Analiza porównawcza zdolności predykcyjnej wybranych metod prognozowania upadłości przedsiębiorstw

Main Article Content

Sergiusz Herman

Abstrakt

Upadłość przedsiębiorstw jest cechą każdej rozwiniętej gospodarki rynkowej. Zjawisko to pociąga za sobą wysokie koszty, zarówno ekonomiczne, jak i społeczne. Z tego powodu nieustannie od początku XX w. podejmowane są próby prognozowania upadłości przedsiębiorstw. Zainteresowanie omawianą problematyką znajduje swoje odzwierciedlenie w stosowaniu coraz bardziej zaawansowanych metod statystycznych. Celem artykułu jest porównanie zdolności predykcyjnej 9 metod wykorzystywanych w literaturze do prognozowania upadłości przedsiębiorstw. Badania empiryczne przeprowadzono na podstawie danych finansowych 180 polskich spółek akcyjnych. Jego wyniki pozwoliły stwierdzić, że trafność klasyfikacji poszczególnych metod (a tym samym ich ranking), uzależniona jest od wielkości badanej próby badawczej oraz od długości horyzontu prognozy. Ranking badanych metod nie zależy natomiast od wybranej metody doboru zmiennych predykcyjnych. Metoda lasów losowych okazała się najsprawniejszym narzędziem prognostycznym.

Downloads

Download data is not yet available.

Article Details

Jak cytować
Herman, S. (2018). Analiza porównawcza zdolności predykcyjnej wybranych metod prognozowania upadłości przedsiębiorstw. Ruch Prawniczy, Ekonomiczny I Socjologiczny, 80(3), 199-216. https://doi.org/10.14746/rpeis.2018.80.3.16
Dział
* * *

Bibliografia

  1. Altman, E.I. (1968), Financial ratios, discriminant analysis and the prediction of corporate bankruptcy, The Journal of Finance 23(4): 589–609.
  2. Aziz, M.A., Dar, H.A. (2006), Predicting corporate bankruptcy – where we stand?, Corporate Governance Journal 6(1): 18–33.
  3. Beaver, W. (1966), Financial ratios as predictors of failure, Journal of Accounting Research 5: 71–111.
  4. Braga-Neto, U.M., Dougherty, E.R. (2004), Is cross-validation valid for small-sample microarray classification?, Bioinformatics 20(3): 374-380
  5. Chuang, C.L. (2013), Application of hybrid case-based reasoning for enhanced performance in bankruptcy prediction, Information Sciences 236: 174–185.
  6. Efron, B., Tibshirani, R. (1997), Improvements on cross-validation: the .632 bootstrap method, Journal of the American Statistical Association 92(438): 548-560.
  7. Fitzpatrick, P.J. (1932), A comparison of ratios of successful industrial enterprises with those of failed companies, Certified Public Accountant 2: 598–605.
  8. Gąska, D. (2013), Zastosowanie metody SVM do oceny ryzyka bankructwa i prognozowania upadłości przedsiębiorstw, Śląski Przegląd Statystyczny 11(17): 289–310.
  9. Gąska, D. (2015), Prognozowanie bankructwa za pomocą klasyfikatorów rozmytych realizujących ideę maksymalnego marginesu, Śląski Przegląd Statystyczny 13(19): 71–88.
  10. Gepp, A., Kumar, K. (2015), Predicting Financial Distress: A Comparison of Survival Analysis and Decision Tree Techniques, Procedia Computer Science 54: 396–404.
  11. Herman, S. (2016), Analiza porównawcza wybranych metod szacowania błędu predykcji klasyfikatora, Przegląd Statystyczny 63(4): 449-463.
  12. Hołda, A. (2006), Zasada kontynuacji działalności i prognozowanie upadłości w polskich realiach gospodarczych, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
  13. Kim, J. (2009), Estimating classification error rate: repeated cross-validation, repeated hold-out and bootstrap, Computational Statistics & DataAnalysis 53(11): 3735-3745
  14. Kirkos, E., (2015), Assessing methodologies for intelligent bankruptcy prediction, Artificial Intelligence Review 43(1): 83–123.
  15. Koronacki, J., Ćwik, J. (2005), Statystyczne systemu uczące się, Wydawnictwo Naukowo-Techniczne, Warszawa.
  16. Korol, T. (2010), Prognozowanie upadłości firm przy wykorzystaniu miękkich technik obliczeniowych, Finansowy Kwartalnik Internetowy e-Finanse 1.
  17. Korol, T. (2010), Systemy ostrzegania przedsiębiorstw przed ryzykiem upadłości, Oficyna, Warszawa.
  18. Krzyśko, M., Wołyński, W., Górecki, T., Skorzybut, M. (2008), Systemy uczące się: rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, Wydawnictwo Naukowo-Techniczne, Warszawa.
  19. Martin, D. (1977), Early warning of bank failures: A logit regression approach, Journal of Banking and Finance 1: 249–276.
  20. Merwin, C. (1942), Financing Small Corporations in Five Manufacturing Industries, 1926–1936, National Bureau of Economic Research.
  21. Odom, M.D., Sharda, R. (1990), A neural network model for bankruptcy prediction, Proceedings of IEEE International Conference on Neural Networks: 151–173.
  22. Pociecha, J., Pawełek, B., Baryła, M., Augustyn, S. (2014), Statystyczne metody prognozowania bankructwa w zmieniającej się koniunkturze gospodarczej, Fundacja Uniwersytetu Ekonomicznego w Krakowie, Kraków.
  23. 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: 1–28.
  24. Ripley, B. D. (1996), Pattern Recognition and Neural Networks, Cambridge University Press, Cambridge.
  25. Shin, K.S., Lee, Y.J. (2002), A genetic algorithm application in bankruptcy prediction modeling, Expert Systems with Applications 23(3): 321–328.
  26. Shin, K., Lee, T.S., Kim, H. (2005), An application of support vector machines in bankruptcy prediction model, Expert Systems with Applications 28: 127–135.
  27. Smith, R.F., Winakor, A.H. (1930), A Test Analysis of Unsuccessful Industrial Companies, Bulletin no. 31, University of Illinois, Bureau of Business Research.
  28. Żmijewski, M. (1984), Methodological Issues Related to the Estimation of Financial Distress Prediction Models, Journal of Accounting Research 22: 59-82.