Professional Documents
Culture Documents
7
Ticijan Peruko Pregledni rad
Review
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
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.
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.
2. Prikupljanje podataka
Ne Da
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.
Z i = 1 X 1 + 2 X 2 + ... + n X n (1)
gdje je:
1
Linear probability models
2
Recursive partitioning
3
Multinominal logit models
2.2. Modeli linearne vjerojatnosti
Pi = 1 X 1 + 2 X 2 + ... + n X n + i (2)
gdje je:
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:
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.
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
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.
Ponderi
X1 X2 X3 X4
Ulazne varijable financijska i ostala obiljeja poslovnih subjekata (odgovara nezavisnim varijablama
kod statistikih modela)
gdje je:
Slika 4.
Z
Financijski stabilan poslovni subjekt
2.99
Ugroena financijska stabilnost s potencijalom
ozdravljenja
1.81
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.
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).
Tablica 4.
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).
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.
4.6.Christine V. Zavgren
4.7.Peter Kralicek
gdje je:
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.
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.
SAETAK