BazEkon - Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie

BazEkon home page

Meny główne

Autor
Ptak-Chmielewska Aneta (Szkoła Główna Handlowa w Warszawie)
Tytuł
Modele predykcji upadłości MŚP w Polsce - analiza z wykorzystaniem modelu przeżycia Coxa i modelu regresji logistycznej
Prediction Models of SME Bankruptcy in Poland - Analysis Using Cox Survival Model and Logistic Regression Model
Źródło
Ekonometria / Uniwersytet Ekonomiczny we Wrocławiu, 2014, nr 4 (46), s. 9-21, rys., tab., bibliogr. 35 poz.
Econometrics / Uniwersytet Ekonomiczny we Wrocławiu
Słowa kluczowe
Analiza przeżycia, Ekonometria, Model proporcjonalnego hazardu Coxa, Bankructwo, Ryzyko, Regresja logistyczna
Survival analysis, Econometrics, Cox proportional hazard model, Bankruptcy, Risk, Logistic regression
Uwagi
streszcz., summ.
Abstrakt
Ryzyko kredytowe jest jednym z najważniejszych rodzajów ryzyka, na które wystawiony jest bank. Ryzyko upadłości przedsiębiorstw jest zazwyczaj modelowane z wykorzystaniem analizy dyskryminacyjnej lub regresji logistycznej. Jednakże poszukiwane są nowe sposoby i techniki efektywniejszej predykcji bankructwa. Jedną z takich metod jest analiza przeżycia. Analiza prezentowana w tym artykule ma na celu porównanie nowych metod predykcji bankructwa z tradycyjnymi modelami, takimi jak regresja logistyczna. Wskazane są zalety i wady tych metod oraz propozycja rozszerzenia analizy przeżycia o makrozmienne, a modelu regresji - o zmienne nominalne. Włączenie makrozmiennych podnosi moc predykcyjną modeli. Oszacowano modele z wykorzystaniem próby polskich przedsiębiorstw MŚP zawierającej 1561 przedsiębiorstw, w tym 807 upadłości.(abstrakt oryginalny)

Credit risk is associated with the banking activity and is the most important type of the risk to which banks are exposed. Bankruptcy risk assessment is based on models using the discriminant analysis and logistic regression. However, the requirements for the models are changing and methods used in the banking sector are insufficient. Newer and more sophisticated techniques are developed. One of these methods is survival analysis the popularity of which has increased in the recent years. The aim of this study was to compare new technique (survival analysis) used in the credit models with the traditional ones, like logistic regression. The paper analyses the strengths and weaknesses of both methods and the possibility to use time-dependent variables in survival models (macro-variables) and nominal variables in logistic regression model. The inclusion of macro-variables increases the prediction power of such models. The number of models was built on the basis of the Polish SMEs (turnover above 2 million Euro) data set consisting of 1,561 enterprises including 807 defaults (FS 2002-2010).(original abstract)
Dostępne w
Biblioteka Główna Uniwersytetu Ekonomicznego w Krakowie
Biblioteka SGH im. Profesora Andrzeja Grodka
Biblioteka Główna Uniwersytetu Ekonomicznego w Katowicach
Biblioteka Główna Uniwersytetu Ekonomicznego w Poznaniu
Biblioteka Główna Uniwersytetu Ekonomicznego we Wrocławiu
Pełny tekst
Pokaż
Bibliografia
Pokaż
  1. Allen L.N., Rose L.C., 2006, Financial survival analysis of defaulted debtors, \"Journal of Research Society\", 57.
  2. Allison P., 2012, Logistic Regression Using SAS: Theory and Application, Second Edition.
  3. Altman E., Suggitt H.J., 2000, Default rates in the syndicated bank loan market: A mortality analysis, \"Journal of Banking and Finance\", vol. 24, No. 1.
  4. Altman E.I., 1989, Measuring corporate bond mortality and performance, \"Journal of Finance\" 44(4).
  5. Appenzeller D. (red.), 2004, Upadłość przedsiębiorstw w Polsce w latach 1990-2003. Teoria i praktyka, Zeszyty Naukowe, nr 49/2004, Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań.
  6. Bauer J., Agarwal V., 2014, Are hazard models superior to traditional bankruptcy prediction approaches? A comprehensive test, \"Journal of Banking & Finance\", vol. 40, pp. 432-442.
  7. Blossfeld H.P., G. Rohwer, 2002, Techniques of Event History Modeling. New Approaches to Causal Analysis, Lawrence Elbaum Associates Publishers, London.
  8. Cole R.A., Moshirian F., Wu Q., 2008, Bank stock returns and economic growth, \"Journal of Banking and Finance\" 32.
  9. Cole R.A., Wu Q., Hazard versus Probit in Predicting U.S. Bank Failures: A Regulatory Perspective over Two Crises (July 16, 2014), 22nd Australasian Finance and Banking Conference 2009, Available at SSRN: http://ssrn.com/abstract=1460526 or http://dx.doi.org/10.2139/ssrn.1460526
  10. Cox D.R., 1972, Regression models and life tables, \"Journal of the Royal Statistical Society (Series B)\", no 34, pp.187-202.
  11. Dębkowska K., 2012, Prognozowanie upadłości przedsiębiorstw za pomocą wybranych metod wielowymiarowej analizy statystycznej, \"Zarządzanie i Finanse\" Vol. 10, nr 1.
  12. Figini S., Fantazzini D., Random Survival Forests Models for SME Credit Risk Measurement (January 31, 2009). Methodology and Computing in Applied Probability, Forthcoming. Available at SSRN: http:// ssrn.com/abstract=1335856
  13. Gajdka J., Stos D., Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw, [w:] R. Borowiecki (red.) (1996), Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
  14. Gruszczyński M., 2005, Zalety i słabości modeli bankructwa, [w:] Zagrożenie upadłością, Szkoła Główna Handlowa, Warszawa.
  15. Hadasik D., 1998, Upadłość przedsiębiorstw w Polsce i metody jej prognozowania, [w:] Zeszyty Naukowe Akademii Ekonomicznej w Poznaniu, AE w Poznaniu, Poznań.
  16. Hamrol M., Chodakowski J., 2008, Prognozowanie zagrożenia finansowego przedsiębiorstwa. Wartość predykcyjna polskich modeli analizy dyskryminacyjnej, \"Badania Operacyjne i Decyzje\" nr 3.
  17. Hołda A., 2001, Prognozowanie bankructwa jednostki w warunkach gospodarki polskiej z wykorzystaniem funkcji dyskryminacyjnej, \"Rachunkowość\" nr 5.
  18. Korol T., 2005, Wykorzystanie sieci jednokierunkowej wielowarstwowej oraz sieci rekurencyjnej w prognozowaniu upadłości przedsiębiorstw, [w:] Zagrożenie upadłością, red. K. Kuciński, E. Mączyńska, SGH, Warszawa.
  19. Kuciński K., Mączyńska E. (red.), 2005, Zagrożenie upadłością, Szkoła Główna Handlowa, Warszawa.
  20. Jacobson T., Linde J., Roszbach K., Firm Default and Aggregate Fluctuations (July 6, 2011), Sveriges Riksbank Working Paper Series No. 226. Available at SSRN: http://ssrn.com/abstract=1471254 or http://dx.doi.org/10.2139/ssrn.1471254.
  21. Laitinen E.K., A dynamic performance measurement system: evidence from small Finnish technology companies, \"Scandinavian Journal of Management\", 18. 1. 2002, s. 65-99.
  22. Lando D., 1998, On cox processes and credit risky securities, \"Review of Derivatives Research\" 2.
  23. Mączyńska E. (red.), 2010, Meandry upadłości przedsiębiorstw, Oficyna Wydawnicza Szkoły Głównej Handlowej w Warszawie, Warszawa.
  24. Mączyńska E., Zawadzki M., 2006, Dyskryminacyjne modele predykcji bankructwa przedsiębiorstw, \"Ekonomista\" 2.
  25. Malik M., Thomas L., 2009, Modelling Credit Risk in Portfolios of Consumer Loans: Transition Matrix Model for Consumer Credit Ratings, Southampton, UK, University of Southampton, 21pp. (Discussion Papers in Centre for Risk Research).
  26. McDonald R.A., Matuszyk A., Thomas L.C., 2010, Application of survival analysis to cash flow modelling for mortgage products, \"OR Insight\" 23.
  27. Narain, B., 1992, Survival Analysis and the Credit Granting Decision, [in:] L.C. Thomas, J. Crook N., D.B. Edelman (eds.), Credit Scoring and Credit Control, OUP, Oxford, U.K.
  28. Pierides Y.A., 1997, The pricing of credit risk derivatives, \"Journal of Economic Dynamics and Control\" 21(10).
  29. Prusak B., 2009, Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw, Difin, Warszawa.
  30. Ptak-Chmielewska A., Schab I., 2008, Wykorzystanie modeli regresji logistycznej i hazardu do określenia determinant zaniechania zobowiązań, [w:] J. Pociecha (red.), Współczesne problemy modelowania i prognozowania zjawisk społeczno-gospodarczych, Studia i Prace Uniwersytetu Ekonomicznego w Krakowie nr 2, Kraków.
  31. Ptak-Chmielewska A., Pęczkowski M., 2009, Analiza dyskryminacji, [w:] Wielowymiarowa analiza statystyczna. Teoria - przykłady zastosowań z systemem SAS, E. Frątczak (red.), Oficyna Wydawnicza SGH, Warszawa.
  32. Ptak-Chmielewska A., 2012, Wykorzystanie modeli przeżycia i analizy dyskryminacyjnej do oceny ryzyka upadłości przedsiębiorstw, \"Ekonometria\" 4(38) 2012, Wrocław.
  33. Stepanova M., Thomas L.C., 2002, Survival analysis methods for personal loan data, \"Journal of Operations Research\" 50(2).
  34. Strąk T., 2005, Wykorzystanie drzew klasyfikacyjnych do oceny zagrożenia bankructwem polskich przedsiębiorstw, \"Monografie i Opracowania Naukowe\", Szkoła Główna Handlowa w Warszawie. Kolegium Zarządzania i Finansów. Finanse przedsiębiorstwa.
  35. Whalen G., 1991, A proportional hazards model of bank failure: An examination of its usefulness as an early warning model tool, \"Economic Review, Federal Reserve Bank of Cleveland\".
Cytowane przez
Pokaż
ISSN
1507-3866
Język
pol
URI / DOI
http://dx.doi.org/10.15611/ekt.2014.4.01
Udostępnij na Facebooku Udostępnij na Twitterze Udostępnij na Google+ Udostępnij na Pinterest Udostępnij na LinkedIn Wyślij znajomemu