PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
15 (2017) | nr 3 | 279--293
Tytuł artykułu

Zastosowanie ensemble klasyfikatorów do oceny ryzyka upadłości przedsiębiorstw na przykładzie firm sektora produkcyjnego działających na Podkarpaciu

Autorzy
Treść / Zawartość
Warianty tytułu
An Application of Ensemble Classifiers to Assess the Bankruptcy Risk of Enterprises on the Example of Manufacturing Sector Companies Operating in the Podkarpacie Region
Języki publikacji
PL
Abstrakty
Jednym z głównych rodzajów działalności banków oraz innych instytucji kredytowych jest udzielanie i obsługa kredytów dla klientów indywidualnych oraz korporacyjnych. Jest to jedno z podstawowych źródeł dochodów dla banków, jednak wiążące się często z dużym ryzykiem. Banki stosują różnego rodzaju metody oceny ryzyka kredytowego, w tym dla klientów korporacyjnych. Umożliwiają one z dostatecznie dużą dokładnością prognozowanie (w zadanym horyzoncie czasu) prawdopodobieństwa upadłości, a tym samym oszacowanie potencjalnego ryzyka poniesienia strat dla banku, wynikającego z niespłacenia części lub całości kredytu. W praktyce stosowane są różnego rodzaju modele oceny potencjalnego ryzyka kredytowego, wynikającego z możliwości bankructwa przedsiębiorstw. Są to zarówno modele wykorzystujące metody statystyczne, jak i metody niestatystyczne. W celu zwiększenia skuteczności klasyfikacyjnej stosowanych modeli w ostatnich latach z dużym powodzeniem wykorzystuje się tzw. grupowe klasyfikatory typu ensemble. Są to techniki polegające na łączeniu różnych metod klasyfikacyjnych w celu znacznej poprawy skuteczności tych modeli składowych i zwiększenia ich efektywności klasyfikacyjnej. W artykule przedstawiono wyniki autorskich badań nad możliwością zastosowania technik ensemble classifiers do oceny ryzyka upadłości dla firm z sektora produkcyjnego działających na Podkarpaciu. Skuteczność metod ensemble została porównana z wybranymi klasycznymi modelami oceny ryzyka upadłości przedsiębiorstw. Praktycznym aspektem pracy było zastosowanie analizowanych modeli do oszacowania prawdopodobieństwa upadłości w rocznym horyzoncie czasu dla 144 przedsiębiorstw sektora produkcyjnego z województwa podkarpackiego oraz zbadanie ich potencjalnego zagrożenia upadłością w 2016 r. (abstrakt oryginalny)
EN
One of the main activities of banks and credit institutions is lending and servicing activities for individuals and corporate clients. This is one of the main sources of income for the banking sector, but it sometimes involves very high risks. Contemporary banks use different types of credit risk assessment methods for corporate clients, with a view to reasonably assess the probability of bankruptcy in a given time horizon, and thus evaluate the risk of potential bank losses due to non-payment of a part or the whole loan. In practice, different types of bankruptcy risk assessment models are used successfully (both statistical models and also non-statistical methods). In order to increase the classification efficiency of used models in recent years, the so-called group ensemble classifiers have been used successfully. These are techniques to combine different individual classification methods to significantly improve the effectiveness of models used to predict bankruptcy occurrence in customer credit repayments. The article presents the results of own research on the possibility of using ensemble classifiers to assess the risk of bankruptcy for companies operating in the Podkarpacie region. The effectiveness of the ensemble methods was compared to some classic bankruptcy risk assessment methods. The practical aspect of the work was to use the analysed models to estimate the probability of bankruptcy in the annual time horizon for 144 manufacturing sector companies in the Podkarpacie Voivodeship and to examine their bankruptcy risk for 2016. (original abstract)
Rocznik
Numer
Strony
279--293
Opis fizyczny
Twórcy
  • Politechnika Rzeszowska
Bibliografia
  • Breiman L. (1996), Bagging predictors, "Machine Learning", Vol. 24, No. 2.
  • Brożyna J., Mentel G., Pisula T. (2016), Statistical methods of the bankruptcy prediction in the logistics sector in Poland and Slovakia, "Transformations in Business & Economics", Vol. 15, No. 1 (37).
  • Fedorova E., Gilenko E., Dovzhenko S. (2013), Bankruptcy prediction for Russian companies: Application of combined classifiers, "Expert Systems with Applications", Vol. 40, No. 18.
  • Freund Y., Schapire R.E. (1997), A decision theoretic generalization of on-line learning and an application to boosting, "Journal of Computer and System Sciences", Vol. 55, No. 1.
  • Gajdka J., Stos D. (1996), Wykorzystanie analizy dyskryminacyjnej w ocenie kondycji finansowej przedsiębiorstw, w: R. Borowiecki (red.), Restrukturyzacja w procesie przekształceń i rozwoju przedsiębiorstw, Wydawnictwo Akademii Ekonomicznej w Krakowie, Kraków.
  • Hadasik D. (1998), Upadłość przedsiębiorstw w Polsce i metody jej prognozowania, Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań.
  • John G.H., Kohavi R., Pfleger K. (1994), Irrelevant Features and the Subset Selection Problem, w: W.W. Cohen, H. Hirsh (eds.), Machine Learning. Proceedings of the Eleventh International Conference, Morgan Kaufmann Publishers, San Francisco.
  • Jović A., Brkić K., Bogunović N. (2015), A review of feature selection methods with applications, w: Proceedings of 38th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), IEEE Xplore.
  • Korol T. (2013), Early warning models against bankruptcy risk for Central European and Latin American enterprises, "Economic Modelling", Vol. 31.
  • Lasek M. (2007), Metody Data Mining w analizowaniu i prognozowaniu kondycji ekonomicznej przedsiębiorstw, Difin, Warszawa.
  • Mączyńska E. (1994), Ocena kondycji przedsiębiorstwa, "Życie Gospodarcze", nr 38.
  • Pisula T., Mentel G., Brożyna J. (2015), Non-statistical methods of analysing of bankruptcy risk, "Folia Oeconomica Stetinensia", Vol. 15, No. 1.
  • Pogodzińska M., Sojak S. (1995), Wykorzystanie analizy dyskryminacyjnej w przewidywaniu bankructwa przedsiębiorstw, "Acta Universitatis Nicolai Copernici - Ekonomia XXV", z. 299.
  • Wolpert D.H. (1992), Stacked generalization, "Neural Networks", Vol. 5, No. 2.
  • Zhang C., Ma Y. (2012), Ensemble Machine Learning. Methods and applications, Springer, New York.
  • Zhou Z.-H. (2012), Ensemble Methods. Foundations and algorithms, CRC Press, Boca Raton.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171525833

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.