Przewidywanie upadłości polskich przedsiębiorstw - zastosowanie analizy dyskryminacyjnej. Wyniki badań pilotażowych

• Authors: Bernard Kokczyński

Title variants

EN

Bankruptcy Prediction of Polish Companies -The Application of Discriminant Analysis. Results of Pilot Studies

Abstracts

EN

The aim of the article is to present preliminary research results in the field of bankruptcy prediction models and compare methods of variable selection for the model. Whether models based on variables eliminated based on mutual correlation show better prediction than models with arbitrarily selected variables. The problem of bankruptcy in the economy is particularly significant in times of economic crisis. According to the PIE report, Poland and other European Union economies are expected to experience a clear slowdown in 2023. The number of corporate bankruptcies in Poland in the fourth quarter of 2022 amounted to 112, which was 28.7% higher than in the corresponding period of the previous year, according to the GUS report. Discriminant analysis was the method used in the research. In 6 models, indicators for constructing the discriminant function were selected by eliminating the most correlated variables. In 4 models, indicators were chosen arbitrarily. The conducted research revealed that statistical methods of variable selection for models are more effective than arbitrary selection of variables. The best prediction was observed in models based on data one year before bankruptcy. In the test sample, the models correctly classified 62.5% of non-bankrupt companies and 87.5% of bankrupt companies. Additionally, a comparative analysis of misclassified entities by the models was conducted. It was found that the models misclassified the same companies. This may indicate atypical cases that, with a small database, have a high percentage share in classification errors.

PL

Celem artykułu jest prezentacja wyników wstępnych badań z zakresu modeli predykcji bankructwa oraz porównanie metod doboru zmiennych do modelu. Czy modele oparte na zmiennych eliminowanych na podstawie siły wzajemnej korelacji cechują się lepszą predykcją, niż modele ze zmiennymi dobranymi arbitralnie. Problem bankructwa w gospodarce jest szczególnie istotny w warunkach kryzysu gospodarczego. Według raportu PIE Polskę i pozostałe gospodarki Unii Europejskiej czeka wyraźne spowolnienie w roku 2023. Liczba upadłości przedsiębiorstw w Polsce w IV kwartale 2022 roku wyniosła 112 i była o 28,7% większa niż w analogicznym okresie roku poprzedniego, według raportu GUS. Metodą stosowaną w badaniach była analiza dyskryminacyjna. W 6 modelach wskaźniki do budowy funkcji dyskryminacyjnej zostały dobrane za pomocą eliminacji najbardziej skorelowanych zmiennych. W 4 modelach wskaźniki zostały wybrane arbitralnie. W wyniku przeprowadzonych badań ustalono, że metody statystyczne doboru zmiennych do modeli, są skuteczniejsze od arbitralnego wyboru zmiennych. Najlepszą predykcją cechowały się modele oparte na danych na rok przed bankructwem. W próbie testowej modele prawidłowo sklasyfikowały 62,5% niebankrutów i 87,5% bankrutów. Ponadto dokonano analizy porównawczej błędnie zaklasyfikowanych podmiotów przez modele. Ustalono, że modele błędnie klasyfikowały te same przedsiębiorstwa. Może to świadczyć o nietypowych przypadkach, które przy niewielkiej bazie danych mają wysoki udział procentowy w błędach klasyfikacji.

Keywords

EN

bankruptcy prediction models; forecasting corporate bankruptcy; bankruptcy; corporate finance; early warning systems

PL

modele predykcji bankructwa; prognozowanie upadłości przedsiębiorstw; bankructwo; finanse przedsiębiorstw; systemy wczesnego ostrzegania

• Publisher: Uniwersytet Gdański. Wydział Ekonomiczny
• Journal: Współczesna Gospodarka
• Year: 2023
• Volume: 17
• Issue: 2 (41)
• Pages: 81-94

Dates

published

2023

Contributors

author

Bernard Kokczyński

• Uniwersytet Łódzki

References

• Altman E., Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, Journal of Finance 1968, Vol. 23, Issue 4.
• Bombiak E., Modele dyskryminacyjne jako metoda oceny sytuacji finansowej przedsiębiorstwa, Siedlce, 2010.
• Cenkier A., Masiukiewicz P., Dec P., Wysocki J, Sokół H., Analiza Ekonomiczno Finansowa, Szkoła Główna Handlowa w Warszawie, 2022, ISBN: 978-83-8030-562-5.
• Dec P., Kompleksowy system wczesnego ostrzegania, (w:) Ryzyko w działalności przedsiębiorstw. Wybrane aspekty, red. A. Fierla, Szkoła Główna Handlowa, Warszawa 2009.
• Druchin, S., Klucznik, M., Rybacki, J., Sajnóg, S., Sułkowski, D. (2022), Przegląd gospodarczy PIE: zima 2022, Polski Instytut Ekonomiczny, Warszawa.
• Gajdka J., Stos D., Wykorzystanie analizy dyskryminacyjnej przewidywaniu bankructwa spółki w: Przedsiębiorstwo na rynku kapitałowym, (red) J. Duraj, Wydawnictwo Uniwersytetu Łódzkiego, Łódź, 1996 r.
• Gissel J., Giacomino D., Akers M., Journal of Financial Education, Vol. 33, 2007 s. 1-42.
• GUS, Rejestracje i upadłości przedsiębiorstw w IV 09.02.2023 r. kwartale 2022 roku, pozyskano z: https://stat.gov.pl/obszary-tematyczne/podmioty-gospodarcze-wyniki-finansowe/przedsiebiorstwa-niefinansowe/rejestracje-i-upadlosci-przedsiebiorstw-w-iv-kwartale-2022-roku,29,16.html (24.06.2023).
• Jagiełło R., Analiza dyskryminacyjna i regresja logistyczna w procesie oceny zdolności kredytowej przedsiębiorstw, NBP, Warszawa, 2013.
• Kisielińska J., Waszkowski A., Polskie modele do prognozowania bankructwa przedsiębiorstw i ich weryfikacja, Zeszyty Naukowe SGGW w Warszawie. Ekonomika i Organizacja Gospodarki Żywnościowej, 2010 | nr 82 | 17-31.
• Kokczyński B., Ewolucja statystycznych modeli predykcji bankructwa, Finanse – kierunki i wymiary zmian, pod red: Adamczyk A., 2022 s.147-162.
• Kopczyński P., Prognozowanie upadłości spółek giełdowych, Wydawnictwo Uniwersytetu Łódzkiego, Łódź, 2016.
• Korol T., Systemy ostrzegania przedsiębiorstw przed ryzykiem upadłości, Wolters Kluwer Polska SA, Warszawa, 2010.
• Koronacki J., Ćwik J., Statystyczne systemy uczące się, Akademicka Oficyna Wydawnicza EXIT, Warszawa, 2021.
• Krajewski M., System wczesnego ostrzegania w aspekcie kondycji finansowej przedsiębiorstwa, Zeszyty Naukowe Uniwersytetu Szczecińskiego nr 802, 2014, s.1-7.
• Kuziak K., Koncepcja wartości zagrożonej VaR, StatSoft Polska, 2003, s.29-39.
• Lichota W., (2020). Zastosowanie modeli logitowych do zdiagnozowania zagrożenia bankructwem przedsiębiorstw. Zeszyty Naukowe SGGW w Warszawie, nr 24 (73), s. 92-103.
• Ligas M., Przestrzenne modele autoregresji w zastosowaniu do wyceny nieruchomości, Studia i materiały towarzystwa naukowego nieruchomości Vol. 14 nr1, 2006, s.123-136.
• Mączyńska E., Zawadzki M., Dyskryminacyjne modele predykcji upadłości przedsiębiorstw, Ekonomista nr 2/2006.
• Matuszewska-Janica A., Witkowska D., Modelowanie kursu euro/dolar: dynamiczne modele ekonometryczne i sztuczne sieci neuronowe, Zeszyty Naukowe SGGW - Ekonomika i Organizacja Gospodarki Żywnościowej, nr69, 2008, s.55-75.
• Perzyńska J., Zastosowanie sztucznych sieci neuronowych do prognozowania szeregów czasowych, Zeszyty Naukowe ZPSB FIRMA i RYNEK 2018/2, 2018, s.95-104.
• Pociecha J., Modele prognozowania bankructwa w systemie wczesnego ostrzegania przedsiębiorstw, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, 2011.
• Pociecha J., Pawełek B., Baryła M., Augustyn S., Statystyczne metody prognozowania bankructwa w zmieniającej się koniunkturze gospodarczej, Fundacja uniwersytetu ekonomicznego w Krakowie, Kraków, 2014.
• Rusiecki K., Białek-Jaworska A., Systemy wczesnego ostrzegania o zagrożeniu upadłością przedsiębiorstw z sektora budowlanego – porównanie analizy dyskryminacyjnej i modelu logitowego, Ekonomia. Rynek, gospodarka, społeczeństwo nr 43, 2015, s.137-160.
• Rutkowski, A., Zarządzanie finansami, PWE, Warszawa, 2016.
• Sielewicz G., Kamińska B., Warych A., Raport Coface: Niewypłacalności firm w Polsce w I kwartale 2023 r., pozyskano z: https://www.coface.pl/Aktualnosci-i-media/Biuro-prasowe/Niewyplacalnosci-w-I-kwartale-2023-r.-w-Polsce-RAPORT-COFACE (24.06.2023).
• Sieniawska M., Prokopowicz D., Analiza predykcji bankructwa spółek kapitałowych z branży budowlanej za pomocą wybranych modeli analizy dyskryminacyjnej (w:) "Zeszyty Naukowe Uniwersytetu Kardynała Stefana Wyszyńskiego. Ekonomia i Zarządzanie", Wydział Nauk Historycznych i Społecznych, Uniwersytet Kardynała Stefana Wyszyńskiego w Warszawie, nr1(3) 2018, s. 89-123, ISSN 2544-1329
• Sierpińska, M., Jachna, T., Ocena przedsiębiorstwa według standardów światowych, Wydawnictwo Naukowe PWN, Warszawa, 2004.
• Topczak M., Patalas-Maliszewska J., Model oceny poziomu ryzyka w przedsiębiorstwie produkcyjnym, Zarządzanie Przedsiębiorstwem Vol. 22, s. 14-21, 2019.
• Wojna A., Predykcja ekonometryczna oraz modelowanie stochastyczne, Koszalin, 2007.
• Wojnar J., Ocena skuteczności modeli analizy dyskryminacyjnej do prognozowania zagrożenia finansowego spółek giełdowych, Zeszyty Naukowe Małopolskiej Wyższej Szkoły Ekonomicznej w Tarnowie, t. 24, nr 1, czerwiec 2014, s. 220-225.
• Zawiła-Niedźwiecki J., Zarządzanie ryzykiem operacyjnym w zapewnianiu ciągłości działania organizacji, Edu-libri, Kraków-Warszawa, 2013.

Identifiers

DOI

10.26881/wg.2023.2.06

Biblioteka Nauki

35097258