Upload
krzysztof-michaluk
View
309
Download
0
Embed Size (px)
Citation preview
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
Rozdział IV Prognozowanie upadłości przedsiębiorstwa na przykładach empirycznych
1. Dobór próby i źródło danych
W przeprowadzanym badaniu, którego celem było empiryczne
zweryfikowanie efektywności modeli umożliwiających przewidywanie zagrożenia
upadłością w polskich warunkach gospodarczych, podstawowe znaczenie obok
samych metod umożliwiających stworzenie tego rodzaju narzędzi analitycznych
wykorzystywanych w analizie sytuacji finansowej przedsiębiorstw mają zebrane
dane ilościowe.
W trakcie badań nad możliwością identyfikacji zagrożenia upadłością
czyniono prace zmierzające do zebrania maksymalnie dużej liczby danych
określających standing finansowy przedsiębiorstw, o których wiadomo było, że ich
działalność została zakończona upadłością. W tym celu przebadano akta spółek
prawa handlowego prowadzone w sądach gospodarczych Szczecina i Warszawy.
Po stworzeniu spisu firm, których upadłość ogłoszono w okresie od 1995 do 1999
roku, zbadano zawartość akt tychże spółek pod kątem składania sprawozdań
finansowych za lata prowadzenia działalności. Odszukane sprawozdania
finansowe selekcjonowano ponadto pod względem kompletności przedstawianych
danych finansowych. Tak dobrany materiał ilościowy stanowił podstawę do
identyfikacji czynników podwyższonego ryzyka bankructwa.
W przypadku spółek bankrutów zebrano dane dotyczące 79
przedsiębiorstw, z których 64 było spółkami z ograniczoną odpowiedzialnością a
15 spółkami akcyjnymi.
Odszukane sprawozdania finansowe przedsiębiorstw określały sytuację
finansową jednostek w okresie od 1 do 3 lat przed bankructwem. Ze względu na
dążenie do uzyskania modelu umożliwiającego identyfikowanie zagrożenia
upadłością z dostatecznie dużym wyprzedzeniem czasowym, a więc od 1 do 3 lat
przed potencjalnym bankructwem, tak dobrane sprawozdania finansowe mają
poprawny merytorycznie charakter.
126
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
Same sprawozdania finansowe pochodziły z lat 1993 – 1998. Nie udało się
niestety uniknąć wykorzystywania sprawozdań finansowych pochodzących sprzed
1995 roku, a więc sprzed okresu, w którym zaczęła obowiązywać ustawa o
rachunkowości z 29.09.1994 roku, co było spowodowane niewielkim odsetkiem
odnajdowanych sprawozdań finansowych firm upadłych, przy czym podczas
zbierania danych starano się utrzymać możliwie najwyższy poziom
porównywalności danych zaczerpniętych z dokumentów finansowych. Przedział
czasowy, z którego pochodzą rozpatrywane sprawozdania finansowe wynosi
zatem 6 lat, co umożliwia wychwycenie cech przedsiębiorstw o pogarszającej się
kondycji finansowej mających charakter ogólny a nie wyjątkowy, który odpowiadać
może szczególnym, negatywnym tendencjom gospodarczym.
Kolejnym ważnym elementem jest długość działania przedsiębiorstw. W
przeprowadzonym badaniu stwierdza się, że 82,3% firm przebadanych upadło
pomiędzy 3 a 7 rokiem działalności.
Pod względem roku założenia, przedsiębiorstwa charakteryzowały się
rozkładem zbliżonym do normalnego, przy czym ich zdecydowana większość
została założona w latach 1990-1992.
Dobór przedsiębiorstw o dobrej sytuacji finansowej był uwarunkowany
charakterystykami przedsiębiorstw bankrutów. Ze względu na dużo łatwiejszy
dostęp do danych firm nadal funkcjonujących zebrano 180 pełnych sprawozdań
finansowych określających kondycję finansową 142 spółek z ograniczoną
odpowiedzialnością i 38 spółek akcyjnych. Dane te dotyczyły lat 1995 – 1998, a
zatem przedstawiały przekrój 4 lat funkcjonowania firm, których wyniki finansowe
należy uznać za przeciętne występujące w tym okresie. W przypadku tej grupy
przedsiębiorstw wyeliminowano sprawozdania finansowe pochodzące sprzed
1995, co było również podyktowane ustaleniami ustawy o rachunkowości.
Na podstawie danych pochodzących z Monitora Polskiego B nie było
możliwe określenie roku założenia wieku przedsiębiorstw, ani ich wieku w
momencie sporządzenia danego sprawozdania finansowego.
Należy podkreślić, że przy zbieraniu danych finansowych w obu grupach
firm, nie kierowano się przesłankami branżowymi1. Z założenia bowiem tworzone
modele winny mieć charakter uniwersalny, umożliwiający określanie zagrożenia 1 Podstawowymi kryteriami doboru były wspomniane we wstępie rozprawy forma prawna (tj. spółki prawa handlowego z wyłączeniem banków i ubezpieczycieli).
127
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
upadłością wszystkich przedsiębiorstw poza takimi jednostkami jak banki i
ubezpieczyciele, których specyfika działalności oraz sprawozdawczości finansowej
wyklucza możliwość dokonywania porównań statystycznych przy wykorzystaniu
ogólnie przyjętych wskaźników finansowych.
2. Wstępna analiza danych ilościowych
Przed przystąpieniem do analiz z wykorzystaniem narzędzi statystycznych
za istotne uznano dokonanie opisu absolutnych wartości poszczególnych pozycji
finansowych będących podstawą oszacowanych następnie wskaźników
finansowych. W tym celu obliczone zostały średnie wartości poszczególnych
pozycji sprawozdań finansowych grupy firm upadłych oraz firm funkcjonujących
(tabela 21). Do badania przyjęto wszystkie posiadane sprawozdania finansowe,
pochodzące, w przypadku firm bankrutów, z okresu od jednego do trzech lat przed
momentem upadku. W związku z tym wyniki analizy dla przedsiębiorstw upadłych
określają ogólną sytuację finansową spółek w okresie poprzedzającym
bankructwo.
Na podstawie wstępnej analizy średnich wartości wskazano tendencje
różniące obie grupy przedsiębiorstw. Charakterystycznymi elementami były
przede wszystkim ujemna wartość kapitałów własnych oraz generowanie strat z
działalności. Oba te elementy były mocno związane, bowiem kapitały własne
przyjmują wartości ujemne, gdy wynik z działalności gospodarczej
przedsiębiorstwa z roku poprzedniego oraz roku bieżącego jest ujemny (występuje
strata), co wpisywane jest po stronie pasywów bilansu. Gdy suma strat z tych
okresów kumuluje się w następujących po sobie latach i przekracza wartość
pozostałych składowych kapitałów własnych, a więc kapitałów podstawowych,
zapasowych i rezerwowych, występuje ujemna wartość łącznych funduszy
własnych. Taka sytuacja oznacza zatem poważne trudności finansowe oraz
niedochodowość działalności występującą zwykle przez kilka lat.
Inną ciekawą cechą było występowanie wysokiej wartości
długoterminowych zobowiązań w grupie przedsiębiorstw bankrutów. Zauważono,
iż o ile oszacowana przeciętna suma bilansowa firm funkcjonujących była blisko 3
i pół razy większa od sumy bilansowej firm upadłych, o tyle właśnie w tych
128
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
przedsiębiorstwach długoterminowe zobowiązania są o 5 i pół razy większe niż w
grupie firm, które nadal działają. Świadczy to, jak należy sądzić, o zbyt wysokim
zadłużeniu w stosunku do możliwości dochodowych firm, co było bezpośrednią
przyczyną bankructw. Potwierdzeniem powyższych rozważań były również
wartości rezerw w obu grupach firm. I w tym przypadku rezerwy w firmach, które
zbankrutowały przewyższały analogiczną wartość w firmach o dobrej kondycji
finansowej, pomimo wspomnianego już faktu znacznej różnicy w wielkościach obu
grup przedsiębiorstw mierzonej tak sumą bilansową jak i wielkością przychodów.
Tabela 8
Przeciętne absolutne wartości poszczególnych pozycji badanych sprawozdań
finansowych
Firmy funkcjonujące Firmy upadłe Pozycja sprawozdania finansowego Ilość pozycji Średnia Ilość pozycji Średnia
Suma bilansowa 180 24 846 681,96 79 7 314 914,34Majątek trwały 180 6 252 277,52 79 1 703 034,83Majątek obrotowy 180 18 589 717,10 79 4 718 570,17Zapasy 171 2 260 677,94 56 1 912 965,45Należności i roszczenia 180 15 630 246,84 78 2 625 910,20Środki pieniężne 178 753 256,63 77 866 806,62Kapitał własny 180 6 300 828,37 79 -4 686 712,93Zobowiązania długoterminowe 55 1 241 044,60 30 6 865 778,41Zobowiązania krótkoterminowe 180 18 119 215,13 79 7 726 163,55Rezerwy 29 149 577,28 18 752 222,70Rozliczenia międzyokresowe bierne 157 346 107,67 31 104 227,22Amortyzacja 177 1 209 399,88 31 388 952,29Przychody ze sprzedaży 180 43 772 760,38 79 8 984 396,20Koszty działalności operacyjnej 180 40 311 150,03 76 10 727 681,29Zysk z działalności operacyjnej 180 3 451 100,20 75 -1 122 151,30Zysk brutto 180 2 565 231,79 79 -1 710 837,28Zysk netto 180 1 557 190,49 79 -1 760 652,17
Źródło: obliczenia własne
Przyczyn trudności finansowych firm upadłych należy doszukiwać się w
trudnościach ze zbytem produktów i towarów. Potwierdzeniem tego były wartości
zapasów tej grupy przedsiębiorstw. Należy stwierdzić, że były one jedynie niewiele
mniejsze niż w przedsiębiorstwach funkcjonujących mających przecież znacznie
większy (ponad czterokrotnie) zbyt. Podobna sytuacja występuje w przypadku
innego składnika majątku obrotowego jakim są środki pieniężne. Ta pozycja była
jednak nieznacznie większa w grupie firm upadłych niż w grupie przedsiębiorstw
129
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
działających, chociaż wielkość majątku obrotowego była dla tej grupy większa
blisko czterokrotnie, co spowodowane było wyższym poziomem należności i
roszczeń związanych z odpowiednio większą sprzedażą. Utrzymywanie zbyt
dużych w porównaniu z grupą firm o zadawalającej sytuacji finansowej zasobów
gotówkowych świadczy o nieumiejętnym zarządzaniu aktywami w firmach, które
ogłosiły upadłość. Niestety nie było możliwe jednoznaczne stwierdzenie, czy taki
stan środków pieniężnych był spowodowany niskim poziomem zarządzania, przez
co stał się jednym z czynników doprowadzających do bankructwa, czy też wysoki
poziom środków pieniężnych powstał na skutek słabej kondycji finansowej
przedsiębiorstwa i niemożności dokonywania efektywnych gospodarczo inwestycji.
Można również domyślać się, że przedsiębiorstwa te, ze względu na znacznie
obniżoną wiarygodność posiadały znaczne trudności z uzyskiwaniem rabatów i
kredytów krótkoterminowych i w związku z tym zmuszone są do utrzymywania
wyższych rezerw środków pieniężnych, co dodatkowo pogarsza ich rentowność.
Ważnym instrumentem zarządzania finansami przedsiębiorstwa jest
również kapitał pracujący. Jako że pozycja ma charakter pochodny, gdyż jest
różnicą pomiędzy dwoma bazowymi pozycjami bilansowymi, zdecydowano się nie
ujmować jej w tabeli 21. W wyniku obliczeń otrzymano:
– przeciętna wartość kapitału pracującego w grupie firm o dobrej sytuacji
finansowej wynosiła: 470 501,97 zł,
– przeciętna wartość kapitału pracującego w grupie firm bankrutów
wynosiła: -3 007 593,38 zł.
Analiza obliczonych wartości wskazała, iż kapitał pracujący dla firm o dobrej
sytuacji finansowej był dodatni, przez co firmy te posiadały płynną rezerwę na
pokrycie nagłych roszczeń lub zaspokojenie swych potrzeb kapitałowych, która to
rezerwa mogła być uwolniona poprzez upłynnienie majątku obrotowego. Sytuacja
taka zapewniała względną stabilność finansową przy zachowaniu niewielkiego
marginesu bezpieczeństwa w zakresie zapotrzebowania na kapitały. Aczkolwiek ta
grupa firm, ze względu na dobre wyniki finansowe, mogła liczyć na szybkie
pozyskanie niezbędnych kapitałów ze źródeł zewnętrznych, to jednak
zachowywany był odpowiedni stosunek aktywów obrotowych do bieżących
zobowiązań pozwalający na uzyskanie kapitałów poprzez zmianę formy majątku.
Taka sytuacja nie występowała w grupie spółek bankrutów. W tym przypadku
130
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
kapitał pracujący przyjmował wartości ujemne przewyższające o blisko 64%
wartość majątku obrotowego. Oznacza to, że kapitał pracujący finansował w
części również majątek trwały, co nie było prawidłowe bacząc na zasady złotej
reguły bilansowej i finansowej. Ponadto, przedsiębiorstwa tej grupy nie miały
możliwości uwolnienia kapitałów na spłatę wymagalnych zobowiązań, gdyż blisko
połowa krótkoterminowych kapitałów obcych została zamrożona w majątku
trwałym. Stan taki, przy słabych wynikach z działalności gospodarczej (czego
dowodem są wykazywane straty) oraz przy wysokich obciążeniach odsetkowych i
kapitałowych związanych z zadłużeniem (należy zwrócić uwagę, że przeciętny
obraz firmy z grupy spółek upadłych pozwala na zidentyfikowanie jednej z
przesłanek stanowiącej prawną przyczynę upadku, opisanej §2 prawa
upadłościowego, a mianowicie wystąpienie zadłużenia przewyższającego wartość
całego majątku przedsiębiorstwa) stanowił poważne zagrożenie dla działalności
spółek, czego konsekwencją była niewypłacalność i upadek rozpatrywanych
jednostek.
Ujemne wartości kapitału pracującego były zgodne z badaniami
przeprowadzonymi przez G. Weinreich’a2. Autor ten wskazuje, iż w
przedsiębiorstwach, w których wystąpiła trwała utrata zdolności płatniczej i w
związku z tym nastąpił upadek przedsiębiorstwa, w ciągu czterech lat
poprzedzających ogłoszenie upadłości majątek trwały był finansowany
zobowiązaniami krótkoterminowymi, czyli kapitał pracujący miał wartość ujemną3.
Należy zauważyć, że ogólna i niewątpliwie pobieżna analiza podstawowych
zmiennych finansowych obu grup przedsiębiorstw pozwala na uchwycenie
czynników, dzięki którym możliwym jest odróżnienie firm zagrożonych od
niezagrożonych upadkiem.
3. Statystyczna analiza danych ilościowych
Dokonana poniżej analiza danych finansowych przedsiębiorstw dotyczyła
bezpośrednio oszacowanych wcześniej, a opisanych w rozdziale 2, pkt. 5
wskaźników finansowych. Jako, że to właśnie wskaźniki finansowe stanowią
uniwersalne i syntetyczne mierniki kondycji ekonomicznej przedsiębiorstw, wydaje 2 G. Weinreich: Kreditwűrdigkeitprognosen Steureung des Kreditgeschaft durch Risikoklassen. Gabler. Hamburg 1978, s. 121.
131
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
się że również w przypadku określania zagrożenia upadłością ich analiza
statystyczna winna dostarczyć istotnych informacji na temat możliwości
identyfikacji zagrożenia bankructwem.
3.1. Przedsiębiorstwa o dobrej sytuacji finansowej
Na podstawie danych przedstawionych w załączniku 1 tabele 1-5 można
sformułowano wnioski określające kondycję badanych spółek tej grupy w różnych
zakresach ich sytuacji finansowej.
Pierwszym zakresem analizowanym była płynność finansowa mierzona
trzema wskaźnikami: WP III, WP II oraz WP I, których średnie wartości wyniosły
odpowiednio: 1,217; 1,065; 0,117. Wszystkie miary charakteryzowały się ponadto
dużymi wartościami odchyleń standardowych oraz współczynników zmienności, co
oznacza wysoką zmienność badanej cechy, przy niewielkich jedynie różnicach w
wartości przeciętnej miary pozycyjnej – mediany. Należy podkreślić, że
przedsiębiorstwa te charakteryzowały się dobrym poziomem płynności, gdyż
wielkość majątku obrotowego przekraczała wartość bieżących zobowiązań w
dwóch pierwszych zakresach analizy płynności. Oznacza to również, iż firmy nie
utrzymywały wysokiego poziomu zapasów, dzięki czemu pozostałe składniki
majątku obrotowego, w tym głównie należności i roszczenia, pokrywały wartości
krótkoterminowych zobowiązań. Ciekawych wniosków dostarczyć może analiza
trzeciego wskaźnika płynności określającego stosunek gotówki, a więc najbardziej
płynnego składnika majątku obrotowego do bieżących zobowiązań. Bardzo niska
wartość tej miary, przy jednoczesnych pożądanych wartościach pozostałych
wskaźników płynności oznacza wysoki poziom zarządzania majątkiem firm co
skutkowało utrzymywaniem dobrej kondycji finansowej.
Kolejnym obszarem badania kondycji finansowej firm, o dobrej sytuacji
ekonomicznej była analiza zadłużenia i struktury finansowania. W tym przypadku
zastosowano 6 różnych miar, co umożliwia dokładne zdefiniowanie wszystkich
aspektów finansowania obcego spółek. I tak, przeciętna wartość wskaźnika WOZ
wyniosła 76,4%, co jest wartością wysoką. Należy jednak podkreślić, że miarę tą
tworzą w głównej mierze zobowiązania bieżące wykorzystywane do
3 Szeroko o roli kapitałów pracujących pisze: A. Bielawska: Finanse przedsiębiorstwa. Teoria i praktyka. Szczecin. 2000, s. 305-,307.
132
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
krótkoterminowego finansowania działalności przedsiębiorstwa, natomiast sam
udział zobowiązań długoterminowych jest niewielki, co potwierdza wartość
wskaźnika WZD wynosząca 26,3%. Analizując wielkość zaangażowanego w
przedsiębiorstwach kapitału własnego WSF należy zauważyć, iż stanowi on
niewiele ponad 26% łącznej wartości pasywów, co potwierdza wartość
WUKOWKC wynosząca 74%. Pozwala to na stwierdzenie, iż przedsiębiorstwa te
finansowały się w większości kapitałami obcymi, przy czym przeciętnie kapitały
obce przewyższały ponad dziewięciokrotnie wielkość zainwestowanych funduszy
własnych (dla mediany jest to czterokrotna nadwyżka).
Następnym obszarem badawczym była struktura majątku rozpatrywanych
spółek. W przeciętnej strukturze majątku udział majątku obrotowego wynosił
67,9%, natomiast majątku trwałego 32,1%, przy uśrednionym stosunku tych
wielkości wynoszącym 89,9% (ze względu jednak na dużą zmienność tej
zmiennej, której wskaźnik wyniósł 1,725 wygodniej jest posłużyć się medianą,
która w tym przypadku przyjęła wartość 0,334). Przyjmując za podstawę medianę
dla wskaźnika WSA możemy stwierdzić, iż majątek trwały stanowił ok. 33%
wartości majątku obrotowego, co w porównaniu z wskaźnikami WUMOWMC oraz
WUMTWMC jest wartością bliższą rzeczywistości. Nawiązując do finansowania
majątku trwałego należy stwierdzić, że był on w pełni finansowany kapitałami
stałymi, a nadwyżka tych funduszy ponad wartość majątku trwałego wynosiła
przeciętnie 13,4%. Struktura majątku podobnie jak struktura finansowania
przedstawia zatem obraz normalnie działających, „zdrowych” spółek.
W przypadku analizy rentowności wykorzystano cztery wskaźniki, przy
czym dla trzech z nich: WRM, WRSN, WRSB osiągnięte wartości można uznać za
przeciętne bądź też słabe. Nie oznacza to jednak, iż firmy znajdujące się w tej
grupie spółek badanych charakteryzują się słabymi wynikami finansowymi. Takie
wyniki finansowe, bazujące na zysku netto, uzależnione są raczej od polityki
fiskalnej przedsiębiorstwa zmierzającej do minimalizacji wartości płaconych
podatków. W związku z tym generowane są często czynniki kosztowe
minimalizujące wielkości zysków bilansowych. O dobrej strategii działania tych firm
świadczy natomiast wielkość kolejnej miary - wskaźnika rentowności kapitałów
własnych, która w ujęciu średnim wyniosła 53,9%. Można zatem stwierdzić, że w
badanych spółkach występuje dodatni efekt dźwigni finansowej. Rentowność
133
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
kapitałów własnych jest wyższa od rentowności kapitału zainwestowanego w
przedsiębiorstwie, co zostało osiągnięte dzięki temu, jak należy sądzić, że koszt
kapitału obcego w tychże przedsiębiorstwach był niższy od rentowności kapitału
całkowitego. Wysoki udział kapitałów obcych spowodował zatem, że rentowność
kapitałów własnych znajduje się na zadowalającym poziomie.
Ostatnimi wskaźnikami, za pomocą których dokonano analizy danych
finansowych rozpatrywanych przedsiębiorstw są miary uznane przez E. Altmana
za najefektywniejsze predyktory zagrożenia upadłością. Pierwszym z tych
zakresów jest wskaźnik pokrycia aktywów kapitałem pracującym (WKOA). W tym
przypadku otrzymano wartość wynoszącą –5,5%. Oznacza to, że zobowiązania
krótkoterminowe przekraczały wielkość majątku obrotowego i uczestniczyły w
finansowaniu całego majątku firm w 5,5%, jednakże bacząc na bardzo dużą
zmienność tej zmiennej i wartość mediany wynoszącą w ujęciu procentowym 1,1%
należy stwierdzić, że wielkość kapitału pracującego dążyła do zera. Dzięki takiej
strukturze finansowania osiągnięto również wartości wskaźników płynności WP I
oraz WP II bliskie jedności. Kolejnym wskaźnikiem jest stosunek zysku z
działalności operacyjnej (substytutu zysku przed spłatą odsetek i
opodatkowaniem) do wielkości aktywów, który stanowić może uzupełnienie analizy
rentowności. W tym przypadku obserwujemy, że wartość tego rodzaju zysku do
łącznej wartości majątku przedsiębiorstwa wynosi 13,6%, co wskazuje na
zadawalającą efektywność wykorzystania majątku. Uzupełnieniem analizy
struktury finansowania jest wskaźnik WKWKO, który przyjmuje wartość 1,052.
Jednakże ze względu na bardzo dużą zmienność również w tym przypadku
mediana dostarczy trafniejszych informacji finansowych. Jej wartość oscylująca
wokół 25% stanowi, iż kapitał własny równy był w przybliżeniu czwartej części
kapitałów obcych. Ostatnim zakresem tej grupy jest wskaźnik produktywności
aktywów informujący ile złotych przychodów ze sprzedaży przynosi jedna złotówka
majątku firmy. Dla spółek tej grupy otrzymujemy wartość 1,72, co oznacza, że
majątek firm wygenerował przeciętnie przychody o 72% przekraczające wielkość
ich majątku.
Rekapitulując tą część rozważań należy stwierdzić, że w żadnym z
badanych 21 wskaźników finansowych nie stwierdza się zjawisk niekorzystnych
lub odbiegających od ogólnie przyjętych norm, a sytuację finansową tej grupy
134
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
spółek należy uznać za przeciętną, nie charakteryzującą się ani bardzo złymi ani
bardzo dobrymi tendencjami.
3.2. Przedsiębiorstwa upadłe
Statystyczne mierniki opisowe poszczególnych wskaźników finansowych
zastosowanych do scharakteryzowania sytuacji finansowej przedsiębiorstw, które
w trakcie swojej dalszej działalności stały się niewypłacalnymi i w konsekwencji
tego upadły zostały przedstawione w załączniku 2, tabele 6-15. O ile jednak w
przypadku grupy przedsiębiorstw o dobrej sytuacji finansowej wszystkie wskaźniki
zostały potraktowane jako jednolita grupa, (pomimo tego, że przedział czasowy ich
pochodzenia obejmował 4 lata założono, że przedsiębiorstwa o dobrej
(przeciętnej) kondycji finansowej charakteryzują się cechami bądź to całkowicie
niezmiennymi, bądź też jedynie o niewielkiej zmienności w czasie, przy czym
trzyletni rozrzut czasowy nie stanowi przy tym okresu mogącego znacząco
wpływać na charakterystykę dobrej kondycji finansowej spółek), o tyle dla
przedsiębiorstw bankrutów pozyskane dane określały ich standing finansowy w
okresie od 1 do trzech lat przed bankructwem. Jak stwierdzono w rozdziale 2
kondycja finansowa przedsiębiorstw przed ich upadłością zmienia się w czasie, co
obrazowane jest pogarszaniem się podstawowych wskaźników finansowych. W
związku z tym koniecznym jest dokonanie statystycznego opisu tychże mierników
w miarę zbliżania się do momentu upadłości. Dla celów porównawczych określono
również wartości poszczególnych parametrów statystycznych dla wszystkich
okresów łącznie.
I tak, pierwszym z obszarów objętych analizą jest płynność finansowa. Na
podstawie danych z tabel 6 i 7 załącznika 2 można stwierdzić, że nie jest
zauważalna jedna wspólna tendencja dla tych zmiennych. W przypadku wartości
średnich określonych dla wszystkich przedsiębiorstw łącznie, wskaźniki WP I, WP
II oraz WP III przyjęły wartości, które można uznać za słabe (wartości mediany
tych elementów kształtują się na jeszcze niższym poziomie) w porównaniu ze
zwyczajowo przyjmowanymi normami. Wartości wskaźników obliczonych dla lat
poprzedzających upadłość wskazują, że poziom płynności firm w okresie
poprzedzającym bankructwo ma charakter przypadkowy, aczkolwiek
135
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
zauważalnym jest wzrost wartości WP I wraz ze zbliżaniem się momentu upadku.
Utrzymywanie rosnących wartości środków finansowych świadczy, jak należy
sądzić, o pogarszaniu się jakości zarządzania, a także o niemożności efektywnego
inwestowania tychże funduszy w celu poprawy sytuacji finansowej. Wskaźniki WP
II oraz WP III na jeden rok przed upadłością osiągają wartości, które świadczą o
niemożności sprostania bieżącym zobowiązaniom, przy czym poziom ten zbliżony
jest do sytuacji występującej na trzy lata przed bankructwem, czemu towarzyszy
wzrost wartości wskaźników na dwa lata przed upadkiem. Wahania wartości w tym
okresie należy uznać raczej za przypadkowe niż obrazujące charakterystyczne
zachowanie się firm zagrożonych bankructwem. Ogólnie płynność firm w okresie
przed ogłoszeniem upadłości należy uznać za niską, jednakże pomimo tego
kształtowanie się samych wartości wskaźników płynności w czasie nie może
stanowić czynnika wystarczająco określającego stan zagrożenia upadłością.
Inaczej przedstawia się analiza wskaźników zadłużenia. Wartości
wskaźników dla wszystkich badanych sprawozdań finansowych pozwalają
stwierdzić, że w przedsiębiorstwach tych poziom zobowiązań znacznie przekracza
łączną wartość majątku (o 60,8%) oraz wartości ujemnych kapitałów własnych (o
52,8%). Jednocześnie same zobowiązania długoterminowe stanowią 68,5%
ujemnej wartości funduszy własnych spółek. Należy podkreślić, że ujemne
wartości tychże kapitałów przyjmują wartości wysokie, bo stanowiące połowę
wartości pasywów łącznie (53,1%). Potwierdzeniem wniosków ogólnych są
wartości poszczególnych miar finansowych w rozbiciu na lata poprzedzające
moment upadku. Wraz ze zbliżaniem się bankructwa rosną przeciętne wartości
WOZ; poziom długów zmienia się w tym okresie z 99,8%, przez 127,9%, aż do
234,7%, co obrazuje znaczny wzrost zadłużenia ale również powiększanie się
ujemnej wartości kapitałów własnych (wniosek ten potwierdzają wartości
wskaźnika WSF przedstawiające wzrost ujemnych funduszy własnych w sumie
pasywów). O wzroście wartości ujemnych kapitałów własnych świadczy również
wskaźnik WZKW, którego wartości w tym przypadku spadają z –3,52 na 3 lata
przed bankructwem do –0,376 na rok przed upadkiem oraz wskaźnik WUKOWKC,
którego wartości charakteryzują się wzrostem (odpowiednio 1,266 na 3 lata przed
upadkiem, 1,340 na 2 lata przed upadkiem, 4,542 na 1 rok przed upadkiem).
Powyższe procesy spowodowane są tak wzrostem udziału zobowiązań wraz ze
136
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
wzrostem zagrożenia upadłością, jak również wzrostem ujemnych funduszy
własnych. Tendencje te należy zatem uznać za charakterystyczne dla zagrożenia
bankructwem.
Analiza struktury majątku tej grupy przedsiębiorstw nie dostarcza sygnałów
mogących stanowić wyróżnik zagrożenia upadłością. Ogólny, średni udział
majątku trwałego w majątku całkowitym wyniósł 23%, a majątku obrotowego w
całkowitym 75,4%. Przeciętna wartość WSA wyniosła 9,1%, co oznacza, że o ten
procent majątek trwały przewyższa majątek obrotowy. W przypadku analizy wyżej
omawianych obszarów dla zbliżających się lat przed upadłością wartości oscylują
wokół wartości określonych dla całej grupy firm. Nawiązaniem do analizy struktury
kapitałowej jest WPMTKS, którego wartości wraz z momentem upadku przybierają
coraz większe ujemne wartości. Zjawisko to podyktowane jest nadwyżką
ujemnych kapitałów własnych ponad długoterminowe zobowiązania, przy średnim
stosunku tej wielkości do majątku trwałego równego w latach odpowiednio 0,439;
4,08; -22,344. Oznacza to znaczną nadwyżkę ujemnych kapitałów stałych ponad
wartość majątku trwałego przedsiębiorstw, wskazującą na występowanie
poważnych trudności finansowych takich spółek.
Kolejny zakres analizy standingu finansowego przedsiębiorstw bankrutów
dotyczy ich rentowności. W odróżnieniu od szeregu poprzednich obszarów
badania, rentowność wyraźnie obrazuje negatywne zachowania spółek
zagrożonych upadkiem. Wartości oszacowane dla wszystkich posiadanych
sprawozdań finansowych, a więc wskaźniki WRM, WRSN i WRSB przyjmują
wartości ujemne (odpowiednio –20,9% (mediana 6,1%); -194,7% (mediana -
12,4%), 194,1% (mediana 12,4%)). Jedynie dla wskaźnika WRKW otrzymywane
wartości są dodatnie. Sytuacja ta jest podyktowana wystąpieniem strat (pozycji ze
znakiem ujemnym) oraz ujemną wartością kapitałów własnych; iloraz tych wartości
ma zatem znak dodatni. W tych warunkach interpretacja wskaźnika traci sens;
jedyna informacja obrazowana przez tą miarę określa stosunek strat do ujemnych
kapitałów własnych, co w tym przypadku wynosi 29,4% (mediana 14,8%).
Potwierdza to stawiany często w literaturze wniosek o niemożności
prognozowania upadłości za pomocą tego wskaźnika finansowego.
W poszczególnych latach zbliżania się do bankructwa wartości wskaźników
rentowności ulegają pogorszeniu zgodnemu z zachodzącymi negatywnymi
137
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
zjawiskami w spółkach (ze względu na dużą zmienność danych w dalszej części
wygodniej będzie posłużyć się medianami). I tak, wartości WRM spadają z 0,3%
(osiągnięto niewielkie zyski netto), przez –6,1%, aż do –24,9%. Oznacza to, że w
miarę zbliżania się do upadłości osiągane są coraz większe straty, przez co
zwiększane są ujemne wartości kapitałów własnych. Podobnie kształtują się
wartości WRSN i WRSB przyjmujące odpowiednio wartości: 0,1%, -5,3%, -20,4%
oraz 0,4%, -5,3%, -20,4%. Podobnie wielkości przyjmuje WRKW, którego zmiany
są zgodne z negatywnymi trendami obserwowanymi w tych firmach, osiągając
odpowiednio: 5,6%, 13,8%, 20,6%, co oznacza, iż straty stanowią poważny
procent ujemnych kapitałów własnych a zatem w latach poprzedzających upadek
o te właśnie wartości powiększał się stan negatywnych funduszy własnych spółek.
Wskaźniki rentowności stanowią zatem efektywny czynnik identyfikacji zagrożenia
upadłością.
Ostatnią grupę wskaźników stanowią miary wskazane przez E. Altmana i
wykorzystywane w wielu dalszych badaniach naukowych.
Pierwszy z tej grupy wskaźników dotyczy stosunku kapitału pracującego do
wielkości aktywów. Ogólna wartość tej miary wyniosła –69%, co wskazuje na
znaczną nadwyżkę krótkoterminowych zobowiązań ponad majątek obrotowy, przy
czym tak obliczona wielkość stanowi aż 69% wartości całych aktywów. W latach
poprzedzających bankructwo wielkości te kształtowały się następująco: -13,3%, -
18,1%, -141,9%. Logika zmian tych wartości odpowiada pogarszającej się
kondycji przedsiębiorstw, w tym przypadku widoczny jest znaczny wzrost
zobowiązań krótkoterminowych w stosunku do majątku obrotowego.
Następna miara nawiązuje do analizy rentowności przedsiębiorstw.
Stosunek zysku przed spłatą odsetek i opodatkowaniem do sumy aktywów
obrazuje bowiem efekty wykorzystywania majątku firmy w działalności
gospodarczej (ze względu na bardzo wysoką zmienność tego wskaźnika do
interpretacji wyników posłużono się medianą). Dla wszystkich lat analizowanych
wielkość ta przyjęła wartość 0,3%, co wskazuje na bardzo niewielki poziom
dochodów. W latach poprzedzających upadłość miary te przyjmowały następujące
wartości: 0,1%, 0%, -9%. Ostatnia wartość, występująca na jeden rok przed
bankructwem wskazuje, że wyniki działalności są na tyle złe, że generowane są
138
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
straty, a zatem już w tym momencie nie występują środki finansowe pozwalające
na spłatę obciążeń kapitałami obcymi.
Trzeci z tej grupy wskaźników –WKWKO– ma charakter komplementarny w
stosunku do grupy wskaźników zadłużenia i struktury pasywów. Wartość tej miary
dla wszystkich sprawozdań finansowych tej grupy wyniosła 4,3% (mediana –
12,5%). Wartości te przedstawiają różne sytuacje, jednakże charakterystyczne
jest, iż kapitał własny pokrywa wartość kapitałów obcych jedynie w niewielkim
stopniu, w pierwszym przypadku mających wartość dodatnią, w drugim ujemną.
Ze względu na dużą zmienność danych występują tu poważne trudności z
interpretacją wyników. Na jeden rok przed upadłością wielkość ta osiąga –34,2%
(mediana –41,5%). Wynik ten można interpretować mówiąc, iż przed samym
bankructwem znacznie rośnie wielkość ujemnych kapitałów własnych osiągając
34,2% (41,5%) wartości kapitałów obcych.
Ostatnim zakresem tej części analizy jest WPSA obrazujący produktywność
majątku. Wykorzystując medianę można zauważyć spadek generowanych
przychodów ze sprzedaży w stosunku do sumy aktywów, przy czym w ostatnim
okresie przeciętne przychody mierzone w ten sposób są mniejsze niż majątek
wykorzystany do ich wygenerowania. W latach wcześniejszych miara ta spada z
1,419 na 1,202 i w ostatnim roku na 0,691, dla wszystkich lat łącznie wartość ta
wynosi 1,042. Oznacza to, że problemy firm związane są w dużej mierze z
malejącą produktywnością majątku uzależnioną od zbytu.
Analiza wyżej opisanych zakresów badania standingu finansowego spółek
pozwala na stwierdzenie, iż nie we wszystkich przypadkach możliwe jest
zidentyfikowanie charakterystycznych trendów kształtowania się miar finansowych
mogących wskazywać na zagrożenie upadłością. Ponadto wysoka zmienność
oszacowanych wskaźników uwarunkowana charakterystyką bazowych danych
finansowych sprawia, iż nie jest możliwe wskazanie wartości wskaźników, których
osiągnięcie stanowi sygnał wzrostu ryzyka bankructwem. Powyższe wnioski
umożliwiają jednak zidentyfikowanie ogólnych tendencji występujących w kondycji
finansowej przedsiębiorstw będących w trudnościach finansowych skutkujących
bankructwem. Dotyczy to przede wszystkim znacznego wzrostu zadłużenia,
otrzymywania rosnących wartości ujemnych kapitałów własnych, generowania
strat z działalności czy ujemnej rentowności we wszystkich jej zakresach. Czynniki
139
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
te stanowią zatem sygnał wzrostu zagrożenia bankructwem, co staje się
szczególnie wyraźne dokonując analizy porównawczej wartości poszczególnych
grup wskaźników finansowych dla grupy firm funkcjonujących i firm bankrutów
(patrz załącznik 1, wykresy 1 i 2).
4. Analiza związków między poszczególnymi wskaźnikami finansowymi w obu
grupach przedsiębiorstw
W celu określenia związków pomiędzy poszczególnymi wskaźnikami
finansowymi obliczono współczynniki korelacyjne dla grupy firm funkcjonujących i
upadłych, przy czym w drugim przypadku współczynniki korelacyjne określono
również dla poszczególnych lat poprzedzających bankructwo. Analiza
poszczególnych wartości, w grupie firm funkcjonujących, pozwala na wyciągnięcie
następujących wniosków:
a) dla zdecydowanej większości wskaźników nie stwierdza się istotnych
związków korelacyjnych, brak korelacji umożliwia prawidłowe
uwarunkowanie macierzy wariancji-kowariancji rozpatrywanych miar, co
jest szczególnie istotne w analizie dyskryminacyjnej,
b) istotne wartości korelacji (powyżej 0,5) występują pomiędzy:
– wskaźnikami płynności i wskaźnikiem stosunku kapitałów własnych
do kapitałów obcych (wynoszą odpowiednio: 0,59; 0,74; 0,79),
interpretując tą zależność należy stwierdzić, że wysoki poziom
płynności wykazują spółki o odpowiednio dużym stosunku kapitałów
własnych do kapitałów obcych, potwierdzeniem tego jest zależność
między WSF i wskaźnikami płynności (odpowiednio 0,43; 0,53; 0,56),
w tym przypadku stosunkowo duży udział kapitałów własnych w
pasywach sprawia, iż uzyskiwane są zadawalające poziomy
płynności finansowej,
– ciekawa zależność występuje również między wskaźnikami WRKW i
WSF, WUKOWKC (odpowiednio –0,45; 0,45); okazuje się bowiem,
że wysoka rentowność kapitałów własnym ma miejsce wtedy, gdy w
strukturze pasywów kapitały te stanowią niewielki procent, przy
jednoczesnym stosunkowo wysokim udziale kapitałów obcych, fakt
140
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
ten może stanowić dowód na wykorzystanie dodatniego efektu
dźwigni finansowej w tej grupie spółek,
– w pozostałych przypadkach istotne wartości korelacji między
cechami występują dla wskaźników opisujących te same zakresy, a
zatem wyrażających zbliżone informacje (np. wskaźniki rentowności),
ze względu na potencjał informacyjny tych miar istotne wartości
współczynników korelacyjnych mogą zostać zatem zaakceptowane,
Badanie współzależności między poszczególnymi cechami dla spółek
upadłych (dla wskaźników o zróżnicowanym okresie pochodzenia), umożliwia
wyrażenie następujących wniosków:
a) w tablicy zależności korelacyjnych średnich wartości wskaźników
oszacowanych dla wszystkich lat poprzedzających upadek nie są
zauważalne istotne związki między miarami; w żadnym przypadku (poza
korelacją między wskaźnikami płynności) siła związku korelacyjnego nie
przekracza co do wartości bezwzględnej 0,6,
b) występuje zależność między formą finansowania majątku trwałego, a
udziałem kapitałów własnych w pasywach oraz stosunkiem kapitałów
obcych w kapitałach całkowitych; w pierwszym przypadku obserwowana
jest zależność dodatnia o sile 0,667, w drugim zależność ujemna o sile
0,588; oznacza to, iż w spółkach o wysokim stopniu pokrycia majątku
trwałego kapitałami własnymi występuje również odpowiednio wysoki
stosunek kapitałów własnych w pasywach oraz niski stosunek udziału
kapitałów obcych w kapitale całkowitym,
c) interesująca zależność, o niewielkiej jednak sile, zachodzi między
WUKOWKC i WPMTKS i wynosi –0,42; oznacza to, że firmy o wysokim
udziale kapitałów obcych finansują majątek trwały jedynie w niewielkim
stopniu kapitałami stałymi, co w tym przypadku oznacza, że pewna
część ich środków trwałych finansowana jest przez krótkoterminowe
zobowiązania, co nie jest zgodne z założeniami złotej reguły bilansowej i
finansowej,
d) podobny związek korelacyjny występuje pomiędzy WUKOKC i WRSB
oraz WRSN (-0,36; -0,361), w tym przypadku duży udział zobowiązań
141
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
sprawia, że rentowność sprzedaży brutto i netto jest niska, co z kolei
należy tłumaczyć wysokim obciążeniem odsetkami wyniku finansowego,
e) spółki o wysokim zadłużeniu charakteryzują się także niskimi
wartościami wskaźnika WKOA (korelacja wynosi tu –0,394); oznacza to,
że wielkość zobowiązań bieżących znacznie przekracza sumę majątku
obrotowego, przez co osiągane są wysokie ujemne wartości wskaźnika
WKOA,
f) pozostałe zależności korelacyjne, które mogą zostać uznane za
znaczące wynikają ze zbliżonego charakteru rozpatrywanych
wskaźników.
W przypadku rozpatrywania związków korelacyjnych oszacowanych
oddzielnie dla każdego roku poprzedzającego bankructwo konieczną wydaje się
być analiza tych wartości dla wszystkich lat łącznie. Zauważalne są bowiem
określone tendencje w zależnościach między rozpatrywanymi miarami
finansowymi zachodzącymi w czasie:
a) wskaźniki płynności oraz wskaźnik WKOA wskazują, że wraz z
zbliżaniem się bankructwa pogorszeniu ulega zależność między tymi
miarami, co oznacza, iż bieżące zobowiązania przyjmują coraz to
większe wartości przez co znacznie szybciej spada stosunek kapitałów
obrotowych do aktywów niż płynność,
b) potwierdzeniem wniosków z pkt a) jest obserwacja zależności pomiędzy
WOZ i WKOA, w miarę zbliżania się do momentu bankructwa wzrastają
wartości wskaźnika ogólnego zadłużenia czemu towarzyszy spadek
wartości stosunku kapitału pracującego do sumy aktywów (osiągane są
coraz większe ujemne wartości),
c) znacznym zmianom ulega również relacja WZKW do WRKW, wraz ze
wzrostem zagrożenia bankructwem obserwuje się spadek rentowności
kapitałów własnych (z powodu strat można mówić nawet o rentowności
ujemnej) spowodowany wzrostem zadłużenia tychże kapitałów; oznacza
to, że na skutek wzrostu ogólnego zadłużenia oraz zmniejszania się
wartości kapitałów własnych efektywność wykorzystania tych funduszy
ulega znacznemu pogorszeniu,
142
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
d) wzrost trudności finansowych widoczny jest również w kształtowaniu się
współczynnika korelacji pomiędzy WSMTKW i WSF, którego wartości są
z sobą coraz bardziej powiązane; oznacza to, że malejącemu udziałowi
kapitałów własnych w strukturze finansowania spółek w tym okresie
odpowiada również zmniejszające się pokrycie majątku trwałego tą
formą finansowania; ogólnym wnioskiem związanym z zajściem takiej
sytuacji jest zatem zmniejszanie się możliwości zabezpieczenia
zobowiązań przez majątek trwały finansowany z funduszy własnych,
e) charakterystyczna tendencja zachodzi ponadto pomiędzy WUKOWKC i
WRSB oraz WRSN; im moment bankructwa jest bliższy tym rentowność
sprzedaży brutto i netto spada szybciej, natomiast udział kapitałów
obcych w kapitale całkowitym rośnie (co jest również uwarunkowane
wpływem na sumę pasywów ujemnych wartości kapitałów własnych
wywoływanych stratami), w okresie trzech lat przed upadłością
tendencja ta ma inny kierunek, a zatem stosunkowo wysokim
wartościom zadłużenia odpowiadają wartości wskaźników rentowności o
tym samym kierunku.
Należy zauważyć, że w większości analizowanych przypadków związki
korelacyjne pomiędzy zmiennymi były nieistotne statystycznie, bądź też ich
charakter był przypadkowy, w innych natomiast przypadkach zaistniałe zależności
wynikały z podobnego charakteru danych miar. Uchwycone zależności o istotnym
z punktu widzenia wzrostu zagrożenia bankructwem charakterze zostały
zinterpretowane powyżej. Należy jednak zauważyć, że podobnie jak miało to
miejsce w analizie miar opisu statystycznego poszczególnych wskaźników, siła
tych związków ma charakter drugorzędny w stosunku do samego zidentyfikowania
ich występowania. Dopiero analizy wielowymiarowe, wykonane w punkcie 3,
umożliwiają stwierdzenie rzeczywistych współzależności między tymi cechami
oraz wykazanie ich łącznego wpływu na zdolność do określania zagrożenia
upadłością.
143
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
5. Empiryczna ocena ilościowych metod rozpoznawania w prognozowaniu
upadłości przedsiębiorstwa
Przeprowadzona analiza ilościowa zebranego materiału statystycznego
miała na celu dokonanie empirycznej oceny ilościowych metod umożliwiających
identyfikację stanu zagrożenia bankructwem. Jako, że w badaniu wykorzystano
cztery metody, jak również ze względu na możliwość dokonania szeregu badań na
samych modelach, których to przeprowadzenie koniecznym było dążenie do
wskazania modelu, a zatem również zastawy wskaźników o największej
efektywności przewidywania zagrożenia upadłością w warunkach polskich. W
zwązku z powyższym tą części analizy przeprowadzono w następującej
kolejności:
I. Oszacowano modele z zastosowaniem metod: analizy dyskryminacyjnej,
metod logit i probit, sztucznych sieci neuronowych dla trzech różnych
zestawów wskaźników finansowych, tj:
a) wszystkich wskaźników oszacowanych dla potrzeb analizy (21
wskaźników), zestaw ten nazywany będzie dalej zestawem Z1,
b) wskaźników wykorzystanych przez E. Altmana4 (5 wskaźników), zestaw
ten nazywany będzie dalej zestawem Z2,
c) wskaźników określonych metodą analizy krokowej w przód, zestaw Z3
(12 wskaźników), oraz analizy krokowej w tył, zestawem Z4 (6
wskaźników).
W tej części badania oszacowano łącznie 16 modeli. Stworzone modele
zostały następnie przetestowane przy wykorzystaniu grupy walidacyjnej
danych, tak aby dla każdej metody określić zestaw wskaźników, których
zastosowanie umożliwi osiągnięcie najlepszych wyników (maksymalną
trafność sygnałów generowanych przez modele). Tak uczenie jak i
testowanie modeli odbyło się przy zastosowaniu próby uczącej i walidacyjnej
zbudowanej w proporcji 50:50, z liczebnościami wynoszącymi 40
przedsiębiorstw upadłych i 40 działających w próbie uczącej oraz
odpowiednio 39 i 39 w próbie testowej. Żadne sprawozdanie finansowe nie
zostały jednocześnie wykorzystane do uczenia i testowaniu modelu; warunek
4 Postać tych wskaźników została dostosowana do możliwości ich oszacowania na podstawie zebranego materiału statystycznego (patrz rozdział 2 pkt. 5.3.).
144
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
ten determinuje liczebności poszczególnych zestawów danych w grupach.
Należy zauważyć, że w tej części badania modele były uczone oraz
testowane dla równych proporcji jednostek z grupy firm bankrutów i firm o
dobrej sytuacji finansowej. Końcowym etapem tej części badania było
wskazanie jednego modelu, który maksymalizował będzie trafność
generowanych sygnałów.
II. Testowanie efektywności wskazanego modelu przy zmiennych proporcjach
grupy uczącej i testującej oraz metodzie i wskaźnikach modelu ceteris
paribus. Ten etap badania miał charakter uzupełniający w stosunku do
poprzedniego. Pomimo tego, iż wyniki badań przedstawionych w literaturze5
wskazywały, że najlepszą efektywność osiągają modele, które szacowane i
testowane były dla grup uczących i walidacyjnych zbudowanych w proporcji
50:50, to jednak słusznym wydawje się być określenie efektywności modelu
w zmiennych proporcjach tychże grup. Takie podejście umożliwia bowiem
zweryfikowanie pojawiającego się w literaturze postulatu o wykorzystywaniu
grup uczących i testujących zbudowanych w oparciu o realistycznie dobrane
proporcje, a więc takie jak występują w rzeczywistości6. W tym celu
wykorzystano macierz przedstawiającą proporcje, w których zbudowano
grupy uczące i walidacyjne wraz z odpowiadającymi im liczebnościami;
pierwsze wartości licząc od lewej strony określają odsetek lub liczebność
grupy firm bankrutów, następne określają analogiczne wartości grupy firm
kontynuujących działalność.
5 Por. R. Sharda, R. L. Wilson: op. cit. s. 112-113. 6 Por. M. M. Greenstein, M. J. Welsh: Bankruptcy Prediction Using Ex Ante Neural Networks and Realistically Proportionend Testing Sets. La Salle University. Philadelphia. 1996.
145
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
Tabela 9
Charakterystyki grup uczących i testujących wykorzystane w testowaniu
wybranego modelu
Metoda i wybrane
parametry modelu
Proporcje i liczebności grup uczących i testowych
Grupa testowa 1:1 Grupa testowa 1:3 Grupa testowa 1:10
Grupa ucząca 1:1 (liczebność 40 do 40)
liczebność 39 do 39 Liczebność 39 do 117 liczebność 14 do 140
Grupa ucząca 1:3 (liczebność 35 do 105)
liczebność 35 do 35 Liczebność 25 do 75 Liczebność 7 do 70
Grupa ucząca 1:10 (liczebność 10 do 100) Wyb
rany
mod
el
liczebność 69 do 69 liczebność 25 do 75 Liczebność 8 do 80
Źródło: opracowanie własne
W przypadku gdy najefektywniejszym okazał się model oszacowany z
wykorzystaniem sztucznej sieci neuronowej, liczebności w
poszczególnych grupach trenujących i testujących uległy zmianom ze
względu na konieczność stworzenia dodatkowej podgrupy
weryfikującej umożliwiającej algorytmowi uczenia SSN poszukiwanie
możliwie najlepszego rozwiązania. Założono, że grupa weryfikująca
posiadała będzie stałą liczebność danych, na którą złożą się zestawy
danych dotyczących firm upadłych i firm funkcjonujących, w liczbie po
19 z każdej próby.
Na podkreślenie zasługuje fakt maksymalnego wykorzystywania
posiadanych danych ilościowych. Kryterium nadrzędnym było w tym
przypadku dążenie do zastosowania możliwie największej liczby
jednostkowych sprawozdań finansowych, co doprowadzić ma do
uzyskania największej efektywności modeli.
146
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
Tabela 10
Charakterystyki grup uczących i testujących wykorzystane w testowaniu SSN, przy występowaniu stałej liczebności grupy weryfikującej zbudowanej w proporcji 1:1 (liczebność 19 do 19) Metoda i wybrane
parametry modelu
Proporcje i liczebności grup uczących i testowych
Grupa testowa 1:1 Grupa testowa 1:3 Grupa testowa 10:10
Grupa ucząca 1:1 (liczebność 30 do 30)
liczebność grupy testowej 30 do 30
liczebność grupy testowej 30 do 90
liczebność grupy testowej 10 do 100
Grupa ucząca 1:3 (liczebność 25 do 75)
liczebność grupy testowej 35 do 35
Liczebność grupy testowej 25 do 75
liczebność grupy testowej 8 do 80
Grupa ucząca 10:10 (liczebność 10 do 100) Wyb
rany
mod
el
liczebność grupy testowej 50 do 50
liczebność grupy testowej 20 do 60
liczebność grupy testowej 6 do 60
Źródło: opracowanie własne
6. Modele prognozujące zagrożenie bankructwem
Istotą niniejszego badania było określenie efektywności wygenerowanych,
na podstawie zebranych danych, których opisu statystycznego dokonano powyżej
oraz przy wykorzystaniu zróżnicowanych metod przedstawionych w rozdziale 3,
modeli umożliwiających identyfikację zagrożenia upadłością przedsiębiorstwa. Ze
względu na szereg założeń towarzyszących tak samemu procesowi
konstruowania modelu, jak również uwzględniając zróżnicowanie procedur
występujących w tym procesie, efektywność rozpoznawania możliwości
bankructwa okazuje się być dla poszczególnych modeli różna. To z kolei sprawia,
iż dążąc do wskazania optymalnego modelu, którego zastosowanie w polskich
warunkach gospodarczych przyniesie najlepsze efekty (największą trafność
generowanych sygnałów), koniecznym było oszacowane i zweryfikowanie zbioru
modeli zróżnicowanych pod względem zastosowanej metody obliczeniowej oraz
wykorzystanych wskaźników finansowych będących zmiennymi modeli. Dzięki
procesowi testowania modeli za pomocą zweryfikowanej, ale nie zastosowanej w
procesie uczenia grupy obiektów (grupy walidacyjnej) możliwym było wskazanie
rzeczywistej efektywności uzyskanych modeli w populacji generalnej, zakłożono
147
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
bowiem, iż próby badawcze stanowią jedynie wycinek tychże populacji
przedstawiający jednak wszelkie cechy charakterystyczne dla zjawiska zagrożenia
upadłością.
Pierwszy etap badania obejmował oszacowanie oraz zweryfikowanie
modeli na podstawie identycznych tak pod względem ilościowym jak i
jakościowym grup przedsiębiorstw ale z wykorzystaniem różnych metod i
zestawów wskaźników finansowych. Proporcje grupy uczącej oraz testującej
wyniosły 1:1 (ich liczebności to odpowiednio 40:40 oraz 39:39). Takie działanie
pozwoliło na wskazanie modelu o największej efektywności, który następnie w
drugim etapie został przebadany pod kątem wpływu na jego efektywność proporcji
w jakich zostały zbudowane grupa będąca nauczycielem i grupa walidacyjna.
Tabela 11
Zestawy wskaźników finansowych zastosowanych w badaniu
Pełen zestaw
wskaźników
Wskaźniki E. Altmana Analiza krokowa w
przód
Analiza krokowa w tył
Zestaw Z1 Zestaw Z2 Zestaw Z3 Zestaw 4
x1 WSP I x2 WSP II x3 WSP III x4 WOZ x5 WZKW x6 WZD x7 WSMTKW x8 WSF x9 WUKOWKC x10 WUMTWMC x11 WUMOWMC x12 WSA x13 WPMTKS x14 WRM x15 WRKW x16 WRSN x17 WRSB x18 WKOA x19 EBIT/A x20 WKWKO x21 WPSA
x14 WRM x18 WKOA x19 EBIT/A x20 WKWKO x21 WPSA
x1 WSP I x5 WZKW x6 WZD x9 WUKOWKC x10 WUMTWMC x11 WUMOWMC x12 WSA x14 WRM x18 WKOA x19 EBIT/A x20 WKWKO x21 WPSA
x4 WOZ x7 WSMTKW x10 WUMTWMC x11 WUMOWMC x13 WPMTKS x18 WKOA
Wykorzystując metodę analizy dyskryminacyjnej oszacowano oraz
zweryfikowano cztery modele bazujące na różnych zestawach wskaźników. W tym
celu przeprowadzono krokowe procedury selekcji wskaźników: analizę krokową w
148
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
przód oraz analizę krokową w tył. Procedury analizy krokowej wskazały zbiory
wskaźników dla zestawów Z3 i Z4:
Wytypowane powyżej zestawy wskaźników finansowych są odpowiedzią na
metody doboru wskaźników finansowych opisane w pkt. 5.1 rozdziału 2.
Wykorzystanie zestawu Z1 było niezbędne ze względu na konieczność dokonania
porównawczej analizy efektywności pozostałych zestawów. W ten tylko sposób
możliwym było wskazanie, czy redukcja wymiarów wpłynie na efektywność
stworzonych modeli. Pełen zestaw wskaźników określa bowiem ogólną
charakterystykę przedsiębiorstw na podstawie posiadanych danych. Każde
zmniejszenie liczby wymiarów ogranicza potencjał informacyjny. Jeżeli jednak nie
wpływa to ujemnie na efektywność modeli to oznacza to, że wyeliminowane
zmienne zawierały nieistotne z punktu widzenia przewidywania zagrożenia
upadłości informacje. Zestaw Z2 przedstawia szeroko wykorzystywane w
literaturze wskaźniki określone przez E. Altmana jako najlepsze predyktory
zagrożenia bankructwem. Można zatem powiedzieć, że przy jego doborze
zastosowano metodą historyczną doboru wskaźników. Weryfikacja efektywności
modeli zbudowanych przy zastosowaniu tego zestawu wskaźników pozwoliła
odpowiedzieć na pytanie, czy miary te rzeczywiście mają charakter uniwersalny,
czy też stanowią one optymalny zestaw jedynie w warunkach gospodarczych
kraju, w którym zostały stworzone. Zestawy Z3 i Z4 stanowią grupy wskaźników
finansowych określonych przy wykorzystaniu ilościowych procedur doboru
wskaźników. Analiza efektywności modeli zbudowanych z tak dobranymi grupami
wskaźników pozwoliła określić wpływ tych metod doboru wskaźników na
efektywność modeli, poza tym możliwym stało się stwierdzenie, czy metody
ilościowe doboru wskaźników są efektywniejszymi od metody trendów, ekspertów i
metody historycznej.
Analiza dyskryminacyjna
W wyniku przeprowadzonych obliczeń oszacowano parametry strukturalne, dzięki
czemu otrzymano modele o postaci przedstawionej poniżej. W procesie
klasyfikacji grupy walidacyjnej wykorzystano wartość parametru cutoff point
oszacowanego jako połowa odległości pomiędzy centroidami wartości funkcji dla
obu grup.
149
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
Jak zatem widać, w zależności od zastosowanego zestawu wskaźników
finansowych otrzymano różną trafność klasyfikacji. W tym przypadku
najefektywniejszym okazał się być model zawierający wszystkie rozpatrywane
zmienne.
Modele logit oraz probit
Kolejną grupę metod stanowią modele oszacowane z wykorzystaniem metody
logitowej oraz probitowej. Sama metoda szacowania parametrów modeli jest
zbliżona, natomiast główna różnica polega na zastosowaniu różnych postaci
dystrybuant umożliwiających określenie prawdopodobieństwa zaklasyfikowania
danych obiektów do rozważanych klas. Jako że obie funkcje, tj. dystrybuanta
rozkładu logistycznego i normalnego są symetryczne względem początku układu
współrzędnych, zatem jako wartość punktu cutoff point przyjęto odpowiadające
temu argumentowi wartości funkcji, które w obu przypadkach wynoszą 0,5.
Porównując wyniki otrzymane przy zastosowaniu metod logit i probit należy
zauważyć, że występują jedynie niewielkie różnice pomiędzy efektywnością tych
modeli wykorzystujących analogiczne zestawy wskaźników. Różnice te wynikają
jak wspomniano na wstępie z różnych postaci rozkładów prawdopodobieństwa
przyjętych za podstawę określania możliwości zaklasyfikowania obserwacji do
rozpatrywanych klas.
Sztuczne sieci neuronowe
Kolejną metodą wykorzystaną do określenia modelu przewidującego zagrożenia
bankructwem przedsiębiorstwa stanowią sztuczne sieci neuronowe. Dążąc do
zbudowania możliwe najefektywniejszych sieci starano się jednak zachować
możliwie największy poziom prostoty ich architektury. W przypadku każdego z
modeli – sztucznych sieci neuronowych – przeprowadzono eksperymenty mające
określić ich optymalną budowę wewnętrzną, a także umożliwić uniknięcie minimów
lokalnych. Poniższe modele są zatem efektem tychże prób. Przypomnijmy, że
sieci neuronowe były uczone i testowane dla grup o innych liczebnościach, co było
związane z koniecznością stworzenia dodatkowej podgrupy weryfikującej proces
uczenia w trakcie jego trwania. Proporcje grupy uczącej i testującej były
150
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
niezmienne i wyniosły 1:1 dla liczebności wynoszących w obu przypadkach 30 do
30.
Model 15
Zbudowana SSN dotyczy grupy wskaźników Z3, posiada następującą architekturę:
– 12 neuronów w warstwie wejściowej,
– 12 neuronów w warstwie ukrytej,
– 1 neuron wyjściowy.
Budowę tej sieci przedstawia rysunek 27.
Rysunek 23
Architektura SSN dla modelu 15
Źródło: opracowanie własne
Wartości wag między neuronami warstwy ukrytej i warstwy wyjściowej kształtują
się następująco:
Neurony warstwy ukrytej Wagi bias 0.9108016
1 -2.718791 2 6.087284 3 0.6941963 4 3.040908 5 -2.360462 6 3.414631 7 -6.958578 8 3.470877 9 2.311378
10 -0.9293 11 8.927761 12 1.784997
151
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
W procesie uczenia SSN oszacowano następujące wartości wag synaptycznych
łączących neurony wejściowe z neuronami znajdującymi się w warstwie ukrytej
Neurony w warstwie ukrytej
Neu
rony
w
ejśc
iow
e
1 2 3 4 5 6
bias 0.5203519 -2.937946 0.3141213 -2.079416 1.01636 -1.060909x1 0.6615782 0.9407692 -0.6653 0.4280155 -0.008985 0.6929496x5 0.7104643 -2.828353 -0.6818 -0.5528 -0.129 -1.985419x6 1.16667 0.3070554 -0.463 -1.098316 -0.4244 -0.5803x9 -0.3404 3.681307 490464 1.208863 -0.8169 2.595694x10 1.393392 -2.208784 -0.5945 -0.4385 0.5300441 -1.233252x11 1.387888 -2.376035 -0.2856 -0.05612 0.5968122 -1.147621x12 -1.259733 -0.9701 0.9539724 -1.182492 -0.7497 -1.172653x14 0.03877 -1.718583 -0.1858 -1.49265 1.663359 -0.4499x18 -0.2524 -0.3404 -0.5238 -1.294815 0.6771357 -0.2604x19 -1.75029 1.944345 0.5980815 1.471309 0.3308404 0.8092234x20 0.8381973 -1.589572 0.8787107 -0.8241 1.149999 -0.9713x21 0.4500293 2.146073 -0.05682 -1.023016 -0.3727 0.7684743
Neurony w warstwie ukrytej
Neu
rony
w
ejśc
iow
e
7 8 9 10 11 12
bias 4.436707 -1.720079 -0.11 -0.9238 -5.69478 -0.01593x1 0.02493 -0.5489 0.9618242 0.6360941 -0.9671 0.7869264x5 1.000169 -0.7849 -1.847886 0.1232448 -0.25899 -1.229314x6 1.107054 0.4892609 0.6632794 0.4355492 -0.840 0.3958856x9 -4.502968 2.089786 1.552278 0.6224985 6.11063 0.4482883x10 1.823166 -0.9295 -0.8029 1.045716 -2.53087 -0.7162x11 1.812235 -1.105091 -0.6612 0.7202122 -2.319445 -0.1647x12 -0.7382 -0.7796 -0.1809 -0.1967 1.476453 0.06348x14 3.374876 -1.914999 -0.8877 0.2139713 -4.350769 -0.957x18 0.04891 0.3829356 0.06913 -0.001871 0.1571188 -0.43149x19 -1.164312 0.88929 0.7174173 -0.549 1.50876 0.6129876x20 2.751029 -2.080942 -0.7766 -0.8715 -3.63373 -0.8058x21 0.4598859 -0.1281 0.9695732 0.755036 -1.645751 0.1308995
Błędy powstające w trakcie uczenia sieci osiągnęły następujące wartości:
– dla grupy uczącej błąd RMS = 21,92%,
– dla grupy weryfikującej RMS = 42,64%.
152
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
Rysunek 24
Wykres funkcji błędów typu RMS dla 1 tysiąca epok dla modelu 15
0
0.1
0.2
0.3
0.4
0.5
0 100 200 300 400 500 600 700 800 900 1000
Grupa ucząca
Grupa weryfikująca
Źródło: opracowanie własne
Dla tak nauczonej SSN otrzymano następujące statystyki dokonano jej weryfikacji
otrzymując następującą macierz klasyfikacji: Przynależność obiektu do populacji na podstawie
przeprowadzonej klasyfikacji Rzeczywista
przynależność obiektu do populacji Firmy upadłe Firmy funkcjonujące
Liczebność próby w danej populacji
Firmy upadłe 24 6 30 Firmy funkcjonujące 0 30 30
Odsetek poprawnych i błędnych klasyfikacji w ujęciu procentowym przedstawia się
zatem następująco: Przynależność obiektu do populacji na podstawie
przeprowadzonej klasyfikacji Rzeczywista
przynależność obiektu do populacji Firmy upadłe Firmy funkcjonujące Firmy upadłe 0,8 0,2
Firmy funkcjonujące 0 1
Ogólna trafność Modelu 15 wynosi zatem:
ϕ = 90,0%
Podobnie jak miało to miejsce w przypadku poprzednich metod, SSN
wykazują również podatność na zmiany potencjału informacyjnego zawartego we
wskaźnikach finansowych. Należy jednakże zauważyć, że ogólna efektywność
SSN jest wyższa niż wcześniej analizowanych metod. Różne ilości w warstwach
ukrytych sieci wynikają z przeprowadzonych eksperymentów mających wskazać
architekturę sieci o największej efektywności. Z założenia przyjęto, iż
153
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
eksperymenty dotyczyć będą jedynie zmiany ilości neuronów w warstwie ukrytej,
natomiast liczba warstw ukrytych nie ulega zmianie. Możliwość zmian tego
parametru znacząco wpływała na generalną zdolność klasyfikacyjną SSN.
6.1. Analiza modelu przy zmiennych proporcjach grupy uczącej i walidacyjnej
Zgodnie z założeniami dotyczącymi przebiegu niniejszego badania,
przedstawionymi w rozdziale 5 pkt. 1. koniecznym jest dokonanie analizy
podatności modeli przewidujących zagrożenie upadłością na zmiany proporcji
danych tworzących grupy uczącą i testującą. W tym celu testowanym będzie
model bazujący na wykorzystaniu sztucznych sieci neuronowych (o architekturze
określonej modelem 15) oraz zestawu wskaźników Z3. Stwierdzono bowiem, że w
danych warunkach procedura budowy modelu o rozpatrywanych właściwościach
pozwala na uzyskanie najlepszych rezultatów.
Zmiany proporcji w jakich przetworzone dane finansowe spółek upadłych i
spółek funkcjonujących tworzą grupę uczącą i grupę testującą są ważne
zważywszy na pozastatystyczne przesłanki tworzenia takich modeli. Prawdą jest
bowiem, że prawdopodobieństwo, iż całkowicie losowo wybrany z danej populacji
obiekt, którym w tym wypadku jest przedsiębiorstwo, zbankrutuje w okresie od 1
do 3 lat nie jest równe 0.5, jak można wnioskować kierując się czystym
rachunkiem prawdopodobieństwa, w warunkach całkowitej nieznajomości
czynników wpływających na występowanie tego zdarzenia. Wiadomo bowiem, że
przeciętnie każdego roku na skutek upadłości kończy działalność ok. 10% całej
populacji spółek. W związku z tym powstaje pytanie czy modele stosowane do
wskazywania na możliwość upadłości winny wykorzystywać wiedzę wynikającą z
obserwacji środowiska?
W celu rozwiązania postawionego wyżej problemu, dokonane zostaną
eksperymenty na omówionym wyżej modelu.
154
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
Tabela 12
Efektywność modelu przewidującego zagrożenie bankructwem (SSN + Z3) w zmiennych proporcjach grup uczących i testujących Metoda i wybrane
parametry modelu
Proporcje i grup uczących i testowych
Grupa testowa 1:1 Grupa testowa 1:3 Grupa testowa 1:10
Grupa ucząca 1:1
Błąd I typu: 0%
Błąd II typu: 20%
Efektywność łączna: 90%
Błąd I typu: 0,022%
Błąd II typu: 20%
Efektywność łączna: 93,3%
Błąd I typu: 2%
Błąd II typu: 10%
Efektywność łączna: 97,27% Grupa ucząca 1:3
Błąd I typu: 0%
Błąd II typu: 42,86%
Efektywność łączna: 78,57%
Błąd I typu: 0%
Błąd II typu: 40%
Efektywność łączna: 90%
Błąd I typu: 0%
Błąd II typu: 37,5%
Efektywność łączna: 96,6%
Grupa ucząca 1:10
Szt
uczn
a si
eć n
euro
now
a
Zest
aw w
skaź
nikó
w Z
3
Błąd I typu: 0%
Błąd II typu: 42%
Efektywność łączna: 79%
Błąd I typu: 0%
Błąd II typu: 33,3%
Efektywność łączna: 95%
Błąd I typu: 0%
Błąd II typu: 33,3%
Efektywność łączna: 96,97%
Źródło: opracowanie własne
Analizując wyniki zawarte w powyższej tabeli zauważamy, że najlepsze
efekty osiągane są dla modeli trenowanych w proporcjach danych 1:1.
Efektywność takich modeli rośnie ponadto wraz ze zmniejszaniem się udziału
spółek bankrutów w grupie testowej, lub też, inaczej interpretując, wraz ze
zmniejszaniem prawdopodobieństwa określającego możliwość upadłości. Można
zatem stwierdzić, że rozpoczynając proces trenowania modelu winno się zakładać
jednakowe prawdopodobieństwa sukcesu jak i porażki, pomimo znajomości
rzeczywistej tendencji dotyczącej odsetka upadających firm w gospodarce. Równe
proporcje danych przekazują najdokładniej charakterystykę kondycji finansowej
przedsiębiorstw, natomiast zmniejszanie proporcji na rzecz spółek o dobrej
kondycji w grupie uczącej generuje zwiększony odsetek błędów I typu, a zatem
błędów polegających na uznaniu przedsiębiorstwa – przyszłego bankruta – za
podmiot nie wskazujący na możliwość bankructwa (w literaturze wskazuje się,
rzeczywiste koszty tego typu błędów są znacznie większe niż jest to w przypadku
popełnienia błędu typu II, np. udzielenie kredytu spółce – bankrutowi powoduje
straty dla banku w postaci niespłaconych odsetek i rat kapitałowych; analogicznie
błąd typu II powoduje jedynie koszty utraconych korzyści jakie można by uzyskać
155
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
finansując jednostkę uznaną za zagrożoną upadłością, która w rzeczywistości
zachowuje prawidłową kondycję finansową). Procent błędów typu I jest jednak w
każdym przypadku minimalny, a w większości prób nie występuje.
6.2. Własna koncepcja modelu umożliwiającego wnioskowanie o zagrożeniu bankructwem w polskich warunkach gospodarczych
W prezentowanej pracy przyjęto założenie, że do konstrukcji modelu modeli
umożliwiających wnioskowanie o zagrożeniu bankructwem w polskich warunkach
gospodarczych wykorzystana zostanie metoda ilościowa uznana w literaturze
światowej jako odpowiednia do prognozowania bankructwa oraz zestaw
wskaźników finansowych wytypowanych w wyniku przeprowadzonych badań.
Na podstawie przeprowadzonych studiów literatury finansowej i
ekonometrycznej, przeprowadzonych badań, analiz i własnych ocen można
wskazać, że sztuczna sieć neuronowa o architekturze określonej modelem 15, w
połączeniu z zestawem wskaźników Z3 okazała się być najbardziej efektywną
metodą umożliwiającą przewidywanie wystąpienia trudności finansowych, łącznie
z zagrożeniem bankructwem przedsiębiorstw w polskich warunkach
gospodarczych.
Na podstawie przeprowadzonych badań stwierdza się, iż sieć neuronowa o
dwunastu neuronach wejściowych tworzonych przez wskaźniki finansowe
wskazane metodą analizy krokowej w przód oraz dwunastu neuronach w warstwie
ukrytej pozwala na osiągnięcie ogólnej efektywności modelu na poziomie 90%.
Należy zauważyć, że w grupie tych wskaźników znalazło się 12 miar finansowych
określających tak płynność, poziom zadłużenia jak również strukturę majątku. W
grupie tej znalazły się również wszystkie wskaźniki wykorzystywane przez E.
Altmana modelu Z-score z 1968 roku. Przeprowadzone badanie z wykorzystaniem
samych wskaźników wskazanych przez E. Altmana wykazało jednak, że ich
potencjał informacyjny w polskich warunkach gospodarczych nie jest
wystarczający do poprawnego określana zagrożenia bankructwem. Dopiero
rozszerzenie tej grupy wskaźników między innymi o wskaźniki zadłużenia i
struktury majątku pozwala na otrzymanie wysokiej efektywności modeli.
Liczba neuronów w warstwie ukrytej modelu 15 wynosząca dwanaście
neuronów jest również interesująca. Literatura przedmiotu wskazuje bowiem, że
156
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
winno dążyć się do minimalizacji liczby tych elementów. W przypadku
rozpatrywanego zagadnienia efektywność sieci neuronowej na poziomie 90%
osiągnięto dopiero po stopniowym zwiększaniu liczby neuronów ukrytych aż do 12
elementów w warstwie ukrytej. Świadczy to o dużym skomplikowaniu omawianego
zagadnienia, bowiem dopiero złożona sieć o wielu elementach ukrytych była w
stanie rozwiązać stawiany przed nią problem na zadowalającym poziomie.
Oszacowanie 16 modeli pozwoliło również na wyciągnięcie wniosków
ogólnych co do metodologii oceny zagrożenia upadłością w warunkach polskich.
Wyniki przeprowadzonych badań wskazują, że bez względu na zestaw przyjętych
wskaźników finansowych, sztuczne sieci neuronowe wykazują największą
efektywność. Fakt największej efektywności SSN jest zrozumiały bacząc na
charakter tych procedur, które wykorzystują proces uczenia, a więc dążą do
najlepszego pod względem danego kryterium rozwiązania poprzez „dostosowanie”
się do danego problemu, czy też „nauczenie się” jego „rozwiązywania”. Dzięki
temu stają się uniwersalnym aproksymatorem wszelkich zagadnień o charakterze
ilościowym.
Analizując same zestawy wskaźników ustalono jednak, iż zestaw Z1
zawierający całą grupę wybranych wskaźników finansowych umożliwia osiągnięcie
największej przeciętnej efektywności we wszystkich metodach. Uzyskiwanie
najlepszych efektów przy zastosowaniu szerokiego wachlarza wskaźników
oznacza, iż do wyjaśniania tak złożonego zagadnienia jak przewidywanie
zagrożenia bankructwem niezbędna jest maksymalizacja liczby zmiennych
objaśniających o dużym potencjale informacyjnym. Takie bowiem podejście
pozwala na przedstawienie całego spektrum czynników określających potencjalne
zagrożenie upadłością. Jest to o tyle istotne, gdyż jak wykazała analiza,
ograniczanie liczby cech opisujących obiekty zmniejsza również potencjał
informacyjny umożliwiający identyfikację trudności finansowych. W warunkach
ograniczania potencjału informacji, jak wykazało badanie, jedynie sztuczne sieci
neuronowe umożliwiają osiągnięcie wyników, które można uznać za
zadawalające.
Niemniej jednak należy podkreślić, iż najlepsze efekty uzyskano
wykorzystując metodę, która niejako z założenia posiada największe możliwości
rozwiązywania problemu klasyfikacji (nie bazuje ponadto na „niewygodnych”
157
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
założeniach statystycznych dotyczących znajomości rozkładów zmiennych) oraz
wykorzystując dość liczny, bo 12 elementowy zbiór wskaźników opisujących
standing przedsiębiorstw. W ten sposób otrzymano połączenie wysokiego
potencjału obliczeniowego z dużym zasobem informacji finansowych.
Tabela 13
Porównanie efektywności modeli i zestawów wskaźników wraz z wartościami
średnimi
Metoda budowy modelu
DA Logit Probit SSN Średnio
Z1 69,23% 74,36% 76,92% 83,3% 75,95% Z2 38,46% 65,38% 67,95% 75,0% 61,70% Z3 61,54% 23,08% 23,92% 90,0% 49,64% Ze
staw
w
skaź
nikó
w
Z4 62,82% 33,33% 58,97% 75,0% 57,53% Średnio 58,01% 49,04% 56,94% 80,83%
Źródło: opracowanie własne
Na podstawie przeprowadzonych analiz należy stwierdzić, iż możliwość
przewidywania zagrożenia upadłością w warunkach polskich jedynie w niewielkim
stopniu odbiega efektywnością od analogicznych badań dokonywanych w krajach
o rozwiniętej gospodarce rynkowej. O ile, jak wykazały badania literaturowe
(tabela 8), poziom efektywności modeli tworzonych na świecie dla prognoz
generowanych w okresie od 1 do 3 lat przed upadłością kształtuje się na poziomie
90% – 95%, o tyle modele oszacowane na podstawie rodzimych danych pozwoliły
na uzyskanie efektywności na maksymalnym poziomie ok. 90% (przy
zastosowaniu optymalnej metody SSN i zestawu wskaźników Z3), przy czym w
pozostałych piętnastu przypadkach efektywność ta kształtuje się na poziomie od
23,08% do 83,3%. Należy podkreślić, że wyniki te są porównywalne również z
badaniami D. Hadasik, której modele charakteryzowały się efektywnością w
przedziale 83,33% do 94,4%. Niższy poziom efektywności w porównaniu z danymi
z krajów zachodnich można tłumaczyć dwojako.
Po pierwsze przyczyny te mogą zawierać się w doborze materiału
statystycznego. Należy podkreślić, iż dostęp do danych finansowych firm
bankrutów jest mocno utrudniony (porównaj rozdział 1), powoduje to, iż uzyskane
158
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
informacje charakteryzują się niskim poziomem homogeniczności, są mocno
zróżnicowane tak pod względem rodzaju podmiotu którego dotyczą (branży,
wielkości, specyfiki działalności) jak pod względem okresu czasu z którego
pochodzą. Stosunkowo nieduże ilości jednostkowych sprawozdań finansowych
(zebrana grupa badawcza nie odbiega od przeciętnych wielkości występujących w
tego typu badaniach na świecie – por. tabela 11, rozdział 3) sprawiają, iż potencjał
informacyjny w nich zawarty może odznaczać się dużym poziomem
zindywidualizowania, przez co nie określa on w pełni tendencji wspólnych dla całej
populacji.
Powyższe niedomogi o charakterze statystycznym wpływają na
efektywność zbudowanych przy ich zastosowaniu danych. Większość metod (w
tym szczególnie analiza dyskryminacyjna, ale również metoda dyskryminacji
logistycznej i probit, w których wymóg ten jest osłabiony) bazuje na założeniu
występowania rozkładu normalnego poszczególnych zmiennych. Niespełnienie
tego wymogu znacząco obniża zatem efektywność wymienionych metod. W celu
zbadania prawdziwości hipotezy o występowaniu rozkładu normalnego
wskaźników finansowych będących zmiennymi tworzonych modeli, wykonano
podstawowy test χ2 zgodności danych z rozkładem normalnym. W wyniku analizy
okazało się, że we wszystkich przypadkach hipoteza o występowaniu
rozpatrywanego rozkładu została odrzucona. Oznacza to, że zebrane dane, z
punktu widzenia statystyki, nie zostały dobrane prawidłowo, bądź też że rozkład
taki nie występuje w populacji generalnej zmiennych. Obie możliwości są ściśle
związane z liczebnościami grup, gdyż ich maksymalizacja mogłaby zmienić
uzyskane wyniki. Dążenie do zebrania bardzo liczebnych grup było jednak
ograniczone przesłankami, które można nazwać technicznymi, co określa w tym
przypadku uwarunkowania prawne, ekonomiczne oraz zwyczajowe. Należy jednak
wskazać, iż liczebność grupy firm funkcjonujących, wynosząca 180, wydaje się
być wystarczająco dużą, na co wskazują inne badania przeprowadzone na
świecie7. Wniosek tej jest znamienny dla dalszego przebiegu analizy.
Jako że koniecznym było sprawdzenie hipotez określających czy
rozpatrywane grupy firm pochodzą w rzeczywistości z dwóch różnych populacji
wykonano testy (test u dla dwóch średnich oraz test F dla dwóch wariancji)
7 Por. rozdział 3 pkt 7.
159
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
pozwalające sprawdzić, czy zmienne pochodzące z dwóch populacji wykazują
istotne różnice. Należy jednak podkreślić, że testy te bazują na założeniu, iż
rozpatrywane zmienne charakteryzują się rozkładami normalnymi, co zostało
obalone, a co w znaczący sposób ograniczyło wartość informacyjną uzyskanych
wyników. Okazało się bowiem, że w przypadku wartości średnich hipoteza zerowa
o niewystępowaniu istotnych statystycznie różnic między tymi zmiennymi została
odrzucona w 11 wypadkach. Innymi słowy dla 10 średnich można przyjąć, iż nie
różnią się one na tyle istotnie aby można było stwierdzić, że pochodzą z
odrębnych populacji generalnych. Nieco lepiej przedstawiała się sytuacja w
przypadku analizy wariancji. Wykonane testy F wskazały, że w 18 przypadkach
wariancje poszczególnych grup są istotnie zróżnicowane, co jest zrozumiałe
bacząc na wysokie współczynniki zmienności badanych wskaźników finansowych.
Ciekawym faktem jest przyjęcie hipotezy o braku różnic między wartościami
średnimi tylko dla trzech wykorzystywanych wskaźników płynności finansowej. Na
tej podstawie można mniemać, że zmienność miar płynności w obu zbiorach
spółek jest na tym samym poziomie, co łącząc z przyjęciem hipotezy o braku
różnic między wartościami średnich pozwala na stwierdzenie, że płynność
finansowa nie stanowi wyróżnika na podstawie którego można wnioskować o
zagrożeniu bankructwem. Jest to również zrozumiałe bacząc na względy
pozastatystyczne. Z punktu widzenia finansów oraz uwzględniając przepisy prawa
upadłościowego, płynność finansowa jako zdolność do terminowego regulowania
krótkoterminowych zobowiązań nie ma takiego znaczenia jak wypłacalność
długoterminowa, która stanowi zwykle o kondycji spółki w długim okresie czasu.
Niewypłacalność, a zatem zaprzestanie płacenia poważnych zobowiązań
spowodowane trwałymi (a nie przejściowymi niedoborami środków finansowych,
co może warunkować poziom płynności finansowej) trudnościami finansowymi o
charakterze strukturalnym, a więc dotyczącymi nie tylko zbytu ale również
struktury finansowania, stanowi ważny sygnał zagrożenia bankructwem, będąc
jednocześnie istotną przesłanką ogłoszenia upadłości przez sąd.
Po drugie, wracając do przyczyn niższej efektywności oszacowanych
modeli w porównaniu z analogicznymi modelami budowanymi w krajach
zachodnich, przyczyną niższych wyników końcowych określający przydatność
tego typu metod mogą być uwarunkowania gospodarcze wpływające na
160
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
działalność podmiotów gospodarczych. Można bowiem stwierdzić, iż dynamiczne
zmiany otoczenia gospodarczego, a zatem wyższy poziom ryzyka operacyjnego
sprawia, iż występujące nagłe i poważne trudności gospodarcze firm nie są
możliwe do przewidzenia, ani do uniknięcia, gdyż wywołane są poprzez zmiany o
charakterze makroekonomicznym (np. znaczne zmiany stóp procentowych,
ograniczenia i krachy na rynkach międzynarodowych). Co więcej ich nagły
charakter może być czynnikiem uniemożliwiającym zapobieżenie trudnościom
finansowym. Takie zjawiska, mające miejsce w pierwszej połowie lat
dziewięćdziesiątych, z którego to okresu w dużej części pochodzą poddane
badaniu dane finansowe, sprawiają, iż obrazowana w sprawozdawczości
finansowej ogólna, roczna sytuacja finansowa przedsiębiorstw, z okresu nawet
bezpośrednio poprzedzającego bankructwo, może nie zawierać w pełni
znamiennych dla tego zjawiska czynników obrazowanych w wartościach
wskaźników finansowych odbiegających od przyjętych norm. Taka sytuacja nie
występuje w krajach o stabilnej i wysoko rozwiniętej gospodarce, w których zmiany
środowiska gospodarczego mają charakter długotrwały i możliwy do przewidzenia.
W warunkach niskiej zmienności środowiska makroekonomicznego również
ewentualne trudności finansowe mają charakter długotrwały i uzależniony od
wewnętrznych uwarunkowań danego przedsiębiorstwa (np. takich jak poziom
zarządzania). Powolne pogarszanie się kondycji finansowej oraz generowane w
tym okresie symptomy uwidaczniają się w sprawozdaniach finansowych, przez co
identyfikacja tych sygnałów staje się łatwiejszą. Dzięki temu również efektywność
modeli przewidujących zagrożenie bankructwem wzrasta.
Wykorzystane w niniejszym badaniu metody ilościowe stosowane w
klasyfikacji obiektów, w tym również w klasyfikacji firm pod względem możliwości
ich bankructwa, wykazały zróżnicowaną przydatność, przy czym algorytmy mające
zdolności do nabywania wiedzy w procesie uczenia – sztuczne sieci neuronowe –
okazały się być najlepszymi. Gorszą efektywność do prognozowania upadłości
firm pozostałych metod nie należy jednak tłumaczyć ich niedoskonałością
(aczkolwiek ze względu na szereg niekorzystnych założeń będących podstawą
stworzenia tychże procedur ich zdolność do klasyfikacji omawianych technik jest z
założenie pogorszona), a raczej niedostatkami danych ilościowych. Badania
światowe wykazały bowiem, że aczkolwiek efektywność SSN kształtuje się na
161
„Prognozowanie upadłości przedsiębiorstwa” Rozdział 4: Statystyczna analiza sytuacji finansowej badanych grup przedsiębiorstw
poziomie wyższym niż jest to w przypadku analizy dyskryminacyjnej, czy metod
logit i probit, to jednak ich zastosowanie daje wyniki o efektywności na poziomie
jedynie niewiele niższym. Kwestią nadrzędną jest jednak uzyskiwanie rozwiązań
optymalnych, dlatego też w procesie wnioskowania o zagrożeniu upadłością winno
wykorzystywać się technikę sieci neuronowych jako metodę najlepszą z punktu
widzenia maksymalizacji trafności prognoz.
162