Robert Zenzerovi UDK 347.736:336.02]:303.

7
Ticijan Peruko Pregledni rad
Review

KRATKI OSVRT NA MODELE ZA PREDVIANJE STEAJA

SHORT RETROSPECTION ON BANKRUPTCY PREDICTION

MODELS

ABSTRACT

Actuality of bankruptcy prediction leads many authors to research in this area. Scientific
approach to bankruptcy prediction, which includes statistical and mathematical analysis methods,
resulted in developing many bankruptcy prediction models. This text is presenting most commonly
used statistical and mathematical methods in bankruptcy prediction, bankruptcy prediction models
which were found to be often employed in theory and practice as well as their limitation and
suggestions for future research. Models are mostly developed by using data of the companies which
were doing business in high developed economies so the authors suggest that the future work should
be done in performing the research among the companies in transitional countries.
Keywords: Financial stability, bankruptcy, bankruptcy prediction models, statistical and
mathematical methods

1. UVOD

Trini nain privreivanja karakterizira postojanje niza poslovnih rizika s kojima su

suoeni poduzetnici pri obavljanju gospodarske djelatnosti. Rizik od gubitka trita prodaje i
nabave, valutni rizik, rizik promjene kamatnih stopa, rizik gubitka djelatnika i mnotvo drugih
poslovnih rizika sastavni su dio ivota poslovnih subjekata pri emu se mnogi od njih nisu u
stanju nositi s njima te su prinueni napustiti trinu utakmicu. Prestanak poslovanja jednog
poslovnog subjekta esto za sobom povlai niz multiplikativnih uinaka, budui da je imao
razvijenu mreu poslovnih odnosa s mnotvom drugih poslovnih subjekata koji su
zainteresirani za njegovo poslovanje (stakeholdersi). Stoga je u interesu svakog poslovnog
subjekta procjenjivati vjerojatnost steaja poslovnih partnera u cilju odgovarajueg
upravljanja poslovnim rizicima. U tom smislu na raspolaganju im stoji niz razliitih alata
meu kojima znaajno mjesto zauzimaju financijski pokazatelji.
Predvianju steaja u poetku se pristupalo razmatranjem pojedinanih financijskih
pokazatelja i njihovom usporedbom s odreenim referentnim vrijednostima temeljem ega su
izvoeni odreeni zakljuci. Implementacijom statistikih i matematikih metoda u svrhu
predvianja steaja otilo se korak dalje te su razvijeni modeli za predvianje steaja kod
kojih su sredinje mjesto takoer zauzimali financijski pokazatelji, a bitan napredak uinjen je
u smislu odreivanja vanosti pojedinog pokazatelja te preciznosti koritenog modela.
Navedeni modeli izvedeni su na temelju podataka iz financijskih izvjetaja stvarnih poslovnih
subjekata te se razlikuju ovisno o njihovim obiljejima. Odgovarajuu pozornost treba, dakle,
pridati obiljejima modela, ali i zemljama u kojima je razvijen, s obzirom da meu zemljama
postoje razlike u drutveno-ekonomskim i institucionalnim uvjetima poslovanja.

Mr. sc., Fakultet ekonomije i turizma Dr. Mijo Mirkovi, Pula, Hrvatska, robert.zenzerovic@efpu.hr

Mr. sc., Erste & Steiermarkishe Bank d.d., Rijeka, direktor Regionalne direkcije Istra,
tperusko@erstebank.com
lanak primljen u urednitvo: 15.09.2006.
 Cilj rada je istaknuti znanstveni pristup predvianju steaja, kao pravnog mehanizma
kojim se iz trita iskljuuju nedovoljno uinkoviti poslovni subjekti, te sustavno prikazati
razvoj modela za predvianje steaja. U tom smislu e se u drugom poglavlju opisati
posebnosti znanstvenog pristupa steaju, nakon ega e se naglasiti kvantitativne metode
koritene za razvoj modela za predvianje steaja. Pregled najznaajnijih modela dan je u
etvrtom poglavlju, dok e se na kraju pozornost usmjeriti na neka otvorena pitanja u
predvianju steaja.

2. ZNANSTVENI PRISTUP PREDVIANJU STEAJA

Nesposobnost opstanka na tritu sastavni je dio trine ekonomije u kojoj opstaju samo
dovoljno uinkoviti poslovni subjekti. Predvianje steaja staro je koliko i trini nain
privreivanja, ali se tek afirmacijom ekonomije kao drutvene znanosti, te razvojem
statistikih i matematikih metoda navedenoj problematici pristupilo sustavno i znanstveno
utemeljeno. U tom smislu razvijena je iroka lepeza razliitih modela za predvianje steaja te
se esto postavlja pitanje kojeg od njih odabrati u danom sluaju. Da bi odgovorili na to
pitanje nuno je izloiti znanstveni pristup predvianju steaja i u okviru njega usredotoiti se
na odgovarajue statistike i matematike metode.
Slikom 1. prikazan je koncept znanstvenog pristupa problematici predvianja steaja
(Brooks, 2002).

Slika 1.

Znanstveni pristup predvianju steaja

1a. Ekonomska ili financijska teorija (Prethodne studije)

1b. Formulacija teorijskog modela za predvianje

2. Prikupljanje podataka

3. Odabir odgovarajue metode procjene

4. Je li model statistiki prikladan?

Ne Da

Reformulacija modela 5. Tumaenje modela

6. Upotreba za analizu
Izvor: Preuzeto od Brooks, 2002.
 Znanstveno utemeljen pristup predvianju steaja zapoinje formulacijom teorijskog
modela na osnovi dostignutih teorijskih spoznaja iz ekonomske i financijske teorije (koraci
1a. i 1b.). Nastoje se zapravo utvrditi varijable i njihov utjecaj na vjerojatnost nastanka uvjeta
za steaj. Vjerojatno je da model nee u potpunosti obuhvatiti sve relevantne varijable, ali je
bitno da predstavlja dovoljno dobru aproksimaciju istih kako bi bio u stanju predvidjeti steaj.
Idui korak sastoji se u prikupljanju podataka relevantnih za razvoj modela, koji se
najee sastoje od informacija o otvaranju steaja, raunovodstvenih podataka, obiljeja
poslovnih subjekata i ostalih podataka koji se u pojedinom sluaju smatraju neophodnim.
Izvori podataka ukljuuju razne baze podataka, a u odreenim sluajevima do njih je mogue
doi i izravno od poslovnih subjekata.
U treem koraku potrebno je odabrati metodu procjene prikladnu za model predloen u
prvom koraku. Odabir odgovarajue metode ponajvie ovisi o formulaciji teorijskog modela,
tj. teorijskog okvira za predvianje steaja. Ovdje se radi o odabiru odgovarajue statistike,
odnosno matematike metode te se postavljaju pitanja da li se radi o linearnom ili
nelinearnom odnosu izmeu varijabli u modelu, da li e se koristiti statiki ili dinamiki,
jednovarijantni ili multivarijantni model i sl.
etvrti korak obuhvaa statistiku procjenu, odnosno vrednovanje modela u smislu
njegove prikladnosti u okviru ega se izraunavaju odgovarajui parametri. Ukoliko model
nije statistiki prikladan za predvianje bankrota, pristupa se reformulaciji modela (korak 1a. i
1b.), prikupljanju dodatnih podataka (korak 2.) ili se odabire neka druga, prikladnija metoda
procjene (korak 3.).
Ukoliko je pak, model prikladan, potrebno ga je protumaiti s teorijskog aspekta (korak
5.) pri emu se razmatraju vrijednosti i predznaci pojedinih varijabli ukljuenih u model,
odnosno usporeuju se s teorijskim postavkama postavljenim u koraku 1. Neusklaenost
razvijenog empirijskog modela s teorijskim postavkama zahtijeva nadogradnju teorijskog
okvira, a ukoliko teorijski model za predvianje steaja nikako ne uspijeva biti potvren
empirijskim modelom i podacima, postoje jake indicije da teorijski koncept mora biti proiren
ili ak izmijenjen (Westgaard, 2005, 5).
Ocjena sukladnosti empirijskog modela s teorijskim postavkama ini posljednju
provjeru modela prije same upotrebe za potrebe analize (korak 6.). Ukoliko model proe
posljednji test, spreman je za praktinu upotrebu gdje e proi kroz niz provjera koje e
posluiti kao osnova za njegovo daljnje usavravanje. Svoju primjenu isti moe pronai u
bankarstvu prilikom procjene kreditnog rizika, pri uspostavi i odravanju poslovnih odnosa
izmeu novih i postojeih poslovnih partnera, pri procjeni ulaganja u vrijednosne papire, u
reviziji i mnogim drugim podrujima, tu je vidljiva iroka mogunost njegova primjene to ga
ini posebno aktualnim.

3. KVANTITATIVNE METODE U RAZVOJU MODELA ZA PREDVIANJE

STEAJA

Osnova modela za predvianje steaja nalazi se u implementaciji odgovarajuih

kvantitativnih metoda. One obuhvaaju niz statistikih i matematikih metoda kojima se
nastoje pronai prikladne varijable signifikantne za predvianje steaja i izvesti njihova
kombinacija u cilju to preciznijeg predvianja nesposobnosti poslovnog subjekta da nastavi
poslovati u vremenski neogranienom roku.
Financijski pokazatelji kao instrument ocjene kreditne sposobnosti poslovnih subjekata
poinju se koristiti poetkom 20. stoljea. Istraivanja provoena 30-tih godina 20. stoljea
potvrdila su da se vrijednost financijskih pokazatelja financijski zdravih poslovnih subjekata i
onih koji se pribliavaju steaju bitno razlikuje. Zaeci koritenja kvantitativnih metoda za
predvianje steaja seu u ezdesete godine. Tada je u istraivanjima istaknuto mjesto zauzela
diskriminantna analiza. Sedamdesetih godina, uz koritenje diskriminantne analize, istraivai
poinju implementirati modele linearne vjerojatnosti1 i logit/probit analizu u svrhu
predvianja steaja. Razvoj informatike tehnologije u osamdesetim godinama omoguuje
koritenje sloenijih i sofisticiranijih kvantitativnih metoda te se poinju implementirati
tehnike matematikog programiranja i simulacijske tehnike, a kao prva meu njima istaknula
se tehnika stabla odluivanja, odnosno rekurzivnog odjeljivanja2. Slijede ih naprednije
ekonometrijske metode u okviru kojih se istiu vienominalni logit modeli3 te dinamiki
modeli vremenskih serija. U posljednjih petnaestak godina predvianju steaja pristupa se
implementacijom razliitih naprednih metoda meu kojima su najznaajnije: neuronske
mree, analiza preivljavanja, genetski algoritmi, viedimenzionalno skaliranje, ekspertni
sustavi, teorija kaosa, teorija katastrofe i dr.
U nastavku e se ukratko opisati osnove onih kvantitativnih metoda kojima je u
teorijskim razmatranjima i praktinoj upotrebi posveena vea pozornost.

2.1. Diskriminantna analiza

Implementacija diskriminantne analize u predvianju steaja rezultira izvoenjem

modela koji diskriminira, odnosno klasificira poslovne subjekte na one kod kojih je vjerojatan
i one kod kojih nije vjerojatan steaj. Klasifikacija poslovnih subjekata provodi se
usporedbom vrijednosti modela pojedinog poslovnog subjekta s kritinim vrijednostima.
Ukoliko je vrijednost diskriminantne funkcije pojedinog poslovnog subjekta vea od kritine
vrijednosti, mogue je zakljuiti da financijsko zdravlje poslovnog subjekta nije dovedeno u
pitanje i obrnuto.
Model se izvodi analizom varijabli signifikantnih za predvianje steaja (uglavnom
financijska, a ponekad i ostala obiljeja poslovnog subjekta) iz uzorka poslovnih subjekata
kojima je financijska stabilnost ozbiljno naruena i onih ije financijsko zdravlje nije
dovedeno u pitanje. Ovom tehnikom nastoji se maksimizirati varijanca podataka izmeu dviju
grupa poslovnih subjekata, pri emu se u isto vrijeme minimizira varijanca podataka unutar
svake grupe.
Izgled modela prikazan je jednadbom (1).

Z i = 1 X 1 + 2 X 2 + ... + n X n (1)

gdje je:

Zi vrijednost diskriminantne funkcije,

X1Xn vrijednost nezavisne varijable signifikantne za predvianje steaja (odreeno
obiljeje poslovnog subjekta), dok n predstavlja broj varijabli i
1 n ponderi nezavisnih varijabli.

1
Linear probability models
2
Recursive partitioning
3
Multinominal logit models
 2.2. Modeli linearne vjerojatnosti

Modeli linearne vjerojatnosti jednostavni su statistiki modeli kojima se linearnom

kombinacijom nezavisnih varijabli procjenjuje vjerojatnost otvaranja steajnog postupka.
Model linearne vjerojatnosti prikazan je jednadbom (2).

Pi = 1 X 1 + 2 X 2 + ... + n X n + i (2)

gdje je:

Pi vjerojatnost pokretanja steajnog postupka,

X1Xn vrijednost nezavisne varijable signifikantne za predvianje steaja (odreeno
obiljeje poslovnog subjekta), dok n predstavlja broj varijabli,
1 n ponderi nezavisnih varijabli i
i standardna pogreka.

Jednostavnost ove metode ini je zanimljivom za upotrebu u predvianju steaja. Ipak,

njezin bitan nedostatak nalazi se u injenici to se temelji na pretpostavci linearnog odnosa
izmeu zavisne i nezavisnih varijabli kao i u injenici to zavisna varijabla (vjerojatnost
pokretanja steajnog postupka) moe poprimiti negativne vrijednosti ili vrijednosti iznad 1.

2 .3. Logit i probit analiza

Logit i probit analiza javila se kao odgovor na nedostatke modela linearne vjerojatnosti.
Logit i probit modeli za predvianje steaja rezultiraju izraunom vjerojatnosti pokretanja
steaja u intervalu od 0 do 1. Isto tako odnos izmeu zavisne varijable i nezavisnih varijabli je
nelinearan to je mnogo blie stvarnosti i ini ove modele posebno aktualnim u predvianju
steaja.
Jednadba (3) prikazuje logit model (Zavgren, Friedman, 1988, 36), dok jednadbe (4) i
(5) prikazuju probit model (Westgaard, 2005, 7).

1
Pi = ( 0 + 1 X 1 + 2 X 2 +...+ n X n )
(3)
1+ e

Z = 0 + 1 X 1 + 2 X 2 + ... + n X n + i (4)
z 1
1 y2
Pi = F ( Z ) =
2
e 2
dy (5)

gdje je:

Pi vjerojatnost pokretanja steajnog postupka,

F(Z) kumulativna normalna funkcija,
X1Xn vrijednost nezavisne varijable signifikantne za predvianje steaja
(odreeno obiljeje poslovnog subjekta), dok n predstavlja broj varijabli,
0 n ponderi nezavisnih varijabli i
i standardna pogreka.
 Oba modela daju vrlo sline rezultate. Jedina razlika meu njima vezana je za koritenje
distribucije koja se odnosi na sluajnu varijablu. Pri izraunu logit modela distribucija
sluajne varijable prikazuje se logistikom funkcijom, dok se kod probit modela pretpostavlja
normalna distribucija.

2.4. Vienominalni logit modeli

Novost kod vienominalnih logit modela je cjelovitije ocjenjivanje financijskog zdravlja

poslovnih subjekata. Naime, prijanji modeli ocjenjivali su financijsko zdravlje poslovnih
subjekata kao dobro ili loe, odnosno razdvajali su poslovne subjekte na financijski zdrave i
one kod kojih je vjerojatno pokretanje steajnog postupka. Za razliku od prijanjih modela,
ovi modeli procjenjuju vjerojatnost nastupa odreene razine financijskog zdravlja poslovnih
subjekata. Njima je, primjerice, mogue procijeniti vjerojatnost nastupa nekog od sljedeih
stanja:

Stanje 5: financijska stabilnost,

Stanje 4: ograniena sposobnost, odnosno nesposobnost isplate dividendi,
Stanje 3: ograniena sposobnost, odnosno nesposobnost isplate kredita, zajmova i
dospjelih dunikih vrijednosnih papira,
Stanje 2: ograniena sposobnost, odnosno nesposobnost isplate obveza prema
dobavljaima i ostalim vjerovnicima i
Stanje 1: pokretanje steaja.

Vienominalni logit model prikazan je jednadbom (6) (Westgaard, 2005, 9).

0 , j + 1, j X 1 +...+ n , j X n
e
Pi (Y = j ) = J
+ i
e
( 0 , j + 1, j X 1 +...+ n , j X n )

j =0

(6)

gdje je:

j stanje,
Pi (Y=j) vjerojatnost da e poslovni subjekt i dospjeti u stanje j,
X1Xn vrijednost nezavisne varijable signifikantne za predvianje steaja (odreeno
obiljeje poslovnog subjekta), a n predstavlja broj varijabli,
0,j n,j ponderi nezavisnih varijabli za svako stanje j i
i standardna pogreka.

2.5. Stablo odluivanja (rekurzivno odjeljivanje)

Stablo odluivanja neparametarska je tehnika klasifikacije poslovnih subjekata na

financijski zdrave i one koji ispunjavaju uvjete za pokretanje steajnog postupka. Izrada
stabla odluivanja ukljuuje odabir uzorka poslovnih subjekata, njihovih financijskih i ostalih
signifikantnih obiljeja, utvrivanje pripadnosti poslovnih subjekata grupi financijski zdravih
ili onih koji zadovoljavaju uvjete za pokretanje steaja te procjenu trokova pogrene
klasifikacije. Uobiajeno je da se prilikom izrade stabla odluivanja u svrhu predvianja
steaja koriste financijski pokazatelji s odgovarajuim graninim vrijednostima. Odabir
pokazatelja i izraun njihovih graninih vrijednosti odreen je minimiziranjem pogreke
klasificiranja poslovnih subjekata izmeu razliitih grupa.
Stablo odluivanja prikazano Slikom 2. dijeli poslovne subjekte prema visini
pokazatelja zaduenosti. Oni, kojima je pokazatelj zaduenosti manji od 0,80, smatraju se
financijski stabilnim, dok se kod drugih pristupa daljnjoj analizi na temelju pokazatelja
pokria trokova kamata i novanog pokria kratkoronih obveza. Ukoliko je pokazatelj
pokria trokova kamata vei od 1, a pokazatelj novanog pokria kratkoronih obveza vei
od 0,30 poslovni subjekt smatra se financijski stabilnim. U suprotnom sluaju on ispunjava
uvjete za pokretanje steajnog postupka.
Upotreba ove metode predvianja steaja vrlo je praktina zbog svoje fleksibilnosti, ali
rezultira odreenim problemima u smislu viestruke pojave istog pokazatelja, ali s razliitim
kritinim vrijednostima kao i situacijama u kojima nisu zadovoljena oba uvjeta (primjerice
kada je pokazatelj pokria trokova kamata vei od 1, ali je novano pokrie kratkoronih
obveza manje od 0,30).

Slika 2: Primjer stabla odluivanja4

Ukupne
obveze/Ukupna
imovina > 0,80
< 0,80

(Novani tok od
Dobit prije poreza i poslovnih aktivnosti
Financijska kamata/Troak Isplaene
stabilnost kamata dividende)/Prosjene
kratkorone obveze

Financijska
>1 > 0,30 stabilnost

Steaj <1 < 0,30

Izvor: Izradio autor

4
Uz navedene pokazatelje mogu se javiti i neka druga obiljeja poslovnih subjekata. Kritina vrijednost
pojedinog pokazatelja na slici vie je indikativnog karaktera i daje primjer stabla odluivanja.
 2.6. Neuronske mree

Neuronske mree, kao oblik nelinearne optimizacije, koje koriste razliite pondere i
funkcije s ciljem pretvaranja ulaznih podataka u korisne informacije, svoju primjenu
pronalaze i u predvianju steaja. Funkcioniranje ove tehnike najbolje prikazuje Slika 3.

Slika 3.

Primjer neuronske mree

Izlazna varijabla vjerojatnost steaja

Y (odgovara zavisnoj varijabli kod statistikih
modela)

Ponderi

Neuroni (aktivacijske funkcije)

F1 F2

X1 X2 X3 X4

Ulazne varijable financijska i ostala obiljeja poslovnih subjekata (odgovara nezavisnim varijablama
kod statistikih modela)

Izvor: Prilagoeno prema Westgaard, 2005., str. 11.

Neuronske mree sastavljene su od niza vorita rasporeenih po razinama.5 Na najnioj

razini svako vorite predstavlja jednu ulaznu varijablu koja moe obuhvaati financijsko ili
neko drugo obiljeje poslovnog subjekta. Izmeu najnie, srednje i najvie razine postoje
odreene veze. Slino kao i kod statistikih modela, jakost veza izmeu ulaznih i izlaznih
varijabli, odnosno izmeu razliitih razina utvrena je putem pondera. Srednja razina
sastavljena je od neurona koji predstavljaju aktivacijske funkcije u okviru kojih se ulazne
varijable transformiraju koritenjem zadane funkcije. Trea, najvia razina predstavlja izlaznu
varijablu koju ini ponderirani zbroj neurona i koja zapravo prikazuje vjerojatnost nastupa
uvjeta za pokretanje steajnog postupka. Moe se uoiti da statistiki modeli o kojima je bilo
ranije rijei predstavljaju zapravo posebne oblike neuronskih mrea.

4. PREGLED NAJZNAAJNIJIH MODELA

Rastui broj statistikih i matematikih metoda i atraktivnost problematike predvianja

steaja naveo je veliki broj znanstvenika da istrauju navedeno podruje to je rezultiralo
5
Broj razina moe biti razliit. U primjeru je dana neuronska mrea s tri razine.
razvojem niza modela. Meu njima su se, kao najvie citirani i/ili u praksi najvie koriteni,
istaknuli modeli, nastali kao rezultat istraivanja, sljedeih autora:
- Williama H. Beawera,
- Edwarda I. Altmana,
- Edwarda B. Deakina,
- Jamesa A. Ohlsona,
- Roberta O. Edmistera,
- Christine V. Zavgren i
- Petera Kraliceka.
U nastavku e biti govora o istraivanjima navedenih autora pridravajui se kronologije
objave rezultata istraivanja u relevantnoj literaturi.

4.1. William H. Beawer

Korisnost financijskih pokazatelja William H. Beaver testirao je na primjeru predvianja

financijskog neuspjeha poslovnog subjekta gdje je pod neuspjehom podrazumijevao
nesposobnost poslovnog subjekta da podmiri dospjele financijske obveze (Beawer, 1966,
71). Beawer je proveo empirijsko istraivanje na uzorku od 158 proizvodnih korporacija ijim
se dionicama javno trgovalo. Uzorak je podijeljen na dvije jednake grupe. Prva grupa
sastojala se od 79 korporacija koje su ule u steaj u razdoblju od 1954. do 1964. godine, dok
je druga grupa obuhvaala isti broj financijski zdravih korporacija. Za obje kategorije
prikupljeni su financijski izvjetaji, i to za razdoblje od pet godina prije pokretanja steajnog
postupka za prvu grupu, te za isto petogodinje razdoblje za drugu grupu. Navedene
korporacije poslovale su u 38 razliitih djelatnosti, njihova aktiva varirala je od 600 tisua do
45 milijuna dolara, dok je prosjek iznosio 6 milijuna dolara.
Za potrebe analize Beawer je izabrao 30 pokazatelja grupiranih u est skupina. Odabir
pokazatelja izvren je na temelju sljedeih kriterija: 1. uestalo spominjanje pokazatelja u
literaturi; 2. dobri rezultati pokazatelja pri predvianju steaja u prijanjim istraivanjima ili
3. pripadnost skupini pokazatelja na temelju novanog toka. Odabrani pokazatelji ispunjavali
su jedan od navedenih kriterija. Na svakom pokazatelju proveden je klasifikacijski test
ralambe te je iz svake od est skupina pokazatelja izabran onaj koji je imao najmanju
pogreku klasifikacije poslovnih subjekata na financijski zdrave i one u potekoama tijekom
petogodinjeg razdoblja promatranja. Tablica 1. prikazuje izabrane pokazatelje i pripadajue
pogreke klasifikacije svakog od njih. Pokazatelji su navedeni redom poevi od
najpreciznijih prema manje preciznima.
Tablica 1.

Pogreno klasificiranje poslovnih subjekata za est najtonijih pokazatelja u %

Rang Pokazatelj Godine prije steaja

1 2 3 4 5
1 Novani tok / Ukupne obveze 13 21 23 24 22
2 Neto dobit / Ukupna imovina 13 20 23 29 28
3 Ukupne obveze / Ukupna imovina 19 25 34 27 28
4 Kratkotrajna imovina / Kratkorone obveze 20 32 36 38 45
5 Radni kapital / Ukupna imovina 24 34 33 45 41
6 (Kratkotrajna imovina zalihe kratkorone 23 38 43 38 37
obveze) / (Operativni trokovi amortizacija
umanjenja imovine)
Izvor: Prilagoeno prema Beawer, 1966., str. 85.

4.2. Edward I. Altman

Zasigurno najznaajniji doprinos razvoju modela za predvianje steaja dao je Edward I.

Altman. Godine 1968. objavio je rezultate prvog multivarijantnog istraivanja odnosa izmeu
financijskih pokazatelja i vjerojatnosti steaja. Za razliku od Beawerovog jednovarijantnog
modela, koji je istaknuo vanost pojedinih pokazatelja za predvianje steaja, Altman je
smatrao da upotreba samo jednog pokazatelja za predvianje steaja moe dovesti do krive
interpretacije, ukoliko je isti utiman ili izjednaen se nekim drugim pokazateljima koji
pokazuju drugaije vjerojatnost steaja (Tearney, Vitezi, 1996, 171).
Empirijsko istraivanje provedeno je na uzorku od 66 proizvodnih poslovnih subjekata
ijim se vrijednosnim papirima javno trgovalo. Uzorak je bio podijeljen na dvije jednake
grupe. Prva grupa obuhvaala je proizvodne poslovne subjekte koji su pokrenuli steajni
postupak u razdoblju od 1946. do 1965. godine. Veliina aktive ove grupe poslovnih
subjekata varirala je od 700 tisua do 25,9 milijuna dolara s prosjekom od 6,4 milijuna. Druga
grupa obuhvaala je financijski stabilne poslovne subjekte iz iste djelatnosti i priblino iste
veliine aktive. Prikupljeni financijski izvjetaji za poslovne subjekte iz obiju grupa odnosili
su se na isto izvjetajno razdoblje. Na temelju prikupljenih financijskih informacija izraunata
su 22 financijska pokazatelja te su provedbom metode statistike analize pod nazivom
multivarijantna diskriminantna analiza utvreni ponderi za svakog od njih. S obzirom da
vanost meu pokazateljima varira, izdvojeno je pet pokazatelja koji najbolje diskriminiraju
financijski zdrave od poslovnih subjekata suoenih s pokretanjem steajnog postupka.
Razvijen model za predvianje steaja, poznat pod nazivom Z-score prikazan je jednadbom
(7).

Z = 0.012 X 1 + 0,014 X 2 + 0,033 X 3 + 0,006 X 4 + 0,999 X 5 (7)

gdje je:

Z vrijednost diskriminantne funkcije,

X1 radni kapital / ukupna imovina,
X2 zadrana dobit / ukupna imovina,
X3 dobit prije kamata i poreza / ukupna imovina,
 X4 trina vrijednost glavnice / ukupne obveze (knjigovodstvena vrijednost) i
X5 prihodi od prodaje / ukupna imovina.

Daljnjom statistikom analizom izvedenog modela Altman je utvrdio kritine vrijednosti

diskriminantne funkcije koje su prikazane Slikom 4.

Slika 4.

Kritine vrijednosti Z-score s pripadajuom ocjenom financijske stabilnosti

Z
Financijski stabilan poslovni subjekt
2.99
Ugroena financijska stabilnost s potencijalom
ozdravljenja
1.81

0 Poslovni subjekt pred pokretanjem steajnog postupka

Izvor: Preuzeto od Zenzerovi, 2005., str. 43.

Prema modelu, vrijednost Z-score poslovnog subjekta nia od 1,81 ukazuje na veliku
opasnost od pokretanja steajnog postupka, dok vrijednost iznad 2,99 znai da se radi o
financijski stabilnom poslovnom subjektu. Vrijednosti unutar intervala od 1,81 do 2,99
predstavljaju tzv. sivu zonu.
Nakon izvoenja diskriminantne funkcije, Altman je pristupio testiranju njezine tonosti
na uzorku poslovnih subjekata i utvrdio je da preciznost opada kako se produuje vremenski
horizont predvianja. Preciznost funkcije, odnosno modela prikazana je Tablicom 2.

Tablica 2.
Tonost predvianja steaja Z-score

Godine prije
Postotak tonosti
pokretanja steajnog
razvrstavanja
postupka
1 95
2 72
3 48
4 29
5 36
Izvor: Preuzeto od Altman, 1968., str. 604.

Budui da je navedeni model za predvianje steaja izveden koritenjem podataka

proizvodnih poslovnih subjekata ije su vrijednosnice izlistane na burzi, Altman je u kasnijim
istraivanjima izvrio dvije korekcije. Prva se odnosila na prilagodbu modela za predvianje
steaja onim poslovnim subjektima ije vrijednosnice nisu izlistane na burzi, odnosno koji su
u vlasnitvu manjeg broja osoba. Sukladno tome, u brojniku varijable X4 dolo je do zamjene
trine vrijednosti glavnice njezinom knjigovodstvenom vrijednou, a prilagoeni su i
ponderi pa novi model izgleda ovako:

Z ' = 0,717 X 1 + 0,847 X 2 + 3,107 X 3 + 0,420 X 4 + 0,998 X 5 (8)

Prilikom tumaenja korigiranog modela potrebno je obratiti pozornost na kritine

vrijednosti koji vie ne iznose 2,99, odnosno 1,81, ve 2,90 i 1,23.
Druga izmjena rezultat je nastojanja da se model prilagodi predvianju steaja
neproizvodnih poslovnih subjekata. Iz modela je tako iskljuena varijabla X5 jer se ona bitno
razlikuje izmeu razliitih djelatnosti. Izmjenom modela dolo je do izmjene kritinih
vrijednosti koje sada iznose 2,60 i 1,10. Novi je model prikazan jednadbom (9).

Z ' ' = 6,56 X 1 + 3,26 X 2 + 6,72 X 3 + 1,05 X 4 (9)

4.3. Edward. B. Deakin

Edward B. Deakin u svojoj studiji, rezultate koje je objavio 1972., kombinira

istraivanja Beawera i Altmana. Istraivanjem je obuhvatio uzorak od 64 poslovna subjekta
koji su bili podijeljeni na dvije grupe. Prvu grupu inili su poslovni subjekti kod kojih je
pokrenut steajni postupak u razdoblju od 1964. do 1970. godine, dok su drugu grupu inili
financijski zdravi poslovni subjekti. Kao i u ranijim istraivanjima, postojala je podudarnost
izmeu dviju grupa u pogledu veliine aktive, razdoblja na koje su se odnosili financijski
izvjetaji te djelatnosti poslovnih subjekata. Za potrebe provedbe istraivanja odabrano je 14
pokazatelja koje je koristio Beawer.
Prva analiza obuhvatila je upotrebu metodologije koju je koristio i Beawer, odnosno
provoenje klasifikacijskog testa ralambe. Nalazi su ukazali na tendenciju potvrivanja
zapaanja do kojih je doao isti autor.
Druga metoda obuhvaala je provoenje multivarijantne diskriminantne analize nad
istih 14 pokazatelja. Provoenjem ove metode statistike analize, Deakin je doao do spoznaje
da eliminiranje varijabli s niskim ponderom u funkciji bitno utjee na poveanje pogrenog
klasificiranja poslovnih subjekata. Isto tako utvrdio je da se relativan znaaj pokazatelja
tijekom vremena mijenja iz ega je mogue zakljuiti da sve varijable znaajno utjeu na
diskriminacijsku sposobnost funkcije (Deakin, 1972, 173). Tablicom 3. prikazani su
financijski pokazatelji ukljueni u model s pripadajuim ponderima.
Tablica 3.

Financijski pokazatelji s pripadajuim ponderima po godinama prije pokretanja

steajnog postupka

Godina prije pokretanja steajnog

Pokazatelji postupka
5 4 3 2 1
Novani tok / Ukupne obveze - 0,094 0,104 - 0,005
0,250 0,046
Neto dobit / Ukupna imovina 0,122 0,219 - 0,378 0,083
0,585
Ukupne obveze / Ukupna imovina 0,220 - 0,287 - -
0,133 0,225 0,184
Kratkotrajna imovina / Ukupna imovina 0,406 - 0,436 - -
0,017 0,410 0,101
(Novac + utrive vrijednosnice) / Ukupna 0,230 - - 0,394 0,212
imovina 0,062 0,479
Radni kapital / Ukupna imovina 0,487 - 0,106 0,102 -
0,054 0,176
Novac / Ukupna imovina 0,621 - - - -
0,701 0,205 0,626 0,900
Kratkotrajna imovina / Kratkorone obveze 0,003 - - 0,020 0,052
0,001 0,069
(Novac + utrive vrijednosnice) / 0,068 0,017 0,034 - -
Kratkorone obveze 0,065 0,068
Novac / Kratkorone obveze - 0,165 0,151 0,111 0,096
0,077
Kratkotrajna imovina / Prihodi od prodaje - 0,283 0,057 - -
0,018 0,060 0,020
(Novac + utrive vrijednosnice) / Prihodi od 0,123 0,138 0,176 - -
prodaje 0,014 0,074
Radni kapital / Prihodi od prodaje - 0,243 - 0,132 0,069
0,009 0,159
Novac / Prihodi od prodaje - 0,492 - - 0,209
0,084 0,055 0,203
Izvor: Preuzeto od Deakin, 1972., str. 175.

4.4. James A.Ohlson

James A. Ohlson objavio je 1980. godine rezultate istraivanja koje je proveo na 2163
proizvodna poslovna subjekta u razdoblju od 1970. do 1976. godine. Uzorak je, slino kao i u
prijanjim istraivanjima, bio podijeljen na dva dijela, ali je za razliku od njih prvi dio
obuhvaao 105 poslovnih subjekata nad kojima je pokrenut steajni postupak, dok je drugi
sadravao podatke 2058 financijski zdrava poslovna subjekta. Istraivanjem su prikupljeni
financijski izvjetaji poslovnih subjekata za razdoblje od tri godine prije pokretanja steajnog
postupka te su na temelju njih izraunati sljedei pokazatelji:
 1. veliina mjerena logaritmom odnosa ukupne imovine i indeksa bruto nacionalnog
proizvoda;
2. pokazatelj zaduenosti kao odnos ukupnih obveza i ukupne imovine;
3. udio radnog kapitala u ukupnoj imovini;
4. odnos kratkoronih obveza i kratkotrajne imovine;
5. dummy varijabla6 1 1, ukoliko su ukupne obveze vee od ukupne imovine i 0
ako je obrnut sluaj;
6. udio neto dobiti u ukupnoj imovini;
7. odnos novanog toka od poslovnih aktivnosti i ukupnih obveza,
8. dummy varijabla 2 1, ukoliko je neto dobit negativna kroz posljednje dvije
godine i 0 u ostalim sluajevima te
NI t NI t 1
9. gdje je NIt neto dobit u posljednjem razdoblju promatranja (Ohlson,
NI t + NI t 1
1980, 118).

Nakon izrauna pokazatelja provedena je logit statistika analiza koja je rezultirala

izvedbom triju modela za predvianje steaja. Model 1 predvia steaj unutar prve godine,
Model 2 unutar druge godine, pod uvjetom da nije pokrenut steaj u prvoj godini, dok je
Model 3 izveden za predvianje steaja unutar razdoblja od dvije godine. Tablicom 4.
prikazana su tri modela za predvianje steaja s pripadajuim ponderima.

Tablica 4.

Ohlsonovi modeli za predvianje steaja

Redni broj pokazatelja

Model 1 2 3 4 5 6 7 8 9 Konstan
-ta
Model 1
Ponderi - 6,03 -1,43 0,075 -2,37 -1,83 0,285 -1,72 - -1,32
0,407 7 0,521
Model 2
Ponderi - 4,76 -1,71 - -2,74 -2,18 -0,78 -1,98 0,421 1,84
0,519 0,297 8
Model 3
Ponderi - 5,29 -0,99 0,062 -4,62 -2,25 - -1,91 0,212 1,13
0,478 0,521
Izvor: Prilagoeno prema Ohlson, 1980., str. 121.

Preciznost navedenih modela moe se ocijeniti zadovoljavajuom. Naime, Model 1

tono predvia steaj u 96,12 % sluajeva, Model 2 u 95,55 %, dok preciznost Modela 3
iznosi 92,84 %.
Glavnim odrednicama predvianja steaja Ohlson smatra: veliinu, financijsku strukturu
mjerenu pokazateljem zaduenosti, pokazatelje uspjenosti poslovanja koji ukljuuju odnos
neto dobiti i ukupne imovine i/ili odnos novanog toka od poslovnih aktivnosti i ukupnih

6
Dummy varijable koriste se u sluajevima kada se u funkcijama ele istaknuti prisutnost ili odsutnost odreenih
obiljeja. U situacijama kada je prisutno odreeno obiljeje dummy varijable poprimaju vrijednost 1, dok u
suprotnom iznose 0.
obveza te naposljetku pokazatelje likvidnosti (udio radnog kapitala u ukupnoj imovini ili isti
pokazatelj kombiniran s odnosom kratkoronih obveza i kratkotrajne imovine).

4.5. Robert O. Edmister

Istraivanje problematike predvianja steaja uglavnom se odnosilo na srednje i velike

poslovne subjekte. Razlog tome nalazio se u injenici to su financijske informacije bile
dostupnije za navedene subjekte, dok se do financijskih izvjetaja malih poslovnih subjekata
tee dolazilo. Robert. O. Edmister meu prvima je pristupio istraivanju predvianja steaja
malih poslovnih subjekata7. Istraivanje je obuhvatilo 19 u literaturi najee spominjanih
financijskih pokazatelja prikladnih za predvianje steaja te su oni izraunati za 562 mala
poslovna subjekta. Pod steajem se podrazumijevala nesposobnost poslovnih subjekata da
podmiruju dospjele rate kredita, te se nije zahtijevalo da nad njima bude formalno pokrenut
steajni postupak. Promatrani financijski izvjetaji odnosili su se na razdoblje od 1958. do
1965. godine, a koritena je dobro poznata multivarijantna diskriminantna analiza. U odnosu
na ranije studije, Edmister u istraivanje uvodi sljedee novosti: koritenje trogodinjeg
prosjeka pokazatelja, koritenje trogodinjeg trenda kretanja pokazatelja te odnos pokazatelja
poslovnog subjekta s prosjenim pokazateljem djelatnosti. Obiljeje su Edmisterovog modela
dummy varijable koje ovise o vrijednosti izraunatih pokazatelja. Model za predvianje
steaja prikazan je jednadbom (10).

z = 0,951 0,423 X 1 0,293 X 2 0,482 X 3 + 0,277 X 4 0,452 X 5 0,352 X 6 0,924 X 7

(10)
gdje je:

z vrijednost diskriminantne funkcije,

X1 1 ukoliko je isti novani tok / kratkorone obveze manji od 0,05, a 0 u ostalim
sluajevima,
X2 1 ukoliko je glavnica / prihodi od prodaje manji od 0,07, a 0 u ostalim
sluajevima,
X3 1, ukoliko je (radni kapital / prihodi od prodaje) / (radni kapital ukupne djelatnosti /
prihodi od prodaje ukupne djelatnosti) manji od 0,02, a 0 u ostalim sluajevima,
X4 1, ukoliko je (kratkorone obveze / glavnica) / ( kratkorone obveze ukupne djelatnosti
/ glavnica ukupne djelatnosti) manji od 0,48, a 0 u ostalim sluajevima,
X5 1, ukoliko (zalihe / prihodi od prodaje) / ( zalihe ukupne djelatnosti / prihodi od prodaje
8
ukupne djelatnosti) ima rastui trend i manji je od 0,04, a 0 u ostalim sluajevima,
X6 1, ukoliko pokazatelj ubrzane likvidnosti / pokazatelj ubrzane likvidnosti ukupne
djelatnosti ima padajui trend i manji je od 0,34, a 0 u ostalim sluajevima i
X7 1, ukoliko pokazatelj ubrzane likvidnosti / pokazatelj ubrzane likvidnosti ukupne
djelatnosti ima rastui trend, a 0 u ostalim sluajevima (Edmister, 1972, 1489).

Preciznost predvianja Edmisterovog modela prikazana je Tablicom 5.

7
Pod malim poslovnim subjektima Edmister je podrazumijevao one koji su kod Agencije za mala poduzea (Small Business Administration)
podigli kredit ili kojima je ista izdala garanciju.
8
Trend se promatra za trogodinje razdoblje.
Tablica 5.

Tonost predvianja steaja Edmisterovog z-pokazatelja

Edmisterov z- Postotak tonosti razvrstavanja

pokazatelj Financijski zdravi
Pokrenut steaj
poslovni subjekti
- 0,469 80 100
0,470 0,519 85 95
0,520 0,529 90 95
0,530 - 100 86

Izvor: Preuzeto od Edmister, 1972., str. 1489.

4.6.Christine V. Zavgren

Kao temelj za provedbu istraivanja problematike predvianja steaja, Christine V.

Zavgren odabrala je varijable iju je signifikantnost, provedbom faktorske analize, utvrdio
George E. Pinches. Radi se o pokazateljima koji prikazuju sve znaajnije financijske aspekte
poslovanja i koji su relativno stabilni kako u dugom, tako i u kratkom roku. Navedeni
pokazatelji prikazani su u nastavku:

1. Obrtaj zaliha (OZ) = Prosjene zalihe / Prihodi od prodaje

2. Obrtaj potraivanja (OP) = Prosjena potraivanja / Prosjene zalihe
3. Novana pozicija (NP) = (Novac + utrive vrijednosnice) / Ukupna imovina
4. Trenutna likvidnost (TL) = (Novac + utrive vrijednosnice) / Kratkorone obveze
5. Povrat na ulaganja (ROI) = Dobit iz redovnih aktivnosti / Dugoroni izvori
sredstava
6. Financijska poluga (FP) = Dugorone obveze / Dugoroni izvori sredstava
7. Obrtaj kapitala (OK) = Prihodi od prodaje / (Fiksna imovina + radni kapital)
Za potrebe analize primijenjena je logit analiza. Uzorak se sastojao od 45 proizvodna
poslovna subjekta nad kojima je pokrenut steajni postupak i isto tolikog broja financijski
zdravih subjekata odgovarajue veliine i djelatnosti. Promatrano je razdoblje od 1972. do
1978. godine. Nalazi istraivanja predoeni su Tablicom 6.
Tablica 6.

Rezultati logit analize za pet godina

Godina prije Pokazatelji

pokretanja
Konstan
steajnog OZ OP NP TL ROI FP OK
-ta
postupka
1 -0,23883 0,0010 0,0158 0,1078 - - 0,0435 -
8 3 0 0,0307 0,0049 0 0,0011
2 -2,61060 0,0418 0,0221 0,1123 - - 0,0446 0,0006
5 5 1 0,0269 0,0144 4 3
3 -1,51150 0,0625 0,0082 0,1424 - 0,0051 0,0182 0
7 9 8 0,0155 9 2
4 -5,94570 0,0915 0,0166 0,0591 - 0,0195 0,0410 0,0036
7 7 7 0,0041 0 3
5 -6,87660 0,0883 0,0069 0,1578 - -0,023 0,0431 0,0079
5 2 6 0,0002 1 8
Izvor: Preuzeto od Zavgren, Friedman, 1988., str.38.

4.7.Peter Kralicek

Peter Kralicek meu poznatijim je neamerikim istraivaima koji je provodei

multivarijantnu diskriminantnu analizu izveo model za predvianje steaja. Koristei se
podacima iz financijskih izvjetaja njemakih, vicarskih i austrijskih poslovnih subjekata,
Kralicek je izveo sljedei model:

DF = 1,5 X 1 + 0,08 X 2 + 10 X 3 + 5 X 4 + 0,3 X 5 + 0,1X 6

(12)

gdje je:

DF Vrijednost diskriminantne funkcije,

X1 isti novani tok / Ukupne obveze,
X2 Ukupna imovina / Ukupne obveze,
X3 Dobit prije kamata i poreza / Ukupna imovina,
X4 Dobit prije kamata i poreza / Ukupni prihodi,
X5 Zalihe / Ukupni prihodi i
X6 Poslovni prihodi / Ukupna imovina.

Kralicekov DF pokazatelj moe poprimiti pozitivne i negativne vrijednosti, pri emu

negativne vrijednosti ukazuju na insolventnost, a pozitivne na solventnost poslovnog subjekta.
Kritine vrijednosti DF pokazatelja prikazane su Tablicom 7.
Tablica 7.

Kritine vrijednosti DF pokazatelja s pripadajuom ocjenom financijske stabilnosti

Vrijednost DF
Financijska stabilnost
pokazatelja
> 3.0 IZVRSNA
> 2.2 VRLO DOBRA
> 1.5 DOBRA
> 1.0 OSREDNJA
> 0.3 LOA
0.3 POETAK INSOLVENTNOSTI
0.0 UMJERENA INSOLVENTNOST
-1.0 IZRAZITA INSOLVENTNOST
Izvor: Prilagoeno prema Koban, 1978.

5. NEKA OTVORENA PITANJA PRI PREDVIANJU STEAJA

Financijski pokazatelji najee su koriteni, iako ne i jedini, instrumenti za predvianje

steaja. Njihova upotreba u statistikim i matematikim metodama analize rezultirala je
razvojem niza modela za predvianje steaja o kojima je ranije bilo rijei. Teorijski i praktini
doprinos modela je neupitan, iako postoje odreena ogranienja u njihovoj primjeni. Uz
ogranienja koja proizlaze iz nedostataka odreene statistike i/ili matematike metode
analize i pretpostavki kojih se potrebno pridravati prilikom njihove provedbe, potrebno je
naglasiti da su se u izvoenju svih modela koristili podaci iz uzorka poslovnih subjekata.
Nadalje, modeli su izvedeni na temelju podataka iz 60-tih i 70-tih godina prolog stoljea.
Otada su se trini i ostali uvjeti poslovanja bitno izmijenili, a pojavio se i itav niz novih
industrija te je vjerojatno da bi za primjenu modela u dananjim uvjetima bila potrebna
njihova odgovarajua korekcija. Isto tako glavnina modela izvedena je koristei podatke
poslovnih subjekata koji posluju u Sjedinjenim Amerikim Dravama ili u nekim drugim
razvijenim trinim gospodarstvima gdje su drutveno-ekonomski, institucionalni i ostali
uvjeti poslovanja ipak znaajno drugaiji nego to je to sluaj u tranzicijskim gospodarstvima,
poput hrvatskog. Stoga se, kao otvoreno podruje za budua istraivanja, namee potreba
izvoenja modela za predvianje steaja poslovnih subjekata koji obavljaju djelatnost u
tranzicijskim gospodarstvima, odnosno gospodarstvima nie razvojne razine.
Uz relevantne financijske pokazatelje, sve veu vanost zauzimaju kvalitativni
pokazatelji, varijable povezane s korporativnim upravljanjem i stanje u okruenju. Njihovom
kombinacijom, kao kvalitativnom nadopunom tradicionalnih modela, mogue je oekivati
daljnja poboljanja na podruju predvianja steaja. Imajui na umu injenicu da su poslovni
subjekti, s aspekta varijabli koje utjeu na njihovo poslovanje, izuzetno kompleksni pa je kod
njih posebno naglaeno obiljeje stohastinosti, nerealno je oekivati izvoenje optimalnog
modela za predvianje steaja. Ipak, dovoljno dobra aproksimacija stvarnosti i odabir
signifikantnih varijabli moe rezultirati relativno pouzdanim modelom koji svoju iroku
primjenu moe pronai i u praktinoj upotrebi na to ukazuju ranije prezentirani modeli.
 6. ZAKLJUAK

Dinamini trini uvjeti dovode do eliminacije nedovoljno djelotvornih i uinkovitih

poslovnih subjekata. Stoga je u teorijskim raspravama, ali i praksi ve niz godina naglasak
stavljen na anticipiranje vrijednosti varijabli kojima je mogue predvidjeti steaj. Znanstveni
pristup predvianju steaja doveo je do razvoja niza modela izvedenih koritenjem statistikih
i matematikih metoda poevi od diskriminantne analize, pa sve do kompleksnih
matematikih i simulacijskih tehnika koje podrazumijevaju upotrebu raunala. Prikazani
modeli za predvianje steaja sastoje se uglavnom od kombinacije financijskih pokazatelja
kojima se izraun temelji na podacima iz financijskih izvjetaja i kao takvi obuhvaaju
kvantitativne aspekte poslovanja. Iako su financijski izvjetaji vrijednosni odraz realne
stvarnosti poslovnog subjekta, njima nije mogue u potpunosti obuhvatiti kompleksnost
poslovanja pa se stoga kao nadopuna modelima za predvianje steaja sugerira koritenje
kvalitativnih varijabli koje u prvom redu obuhvaaju atribute korporativnog upravljanja i
stanje u okruenju u kojem poslovni subjekt djeluje. Ovo posebice dolazi do izraaja u
tranzicijskim gospodarstvima gdje kvaliteta financijskog izvjetavanja nije dosegnula
zadovoljavajuu razinu i gdje je institucionalni okvir poslovanja podloan kontinuiranim
promjenama zbog ega su poslovni subjekti suoeni s dodatnom razinom neizvjesnosti.
Unato tome, ipak se istie potreba razvoja modela prikladnog za predvianje steaja u
tranzicijskim gospodarstvima emu se do sada nije sustavno i znanstveno utemeljeno
pristupilo, a prethodno prikazane metode analize i izvedeni modeli daju zadovoljavajuu
osnovu za daljnja istraivanja.

LITERATURA

Altman, E. I., (1968), Financial Ratios, Discriminant Analysis and the Prediction of
Corporate Bankruptcy, The Journal of Finance, 23 (4):589 609.
Altman, E. I., (1993), Corporate Financial Distress and Bankruptcy, John Wiley &
Sons Inc., Second Edition, United States.
Beawer, W. H., (1966), Financial Ratios as a Predictors of Failure, Empirical Research
in Accounting: Selected Studies, Supplement to Journal of Accounting Research, 71 111.
Beawer, W. H., (1968), Alternative Accounting Measures As Predictor of Failure, The
Accounting Review, January, 113 122.
Brooks, C., (2002), Introductory econometrics for finance, Cambridge University
Press.
Deakin, E. B., (1972), A Discriminant Analysis of Predictors of Business Failure,
Journal of Acounting Research, Spring, 167-179.
Edminster, R. O., (1972), An Empirical Test of Financial Ratio Analysis for Small
Business Failure Prediction, Journal of Financial and Quantitative Analysis, March, 1477 -
1493.
Koban, R., (1978), Betriebswirtschaft fr die Praxis, WV.
Ohlson, J.A., (1980), Financial Ratios and the Probabilistic Prediction of Bankruptcy,
18 (1):109 131.
Tearney, M., Journal of Accounting Research Vitezi, N., (1996), Cash Flow model
u predvianju financijskog neuspjeha poduzea, Raunovodstvo, poslovne financije i
revizija u suvremenim gospodarskim uvjetima, Zbornik radova s 31. simpozija Hrvatske
zajednice raunovoa i financijskih djelatnika, Zagreb, 169 - 184.
 Vitezi, N., (2006), Predvianja steaja i indikatori ranog upozorenja, Financijsko
restrukturiranje profitnog i neprofitnog sektora u Hrvatskoj, Zbornik radova s 41. simpozija
Hrvatske zajednice raunovoa i financijskih djelatnika, Pula, 195 202.
Westgaard, S. (2005), What Can Modern Statistical and Mathematical Techniques
Add to the Analysis and Prediction of Bankruptcy,
www.iot.ntnu.no/users/sjurw/Beta%202%202005.pdf
Zavgren, Ch.V., Friedman, G.E. (1988): Are Bankruptcy Prediction Models
Worthwhile? An Application in Securities Analysis, Management International Review, 28
(1):34 44.
Zenzerovi, R., (2005), Analitiki postupci pri ocjeni vremenske neogranienosti
poslovanja, Magistarski rad, Ekonomski fakultet Zagreb, Zagreb.

KRATKI OSVRT NA MODELE ZA PREDVIANJE STEAJA

SAETAK

Uvijek aktualna problematika steaja navela je niz autora na istraivanje u navedenom

podruju. Znanstveni pristup problematici steaja, u okviru kojeg je primjenjivan niz
statistikih i matematikih metoda analize, rezultirao je izvedbom razliitih modela. Radom
su prikazane najee koritene statistike i matematike metode, nakon ega je dan pregled
modela za predvianje steaja koji su u teoriji i praktinoj primjeni zauzeli najistaknutije
mjesto. Takoer, ukazano je na ogranienja modela za predvianje steaja i utvrene su
smjernice za budua istraivanja. Modeli su uglavnom izvedeni koritenjem financijskih
informacija poslovnih subjekata koji obavljaju djelatnost u razvijenim trinim
gospodarstvima, te se kao otvoreno podruje za budua istraivanja namee razvoj modela za
predvianje steaja poslovnih subjekata u tranzicijskim gospodarstvima.
Kljune rijei: Financijska stabilnost, steaj, model za predvianje steaja, statistike
i matematike metode