Sergiusz Herman https://orcid.org/0000-0002-2753-1982 , Bartłomiej Lach https://orcid.org/0000-0002-2023-0378

© Sergiusz Herman, Bartłomiej Lach Artykuł udostępniony na licencji CC BY-SA 4.0

ARTYKUŁ

(Polski) PDF

STRESZCZENIE

Prognozowanie upadłości przedsiębiorstw jest bardzo ważnym zagadnieniem, stanowiącym przedmiot zainteresowania szerokiej grupy interesariuszy. Z tego powodu od początku XX w. nieprzerwanie podejmowane są prace nad rozwojem skutecznych narzędzi wykorzystywanych w tym kierunku. Głównym celem badania omawianego w artykule jest zweryfikowanie zasadności konstruowania sektorowych modeli prognozowania upadłości przedsiębiorstw. Badanie zostało przeprowadzone na podstawie danych finansowych 800 polskich przedsiębiorstw za lata 2015–2019, pobranych z bazy EMIS Professional. W analizie uwzględniono sześć metod doboru zmiennych, sześć metod uczenia maszynowego oraz 500 różnych losowych prób uczących i testowych.
Uzyskane wyniki prowadzą do wniosku, że determinanty upadłości w poszczególnych sektorach gospodarki są odmienne. Modele opierające się na grupie przedsiębiorstw prowadzących jednorodną działalność gospodarczą pozwalają uzyskać przeciętnie wyższe wskaźniki trafności klasyfikacji. Na tej podstawie można stwierdzić, że konstruowanie takich modeli jest zasadne.

SŁOWA KLUCZOWE

przedsiębiorstwo, upadłość, przynależność sektorowa, uczenie maszynowe

JEL

G33, C38, C53

BIBLIOGRAFIA

Altman, E. I. (1983). Corporate financial distress: A complete guide to predicting, avoiding, and dealing with bankruptcy. John Wiley & Sons.

Appenzeller, D., Nowara, W. (2003). Modele prognozowania upadłości banków komercyjnych w Polsce. Prace Naukowe Akademii Ekonomicznej we Wrocławiu, (1001), 13–22.

Bai, Q., Tian, S. (2020). Innovate or die: Corporate innovation and bankruptcy forecasts. Journal of Empirical Finance, 59, 88–108. https://doi.org/10.1016/j.jempfin.2020.09.002.

Becerra-Vicario, R., Alaminos, D., Aranda, E., Fernández-Gámez, M. A. (2020). Deep Recurrent Convolutional Neural Network for Bankruptcy Prediction: A Case of the Restaurant Industry. Sustainability, 12(12), 1–15. https://doi.org/10.3390/su12125180.

Beleites, C., Neugebauer, U., Bocklitz, T., Krafft, C., Popp, J. (2013). Sample size planning for classification models. Analytica Chimica Acta, 760, 25–33. https://doi.org/10.1016/j.aca.2012.11.007.

Bellovary, J., Giacomino, D., Akers, M. (2007). A Review of Bankruptcy Prediction Studies: 1930 to Present. Journal of Financial Education, 33(4), 1–42. https://www.jstor.org/stable/41948574.

Boratyńska, K., Grzegorzewska, E. (2018). Bankruptcy prediction in the agribusiness sector: Lessons from quantitative and qualitative approaches. Journal of Business Research, 89, 175–181. https://doi.org/10.1016/j.jbusres.2018.01.028.

Brożyna, J., Mendel, G., Pisula, T. (2016). Statistical methods of the bankruptcy prediction in the logistic sector in Poland and Slovakia. Transformations in Business & Economics, 15(1), 93–114.

Campbell, J. Y., Hilscher, J., Szilagyi, J. (2008). In Search of Distress Risk. The Journal of Finance, 63(6), 2899–2939. https://doi.org/10.1111/j.1540-6261.2008.01416.x.

Chan, C. Y., Chou, D. W., Lin, J. R., Liu, F. Y. (2016). The role of corporate governance in forecasting bankruptcy: Pre- and post-SOX enactment. The North American Journal of Economics and Fi-nance, 35, 166–188. https://doi.org/10.1016/j.najef.2015.10.008.

Chava, S., Jarrow, R. A. (2004). Bankruptcy prediction with industry effects. Review of Finance, 8(4), 537–569. https://doi.org/10.1093/rof/8.4.537.

Chen, Y., Zhang, L., Zhang, L. (2013). Financial Distress Prediction for Chinese Listed Manufactu- ring Companies. Procedia Computer Science, 17, 678–686.

Dudycz, T., Skoczylas, W. (2023). Wskaźniki finansowe przedsiębiorstw według działów (sektorów) za 2021 r. Rachunkowość, (5), 61–88.

Gabbianelli, L. (2018). A territorial perspective of SME’s default prediction models. Studies in Eco-nomics and Finance, 35(4), 542–563. https://doi.org/10.1108/SEF-08-2016-0207.

Gajdka, J., Stos, D. (1996). Wykorzystanie analizy dyskryminacyjnej do badania podatności przed-siębiorstwa na bankructwo. W: J. Duraj (red.), Przedsiębiorstwo na rynku kapitałowym (s. 138–148). Polskie Wydawnictwo Ekonomiczne.

Gill de Albornoz, B., Giner, B. (2013). Predicción del fracaso empresarial en los sectores construc-ción e inmobiliario: Modelos generales versus específicos. Universia Business Review, (39), 118–131.

Grzegorzewska, E. (2011). Zagrożenie upadłością a cykl życia przedsiębiorstw rolniczych. W: E. Mą-czyńska (red.), Cykle życia i bankructwa przedsiębiorstw (s. 281–301). Oficyna Wydawnicza SGH.

Grzegorzewska, E., Runowski, H. (2008). Zdolności prognostyczne polskich modeli dyskryminacyj-nych w badaniu kondycji finansowej przedsiębiorstw rolniczych. Roczniki Nauk Rolniczych, Seria G – Ekonomika Rolnictwa, 95(3/4), 83–90. https://sj.wne.sggw.pl/pdf/RNR_2008_n3-4_s83.pdf.

Hadasik, D. (1998). Upadłość przedsiębiorstw w Polsce i metody jej prognozowania. Wydawnictwo Akademii Ekonomicznej w Poznaniu.

Heo, J., Yang, J. Y. (2014). AdaBoost based bankruptcy forecasting of Korean construction compa-nies. Applied Soft Computing, 24, 494–499. https://doi.org/10.1016/j.asoc.2014.08.009.

Herman, S. (2017). Industry specifics of joint-stock companies in Poland and their bankruptcy prediction. W: M. Papież, S. Śmiech (red.), Proceedings of the 11th Professor Aleksander Zelias Inter-national Conference on Modelling and Forecasting of Socio-Economic Phenomena (s. 93–102). Fundacja Uniwersytetu Ekonomicznego w Krakowie.

Hołda, A. (2001). Prognozowanie bankructwa jednostki w warunkach polskiej gospodarki z wykorzystaniem funkcji dyskryminacyjnej. Rachunkowość, (5), 306–310.

Hołda, A. (2006). Zasada kontynuacji działalności i prognozowanie upadłości w polskich realiach gospodarczych. Wydawnictwo Akademii Ekonomicznej w Krakowie.

Hołda, A. (2009). Wykorzystanie drzew decyzyjnych w prognozowaniu upadłości przedsiębiorstw w branży budowlanej. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, (796), 165–175.

Iwanowicz, T. (2018). Empiryczna weryfikacja hipotezy o przenośności modelu Altmana na warunki polskiej gospodarki oraz uniwersalności sektorowej modeli. Zeszyty Teoretyczne Rachunkowości, (96), 63–80. https://doi.org/10.5604/01.3001.0011.6170.

Jabeur, B. S., Stef, N., Carmona, P. (2022). Bankruptcy Prediction using the XGBoost Algorithm and Variable Importance Feature Engineering. Computational Economics, 61, 715–741. https://doi.org/10.1007/s10614-021-10227-1.

Jagiełło, R. (2013). Analiza dyskryminacyjna i regresja logistyczna w procesie oceny zdolności kredytowej przedsiębiorstw. Narodowy Bank Polski. https://static.nbp.pl/publikacje/materialy-i-stu-dia/ms286.pdf.

du Jardin, P. (2018). Failure pattern-based ensembles applied to bankruptcy forecasting. Decision Support Systems, 107, 64–77. https://doi.org/10.1016/j.dss.2018.01.003.

Juszczyk, S. (2010). Prognozowanie upadłości przedsiębiorstw. Ekonomista, (5), 701–728.

Juszczyk, S., Balina, R. (2014). Prognozowanie zagrożenia bankructwem przedsiębiorstw w wybranych branżach. Ekonomista, (1), 67–95. https://ekonomista.pte.pl/pdf-155672-82501?filename=Prognozowanie%20zagrozenia.pdf.

Karbownik, L. (2013). The Use of Accrual-Based and Cash-Based Approach in Evaluating the Ope-rational Financial Threat of Enterprises from the TSL Sector – Example of Application of the Discriminant Analysis. Quantitative Methods in Economics. Metody Ilościowe w Badaniach Ekonomicznych, 14(1), 190–201. https://qme.sggw.edu.pl/article/view/3588.

Korol, T. (2005). Wykorzystanie sieci jednokierunkowej wielowarstwowej oraz sieci rekurencyjnej w prognozowaniu upadłości przedsiębiorstw. Materiały i Prace Instytutu Funkcjonowania Gospodarki Narodowej, 93, 169–181.

Korol, T., Prusak, B. (2005). Upadłość przedsiębiorstw a wykorzystanie sztucznej inteligencji. CeDeWu.

Król, K., Stefański, A. (2014). Metodyka budowy modelu prognozowania bankructwa na przykładzie sektora budowlanego. Zeszyty Naukowe Wyższej Szkoły Bankowej we Wrocławiu, (7), 159–184.

Laguillo, G., del Castillo, A., Fernández, M. Á., Becerra, R. (2019). Focused vs unfocused models for bankruptcy prediction: Empirical evidence for Spain. Contaduría y Administración, 64(2), 1–22. https://doi.org/10.22201/fca.24488410e.2018.1488.

Liang, D., Lu, C. C., Tsai, C. F., Shih, G. A. (2016). Financial ratios and corporate governance indicators in bankruptcy prediction: A comprehensive study. European Journal of Operational Research, 252(2), 561–572. https://doi.org/10.1016/j.ejor.2016.01.012.

Liang, D., Tsai, C. F., Wu, H. T. (2015). The effect of feature selection on financial distress prediction. Knowledge-Based Systems, 73(1), 289–297. https://doi.org/10.1016/j.knosys.2014.10.010.

Mroczkowska, A., Rogowski, W. (2010). Światowe doświadczenia w zakresie tworzenia modeli prognozowania zagrożenia przedsiębiorstwa upadłością. Studia i Prace Kolegium Zarządzania i Finansów, (102), 42–69. https://econjournals.sgh.waw.pl/public/journals/5/archiwum_2018_2014 /2010/ZN_102.pdf .

Noga, T., Adamowicz, K., Jakubowski, J. (2014). Metody dyskryminacyjne w ocenie sytuacji finansowej przedsiębiorstw sektora leśno-drzewnego. Acta Scientiarum Polonorum. Silvarum Colendarum Ratio et Industria Lignaria, 13(1), 25–35.

Nyitrai, T., Virág, M. (2019). The effects of handling outliers on the performance of bankruptcy predic-tion models. Socio-Economic Planning Sciences, 67, 34–42. https://doi.org/10.1016/j.seps.2018.08.004.

Pisula, T. (2010a). Prognozowanie zagrożenia bankructwem dla spółek giełdowych z sektora budowlanego. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, (117), 351–360.

Pisula, T. (2010b). Prognozowanie zagrożenia upadłością dla polskich spółek giełdowych z sektora deweloperów z wykorzystaniem modeli strukturalnych. Zeszyty Naukowe Uniwersytetu Szczecińskiego. Finanse, Rynki Finansowe, Ubezpieczenia, (29), 109–122.

Pisula, T. (2017). Zastosowanie ensemble klasyfikatorów do oceny ryzyka upadłości przedsiębiorstw na przykładzie firm sektora produkcyjnego działających na Podkarpaciu. Zarządzanie i Finanse, 15(3), 279–293.

Pociecha, J. (red.). (2014). Statystyczne metody prognozowania bankructwa w zmieniającej się koniunkturze gospodarczej. Fundacja Uniwersytetu Ekonomicznego w Krakowie.

Pogodzińska, M., Sojak, S. (1995). Wykorzystanie analizy dyskryminacyjnej w przewidywaniu bankructwa przedsiębiorstw. Acta Universitatis Nicolai Copernici. Nauki Humanistyczno-Społeczne. Ekonomia, (25), 53–61.

Potoczna, M., Wiśniewska, O. (2013). Zastosowanie analizy dyskryminacyjnej oraz modelu logitowego do prognozowania upadłości polskich przedsiębiorstw. W: S. Wawak (red.), Metody i techniki diagnostyczne w doskonaleniu organizacji (s. 39–47). Mfiles.pl.

Prusak, B. (2005). Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw. Difin.

Ptak-Chmielewska, A. (2018). Bankruptcy Risk Models for Polish SMEs – Regional Approach. Acta Universitatis Lodziensis. Folia Oeconomica, 1(333), 71–83. https://doi.org/10.18778/0208-6018.333.05.

Rajin, D., Milenković, D., Radojević, T. (2016). Bankruptcy prediction models in the Serbian agricultural sector. Ekonomika Poljoprivrede. Economics of Agriculture, 63(1), 89–105. http://dx.doi.org/10.5937/ekoPolj1601089R.

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), 1–28. https://doi.org/10.1016/j.ejor.2006.08.043.

Rusiecki, K., Białek-Jaworska, A. (2015). Systemy wczesnego ostrzegania o zagrożeniu upadłością przedsiębiorstw z sektora budowlanego – porównanie analizy dyskryminacyjnej i modelu logitowego. Ekonomia. Rynek, Gospodarka, Społeczeństwo, 43, 137–160. https://doi.org/10.17451/eko /43/2015/126 .

Vabalas, A., Gowen, E., Poliakoff, E., Casson, A. J. (2019). Machine learning algorithm validation with a limited sample size. PLoS ONE, 14(11), 1–20. https://doi.org/10.1371/journal.pone.0224365.

Veganzones, D., Séverin, E. (2018). An investigation of bankruptcy prediction in imbalanced da-tasets. Decision Support Systems, 112, 111–124. https://doi.org/10.1016/j.dss.2018.06.011.

Wysocki, F., Kozera, A. (2012). Wykorzystanie analizy dyskryminacyjnej w ocenie ryzyka upadłości przedsiębiorstw przemysłu mięsnego. Journal of Agribusiness and Rural Development, 4(26), 167–182.

Zhang, C., Soda, P., Bi, J., Fan, G., Almpanidis, G., García, S., Ding, W. (2022). An empirical study on the joint impact of feature selection and data resampling on imbalance classification. Applied Intelligence, 53, 5449–5461. https://doi.org/10.1007/s10489-022-03772-1.

Zhou, L. (2013). Performance of corporate bankruptcy prediction models on imbalanced dataset: The effect of sampling methods. Knowledge-Based Systems, 41, 16–25. https://doi.org/10.1016 /j.knosys.2012.12.007 .

Zielińska-Sitkiewicz, M. (2016). Zastosowanie metod wielowymiarowej analizy dyskryminacyjnej do prognozowania upadłości wybranych spółek sektora spożywczego. Zeszyty Naukowe Szkoły Głównej Gospodarstwa Wiejskiego w Warszawie. Ekonomika i Organizacja Gospodarki Żywnościowej, (113), 117–129. https://doi.org/10.22630/EIOGZ.2016.113.10.

Zoričák, M., Gnip, P., Drotár, P., Gazda, V. (2020). Bankruptcy prediction for small- and medium-sized companies using severely imbalanced datasets. Economic Modelling, 84, 165–176.

Do góry
© 2019-2022 Copyright by Główny Urząd Statystyczny, pewne prawa zastrzeżone. Licencja Creative Commons Uznanie autorstwa - Na tych samych warunkach 4.0 (CC BY-SA 4.0) Creative Commons — Attribution-ShareAlike 4.0 International — CC BY-SA 4.0