PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2013 | 18 (XVIII) | nr 20 (3) | 113--133
Tytuł artykułu

Predicting Bankruptcy of Companies from the Logistics Sector Operating in the Podkarpacie Region

Treść / Zawartość
Warianty tytułu
Prognozowanie upadłości firm z sektora logistycznego działających w regionie Podkarpacia
Języki publikacji
EN
Abstrakty
W artykule przeprowadzono badanie skuteczności różnych koncepcji modelowania upadłości przedsiębiorstw z sektora logistycznego. W celu pełniejszego zobrazowania zagadnienia ww. prognozowanie ewentualnych negatywnych skutków prowadzonej działalności przeprowadzono dla wszystkich firm ww. sektora działających w regionie Podkarpacia. Analiza została poparta danymi pochodzącymi z bazy danych EMIS (Emerging Markets Information Service). Szeroka gama 28 wskaźników finansowych została pogrupowana na pięć grup wskaźników tj. odpowiednio wskaźniki płynności, zyskowności, zadłużenia, sprawności działania oraz finansowe. Wyżej wspomnianą próbę badawczą podzielono na grupę przedsiębiorstw chorych - w stosunku co do których ogłoszono upadłość - oraz grupę tzw. firm zdrowych (sprawie działających, o dobrej kondycji finansowej. Podejście takowe pozwala na lepszą, obiektywną ocenę stosowanych metod w zakresie modelowania upadłości. Celem niniejszej publikacji była zatem chęć znalezienia czynników (modeli) opisujących ryzyko upadłości przedsiębiorstw w kontekście ich skuteczności przewidywań w horyzoncie jedno- i dwu letnim. Zastosowano w tym wypadku modele regresji logistycznej, drzew klasyfikacyjnych oraz dwóch wariatów sztucznych sieci neuronowych. Pełnej oceny zastosowanych modeli dokonano w procesie walidacji. Podstawowym narzędziem stosowanym w tym wypadku do badania efektywności klasyfikacyjnej modeli klasyfikacyjnych są macierze poprawnych klasyfikacji. Dokonano zatem oszacowania poprawnych oraz błędnych odsetków wskazań modeli zarówno w grupie wskazanych wcześniej przedsiębiorstw zdrowych jak i chorych. Ostatecznie przeprowadzono ocenę poruszanych na łamach artykułu metod oraz ogólnej kondycji sektora logistycznego w rejonie Podkarpacia. (abstrakt oryginalny)
EN
Research on effectiveness of various concepts for modelling the bankruptcy of companies from the logistics sector is described in this article. In order to present this issue more completely the above-mentioned prediction of possible negative effects for the conducted business activity was conducted for all companies operating in that sector in the Podkarpacie region. The study was supported by the data from the database EMIS (Emerging Markets Information Service ). A wide range of 28 financial indicators was grouped into five groups i.e. liquidity ratios, profitability, debt, performance, and financial respectively. The above mentioned research trial was divided into a group of companies - so-called ill - in relation to which the bankruptcy was declared and healthy ones (of good financial condition). Such an approach allows for a better and right assessment of the methods in modeling bankruptcy. The purpose of this publication was to find factors (models) describing the risk of bankruptcy of enterprises in terms of their effectiveness prediction in one - and two year- horizon. The logistics regression models, classification trees and two lunatics artificial neural networks were applied. A full evaluation of the models application were made in the validation process. The primary tool used in this case to study the effectiveness of models classification are matrices of correct classification. It was made an estimation of the correct and wrong indications in both the above mentioned models. Finally, an assessment of the method was done as well as the overall condition of the logistics sector in the Podkarpacie region. (original abstract)
Rocznik
Numer
Strony
113--133
Opis fizyczny
Twórcy
  • Rzeszow University of Technology, Poland
  • Rzeszow University of Technology, Poland
  • Rzeszow University of Technology, Poland
Bibliografia
  • Altman E. I., Haldeman R. G., Narayanan P. (1977), ZETA ANALYSIS, a new model to identify bankruptcy risk of corporations, "Journal of Banking and Finance 1, pp. 29-54.
  • Atiya A.F. (2001), Bankruptcy prediction for credit risk using neural networks: A survey and new results, IEEE Transactions on Neural Networks 12 (4), pp. 929-935.
  • Breiman L., Friedman J.H., Olshen R.A., Stone C.J. (1993); Classification and Regression Trees, Chapman and Hall.
  • Fletcher D., Goss E. (1993), Application forecasting with neural networks an application using bankruptcy data, Information and Management 24, pp. 159-167.
  • Frydman H., Altman E.I., Kao D. (1985), Introducing recursive partitioning for financial classification: The case of financial distress, Journal of Finance 40 (1), pp. 269-291.
  • Jones S., Hensher D.A. (2004), Predicting firm financial distress: A mixed logit model, Accounting Review 79 (4), pp. 1011-1038.
  • Karels G.V., Prakash A.J. (1987), Multivariate normality and forecasting of business bankruptcy, Journal of Business Finance and Accounting 14 (4) (1987).
  • Kaski S., Sinkkonen J., Peltonen J. (2001), Bankruptcy analysis with self-organizing maps in learning metrics, IEEE Transactions on Neural Networks 12 (4), pp. 936-947.
  • Kiviluoto K. (1998), Predicting bankruptcies with self-organizing map, Neurocomputing 21, pp. 191-201.
  • Kolari J., Glennon D., Shin H., Caputo M. (2002), Predicting large US commercial bank failures, Journal of Economics and Business 54 (32 1), pp. 361-387.
  • Kumar P. R., Ravi V. (2007), Bankruptcy prediction in banks and firms via statistical and intelligent techniques - A review, "European Journal of Operational Research" 180 (2007), pp. 1-28.
  • Lam M. (2004), Neural networks techniques for financial performance prediction: integrating fundamental and technical analysis, Decision Support Systems 37, pp. 567-581.
  • Lee K., Booth D., Alam P. (2005), A comparison of supervised and unsupervised neural networks in predicting bankruptcy of Korean firms, Expert Systems with Applications 29, pp. 1-16.
  • Leshno M., Spector Y. (1996), Neural network prediction analysis: The bankruptcy case, Neurocomputing 10, pp. 125-147.
  • Löffler G., Posch P., N. (2007), Credit risk modeling using Excel and VBA, Wydawnictwo Wiley, Chichester, West Sussex, pp. 156.
  • Marais M.L., Patel J., Wolfson M. (1984), The experimental design of classification models: An application of recursive partitioning and bootstrapping to commercial bank loan classifications, Journal of Accounting Research 22, pp. 87-113.
  • Martin D. (1977), Early warning of bank failure: A logit regression approach, "Journal of Banking and Finance", 1, pp. 249-276.
  • Matuszyk A. (2004), Credit scoring - metoda zarządzania ryzykiem kredytowym, Wydawnictwo CeDeWu, Warszawa, pp. 119-122.
  • Ohlson J.A. (1980), Financial rations and the probabilistic prediction of bankruptcy, Journal of Accounting Research 18, pp. 109-131.
  • Prusak B. (2005), Nowoczesne metody prognozowania zagrożenia finansowego przedsiębiorstw, Wydawnictwo Difin, Warszawa, pp. 50.
  • Serrano-Cinca C. (1996), Self-organizing neural networks for financial diagnosis, Decision Support Systems 17, pp. 227-238.
  • Tam K.Y., Kiang M. (1992), Predicting bank failures: A neural network approach, Decision Sciences 23, pp. 926-947.
  • Thomas L. C. (2009), Consumer credit models. Pricing, Profit and Portfolios, Oxford University Press, Oxford, pp. 111.
  • Wilson R.L., Sharda R. (1994), Bankruptcy prediction using neural networks, Decision Support Systems 11, pp. 545-557.
  • Witkowska D. (2002), Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe, C.H. Beck, Warszawa, pp. 86-87.
  • Yu L., Wang S., Lai K. K., Zhou L. (2008), Bio-Inspired Credit Risk Analysis. Computational Intelligence with Support Vector Machines, Springer-Verlag, Berlin Heidelberg, pp. 14-15.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171295587

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.