Altman E.I., Kao D.L. (1985): Introducing Recursive Partitioning for Financial Classification - the Case of Financial Distress. "Journal of Finance", nr 40 (1), s. 269-291.
  13. Fulmer J.G.J., Moon J.E., Gavin T.A., Erwin M.J. (1984): A Bankruptcy Classification Model For Small Firms. "Journal of Commercial Bank Lending", nr 66 (11), s. 25-37.
  14. Gajdka J., Stos D. (1996): Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw. [w:] R. Borowiecki (red.): Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw, Kraków, Wydawnictwo Akademii Ekonomicznej w Krakowie.
  15. Greco S., Matarazzo B., Slowinski R. (1998): A New Rough Set Approach to Multicriteria and Multiattribute Classification. "Lecture Notes in Computer Science", nr 1424, s. 60-67.
  16. Hadasik D. (1998): Upadłość przedsiębiorstw w Polsce i metody jej prognozowania. Zeszyty Naukowe/Akademia Ekonomiczna w Poznaniu. Seria 2, Prace Habilitacyjne, t. 153, Poznań, Wydawnictwo AE.
  17. Hamrol M., Chodakowski J. (2008): Prognozowanie zagrożenia finansowego przedsiębiorstwa. Wartość predykcyjna polskich modeli analizy dyskryminacyjnej. "Badania operacyjne i decyzje", nr 3, s. 17-32.
  18. Iwanienko I. (2009): Wpływ fazy rozwoju projektu innowacyjnego na możliwość wyboru źródła finansowania przedsiębiorstw przemysłowych. [w:] A. Nalepka i A. Ujwary-Gil (red.): Organizacje komercyjne i niekomercyjne wobec wzmożonej konkurencji oraz wzrastających wymagań konsumentów, Nowy Sącz, Wyższa Szkoła Biznesu.
  19. Jo H.K., Han I.G., Lee H.Y. (1997): Bankruptcy Prediction Using Case-Based Reasoning, Neural Networks, and Discriminant Analysis. "Expert Systems with Applications", nr 13 (2), s. 97-108.
  20. Kaski S., Sinkkonen J., Peltonen J. (2001): Bankruptcy Analysis with Self-Organizing Maps in Learning Metrics. "Ieee Transactions on Neural Networks", nr 12 (4), s. 936-947.
  21. Kim H.S., Sohn S.Y. (2010): Support Vector Machines for Default Prediction of SMEs Based on Technology Credit. "European Journal of Operational Research", nr 201 (3), s. 838-846.
  22. Korol T., Prusak B. (2005): Upadłość przedsiębiorstw a wykorzystanie sztucznej inteligencji. Warszawa, CeDeWu.
  23. Lech P. (2003): Zintegrowane systemy zarządzania ERP/ERP II. Wykorzystanie w biznesie, wdrażanie. Warszawa, LST - Logika Systemy Technologia: "Difin".
  24. Littlestone N., Warmuth M.K. (1994): The Weighted Majority Algorithm. "Information and Computation", nr 108 (2), s. 212-261.
  25. Łapiński J. (2011): Stan sektora małych i średnich przedsiębiorstw w Polsce. [w:] A. Brussa i A. Tarnawa (red.): Raport o stanie sektora małych i średnich przedsiębiorstw w Polsce, Warszawa, Polska Agencja Rozwoju Przedsiębiorczości.
  26. Marjański A. (2011): Najnowsze badania w kontekście rozwoju przedsiębiorstw rodzinnych w Polsce. Firmy rodzinne - nowe drogi rozwoju. Zakończenie Projektu Szkoleniowo-Doradczego Firmy Rodzinne, 2011.09.07-09, Zawiercie.
  27. McKee T.E., Greenstein M. (2000): Predicting Bankruptcy Using Recursive Partitioning and a Realistically Proportioned Data Set. "Journal of Forecasting", nr 19 (3), s. 219-230.
  28. Nowak E. (2006): Propozycje zmiennych oceniających kondycję ekonomiczno-finansową przedsiębiorstw. "Barometr Regionalny. Pismo społeczno-gospodarcze", nr 6, s. 35-41.
  29. Odom M.D., Sharda R. (1990): A Neural Network Model for Bankruptcy Prediction. "International Joint Conference on Neural Networks, Vols 1-3", s. B163-B168.
  30. Ohlson J.A. (1980): Financial Ratios and the Probabilistic Prediction of Bankruptcy. "Journal of Accounting Research", nr 18 (1), s. 109-131.
  31. Piramuthu S., Ragavan H., Shaw M.J. (1998): Using Feature Construction to Improve the Performance of Neural Networks. "Management Science", nr 44 (3), s. 416-430.
  32. Ranjan J. (2009): Business Intelligence: Concepts, Components, Techniques and Benefits. "Journal of Theoretical and Applied Information Technology", nr 9 (1), s. 60-70.
  33. Reich Y., Barai S.V. (1999): Evaluating Machine Learning Models for Engineering Problems. "Artificial Intelligence in Engineering", nr 13 (3), s. 257-272.
  34. Ribeiro B., Silva C., Chen N., Vieira A., das Neves J.C. (2012): Enhanced Default Risk Models with SVM. "Expert Systems with Applications", nr 39 (11), s. 10140-10152.
  35. Salchenberger L.M., Cinar E.M., Lash N.A. (1992): Neural Networks - a New Tool for Predicting Thrift Failures. "Decision Sciences", nr 23 (4), s. 899-916.
  36. Sarkar S., Sriram R.S. (2001): Bayesian Models for Early Warning of Bank Failures. "Management Science", nr 47 (11), s. 1457-1475.
  37. Schmiemann M. (2008): Enterprises by Size Class - Overview of SMEs in the EU. "Statistics in focus", nr 31, s. 1-8.
  38. Serrano-Cinca C. (1996): Self Organizing Neural Networks for Financial Diagnosis. "Decision Support Systems", nr 17 (3), s. 227-238.
  39. Starczewska-Krzysztoszek M. (2008): Bariery rozwoju małych i średnich przedsiębiorstw w Polsce. "Infos", nr 4 (28), s. 1-4.
  40. Sun J., Li H. (2008): Listed Companies' Financial Distress Prediction Based on Weighted Majority Voting Combination of Multiple Classifiers. "Expert Systems with Applications", nr 35 (3), s. 818-827.
  41. Tam K.Y. (1991): Neural Network Models and the Prediction of Bank Bankruptcy. "Omega", nr 19 (5), s. 429-445.
  42. Tam K.Y., Kiang M.Y. (1990): Predicting Bank Failures: A Neural Network Approach. "Applied Artificial Intelligence", nr 4 (4), s. 265-282.
  43. Torabi K., Sayad S., Balke S.T. (2005): On-Line Adaptive Bayesian Classification for In-Line Particle Image Monitoring in Polymer Film Manufacturing. "Computers & Chemical Engineering", nr 30 (1), s. 18-27.
  44. Tseng F.M., Hu Y.C. (2010): Comparing Four Bankruptcy Prediction Models: Logit, Quadratic Interval Logit, Neural and Fuzzy Neural Networks. "Expert Systems with Applications", nr 37 (3), s. 1846-1853.
  45. Varetto F. (1998): Genetic Algorithm Applications in the Analysis of Insolvency Risk. "Journal of Banking and Finance", nr 22, s. 1421-14-39.
  46. Waniak-Michalak H. (2007): Pozabankowe źródła finansowania małych i średnich przedsiębiorstw: fundusze pożyczkowe, fundusze poręczeniowe, rynek venture capital. Kraków-Warszawa, Wolters Kluwer Polska.
  47. Wu Y., Gaunt C., Gray S. (2010): A Comparison of Alternative Bankruptcy Prediction Models. "Journal of Contemporary Accounting & Economics", nr 6 (1), s. 34-45.
  48. Żołnierski A. (2009): Znaczenie sektora MŚP w Polsce. [w:] A. Żołnierski (red.): Raport o stanie sektora małych i średnich przedsiębiorstw w Polsce w latach 2007-2008, Warszawa, Polska Agencja Rozwoju Przedsiębiorczości.
Cytowane przez
Pokaż
ISSN
1644-9398
Język
pol
URI / DOI
http://dx.doi.org/10.56583/br.1230
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu